La maintenance prédictive des drones utilise les données de capteurs qu'un appareil enregistre déjà, combinées à des modèles d'apprentissage automatique, pour prévoir quand une batterie, un moteur ou un autre composant va défaillir, afin de l'entretenir avant qu'il n'immobilise une mission plutôt qu'à date fixe. Les études publiées chiffrent les économies à 8 à 12 pour cent par rapport à la maintenance préventive et jusqu'à 40 pour cent par rapport à la maintenance à la panne, avec jusqu'à 70 pour cent moins de bris.
Pour un exploitant de flotte, la maintenance peut représenter plus de la moitié des coûts d'exploitation directs, et les systèmes de drones affichent encore des taux de défaillance impensables en aviation habitée. Ce guide explique pourquoi les trois stratégies de maintenance traditionnelles ne répondent pas aux besoins des flottes de drones, comment fonctionne la maintenance prédictive par apprentissage automatique, ce qu'a révélé la recherche de Vozwin avec l'Université McGill et l'Université de Sherbrooke, et quoi vérifier avant d'acheter une solution.
Ce que coûtent réellement les arrêts à un exploitant de flotte
Les drones sont devenus essentiels à la surveillance, aux interventions d'urgence, à l'inspection et aux essais non destructifs, et leur valeur dépend du temps passé en vol plutôt que sur un banc. Pourtant, la maintenance est l'un des plus gros postes de dépense d'une flotte, et l'argent dépensé n'achète pas la fiabilité qu'il devrait :
- Pour les drones, la maintenance peut représenter plus de 50 pour cent des coûts d'exploitation directs.
- Les compagnies aériennes dépensent environ 69 milliards de dollars US par année en maintenance, réparation et révision, soit près de 9 pour cent de leurs coûts d'exploitation.
- Malgré ces dépenses, les systèmes de drones affichent un taux de défaillance global d'environ 25 pour cent dans les analyses de fiabilité publiées.
- En aérospatiale générale, une seule enquête de cause première sur un moteur peut dépasser 100 000 $ une fois comptés la main-d'œuvre d'ingénierie, le transport et le démontage.
La facture de réparation est la moitié la moins grave du problème. Un arrêt imprévu, ce sont des pénalités contractuelles quand un relevé ou une inspection n'est pas livré à temps, des amendes et des responsabilités quand une défaillance cause des dommages ou blesse quelqu'un, des coûts de replanification, et une confiance client qui s'érode discrètement à chaque fenêtre manquée. La question que finit par se poser chaque exploitant est la même : comment réduire les dépenses de maintenance et augmenter la fiabilité en même temps?
Pourquoi la maintenance réactive, préventive et conditionnelle échoue
La plupart des flottes de drones sont entretenues de l'une de trois façons, et chacune échoue pour une raison différente. La quatrième ligne est celle où l'apprentissage automatique change la donne :
| Stratégie | Déclencheur | Où elle aide | Où elle échoue avec les drones |
|---|---|---|---|
| Réactive (à la panne) | Quelque chose brise | Coût initial et planification minimes | Réparations d'urgence plus coûteuses, dommages collatéraux aux autres composants, durée de vie réduite de l'appareil, et exposition aux blessures et dommages matériels d'une défaillance en vol. Reste l'approche la plus courante dans les flottes de drones. |
| Préventive (planifiée) | Intervalles calendaires ou d'heures de vol | Facile à implanter et à auditer; réduit les bris surprises | Remplace des pièces sans égard à leur état réel, donc vous payez du travail et des arrêts inutiles, et elle rate quand même les défaillances qui ne suivent pas l'horaire. |
| Conditionnelle | Un paramètre surveillé franchit un seuil | Agit sur l'état réel de l'équipement; réduit les remplacements inutiles | Infrastructure de surveillance coûteuse, et aucune prévision : elle ne se déclenche qu'une fois la limite atteinte, donc les signatures de dégradation précoce passent inaperçues. |
| Prédictive (apprentissage automatique) | Un modèle prévoit la durée de vie utile restante | Anticipe les défaillances des jours ou des vols à l'avance; utilise les capteurs déjà à bord | Exige un pipeline de données propre et de l'expertise pour la mise en place, ce qu'une bonne solution devrait prendre en charge. |
Les approches réactive, préventive et conditionnelle partagent aussi un angle mort : aucune ne dit quoi que ce soit sur le comportement des pilotes ni sur la santé de l'ensemble de la flotte, deux facteurs qui déterminent le coût de maintenance et la durée de vie utile.
Comment fonctionne la maintenance prédictive par apprentissage automatique
La maintenance prédictive combine des données de capteurs historiques et en temps réel avec des algorithmes d'apprentissage automatique pour prévoir quand un composant de drone risque de défaillir. Pour un drone, il s'agit habituellement de prédire la dégradation de la batterie, l'usure des moteurs, ou la durée de vie utile restante d'une autre pièce critique. Un drone typique génère plus de 400 paramètres à partir de ses capteurs à chaque vol, et la majorité est jetée aujourd'hui. Des modèles spécialisés transforment ce flux en portrait de la santé de la flotte :
- Collecter. Les journaux de vol du contrôleur (tension, courant, gaz, vibration, orientation, altitude) sont capturés après chaque vol, sans matériel ajouté.
- Conditionner. Un pipeline de données nettoie, normalise et agrège les journaux pour que les données historiques et en temps réel puissent être analysées ensemble.
- Modéliser. Des modèles propres à chaque composant, un pour la batterie, un pour les moteurs, sont entraînés sur l'évolution de ces signaux à mesure que les pièces se dégradent.
- Prévoir. Chaque vol met à jour une estimation de l'état de santé et une prédiction de durée de vie utile restante par appareil et par composant.
- Planifier. La maintenance est organisée autour de la prévision, et les mêmes données alimentent l'analyse des pilotes et l'affectation de la flotte.
Le plus difficile n'est pas l'algorithme. C'est que les batteries et moteurs de drones existent en dizaines de configurations, avec peu de données historiques par type et des limites de poids strictes sur les capteurs qu'on peut ajouter. Les modèles génériques de maintenance prédictive industrielle ne survivent pas au contact de cette réalité, et c'est pourquoi Vozwin a financé une recherche dédiée.
Ce que montre la recherche de Vozwin : état de santé des batteries et des moteurs
Dans le cadre de son projet PHUMS, Vozwin a travaillé avec l'Université McGill et l'Université de Sherbrooke pour bâtir un modèle d'état de santé plus précis, fondé sur les données, pour les batteries de drones. L'équipe a mené 631 expériences de vol sur des batteries lithium-polymère de 2 200 mAh et 1 100 mAh, en utilisant uniquement la tension, le courant et les gaz des cycles de décharge comme entrées, soit les signaux qu'un contrôleur de vol standard enregistre déjà. Pour contourner la rareté des données, les séries temporelles ont été converties en images afin qu'un ResNet-50 préentraîné puisse en extraire des caractéristiques, et les connaissances ont été transférées d'un type de batterie à l'autre.
Le résultat publié : une erreur absolue moyenne en pourcentage de 2,26 pour cent en test sur une batterie que le modèle n'avait jamais vue, à partir d'un petit jeu de données. L'entraînement continu sur un jeu de données plus grand depuis la publication a ramené ce chiffre à 1,57 pour cent. La démarche complète est dans notre guide compagnon sur la prédiction de l'état de santé des batteries de drones, et l'article évalué par les pairs est sur arXiv.
Les moteurs sont l'autre point de défaillance, et le défi là est le poids. Des accéléromètres dédiés à la surveillance des vibrations peuvent ajouter jusqu'à un dixième de la masse d'un petit drone, ce qui coûte du temps de vol et, ironiquement, de la vie de batterie. L'approche de Vozwin consiste à prédire l'état de santé des moteurs à partir des capteurs déjà à bord, deux accéléromètres, deux gyroscopes, un baromètre et un GPS, et à ajouter les données de caméra comme second avis : l'instabilité visuelle causée par un moteur qui se dégrade apparaît dans la vidéo avant de franchir un seuil.
Au-delà de la prédiction des pannes : les pilotes et la flotte
Une fois le pipeline de données en place, le même flux de capteurs répond à des questions que la maintenance traditionnelle n'a jamais pu poser :
- Performance des pilotes. Combiner les données du drone et du pilote fait ressortir les habitudes de vol qui raccourcissent la vie des composants ou créent une exposition en sécurité et en conformité, pour les corriger avant qu'elles ne deviennent des réparations.
- Optimisation de la flotte. Une visibilité en temps réel sur la santé de chaque appareil permet d'affecter les missions aux actifs les plus susceptibles de les compléter, de planifier les fenêtres de maintenance autour de la demande, et de repérer les sous-performants chroniques.
Ce que disent les chiffres
La maintenance prédictive est étudiée dans assez d'industries depuis assez longtemps pour que les économies soient bien documentées. Les chiffres ci-dessous sont multisectoriels; ce qu'une flotte de drones donnée en tire dépend de sa taille, de son profil de mission et de la façon dont elle est entretenue aujourd'hui.
| Résultat | Donnée publiée | Source |
|---|---|---|
| Coût vs maintenance préventive | 8 % à 12 % de moins | Département de l'Énergie des États-Unis, guide des meilleures pratiques O&M |
| Coût vs maintenance réactive | Jusqu'à 40 % de moins | Département de l'Énergie des États-Unis, guide des meilleures pratiques O&M |
| Bris | Réduits de 70 % | Deloitte Analytics Institute |
| Coûts de maintenance | Réduits de 25 % | Deloitte Analytics Institute |
| Productivité | Augmentée de 25 % | Deloitte Analytics Institute |
Moyennes multisectorielles tirées d'études publiées, citées en entier sous Sources. Ce sont des repères, pas une promesse pour une flotte en particulier.
Pour un exploitant de drones, ces pourcentages se traduisent en cinq bénéfices concrets : moins d'interventions de maintenance inutiles et de réparations d'urgence; moins d'arrêts parce que les défaillances sont prédites plutôt que découvertes; des appareils plus sûrs parce que leur état est connu en temps réel; des composants qui durent plus longtemps parce qu'ils vont jusqu'à leur vraie limite plutôt qu'à un horaire prudent; et une meilleure planification des ressources de maintenance, des actifs et des missions.
Les défis, honnêtement
La maintenance prédictive n'est pas sans inconvénients, et quiconque la vend comme du prêt-à-brancher passe trois choses sous silence :
- Coût d'implantation. Logiciels, formation, et l'infrastructure de données pour stocker et interroger de grands volumes de données en temps réel et historiques, plus les scientifiques des données pour bâtir les modèles. Fait à l'interne, ça prend plus de temps à mettre en place qu'un horaire préventif.
- Intégrité des données. Les prédictions valent ce que valent les entrées. Il faut un processus qui transforme, nettoie, normalise et agrège les données de capteurs de façon fiable, sur un pipeline assez réactif pour l'analyse en temps réel.
- Complexité. L'IA et l'apprentissage automatique demandent de l'expertise pour être exploités, et un système dont la sortie exige un spécialiste pour être interprétée ne sera pas utilisé par une équipe de maintenance.
Chacun de ces défis est un problème résolu quand la solution est conçue pour les drones et livrée comme un logiciel plutôt que comme un projet de recherche. La liste ci-dessous permet de faire la différence.
Guide d'achat : 8 critères pour une solution de maintenance prédictive de drones
Le choix d'une plateforme de maintenance et de gestion de flotte détermine si les défis ci-dessus sont absorbés par le fournisseur ou retombent sur votre équipe. Cherchez :
- Un modèle d'état de santé des batteries conçu pour les drones. Il doit viser spécifiquement les batteries de drones et répondre à leurs deux problèmes déterminants : des données rares par type de batterie et une grande variabilité entre les types.
- Des modèles de performance des moteurs et de pointes de tension qui utilisent les capteurs existants. Ajouter des accéléromètres ajoute du poids, ce qui raccourcit la vie de la batterie et la durée de vie utile. Le modèle doit travailler à partir de la centrale inertielle et du GPS du contrôleur de vol.
- Une analyse automatisée des pilotes. La revue manuelle de la performance des pilotes est lente et sujette aux erreurs. Cherchez des modèles dédiés qui signalent les habitudes menant à une maintenance prématurée, une durée de vie réduite ou des incidents de sécurité, sans qu'un humain lise les journaux.
- Une gestion de flotte avec visibilité en temps réel. État de santé par appareil, soutien à l'affectation des missions, et une vue claire des actifs sous-performants.
- Un pipeline de données d'apprentissage automatique avec une vraie gouvernance. Des contrôles de qualité des données et une architecture qui soutient l'analyse en temps réel, pas un export nocturne vers une feuille de calcul.
- Une livraison SaaS. Une solution infonuagique est accessible depuis n'importe quel appareil, grandit avec la flotte sans nouvelle infrastructure, et réduit le temps et le coût d'implantation.
- Un fonctionnement autonome. Les résultats et les constats doivent arriver sans intervention ni interprétation manuelle. Si ça prend un scientifique des données pour le lire, ça ne sera pas lu.
- Une plateforme agnostique. Prise en charge de plusieurs fabricants et types d'appareils : voilure tournante, voilure fixe, VTOL hybride et véhicules sous-marins, pour ne jamais être captif d'un seul fournisseur ou type de drone.
Les mêmes modèles au-delà des drones
Les drones servent d'étude de cas parce que leurs contraintes sont les plus dures : cellules légères, capteurs bon marché, nombreuses configurations, peu de données. Les modèles qui fonctionnent là se transfèrent bien à des problèmes plus faciles. La propulsion électrique et hybride en aviation habitée pose les mêmes questions de dégradation de batterie et de gestion thermique, les motoristes font face aux mêmes coûts d'enquête de cause première, et les flottes minières, de transport et d'énergie reposent toutes sur la même logique de prédire la durée de vie utile restante à partir de données de capteurs. Résolvez-le pour un quadricoptère de 250 grammes et le reste de l'industrie aéronautique n'est qu'un changement d'échelle.
Où se situe Vozwin
Vozwin a financé et possède la recherche sur l'état de santé des batteries et des moteurs décrite ci-dessus, menée par sa division Laboratoires avec l'Université McGill et l'Université de Sherbrooke, avec le soutien du programme Accélération de Mitacs. La plateforme commerciale qui en est issue, Vermilion, a été incubée dans le studio de création d'entreprises de Vozwin et fonctionne maintenant comme sa propre entreprise; elle figure sous Sources pour les exploitants qui cherchent le produit.
Si vous exploitez une flotte de drones, ou si vous êtes un équipementier ou un intégrateur avec des données de maintenance que vous n'utilisez pas encore, les équipes Aérospatiale et Laboratoires travaillent directement sur le problème de fond : instrumenter la plateforme, bâtir le pipeline de données, et entraîner des modèles sur votre flotte plutôt que sur celle de quelqu'un d'autre.