Les différents modeles d’identification des moteurs des avions realises

Les modèles des moteurs existants relatifs à la poussée

Plusieurs modeles ont ete realises afin d’identifier des parametres specifiques aux moteurs des aeronefs. Les objectifs essentiels de ces modeles sont : d’estimer leurs performances de la conception des moteurs, de predire et representer leur comportement et fonctionnement et de faciliter la prise des decisions lors des etapes de fabrication des avions (Daniel, 1992). En effet, la majorite des modeles realises est basee sur des equations polynomiales. Ces modeles analytiques ont permis l’estimation des parametres des moteurs tout en assurant la haute qualite de sa performance, ainsi que de sa precision. Une methode d’identification des parametres du moteur de l’avion Cessna Citation X a ete realisee dans notre laboratoire LARCASE a partir des donnees du simulateur de vol de niveau D (Ghazi et al., 2015). Ce modele a considere deux algorithmes d’estimation (« la methode des moindres carres » ainsi que la « methode d’optimisation par essaims particulaires ») dans le but de predire la force de poussee du moteur dans n’importe quelle condition de vol.

De tres bons resultats ont ete obtenus grace a ce modele avec une erreur relative moyenne entre les donnees de simulateur de la force de la poussee du moteur et les donnees experimentales qui a ete a egale a 1.58% ; sa valeur maximale a ete de 3.2%. Un modele generique a ete developpe par Rodriguez et al. (2012) ; la poussee d’un turboreacteur d’un avion civil a ete estimee dans ce modele. Le principe de realisation de ce modele a ete different de celui propose par Ghazi et al. (2015) car celui-ci n’a pas tenu compte des donnees provenant du simulateur ; par contre, il s’etait base sur des donnees qui pourraient etre changees, telles que le taux de dilution, ainsi que la poussee maximale au niveau de la mer. La validation de ce modele a ete realisee grace a la comparaison de ses resultats par rapport aux donnees de 4 types de moteurs (Honeywell TFE 731-5, General Electric TF39, Garrett ATF3 et General Electric CF6-80). Ces types de moteurs ont ete choisis suite a la presence de leurs donnees dans la litterature. Les erreurs relatives des resultats du modele par rapport aux donnees des trois premiers moteurs que nous venons de citer n’a pas depasse plus de 6%, alors que l’erreur relative maximale du modele par rapport aux donnees du dernier type du moteur (CF6-80) a ete de 14%.

En effet, le modele n’a pas tenu compte de la geometrie et des caracteristiques de chaque moteur, en plus, le manque de donnees a affecte aussi la precision du modele. Nous avons deduit que le modele du moteur base sur les donnees du simulateur de vol realise par Ghazi et al. (2015) a ete plus efficace que celui de Rodriguez et al. (2012) car la quantite des donnees a ete plus importante ; ceci a permis d’assurer une tres grande precision de prediction du modele de Ghazi et al. (2015) par rapport au modele base sur une petite quantite de donnees. Ceci, nous permet de conclure sur la necessite d’avoir une grande base de donnees pour la conception et la realisation du modele de moteur de l’avion Cessna Citation X presente dans ce memoire. D’autres modeles de moteurs d’avions ont ete proposes sur la base des relations mathematiques liant les differents parametres qui affectent la poussee du moteur. En effet, le modele propose par Mattingly et al. (1987) tenait compte de la densite de l’air et de la variation du nombre de Mach pour determiner la poussee maximale du moteur ; le modele propose par Wanner (1976) tenait compte de la position de la manette de gaz. Ces deux modeles etaient bases sur les resultats obtenus par des analyses aerodynamiques et thermodynamiques obtenues pour chaque phase de vol.

Les modèles des moteurs existants relatifs à la consommation du carburant La consommation de carburant se presente, pour les reacteurs, sous la forme de produit d’une consommation specifique et de la poussee du moteur. Le modele du moteur propose par Mattingly (1996) a presente une consommation specifique qui dependait de l’altitude, du nombre de Mach, du cycle du moteur, ainsi que de sa temperature. Ce modele a offert une consommation specifique egale a 1.89*􀍳􀍲􀬿􀬹 (kg/s)/N en croisiere et superieure a la valeur donnee par le modele qui considere une consommation de carburant d’une valeur constante egale a 1.75*􀍳􀍲􀬿􀬹 (kg/s)/N. Donc, 8% de plus de consommation a ete obtenue (Roux, 2002). Le modele de Torenbeek (1982) etait base sur une analyse detaillee du fonctionnement du moteur. Dans ce modele la consommation du carburant ainsi que le nombre de Mach augmentaient, alors qu’une augmentation du taux de dilution provoquait la diminution de cette consommation.

Mais, cette consommation ne dependait pas uniquement que du nombre de Mach et du taux de dilution, mais aussi de l’altitude et du rapport de pressions (entree/sortie) du compresseur (Roux, 2002). A partir du modele propose par Torenbeek (1982), Roux a propose un modele de consommation de carburant specifique a une poussee maximale avec une precision de 3.6% pour les moteurs a taux de dilution superieur a 3 pour le regime de croisiere. Les valeurs de la consommation specifique de carburant du modele de Torenbeek (1982) presentaient une erreur de 6.6% par rapport a leurs valeurs experimentales obtenues en croisiere. Un autre modele pour les moteurs a double flux a ete propose par Engineering Sciences Data Unit (1982). Il donne la consommation du carburant en fonction du nombre de Mach, du rapport des temperatures au sol et en vol ainsi qu’un coefficient qui depend du taux de dilution et de l’altitude. De la meme maniere que pour les modeles cites precedemment, ce modele montre que la consommation du carburant augmente lorsque le nombre de Mach augmente aussi. La limitation de ce modele est sa validite en regime de croisiere pour le nombre de Mach situe entre 0.6 et 0.9 (Roux, 2002). D’autres methodes ont ete utilisees pour l’identification du modele ; le diagnostic des performances des moteurs se base sur les reseaux de neurones. Ces reseaux servent a l’apprentissage des donnees et surtout au traitement des systemes non lineaires. Une explication des reseaux de neurones sera presentee dans le deuxieme chapitre.

Les modèles existants des moteurs basés sur les réseaux de neurones

Dans le contexte des reseaux de neurones appliques a la modelisation des moteurs d’avions, une technique de calcul des caracteristiques de la turbine a gaz d’un moteur d’aeronef a ete developpee par Grigor’ev et al. (2015) en se basant sur les reseaux de neurones. L’avantage de l’utilisation de cette technique est de representer les approximations des differentes caracteristiques d’une turbo machine sous forme d’un tableau pour les analyser et assurer leurs meilleures qualites. Elle permet egalement de realiser des interpolations et des extrapolations des approximations de ces caracteristiques. Par ailleurs, un autre modele base sur une combinaison des reseaux de neurones avec des algorithmes genetiques a ete realise pour les diagnostiques des performances d’un moteur d’un aeronef (Kobayashi et al., 2005). En effet, l’utilisation des reseaux de neurones pour ce modele a servi a estimer l’etat interne du moteur, tandis que les algorithmes genetiques ont servis a l’amelioration de la robustesse de mesures des incertitudes. Cette technique hybride a permis de proposer des solutions potentielles pour la resolution des anomalies ou mesures des capteurs dans le but de reduire les fausses alarmes. L’architecture proposee pour ce modele hybride d’estimation citee precedemment est presentee dans la figure 1.7 :

L’apprentissage des reseaux de neurones pourrait prendre beaucoup de temps. Afin de remedier a ce probleme, l’algorithme genetique est utilise. Pour l’apprentissage des donnees, le modele des reseaux de neurones tient compte des parametres du moteur tels que l’altitude, le nombre de Mach ainsi que la position de la manette de gaz. Par ailleurs, l’ensemble des donnees represente l’intervalle de solutions sur lequel l’algorithme genetique cherche une solution optimale. Cette solution annule la difference entre les mesures reelles et celles donnees par les capteurs. L’algorithme genetique minimise l’erreur entre les donnees du modele du moteur et ses valeurs experimentales reelles. L’utilisation des reseaux de neurones pour l’estimation de certains parametres du moteur a permis le traitement de la non linearite du Figure 1.7 Architecture hybride d’estimation des parametres de duree de vie du moteur Tiree de Kobayashi et al., (2005) systeme correspondant. Ainsi, l’utilisation de reseaux de neurones pourrait etre efficace dans le cadre de notre projet pour l’estimation des parametres du moteur de l’avion Cessna Citation X, tels que la poussee du moteur et la consommation du carburant qui dependent de plusieurs parametres. Les algorithmes genetiques trouvent les solutions optimales pour la resolution de certains problemes dans les meilleurs delais. Meme si ces algorithmes sont les plus utilises dans les problemes d’optimisation, d’autres methodes existent pouvant etre plus efficaces.