Un avion commercial est foudroyé en moyenne une fois par an, suite à quoi une inspection visuelle rigoureuse doit être menée dans le but de rechercher des dommages potentiels de quelques millimètres carrés. Cette inspection, fastidieuse et nécessitant du travail en hauteur, dure typiquement de 8 à 16 heures avec plusieurs inspecteurs.

Civil ou militaire, l’aéronautique doit faire face à de nombreux cas de maintenance comme celui-ci immobilisant l’aéronef pour une durée variable, limitant ainsi les opérations et engendrant des coûts. C’est pourquoi l’optimisation de la maintenance est devenue un enjeu crucial à tous les niveaux.

Innovation, automatisation et digitalisation sont pour Donecle une des clés de cette problématique. Après plusieurs années de recherche et développement, l’entreprise commercialise en 2019 un drone totalement automatique. Sans pilote ni GPS, le drone se repère et évolue autour de l’aéronef grâce à une technologie laser embarquée. A partir des milliers d’échos lasers, des algorithmes calculent en temps réel la position du drone par rapport à la carlingue. L’acquisition d’image lors de l’inspection permet de détecter des défauts et dommages difficilement visibles à l’œil nu, tels que : de la corrosion ou érosion, des enfoncements et bosses, des impacts de foudre… 

Dans le but d’optimiser le processus à tous les niveaux, Donecle a déployé des algorithmes d’intelligence artificielle pour détecter les défauts les plus courants. Lors de son vol, le drone, équipé d’une caméra haute résolution sur nacelle 270°, capture des photos de toute la surface extérieure de l’aéronef. Les données acquises sont ensuite disponibles sur un logiciel d’analyse automatisée. 

En fonction du cas d’usage, une première étape consiste à faire annoter les acquisitions par des experts humains, afin de fournir un ensemble de données nécessaires à l’entraînement des algorithmes d’intelligence artificielle. Notre méthode repose sur l’utilisation de deux réseaux de neurones : un premier destiné à la détection rapide des défauts et un second à la classification des défauts à partir de régions extraites sur les images en pleine résolution. Ainsi, les défauts potentiels (objets petits ou ambigus) sont rassemblés pour une étape supplémentaire de classification. 

Traiter la reconnaissance des défauts comme un problème de classification d’images permet d’utiliser des techniques avancées qui sont beaucoup plus complexes à introduire dans un algorithme de reconnaissance d’objets en une seule étape, dans lequel la détection et la classification sont indissociables. L’analyse et classification des défauts sont effectuées automatiquement et en temps réel. Après revue par un inspecteur, un rapport d’inspection exhaustif peut être généré. Les défauts peuvent ensuite être stockés dans un espace dédié permettant de retracer l’historique des inspections et d’observer l’évolution des défauts à long terme.

Depuis sa création, cette technologie a démontré des résultats concluants sur de nombreux avions et est déployée dans de nombreux programmes. Les systèmes Donecle sont notamment utilisés dans le civil sur une vingtaine de type d’avions, des Falcons au A320 et B737 en passant par les Embraer, avec clients tels que Airbus, Air France, AAR, Austrian Airlines, Latam, Regional Jet Center, etc. La solution fait également l’objet d’expérimentations longues durées sur le terrain militaire, notamment sur les aéronefs Rafale, AWACS, Atlantique 2 et A400M. Naviguant de façon répétable et sécurisée autour de ses aéronefs, le drone se démontre comme une méthode de capture d’image rapide et fiable.

Un des programmes phares est réalisé sur le Rafale et a pour objectif d’adapter les algorithmes d’intelligences artificielles aux dommages pouvant survenir sur ce dernier. Le projet pluriannuel, réalisé en partenariat avec Dassault, la DGA, la Marine Nationale et l’Armée de l’Air et de l’Espace, comporte une phase d’acquisition de données suivi d’une phase d’évaluation en conditions réelles. C’est ainsi que plus de cent inspections Rafale par drone ont été réalisés en 2021 et se poursuivent en 2022 sur les différentes bases d’emplois. Les premiers résultats et retours utilisateurs sont très positifs, avec plusieurs cas d’usages identifiés. 

Des défauts détectés dix fois plus rapidement sur avion comme hélicoptère

D’inspection en inspection, l’historique numérique permettra de suivre au mieux les tendances des dommages, l’évolution des structures et de manière générale améliorer notre compréhension de la vie du fuselage d’un avion pour mettre en place une maintenance prédictive. Chacune de ces étapes contribue à l’optimisation des opérations de maintenance de l’aéronef pour in-fine améliorer sa disponibilité. 

Matthieu Claybrough Président de Donecle Matthieu Claybrough, Président de Donecle Diplômé de l’École Polytechnique et de Supaéro (X2009 & S2013), Matthieu Claybrough s’est spécialisé en automatique et aéronautique, menant notamment des travaux sur la navigation automatique des drones. Après trois ans chez Thales Avionics à travailler sur les lois de pilotages de plusieurs aéronefs, il cofonde Donecle en 2015 en tant que directeur technique avant d’en devenir Président en 2020.