Abonnez-vous Identifiez-vous

Identifiez-vous

Vos codes d'accès sont erronés, Veuillez les saisir à nouveau. Mot de passe oublié ?

Le big data pour tenir les délais

Ridha Loukil , , ,

Publié le

Pour respecter son calendrier de livraisons, Airbus applique le big data à ses vols d’essai tout en restant pragmatique et prudent vis à vis de cette technologie.

Le big data pour tenir les délais
Airbus a mené des tests sur un jeu de données d’environ 1 téraoctet de l’A?380, avec la solution Hadoop d’Oracle. Celle-ci sera utilisée pour l’A?350 en 2016.

Les entreprises citées

Avant de livrer ses avions, Airbus en vérifie la conformité à la conception par des vols d’essai. Cette phase, nécessaire à leur certification de navigabilité, génère un volume croissant de données à analyser pour détecter les problèmes à corriger. Pour tenir le rythme des essais et respecter les délais de livraison, l’avionneur européen passe au big data. Mais pas question de se précipiter tête baissée dans l’aventure, ni de s’enflammer pour cette technologie sans en avoir au préalable démontré l’utilité. Son métier d’avionneur l’oblige à rester pragmatique et prudent. Détails d’une démarche encore rare dans des industries critiques.

1. Désengorger l’accès aux données

Airbus est astreint à des plannings d’essai serrés. Avant de donner le feu vert aux vols d’essai du lendemain, il faut au préalable avoir analysé les résultats des vols de la journée, vérifié la cohérence des mesures des capteurs de test avec celles de l’instrumentation embarquée et corrigé les problèmes détectés. Il en va de la sécurité de l’équipage. « Pour aller vite et éviter des retards, le travail d’analyse des résultats d’essais est réparti sur environ 600 personnes, chacune chargé d’un morceau de l’avion », explique Jean-Marc Wattecant, le responsable du département de traitement des données des vols d’essai. Problème ? Le volume de données générées par les vols d’essai double à chaque génération d’avion en raison de la sophistication croissante des systèmes embarqués. Ce qui tend à créer des embouteillages pour accéder aux résultats. « Il n’y avait pas de base de données, l’accès se faisait de façon séquentielle et le stockage était limité à trois mois, alors qu’une campagne d’essais dure sept à dix-huit mois », rappelle Sylvie Teysseyre, la responsable logiciel critique et sécurité chez Sopra Steria, qui a accompagné Airbus dans ce projet. « Pour améliorer l’accès concurrent aux données, nous avons décidé de reprendre la technologie MapReduce de Google », confie Jean-Marc Wattecant. MapReduce est la technologie à la base des plates-formes Hadoop de traitement parallèle de mégadonnées.

2. Commencer par un démonstrateur de faisabilité

Le big data est issu du monde de l’internet, donc la prudence s’impose. Pour Airbus, il est crucial d’en vérifier la compatibilité avec ses standards aéronautiques à travers un démonstrateur de faisabilité. Le choix s’est porté sur un équipement Hadoop, une solution intégrée matériel et logiciel qui offre l’avantage d’éviter le travail d’intégration et de garantir le fonctionnement. Quatre grands fournisseurs, dont Oracle, ont été sélectionnés pour l’épreuve. « On leur a demandé de réaliser une maquette adaptée à l’usage industriel d’Airbus, explique Sylvie Teysseyre. On a soumis les quatre solutions au même test d’acquisition de données. Et on a comparé les performances entre elles, mais aussi par rapport à la plate-forme classique existante. » Le test a été mené sur un jeu de données d’environ 1 téraoctet de l’A 380. Il a consisté à mesurer la réponse des maquettes à l’injection de données d’abord pour un seul utilisateur, ensuite pour dix utilisateurs simultanés, vingt et ainsi de suite. À chaque palier, les performances sont comparées à celles de la plate-forme en place. Les résultats montrent un gain faible pour un seul utilisateur, mais tangible pour plusieurs utilisateurs simultanés. Airbus décide alors de déployer la technologie avec l’objectif d’être prêt pour le début des vols d’essai de l’A 320neo (une version de l’A320 avec une motorisation plus efficace), fin 2014. La même plate-forme devrait servir aussi à l’A 350 et à l’A 1000 prévu en 2016. La solution d’Oracle est retenue.

3. Progresser pas à pas dans les usages

Il ne faut pas s’engager dans un big bang, rappelle Jean-Marc Wattecant. L’objectif est d’améliorer l’accès concurrent aux données, sans changer les outils d’analyse et de visualisation développés en interne, ni remettre en cause les méthodes de travail des utilisateurs. « Comprendre ce qui s’est passé lors du vol d’essai, détecter les événements anormaux, trouver les sources des incidents… Tout cela reste réalisé par le cerveau humain comme avant », explique le responsable. Cette étape est opérationnelle depuis janvier 2015. Mais goûter au big data donne des idées de nouveaux usages. « Nous voulons saisir l’opportunité pour mettre en place un moteur d’apprentissage statistique qui pourra corréler des données, creuser les sources d’incidents et aider les utilisateurs à les identifier et les corriger plus vite, ajoute-t-il. C’est quelque chose que nous n’avions pas prévu au départ. » Avec le nouveau système, la capacité de stockage est étendue à près d’un an de vols d’essais. « Aujourd’hui, nous analysons les données vol par vol, détaille Jean-Marc Wattecant. Demain, nous pourrons le faire sur plusieurs vols, avec pour résultat d’améliorer la détection des incidents et de réduire, au final, le nombre de vols d’essai en trouvant la racine des problèmes plus vite. » Sylvie Teysseyre envisage un autre usage. « Aujourd’hui, dit-elle, chaque utilisateur se cantonne à sa partie des données. Demain, il sera possible de corréler les données de différents morceaux de l’avion, car si un problème apparaît à un endroit, il a des chances de se reproduire ailleurs. » Cette extension s’effectuera par étapes après un test à petite échelle. Le choix de la solution n’est pas encore entériné, mais Airbus penche pour Oracle.

4. Attention à la modélisation des données

L’une des phases critiques du projet est la modélisation des données. C’est sur ce point que l’un des quatre fournisseurs testés a été recalé. Airbus s’est donné huit mois pour mener ce travail de design. L’objectif est de garantir une valeur ajoutée à l’utilisateur. Car le big data a beau être un outil puissant, si les données ne sont pas modélisées de façon adéquate, la performance attendue risque de ne pas être au rendez-vous. « Le système a besoin d’être configuré pour l’adapter au cas d’usage chez Airbus, explique Sylvie Teysseyre. C’est important pour en garantir l’utilisation optimale et coller au besoin de l’application. Il n’y a pas moins de 100 paramètres à caler. Agir sur l’un influe sur les autres. Il faut allier expertise du big data et connaissance de l’application pour aboutir aux bons réglages. » Cette tâche a été menée par Sopra Steria avec l’aide d’Oracle. L’entreprise de services du numérique a également adapté l’outil d’accès aux données à un format utilisable par le système big data.

2 téraoctets de données par jour pour l’A 350


Pour l’A 350, qui constitue la dernière génération d’avions d’Airbus, 600 000 paramètres (vitesse, pression de l’air, température des moteurs, contraintes sur les ailes…) sont captés pendant les vols d’essai. Ils sont mesurés pour les deux tiers par l’instrumentation embarquée et pour un tiers par les capteurs de test posés sur le prototype d’essai. Environ 6 000 capteurs de test sont ajoutés à l’appareil pour le premier vol d’essai puis 200 pour les vols suivants. Ce qui conduit jusqu’à 2 téraoctets de données par jour.

Réagir à cet article

Créez votre compte L’Usine Connect

Fermer
L'Usine Connect

Votre entreprise dispose d’un contrat
L’Usine Connect qui vous permet d’accéder librement à tous les contenus de L’Usine Nouvelle depuis ce poste et depuis l’extérieur.

Pour activer votre abonnement vous devez créer un compte

Créer votre Compte
Suivez-nous Suivre Usine Nouvelle sur Facebook Suivre Usine Nouvelle sur Twitter RSS Usine Nouvelle