IA pour l’auto-diagnostic de la robotique spatiale et la prédiction précoce des défaillances

La modification 005 - Une pièce jointe a été ajoutée. Le document comprend des questions et réponses liées au défi.

La modification 004 - Une pièce jointe a été ajoutée. Le défi sera prolongé et la nouvelle date de fermeture est le 10 novembre, 2022 a 14:00 HNE

La modification 003 – Une pièce jointe a été ajoutée. Le document comprend des questions et des réponses liée au défi.

La modification 002 - Une pièce jointe a été ajoutée. Le document comprend des questions et des réponses liées au défi.

La modification 001 est émise pour ajouter des détails sur les exigences relatives à la sécurité, mettre à jour le lien vers le manuel de sécurité des contrats et ajouter la liste de vérification des exigences relatives à la sécurité en tant que document joint, annexe C

*Veuillez noter que ce défi nécessite une habilitation de sécurité de fiabilité.

Avant l'attribution d'un contrat, les conditions suivantes doivent être respectées :

a) le soumissionnaire doit détenir une attestation de sécurité d’organisme valable tel qu’indiqué.

b) les personnes proposées par le soumissionnaire et qui doivent avoir accès à des informations ou à des biens à caractère protégé ou classifié ou à des établissements de travail dont l'accès est réglementé doivent répondre aux exigences de sécurité

c) le soumissionnaire doit fournir le nom de tous les individus qui devront avoir accès à des renseignements ou à des biens de nature protégée ou classifiée ou à des établissements de travail dont l'accès est réglementé;

Voir le manuel de sécurité des contrats pour plus d'informations - Manuel de la sécurité des contrats - Exigences de sécurité des contrats du gouvernement du Canada – Filtrage de sécurité - Sécurité nationale - Sécurité nationale et défense – Canada.ca (tpsgc-pwgsc.gc.ca)

Le présent avis du défi est publié en vertu de l’appel de propositions (003) du programme Solutions innovatrices Canada (SIC) (EN578-20ISC3). Pour obtenir des renseignements généraux sur le SIC, les soumissionnaires peuvent visiter le site Web du SIC à cet effet.

Veuillez consulter les documents de l’appel de propositions qui contiennent le processus de soumission d’une proposition.

Étapes à suivre :

Étape 1 : lisez ce défi

Étape 2 : lisez l’appel de propositions

Étape 3 : proposez votre solution ici

Titre du défi : L’IA pour l’auto-diagnostic de la robotique spatiale et la prédiction précoce des défaillances

PROMOTEUR DU DÉFI : Agence spatiale canadienne (ASC)

Méchanisme de financement : contrat

VALEUR MAXIMALE DU MARCHÉ

De multiples contrats pourraient résulter de ce défi.

Phase 1 :

• Le financement maximal disponible pour tout contrat de la phase 1 résultant de ce défi est de : 150 000 $ CAD, à l'exclusion des taxes applicables, des frais d'expédition, de déplacement et de subsistance, selon les besoins.
• La durée maximale de tout contrat de la phase 1 résultant de ce défi est de 6 mois (à l'exclusion de la présentation du rapport final).
• Estimation du nombre de contrats de la phase 1 : 2

Phase 2 :

N.B.: Seulement les entreprises qui auront complété avec succès la Phase 1 seront invitées à soumettre une proposition pour la Phase 2.

• Le financement maximal disponible pour tout contrat de la phase 2 résultant de ce défi est de : 1 000 000 CAD, à l'exclusion des taxes applicables, des frais d'expédition, de voyage et de séjour, selon les besoins.
• La durée maximale de tout contrat de la phase 2 résultant de ce défi est de 24 mois (à l'exclusion de la présentation du rapport final).

• Estimation du nombre de contrats de la phase 2 : 1

Le fait de divulguer l'estimation du financement disponible n'engage aucunement le Canada à payer cette somme. Les décisions finales sur le nombre de bourses des phases 1 et 2 seront prises par le Canada en fonction de facteurs tels que les résultats de l'évaluation, les priorités ministérielles et la disponibilité des fonds.

N.B.: les entreprises sélectionnées peuvent recevoir un contrat par phase, par défi. 

Déplacements 

Lors de la Phase 1, un soumissionnaire retenu pourrait devoir se déplacer à l’Agence spatiale canadienne, Longueuil (Québec), pour la réunion d’examen final.

Réunion de lancement

Téléconférence/videoconference

Réunions d'étape

Téléconférence/videoconference

Réunion d’examen final

Par téléconférence ou vidéoconférence, ou Longueuil (Québec)

Les autres communications pourront se faire par téléphone, ou par vidéoconférence.

Sommaire du problème

L’Agence spatiale canadienne (ASC) recherche une solution qui réduira les coûts de gestion de la maintenance de la robotique spatiale en utilisant le grand nombre d’enregistrements de données de système stockés pour former un agent pouvant diagnostiquer et prévoir les pannes du matériel de vol.

Énoncé du problème

Dans le cadre de ce défi, une solution est recherchée pour améliorer l’efficacité d’un programme de maintenance de sous-systèmes robotiques spatiaux tels que des caméras, des capteurs et des mécanismes. La maintenance prédictive (en particulier l’autodiagnostic et la prédiction des pannes) n’est pas un nouveau domaine de recherche. Cependant, avec les progrès de l’apprentissage automatique (AA) et de l’analyse des mégadonnées (AMD), la maintenance prédictive peut entraîner des améliorations significatives de la fiabilité, de la prévision des besoins en matière d’entretien sur la base des modèles de performance de l’équipement et de la réduction des temps d’arrêt de l’équipement.

L’ASC aimerait utiliser la maintenance prédictive fondée sur l’intelligence artificielle (IA) pour minimiser les temps d’arrêt en orbite, prolonger la durée de vie de l’équipement et réduire les risques pour la sécurité, en entretenant l’équipement en fonction de l’usure réelle au lieu d’un calendrier préétabli d’activités d’entretien. La solution ferait usage des enregistrements de données de maintenance historiques et la télémétrie en liaison descendante des opérations passées comme données d’apprentissage (l’ASC peut fournir ces données au(x) soumissionnaire(s) retenu(s)). En fournissant des diagnostics automatiques et une prédiction précoce des pannes, des actions préventives et préparatoires peuvent être prises. L’ASC estime qu’en utilisant de nouvelles technologies numériques telles que l’AA et l’AMD, le coût du cycle de vie de la maintenance des futurs systèmes robotiques peut être considérablement réduit.

Résultats souhaites et éléments à considérer

Résultats essentiels (obligatoires)

La solution proposée doit :

1. Fournir des autodiagnostics et la prédiction de pannes fondée sur l’apprentissage, l’hypothèse et l’analyse à l’aide de données de télémétrie disponibles d’un système robotique spatial
2. Fournir un classificateur de données et un outil d’étiquetage qui comprend la préparation et le nettoyage pour s’assurer que les données sont correctement.
3. Traiter les données déséquilibrées (c’est-à-dire que les opérations nominales seront beaucoup plus fréquentes que les opérations non nominales).
4. Fournir un diagnostic pour aider à isoler les défauts du système.
5. Prédire les pannes des sous-systèmes ou composants du système de vol.
6. Avoir une approche appropriée de la formation initiale à partir d’un ensemble de données et recycler le ou les algorithmes avec de nouveaux échantillons de données ultérieurs, si le système proposé est fondé sur l’apprentissage automatique.

Résultats souhaités supplémentaires

Les solutions proposées devraient :

1. Être applicable à d’autres types d’équipements (non robotiques).

2. Inclure la sécurité des technologies de l’information dans le cadre de sa conception inhérente.

Historique et contexte

Le Système d’entretien mobile (SEM) est un atout important pour le programme de la Station spatiale internationale (SSI), et sa fiabilité est essentielle au cycle de vie continu de la station. Pour les futures missions comme la station spatiale cislunaire Gateway par exemple, les systèmes robotiques spatiaux avancés fonctionneront dans l’environnement hostile de l’espace lointain et le coût de lancement des pièces de rechange sera considérablement augmenté. La fiabilité, le fonctionnement sûr et le coût d’exploitation de ces systèmes robotiques seront la clé du succès du programme. Il en va de même pour les systèmes de mobilité de surface tels que les rovers et les services commerciaux en orbite et les systèmes actifs d’élimination des débris. En tant que systèmes complexes fonctionnant dans l’espace, les techniques standards de maintenance et de diagnostic des pannes peuvent ne pas être suffisamment rentables. Les méthodes typiques de diagnostic et de prédiction précoce des défaillances nécessitent une expérimentation et une modélisation approfondies au cours du développement initial du système. Caractériser les performances en orbite du système alors qu’il est encore sujet à la gravité terrestre et dans des conditions ambiantes est irréalisable, car cela nécessiterait trop d’analyses techniques et un coût élevé. Les approches modernes fondées sur l’AA et l’AMD pourraient fournir une solution pour surmonter les lacunes d’un programme standard de gestion de la maintenance.

Au moment où le SEM a été développé à la fin des années 1990, le concept d’autodiagnostic n’était pas très développé et il y avait une absence de technologies associées; par conséquent, des approches de maintenance traditionnelles ont été adoptées. En raison des calendriers de lancement et d’autres considérations, l’entretien du SEM était fondé sur un cycle de 2 ans avec une période d’atténuation d’un an. Noter également que l’équipage de la SSI est partiellement responsable des activités de diagnostic et de maintenance. Les registres d’opérations du SEM rapportent qu’un assez large éventail de temps a été consacré au diagnostic et à la correction des anomalies; les exemples variaient de 5 minutes à plusieurs heures – et certaines anomalies ne sont pas encore comprises. Le coût d’opportunité de ce temps correspond aux retards dans l’exécution des expériences scientifiques et aux risques potentiels pour la sécurité. Cette constatation souligne la nécessité d’une approche d’autodiagnostic et de prédiction des défaillances bien fondée et efficace.

Les étapes d’un cas d’utilisation générique où un agent (soit un opérateur de contrôle au sol, soit un logiciel intelligent embarqué) effectue un diagnostic sur un système de vol spatial seraient les suivantes :

1. Un défaut se produit dans le système de vol; la preuve de ce défaut existe dans la télémétrie du système signalée à l’agent.
2. Le contexte des opérations est noté; il s’agit essentiellement de garder une trace de l’intention de l’opération en cours et de tous les identifiants d’erreur qui se produisent, ce qui peut aider à affiner la recherche des défauts potentiels pertinents.
3. Si nécessaire, l’agent peut choisir d’interroger le système de vol pour obtenir des renseignements de diagnostic supplémentaires.
4. À l’aide des renseignements disponibles, on détermine un diagnostic de défaut probable. Sur la base de ce diagnostic, le système de vol peut être interrogé à nouveau pour confirmer le défaut, et/ou obtenir des données supplémentaires pour caractériser le défaut ou rechercher une cause profonde.
5. Si le défaut peut être corrigé par une télécommande, alors l’agent envoie la ou les commandes appropriées.
6. L’agent vérifie que la panne a été correctement réparée. Cela peut nécessiter d’interroger spécifiquement le système de vol pour obtenir des renseignements de diagnostic supplémentaires.

Un autre scénario d’intérêt est la détection autonome des performances en dehors de la valeur nominale. En fonctionnement autonome sans liaison de communication avec le segment sol :

• Le robot effectue une opération de routine (par exemple, l’insertion d’une charge utile dans un réceptacle).
• Un agent intelligent compare la télémétrie rapportée par le robot tout au long de l’opération à un modèle fondé sur des opérations similaires précédentes.
• L’agent détermine si les performances se situent dans des variations normales, ou si une anomalie ou une dégradation des performances s’est produite. Dans ce dernier cas, les données sont signalées pour un téléchargement prioritaire lors de la prochaine fenêtre de communication afin que le personnel au sol puisse effectuer une analyse postérieure détaillée.

La maintenance prédictive est un concept appliqué pour optimiser les plans de maintenance des actifs grâce à la prédiction des défaillances des actifs par le biais de techniques reposant sur les données. Le succès de ces approches, telles que l’AA et l’AMD, dépend de la disponibilité d’un grand nombre de données représentatives. De plus, les données doivent être étiquetées correctement afin de prédire avec précision les schémas de défaillance ou d’effectuer un autodiagnostic. La plupart des problèmes de qualité des données peuvent être résolus par des algorithmes d’apprentissage en profondeur qui peuvent être utilisés pour créer des modèles prédictifs plus précis. Ces modèles d’apprentissage en profondeur pourront appliquer des renseignements provenant de données précédemment étiquetées à de nouvelles données non étiquetées, de sorte que les analyses prédictives et prescriptives deviendront encore plus précises au fil du temps.

À l’avenir, l’Internet industriel des objets (IIO) et l’apprentissage en profondeur devraient jouer un rôle important dans l’avancement de l’analyse prédictive et surmonter les problèmes de qualité des données et le fossé technologique. Des solutions innovantes potentielles pourraient être envisagées pour le Canadarm3 sur la station spatiale cislunaire Gateway ainsi que pour d’autres services commerciaux d’enlèvement de débris en orbite et actifs et de systèmes de mobilité en surface; Le Canada pourrait ouvrir la voie à la mise en œuvre d’un programme de maintenance intelligent pour les systèmes de vols spatiaux.

ENQUÊTES

Toutes les demandes de renseignements doivent être présentées à TPSGC.SIC-ISC.PWGSC@tpsgc-pwgsc.gc.ca au moins dix jours civils avant la date de clôture. Pour ce qui est des demandes de renseignements reçues après ce délai, il est possible qu'on ne puisse pas y répondre.

*Comment préparer une soumission