Donecle | |
Logotipo da Donecle | |
Criação | 10/09/2015 |
---|---|
Fundadores | Yann BrunerMatthew ClaybroughJosselin BequetAlban Deruaz-Pepin |
Status legal | Sociedade por ações |
A sede |
Labège França |
Direção | Josselin Bequet |
Atividade | Construção de aeronaves e espaçoMacaco: 3030Z |
Produtos | Drone |
SIRENE | 813 450 350 |
Local na rede Internet | donecle.com |
Donecle é uma startup de Toulouse que está desenvolvendo um sistema de inspeção de aeronaves usando drones automatizados . A empresa oferece um drone ou enxame de drones capazes de se localizar em relação à aeronave e inspecionar visualmente a superfície externa .
Os drones autônomos de navegação são baseados na tecnologia de posicionamento a laser. Drones tiram fotos do avião com câmeras de alta resolução . Algoritmos de processamento de imagem e aprendizado de máquina analisam as imagens. O sistema então fornece um diagnóstico da superfície da aeronave para um inspetor treinado, que revisa as imagens e valida ou refuta a análise fornecida.
Premiada com diversos prêmios e distinções , a empresa firma parcerias com companhias aéreas como a Air France Industries - KLM e fabricantes de aeronaves como a Dassault Aviation . A empresa é um dos players na robotização da manutenção aeronáutica .
Em 2015 , a frota global de aviões era composta por cerca de 21.600 aeronaves. Pelas previsões econômicas dos estimadores, deve dobrar nos próximos vinte anos, levando ao aumento das atividades de manutenção aeronáutica. Este setor apresenta um crescimento anual superior a 4 % . As companhias aéreas buscam cortar custos e apresentar rentabilidade estruturalmente fraca (margens líquidas de aproximadamente 2,5 % ). Uma forma de economizar dinheiro é reduzir os custos de manutenção, que representam 15 % dos custos operacionais.
Os fabricantes de aeronaves , como Airbus , Boeing e ATR , e organizações de certificação , como a Federal Aviation Administration (FAA) e a European Agency for Aviation Safety (EASA), exigem inspeção visual regular de toda a superfície da aeronave externa para avaliar o estado de suas estruturas. Cerca de 80 % das inspeções são visuais. Todas as aeronaves são inspecionadas visualmente antes de cada voo, como parte das operações regulares de manutenção planejada e após eventos imprevistos, como um raio, uma tempestade de granizo ou outros danos externos. Uma das soluções consideradas para reduzir custos é a robotização da manutenção aeronáutica e suas inspeções visuais.
Em janeiro de 2013 , o projeto Francês de Pesquisa e Desenvolvimento Air Cobot inicia e visa desenvolver um robô móvel colaborativo capaz de inspecionar uma aeronave durante o serviço de operações . Liderados pelo Akka Technologies grupo , este projecto multi-parceiro envolve laboratórios de pesquisa e fabricantes, incluindo Airbus . Em 2014 , em parceria com o Laboratório de Robótica Bristol, a companhia aérea britânica easyJet se interessou por drones não tripulados para melhorar o tempo de inspeção das fuselagens de seus aviões.
Depois de treze anos como engenheiro nos escritórios de design do fabricante europeu de aeronaves Airbus em aviões A400M e A350 , Yann Bruner descobriu que os relatórios de inspeção para manutenção costumam ser incompletos por vários motivos, como fotografia perdida, informações ausentes ou caligrafia ilegível. Ele está considerando o uso de drones para realizar a inspeção automaticamente. Ele então contatou Matthieu Claybrough, que estava envolvido em projetos de drones no Instituto Superior de Aeronáutica e Espaço (ISAE-SUPAERO). Matthieu Claybrough trabalhou por três anos projetando pilotos automáticos para aviões e helicópteros para a Thales Avionics , fornecedora de equipamentos e serviços de aviônica . Com Josselin Bequet e Alban Deruaz-Pepin, em setembro de 2015 eles fundaram a startup Donecle e desenvolveram um sistema automático de inspeção de aeronaves com um enxame de drones . No mesmo ano, eles apresentaram seu conceito na feira internacional de aeronáutica e espaço Paris-Le Bourget, em junho.
Mesmo que os regulamentos e as condições climáticas complicem o uso de drones no espaço aéreo do aeroporto, a Donecle optou por desenvolver um produto que funcione tanto em ambientes internos quanto externos. Normalmente, os drones que voam autonomamente ao ar livre usam o sistema de geolocalização do Sistema de Posicionamento Global (GPS) para se posicionar. Mas essa abordagem é impensável dentro de um hangar por causa das distorções de sinal devido às estruturas metálicas . Para poder operar nos dois ambientes, a empresa emprega um sistema de posicionamento a laser para seus drones. Os algoritmos calculam em tempo real a posição do drone em relação ao avião.
O operador humano escolhe um plano de vôo para inspeção. O (s) drone (s) decolam e voam de forma autônoma. As câmeras montadas nos drones fotografam a superfície do dispositivo. Os algoritmos de processamento de imagens realizam a detecção de recursos na fuselagem e classificam em defeitos ou não. Um inspetor qualificado pode então validar os relatórios de análise.
Comparada a uma inspeção humana exigindo a instalação de andaimes, a análise completa da superfície externa de um Airbus A320 ou Boeing 737 com um enxame de três drones leva de vinte a trinta minutos contra oito horas e mobiliza uma única pessoa contra dez a vinte em a abordagem clássica. O custo do tempo de inatividade de um dispositivo é de cerca de US $ 10.000 por hora. As patentes foram arquivadas.
O sistema de inspeção pode ser visto como um conjunto de sensores móveis que se enquadram no domínio da Internet das Coisas , em inglês "Internet of Things" (IoT). Desde o seu início em 2015, Donecle se juntou ao acampamento Connected , um acelerador de arranque neste campo, presente no Vale do Internet das coisas de Labège , uma cidade localizada ao sul - leste de Toulouse . Donecle é membro do cluster de competitividade Aerospace Valley , do cluster Robotics Place e do Hardware Club. Em outubro de 2016 , ela se tornou membro da Starburst Accelerator , uma incubadora dedicada a startups no setor aeronáutico e espacial .
No mesmo ano, a startup conquistou diversos prêmios como o Grand Prix Galaxie, concedido pelo clube de empresas do setor aeronáutico e espacial de Toulouse , de mesmo nome e um troféu de inovação no âmbito da Aeromart, a convenção de negócios da as indústrias aeronáutica e espacial.
Em 2016, a empresa anunciou uma parceria com o grupo franco-holandês de manutenção aeronáutica Air France Industries - KLM Engenharia e Manutenção (AFI-KLM E&M). Esta colaboração faz parte do MRO Lab - Adaptive Innovations , um programa AFI KLM E&M dedicado à inovação. Os drones são testados em seus aviões para verificar as marcações descritivas e detectar falhas. No final desta fase de teste e verificação, a AFI-KLM e a Donecle planejam implantar em conjunto este sistema de inspeção nas bases de manutenção de E&M da AFI-KLM.
No final de 2016, a DDrone Invest, sociedade de investimento controlada pela francesa Delta Drone, investiu um milhão de euros na start-up Donecle. Com a subscrição de um aumento de capital reservado, a empresa passa a ser acionista ao lado dos fundadores. No International Air Show and Space de Paris-Le Bourget em 2017 , a startup anunciou que começa a assinar seus primeiros contratos com companhias aéreas e espera uma implantação comercial até o final do ano. Ao longo do ano, a startup planeja aumentar seu quadro de funcionários e quer atrair clientes internacionais.
Durante a ADS Show 2018 Trade Show de manutenção e defesa de aeronaves, a Donecle conduziu uma inspeção pelo drone Dassault Rafale , a aeronave militar multifuncional . No futuro, a empresa sediada em Toulouse também quer oferecer outros tipos de inspeção, como controle de qualidade da instalação de pintura externa ou avaliação de corrosão . Estão a ser estudadas formas de diversificar para a fiscalização da manutenção não aeronáutica, nomeadamente nas ferrovias , na indústria naval e nos parques eólicos .
O drone Donecle é um octocóptero coaxial push-pull. Os drones se posicionam em relação à aeronave que devem inspecionar usando uma técnica de posicionamento a laser. Isso permite que eles operem em locais cobertos, como hangares, sem a necessidade de geolocalização do Sistema de Posicionamento Global (GPS). Os algoritmos calculam em tempo real a posição do drone em relação ao avião. Os sensores utilizados para a navegação autônoma garantem a segurança operacional , evitando colisões com a aeronave, pessoal humano e equipamentos.
Os planos de vôo e a quantidade de drones utilizados dependem do modelo da aeronave a ser analisada. Um drone é suficiente para uma aeronave pequena, enquanto até seis drones podem ser considerados para um Airbus A380 . Como as missões de inspeção são sempre as mesmas, os percursos são pré-programados em software a bordo de um touch pad . O operador humano não precisa pilotar. Tudo o que ele precisa fazer é lançar a missão e os drones navegarão de forma autônoma pela cabine . Eles podem evoluir a uma distância de um metro da fuselagem.
As câmeras de alta resolução montadas nos drones fotografam a superfície do dispositivo. Os algoritmos de processamento de imagem executam uma primeira etapa de detecção de áreas de interesse na fuselagem. Uma segunda etapa de classificação é então realizada. para categorizar falhas ( queda de raio , vazamento de óleo , arranhão, irregularidade de textura, ...) e elementos convencionais do dispositivo ( rebite , tubo de pitot , ...). O algoritmo de reconhecimento é baseado na aprendizagem automática de bancos de dados anotados de voos anteriores.
A eficácia dos algoritmos de aprendizagem profunda depende da representatividade e da quantidade de exemplos em cada aula. Os bancos de dados sofrem com o fato de haver apenas um pequeno número de falhas em comparação com a enorme quantidade de elementos normais presentes em um avião. No entanto, os defeitos são os itens mais críticos a serem classificados. Para superar essa dificuldade, Donecle fez pesquisas para estender as anotações de imagens, usando técnicas clássicas de processamento de imagens e redes antagônicas geradoras . Outras alternativas também previstas incluem o aprendizado de operação única, que permite que as informações da categoria do objeto sejam aprendidas a partir de uma única imagem ou de um pequeno número de imagens de treinamento.
Os diagnósticos são fornecidos em tempo real . As aplicações são a detecção de defeitos e o controle de qualidade de marcações regulatórias. Ao final da missão, um relatório de avarias é enviado ao tablet touchscreen com cada área de interesse e sua proposta de classificação. O algoritmo retorna uma taxa de confiança em seu diagnóstico. Um inspetor qualificado analisa as imagens e valida ou refuta este diagnóstico.