Donecle | |
Logotipo de Donecle | |
Creación | 10/09/2015 |
---|---|
Fundadores | Yann BrunerMatthew ClaybroughJosselin BequetAlban Deruaz-Pepin |
Forma jurídica | Sociedad Anónima |
La oficina central |
Labège Francia |
Dirección | Josselin Bequet |
Actividad | Construcción de aeronaves y espacioSimio: 3030Z |
Productos | Zumbido |
SIRENA | 813 450 350 |
Sitio web | donecle.com |
Donecle es una startup de Toulouse que está desarrollando un sistema de inspección de aeronaves utilizando drones automatizados . La compañía ofrece un dron o un enjambre de drones capaces de ubicarse en relación con la aeronave e inspeccionar visualmente la superficie exterior .
Los drones autónomos de navegación se basan en tecnología de posicionamiento láser. Los drones toman fotografías del avión con cámaras de alta resolución . Los algoritmos de procesamiento de imágenes y aprendizaje automático analizan las imágenes. Luego, el sistema proporciona un diagnóstico de la superficie de la aeronave a un inspector capacitado, que revisa las imágenes y valida o refuta el análisis proporcionado.
Premiada con varios premios y distinciones , la compañía forja asociaciones con aerolíneas como Air France Industries - KLM y fabricantes de aviones como Dassault Aviation . La empresa es uno de los actores en la robotización del mantenimiento aeronáutico .
En 2015 , la flota mundial de aviones de pasajeros comprendía alrededor de 21.600 aviones. Según las previsiones económicas de los estimadores, debería duplicarse en los próximos veinte años, lo que provocaría un aumento de las actividades de mantenimiento aeronáutico. Este sector está experimentando un crecimiento anual superior al 4 % . Las aerolíneas buscan recortar costos y experimentar una rentabilidad estructuralmente débil (márgenes netos de aproximadamente 2.5 % ). Una forma de ahorrar dinero es reducir los costos de mantenimiento, que representan el 15 % de sus costos operativos.
Los fabricantes de aeronaves , como Airbus , Boeing y ATR , y la certificación de organizaciones , como la Administración Federal de Aviación (FAA) y la Agencia Europea para la Seguridad Aérea (EASA), requieren una inspección visual periódica de toda la superficie externa de la aeronave para evaluar el estado de sus estructuras. Aproximadamente el 80 % de las inspecciones son visuales. Todas las aeronaves se inspeccionan visualmente antes de cada vuelo, como parte de las operaciones de mantenimiento planificadas regulares y después de eventos imprevistos como un rayo, una tormenta de granizo u otros daños externos. Una de las soluciones consideradas para reducir costes es la robotización del mantenimiento aeronáutico y sus inspecciones visuales.
En enero de 2013 , se inicia el proyecto Francés de Investigación y Desarrollo Air Cobot y tiene como objetivo desarrollar un robot móvil colaborativo capaz de inspeccionar una aeronave durante las operaciones de servicio . Liderado por el grupo Akka Technologies , este proyecto de socios múltiples involucra laboratorios de investigación y fabricantes, incluido Airbus . En 2014 , en asociación con el Laboratorio de Robótica de Bristol, la aerolínea británica easyJet se interesó por los drones no tripulados para mejorar el tiempo de inspección de los fuselajes de sus aviones.
Después de trece años como ingeniero en las oficinas de diseño del fabricante de aviones europeo Airbus en aviones A400M y A350 , Yann Bruner descubre que los informes de inspección para el mantenimiento a menudo están incompletos por varias razones, como una fotografía faltante, información faltante o escritura ilegible. Está considerando el uso de drones para realizar la inspección de forma automática. Luego se puso en contacto con Matthieu Claybrough, quien estaba involucrado en proyectos de drones en el Instituto Superior de Aeronáutica y Espacio (ISAE-SUPAERO). Matthieu Claybrough trabajó durante tres años diseñando pilotos automáticos para aviones y helicópteros para Thales Avionics , un proveedor de equipos y servicios de aviónica . Con Josselin Bequet y Alban Deruaz-Pepin, en septiembre de 2015 fundaron la startup Donecle y desarrollaron un sistema automático de inspección de aeronaves con un enjambre de drones . Ese mismo año, presentaron su concepto en la feria internacional de aeronáutica y espacio de París-Le Bourget en junio.
Incluso si las regulaciones y las condiciones climáticas complican el uso de drones en el espacio aéreo del aeropuerto, Donecle ha optado por desarrollar un producto que funcione tanto en interiores como en exteriores. Por lo general, los drones que vuelan de forma autónoma al aire libre utilizan el sistema de geolocalización Global Positioning System (GPS) para posicionarse. Pero este enfoque es impensable en el interior de un hangar debido a las distorsiones de la señal debido a las estructuras metálicas . Para poder operar en ambos entornos, la empresa emplea un sistema de posicionamiento láser para sus drones. Los algoritmos calculan en tiempo real la posición del dron en relación con el avión.
El operador humano elige un plan de vuelo para su inspección. Los drones despegan y vuelan de forma autónoma. Las cámaras montadas en los drones fotografían la superficie del dispositivo. Los algoritmos de procesamiento de imágenes realizan la detección de características en el fuselaje y clasifican en defectos o no. Luego, un inspector calificado puede validar los informes de análisis.
En comparación con una inspección humana que requiere la instalación de andamios, el análisis completo de la superficie externa de un Airbus A320 o un Boeing 737 con un enjambre de tres drones toma de veinte a treinta minutos contra ocho horas y moviliza a una sola persona contra diez a veinte pulgadas. el enfoque clásico. El costo del tiempo de inactividad de un dispositivo es de aproximadamente $ 10,000 por hora. Se han archivado las patentes.
El sistema de inspección puede verse como un conjunto de sensores móviles que se encuentran dentro del dominio de Internet of Things , en inglés "Internet of Things" (IoT). Desde sus inicios en 2015, se unió a la Donecle Conectado campamento , un acelerador de inicio en este campo, presente en el valle de la IO de Labège , una ciudad situada al sur - este de Toulouse . Donecle es miembro del grupo de competitividad Aerospace Valley , el grupo Robotics Place y el Hardware Club. En octubre de 2016 se incorporó a Starburst Accelerator , una incubadora dedicada a las startups del sector aeronáutico y espacial .
Durante el mismo año, la startup ganó varios premios como el Grand Prix Galaxie, otorgado por el club de empresas de Toulouse del sector aeronáutico y espacial , del mismo nombre y un trofeo de innovación en el marco de Aeromart, la convención de negocios de las industrias aeronáutica y espacial.
En 2016, la compañía anunció una asociación con el grupo franco-holandés de mantenimiento aeronáutico Air France Industries - KLM Engineering and Maintenance (AFI-KLM E&M). Esta colaboración es parte del MRO Lab - Adaptive Innovations , un programa de AFI KLM E&M dedicado a la innovación. Los drones se prueban en sus aviones para verificar las marcas descriptivas y detectar fallas. Al final de esta fase de prueba y verificación, AFI-KLM y Donecle planean implementar conjuntamente este sistema de inspección en las bases de mantenimiento de AFI-KLM E&M.
A finales de 2016, DDrone Invest, una sociedad de inversión controlada por la empresa francesa Delta Drone, invirtió un millón de euros en la puesta en marcha Donecle. Con esta suscripción a una ampliación de capital reservada, la empresa se convierte en accionista junto a los fundadores. En el International Air Show and Space de Paris-Le Bourget en 2017 , la startup anunció que comienza a firmar sus primeros contratos con aerolíneas y espera un despliegue comercial para fin de año. Durante el año, la startup planea aumentar su fuerza laboral y quiere atraer clientes internacionales.
Durante el ADS Show 2018 Trade Show, el mantenimiento y la defensa de aviones, Donecle realizó una inspección con el dron Dassault Rafale , el avión militar polivalente . En el futuro, la empresa con sede en Toulouse también quiere ofrecer otros tipos de inspección como el control de calidad de la instalación de pintura exterior o la evaluación de la corrosión . Se están considerando formas de diversificar la inspección para el mantenimiento no aeronáutico, particularmente en los ferrocarriles , la industria naval y los parques eólicos .
El dron Donecle es un octocóptero coaxial push-pull. Los drones se posicionan en relación con la aeronave que deben inspeccionar utilizando una técnica de posicionamiento láser. Esto les permite operar en sitios cubiertos como hangares sin la necesidad de geolocalización del Sistema de Posicionamiento Global (GPS). Los algoritmos calculan en tiempo real la posición del dron en relación con el avión. Los sensores utilizados para la navegación autónoma garantizan la seguridad operativa al evitar colisiones con la aeronave, el personal humano y el equipo.
Los planes de vuelo y la cantidad de drones utilizados dependen del modelo de aeronave a analizar. Un dron es suficiente para un avión pequeño, mientras que se pueden considerar hasta seis para un Airbus A380 . Como las misiones de inspección son siempre las mismas, los viajes están preprogramados en software a bordo de un panel táctil . El operador humano no necesita pilotar. Todo lo que tiene que hacer es lanzar la misión y los drones navegan de forma autónoma por la cabina . Pueden evolucionar a una distancia de un metro del fuselaje.
Las cámaras de alta resolución montadas en los drones fotografían la superficie del dispositivo. Los algoritmos de procesamiento de imágenes realizan un primer paso para detectar áreas de interés en el fuselaje. Luego se lleva a cabo un segundo paso de clasificación . con el fin de categorizar fallas ( rayo , fuga de aceite , rayado, irregularidad de textura, ...) y elementos convencionales del dispositivo ( remache , tubo de pitot , ...). El algoritmo de reconocimiento se basa en el aprendizaje automático de bases de datos anotadas de vuelos anteriores.
La efectividad de los algoritmos de aprendizaje profundo depende de la representatividad y la cantidad de ejemplos en cada clase. Las bases de datos adolecen del hecho de que solo hay una pequeña cantidad de fallas en comparación con la enorme cantidad de elementos normales presentes en un avión. Sin embargo, los defectos son los elementos más críticos para clasificar. Para superar esta dificultad, Donecle investigó para ampliar las anotaciones de imágenes, utilizando técnicas clásicas de procesamiento de imágenes y redes antagonistas generativas . Otras alternativas también previstas incluyen el aprendizaje de una sola operación, que permite aprender la información de la categoría de objeto a partir de una sola imagen o de un pequeño número de imágenes de entrenamiento.
Los diagnósticos se proporcionan en tiempo real . Las aplicaciones son la detección de defectos y el control de calidad de los marcados reglamentarios. Al final de la misión, se envía un informe de daños a la tableta con pantalla táctil con cada área de interés y su clasificación propuesta. El algoritmo devuelve una tasa de confianza en su diagnóstico. Un inspector calificado observa las imágenes y valida o refuta este diagnóstico.