Détection d’anomalies embarquées - Apprentissage automatique pour le durcissement de l'électronique spatiale

Les satellites n'étant pas protégés par l'atmosphère terrestre sont soumis aux radiations spatiales. L'un des effets est l'apparition de perturbations liées à une particule isolées. D'un arrêt temporaire du composant, jusqu'à la destruction de celui-ci, les effets sont variés, et c'est pourquoi il est important de protéger les composants électroniques utilisés lors d'une mission spatiale. Aujourd'hui, la méthode de prédilection se base sur le durcissement des composants. Un composant durci voit sa conception modifiée pour se prémunir des perturbations liées à une particule isolés. Cependant, une ingénierie complexe est nécessaire, ce qui se répercute sur le prix des composants. Avec la nouvelle ère spatiale qui a débuté au 21ème siècle, L'utilisation de composants durcis diminue, au profit de composants moins couteux. Une alternative au durcissement consiste en une méthode de détection à seuil. Plus générale et moins couteuse, elle ne peut néanmoins pas détecter tous les types de défauts. De ce fait, de nouvelles méthodes sont nécessaires pour préserver l’intégrité des composants lors de missions spatiales.La détection d’anomalies est un domaine appartenant à l’intelligence artificielle et à l’apprentissage automatique. L’objectif est de mettre en évidence des comportements qui dévient du fonctionnement nominal d’un système. Pour ce faire, un algorithme est entrainé sur des données d’apprentissage afin de modéliser et prédire le comportement du système. A partir de ce modèle, il est possible d’identifier les comportements anormaux, et d’agir en conséquence. Cette approche basée données se distingue du fait qu’elle ne nécessite pas de connaissances préalables du système étudié. Avec la montée en popularité des méthodes d’intelligence artificielle, de nombreuses applications ont démontrées l‘efficacité de ces méthodes de détection d’anomalies.Ce manuscrit détaille le travail réalisé visant à démontrer l’intérêt des méthodes d’apprentissages automatiques pour la détection des défauts provoqués par des particules isolées. Dans ce but, deux travaux de recherches ont été menés. Premièrement, l’impact des radiations a été étudié sur le microcontrôleur ATMEL SAM3X8E. En conséquence, une base de données a été créé, contenant des données obtenues par simulation, ainsi que des données expérimentales réalisées lors de ces travaux de thèse. De plus, une étude a été réalisé afin de déterminer les caractéristiques principales des fautes induites par des particules isolées.Grâce à cette première partie, il a été possible démarrer la deuxième étude portant sur l’apprentissage automatique. La première étape a été d’établir une démonstration de faisabilité. Différents algorithmes de détection d’anomalies ont été mis à l’essai. Il a ainsi été démontré l’efficacité de ces méthodes pour cette problématique. À la suite de cela, un algorithme a été développé afin de répondre aux spécifications du domaine spatial. Nommé « Double Détection d’anomalies Dynamique » (DyD²), cette nouvelle méthode permet la détection en temps réel des défauts liés aux particules isolées. Des études sur des données de simulations, ainsi que des expériences embarquant DyD² sur microcontrôleur ont permis de prouver que DyD² est une alternative solide aux méthodes de détection actuellement utilisées par l’industrie spatiale.The miniaturization of electronic components was one of the major improvements that happened during the last decades. Space agencies followed this trend and satellites became more and more complex. However, by reducing the size of their components, satellites became subject to space radiation. Indeed, satellites aren't protected by the atmosphere and defects caused by energetic particles can happen. These events are called "Single Event Effect" (SEE). Their consequences range from a functional interruption of the component to its destruction. Therefore it is important to protect the satellites against them. However, Single Event Effects are random and can take many forms, thus detecting and preventing them is complicated. Nowadays, protection methods are based on hardening methods, that modify the fabrication process of a component. The major inconvenience is that hardened components are complex to design, and heavy engineering studies are mandatory. As a consequence, the price increased significantly. Moreover, the use of hardened components decreased significantly with the new space era that prevails since the 21st century. Alternatively, a threshold protection method exists to prevent destructive single event effects to harm the component. However, not all faults can be detected by the sole use of this method. In conclusion, new technics need to be developed to detect single event effects.Anomaly detection is a sub-field of artificial intelligence and machine learning. Its aims at detecting patterns that deviate from a well-defined normal behaviour. To do so, a model is trained on known data to be able to generalise and predict the system's future behaviour. It is then possible to pinpoint abnormal observations occurring in the system. These approaches are called data-based methods, and differ from model-based approaches, as they do not require an overall knowledge of the system. These methods proved to be efficient in many fields, but are yet to be applied to single event effects detection.This manuscript details a work done to evaluate the performance of machine learning on the detection of single event effects for space applications. For this purpose, two distinctive types of research were conducted. First, single event effects characteristics are studied on an ATMEL SAM3X8E microcontroller. A significant database has been created, mixing both experimentation and simulation data. In addition, a thorough analysis of the impact of single event effects on the supply current is made to extract the most meaningful features.Following the groundwork laid by the first study, machine learning performance are thoroughly studied for the detection of single event effects. A proof of concept is done by using most common anomaly detection methods. It is demonstrated that the performance of machine learning is on par with today's threshold methods, outperforming it for the detection of non-destructive single event effects. From there, a specific algorithm is developed. Called Dynamic Double anomaly Detection (DyD²), this algorithm meets space applications requirements. Extensive experiments have been conducted to test DyD² on simulated data, as well as real-time on-board application with the ATMEL SAM3X8E, that proved that DyD² is a valid alternative to today's detection methods