Dans un contexte où les drones occupent une place croissante dans des secteurs stratégiques tels que l’inspection d’infrastructures, la surveillance environnementale et la logistique, leur fiabilité opérationnelle demeure un enjeu majeur. Ces appareils, exposés à des environnements hostiles et à des contraintes mécaniques sévères, présentent une vulnérabilité particulière face aux anomalies vibratoires, souvent premiers indicateurs de défaillances imminentes. Ces vibrations altèrent non seulement la stabilité du vol, mais compromettent également la qualité des données collectées et accélèrent l’usure des composants, augmentant ainsi les risques d’arrêts non planifiés.

Ce projet de recherche, réalisé en partenariat avec l’Université du Québec à Rimouski (UQAR) et l’entreprise ATLAN SPACE, basée au Maroc, propose une approche innovante de maintenance prédictive pour drones, fondée sur l’analyse en temps réel des signaux vibratoires. L’objectif est de développer une solution embarquée autonome, capable d’identifier précocement les anomalies mécaniques sans dépendance à une infrastructure de communication externe.

La méthodologie repose sur la combinaison de réseaux neuronaux profonds, en particulier des architectures LSTM-GRU adaptées au traitement de séries temporelles, et du classifieur XGBoost, reconnu pour sa robustesse face aux données bruitées et sa précision en classification. Cette hybridation algorithmique vise à exploiter le potentiel complémentaire de ces techniques : la détection précoce des signaux faibles par apprentissage profond, couplée à une prise de décision optimisée et explicable.

L’originalité de ce travail réside dans l’intégration du modèle dans un environnement embarqué contraint, avec une attention particulière portée à l’optimisation des ressources computationnelles pour préserver l’autonomie énergétique des drones. Ce projet s’inscrit à la croisée de plusieurs disciplines : intelligence artificielle, traitement du signal, mécanique des structures et systèmes embarqués, témoignant ainsi de sa complexité et de sa portée interdisciplinaire.

Les premiers essais menés confirment la capacité du système à anticiper les pannes mécaniques avec une précision et une réactivité satisfaisantes, validant ainsi l’approche proposée et ouvrant la voie à une industrialisation future de la solution.

En contribuant à améliorer la sécurité des opérations, à optimiser la durée de vie des drones et à réduire les coûts liés aux défaillances imprévues, ce projet offre une avancée significative dans le domaine de la maintenance prédictive.