Donecle é uma startup de Toulouse que desenvolve uma solução de inspeção de aeronaves com veículo aéreo não tripulado (VANT) automatizados. A empresa oferece um VANT ou enxame de VANTs capazes de localizar em relação à aeronave e inspecionar visualmente a superfície externa.
A navegação autônoma dos VANTs é baseada na tecnologia de posicionamento a laser. Os VANTs tiram fotos da aeronave com câmeras de alta resolução. Os algoritmos de processamento de imagens e aprendizado de máquina analisam as imagens. O sistema fornece um diagnóstico da superfície da aeronave a um inspetor qualificado, que analisa as imagens e valida ou refuta a análise fornecida.
Premiada por vários prêmios e honrarias, a empresa trabalha com companhias aéreas como a Air France Industries-KLM e fabricantes de aeronaves como a Dassault Aviation. A empresa é uma das empresas de robótica de manutenção aeronáutica.[1]
Em 2015, a frota mundial de aeronaves comerciais terá aproximadamente 21 600 aeronaves.[3] De acordo com as previsões económicas dos estimadores, deverá duplicar nos próximos vinte anos,[3] conduzindo a um aumento das actividades de manutenção aeronáutica. Este sector está a crescer a um ritmo anual superior a 4 %.[4] As companhias aéreas estão a tentar reduzir os seus custos e têm uma baixa rentabilidade (margens líquidas de cerca de 2,5 %).[5] Uma das rotas mais económicas é a redução dos custos de manutenção, que representam 15 % dos seus custos operacionais.[6]
Os fabricantes de aeronaves, como a Airbus, a Boeing e a Avions de Transport Régional (ATR), e os organismos de certificação, como a Federal Aviation Administration (FAA) e a European Aviation Safety Agency (EASA), exigem inspecções regulares de toda a superfície externa das aeronaves para avaliar o estado das suas estruturas. Aproximadamente 80% das inspeções são visuais.[7] Todas as aeronaves são inspecionadas visualmente antes de cada voo, como parte das operações programadas e após eventos imprevistos como raios, granizo ou outros danos externos. Uma das soluções consideradas para melhorar a rastreabilidade destas operações e reduzir custos é a automatização da manutenção aeronáutica e das inspecções visuais.[8][9]
Em janeiro de 2013, o projeto francês de pesquisa e desenvolvimento Air-Cobot começou a desenvolver um robô móvel colaborativo capaz de inspecionar uma aeronave durante as operações de manutenção. Realizado pelo grupo Akka Technologies, este projecto multiparceiros envolve institutos de pesquisa e empresas industriais, incluindo a Airbus.[10][11] Em 2014, em associação com o Bristol Robotics Laboratory, a companhia aérea britânica easyJet interessou-se por VANTs guiados por técnicos para reduzir o tempo de inspecção das fuselagens das aeronaves.[2][12]
Depois de treze anos nos escritórios de projeto do fabricante europeu de aeronaves Airbus nos aviões A400M e A350, trabalho em metal e material compósito,[14][14][15] Yann Bruner, engenheiro da Mines ParisTech com doutoramento em Mecânica e Materiais, ressalta que os relatórios de inspeção para manutenção são frequentemente incompletos por várias razões, tais como falta de fotografias, falta de informação ou escrita ilegível. Ele considera o uso de drones para inspeção automática.[14] Ele contata Matthieu Claybrough, que está envolvido em projetos de VANT no institut supérieur de l'aéronautique et de l'espace,[16] e é especializada em gestão da inovação, aeronáutica e teoria de controle.[17][18] Durante três anos, Matthieu Claybrough trabalhou no projeto de pilotos automáticos para aviões e helicópteros para a Thales Avionics, fornecedora de equipamentos e serviços de aviônica.[17]
Estão a fazer parceria com outros dois parceiros. O primeiro é Josselin Bequet, licenciado pela ESCP Business School e pela City University of London, especializada em administração e finanças. O segundo é Alban Deruaz-Pepin, licenciado pelo Institut Supérieur de l'Aéronautique et de l'Espace, especializado em informática e teoria do controlo e titular de uma licença de piloto privado. Juntos fundaram a Donecle em setembro de 2015 e desenvolveram uma inspeção automatizada para aeronaves com um enxame de veículos aéreos não tripulados.[19] No mesmo ano, eles apresentam seu conceito no Salão Internacional da Aeronáutica de Paris-Le Bourget em junho.[14][20]
Embora os regulamentos e o meteorologia dificultem a utilização do VANT no espaço aéreo do aeroporto, a Donecle optou por desenvolver um produto que funciona tanto em ambientes fechados como ao ar livre. VANTs autônomos que voam ao ar livre normalmente usam o sistema de geolocalizaçãoGlobal Positioning System (GPS) para se posicionar. Mas esta abordagem é impensável dentro de um galpão devido a distorções de sinal devido a estruturas metálicas. Para operar em ambos os ambientes, a empresa emprega um sistema de posicionamento a laser para seus drones. Os algoritmos calculam em tempo real a posição do drone na referência da aeronave.[16][22]
O operador humano escolhe um plano de voo para inspecção. Os VANTs descolam e voam autonomamente. Câmeras montadas em VANTs fotografam a superfície da aeronave. Algoritmos de processamento de imagens detectam áreas de interesse na fuselagem e classificam-nas em defeitos ou não. Um inspetor qualificado pode então validar os relatórios de análise.[16][22]
Comparado a uma inspeção humana que requer um andaime, a análise completa da superfície externa de um Airbus A320 ou Boeing 737 com um enxame de três drones leva vinte a trinta minutos contra oito horas e mobiliza uma pessoa contra dez a vinte na abordagem clássica.[2][23][24] O custo de imobilizar um dispositivo é aproximadamente $10.000 por hora.[15][24] Patentes foram arquivadas.[19][25][26][27]
O produto pode ser visto como um conjunto de sensores móveis dentro do domínio da Internet das coisas (em inglês: Internet of Things, abreviado IoT).[28] Desde sua criação em 2015, Donecle se beneficiou do Connected Camp, uma incubadora de empresas, localizada no IoT Valley of Labège, uma cidade a sudeste de Toulouse.[19][29] A incubadora facilita a captação de recursos e fornece alguns equipamentos, como uma impressora 3D.[30][31] A Donecle é membro do cluster de competitividade do Aerospace Valley, do cluster Robotics Place e do Hardware Club.[32] Em outubro de 2016, torna-se membro da Starburst Accelerator, a maior incubadora aeroespacial do mundo.[33][34]
Em 2016, a empresa anunciou uma parceria com o grupo de manutenção aeronáutica franco-holandês Air France Industries-KLMEngineering and Maintenance (AFI-KLM E&M).[19][22] As VANTs são testadas em suas aeronaves para verificar a marcação e detectar defeitos. No final desta fase de testes e verificação, AFI-KLM e Donecle planejam implantar conjuntamente esta abordagem em locais de manutenção AFI-KLM E&M.[32]
No final de 2016, a DDrone Invest, uma sociedade de investimento controlada pela empresa francesa Delta Drone, investe um milhão de euros na empresa Donecle. Com esta subscrição de um aumento de capital reservado, a sociedade torna-se accionista juntamente com os fundadores.[19][37] No Salão Internacional da Aeronáutica de Paris-Le Bourget em 2017, a startup anuncia que está começando a assinar seus primeiros contratos com companhias aéreas e planeja uma implantação comercial antes do final do ano.[38] Durante o ano, a empresa planeja aumentar sua força de trabalho e quer atrair clientes internacionais.[39]
Na ADS Show 2018, a feira de manutenção aeroespacial e de defesa, a Donecle realiza uma inspeção VANT de uma Dassault Rafale, o avião de combate polivalente francês.[35][36] No futuro, a empresa francesa também quer oferecer outros tipos de inspeção, como o controle de qualidade da pintura exterior ou a avaliação da corrosão. A diversificação está a ser considerada na inspecção de manutenção com aplicações fora da manutenção aeronáutica, nomeadamente no transporte ferroviário, na construção naval e em parques eólicos.[15][19]
O VANT Donecle é um octocóptero coaxial push-pull.[40] As VANTs são posicionadas em relação à aeronave com tecnologia de posicionamento a laser. Isto lhes permite operar em áreas fechadas, como hangares, sem a necessidade de geolocalização com o Sistema de Posicionamento Global (GPS).[16][22][41] Os algoritmos calculam em tempo real a posição do VANT em relação à aeronave.[16][22] Os sensores utilizados para navegação autônoma também garantem uma operação segura, evitando colisões com aeronaves, pessoal humano e equipamentos.[42]
Os planos de navegação e o número de veículos aéreos não tripulados utilizados dependem do modelo de aeronave a analisar. Um único VANT é suficiente para uma aeronave pequena, enquanto até seis VANTs podem ser usados para um Airbus A380.[41] Como as missões de inspeção são sempre as mesmas, as rotas são pré-programadas em software integrado em um tablet. Um operador humano não necessita de pilotar o VANT, mas apenas lança a missão e seguidamente os VANT voam autonomamente em redor do avião.[16][22] Normalmente voam uma distância de um metro da fuselagem.[16]
As câmeras de alta resolução montadas nos UAVs fotografam a superfície da aeronave. Os algoritmos de processamento de imagem executam um primeiro passo para detectar qualquer região de interesse na fuselagem. Uma segunda etapa de classificação é então realizada para classificar defeitos (relâmpagos, vazamentos de óleo, arranhões, irregularidade de textura, etc.) e elementos normais da aeronave (parafusos, rebites, tubos de Pitot, etc.). O algoritmo de reconhecimento baseia-se na aprendizagem automática a partir das bases de dados anotadas de voos anteriores.[16][22][43]
A eficácia dos algoritmos de aprendizagem profunda depende da representatividade e da quantidade de exemplos em cada classe. Os bancos de dados sofrem com o fato de haver apenas um pequeno número de defeitos em comparação à enorme quantidade de elementos normais presentes em uma aeronave. Os defeitos são, no entanto, os objetos mais críticos a serem classificados. Para superar essa dificuldade, Donecle fez uma pesquisa para estender anotações de imagem, usando técnicas clássicas de processamento de imagem e redes adversárias generativas.[44] Outras alternativas também consideradas incluem a aprendizagem one-shot, que permite aprender informações sobre categorias de objetos a partir de uma única imagem ou um pequeno número de imagens de treinamento.[45]
Os diagnósticos são fornecidos em tempo real.[41] As aplicações incluem detecção de falhas e controle de qualidade de marcas regulamentares. Ao final da missão, um relatório de danos é enviado para um tablet com cada região de interesse e sua classificação proposta. O algoritmo retorna uma taxa de confiança no seu diagnóstico. Um inspetor qualificado analisa as imagens e valida ou refuta os diagnósticos.[16][43]
↑Wyman, Oliver (outubro de 2015). «Turbulence ahead disengage the autopilot»(PDF). 2015-2025 Global Fleet & MRO Market Forecast (em inglês). Consultado em 6 de julho de 2019
↑«Financial Forecast»(PDF). Association internationale du transport aérien (em inglês). Março de 2014. Consultado em 6 de julho de 2019
↑Goranson, U.F.; Rogers, J.T. (1983). «Elements of Damage Tolerance Verification». Twelfth ICAF Symposium, International Committee on Aeronautical Fatigue (em inglês)
↑ abHuberdeau, Emmanuel (5 de outubro de 2018). «Des drones pour aider à la maintenance». Air et Cosmos (em francês) (2611). 15 páginas. Consultado em 13 de julho de 2019
↑Warwick, Graham; Anselmo, Joe (10 de janeiro de 2020). Aviation Week Network, ed. «Aviation Week's 2020 Laureate Winners». aviationweek.com (em inglês). Consultado em 15 de fevereiro de 2020
Este artigo foi inicialmente traduzido, total ou parcialmente, do artigo da Wikipédia em castelhano cujo título é «Donecle», especificamente desta versão.