ES3051625T3 - Method for characterizing a part through non-destructive inspection - Google Patents

Abstract

Un método para caracterizar una pieza (10), que comprende: a) realizar mediciones no destructivas utilizando un sensor (11), estando el sensor dispuesto sobre la pieza o frente a ella; b) utilizar las mediciones como datos de entrada para una red neuronal (IMN2, CNIM2); c) caracterizar la pieza a partir del valor de cada nodo de la capa de salida de la red neuronal; comprendiendo el método, antes de los pasos b) y c): - formar una primera base de datos (DB1), sobre una primera pieza modelo; - tener en cuenta una primera red neuronal (CNN1, CNN1, NN1), parametrizada mediante una primera operación de aprendizaje, utilizando la primera base de datos (DB1); - formar una segunda base de datos (DB2), que comprende mediciones experimentales de la magnitud física tomadas sobre la pieza a caracterizar - una segunda operación de aprendizaje, utilizando la segunda base de datos (DB2), para parametrizar una segunda red neuronal (CNN2, NN2), utilizando la parametrización de la primera red neuronal (CNN1, CNN1, NN1). En el paso c), la red neuronal que se utiliza es la segunda red neuronal (CNN2, NN2). (Traducción automática con Google Translate, sin valor legal)

Description

[0001] DESCRIPCIÓN

[0002] Procedimiento de caracterización de una pieza mediante control no destructivo

[0003] CAMPO TÉCNICO

[0004] El campo técnico de la invención es la interpretación de mediciones mediante control no destructivo realizadas en una pieza mecánica o en una parte de una estructura.

[0005] TÉCNICA ANTERIOR

[0006] El CND, que significa Control No Destructivo, consiste en supervisar piezas o estructuras mecánicas, mediante sensores, de forma no destructiva. El objetivo es realizar un control y/o detectar la aparición de defectos estructurales y hacer un seguimiento de los mismos. Se trata de supervisar la integridad de una pieza controlada, con el fin de evitar que se produzcan accidentes o prolongar la vida útil de la pieza en buenas condiciones de seguridad.

[0007] El CND se utiliza habitualmente en equipos delicados con el fin de optimizar su sustitución o mantenimiento. Las aplicaciones en el control de equipos industriales son numerosas, por ejemplo en la explotación petrolera, en la energía nuclear o en el transporte, por ejemplo en la aeronáutica.

[0008] Un subconjunto del CND se denomina SHM, que significaStructural Health Monitoring(supervisión del estado de las estructuras). En este tipo de aplicación, los sensores se pueden colocar de forma fija sobre o dentro de un elemento estructural que se desea controlar. Esto permite realizar un seguimiento regular del elemento estructural. La SHM se puede adaptar a controles de elementos que se consideran delicados, por ejemplo en el campo de la aeronáutica. Los sensores utilizados en el CND son sensores no destructivos, que no causan daños en las piezas controladas. Las piezas controladas pueden ser elementos estructurales de equipos industriales o aeronaves, u obras de ingeniería civil, por ejemplo puentes o presas. Los métodos utilizados son variados. Por ejemplo, pueden utilizar rayos X, ondas ultrasónicas o detección por corrientes de Foucault.

[0009] Durante su utilización, los sensores se conectan a medios informáticos para poder interpretar las mediciones realizadas. La presencia de un defecto en una pieza da lugar a una señal del defecto, que se puede medir con un sensor. Los medios informáticos realizan una inversión. A partir de las mediciones, se obtienen datos cuantitativos relativos al defecto, por ejemplo su posición, su forma o sus dimensiones.

[0010] La inversión se puede realizar teniendo en cuenta modelos analíticos directos, por ejemplo modelos polinómicos, que permiten establecer una relación entre las características de un defecto y las mediciones resultantes de un sensor. La inversión del modelo permite estimar dichas características a partir de las mediciones realizadas.

[0011] De acuerdo con otro enfoque, las características de los defectos se pueden estimar utilizando algoritmos de inteligencia artificial supervisada, por ejemplo redes neuronales. Sin embargo, una dificultad relacionada con el uso de redes neuronales es la necesidad de una fase de entrenamiento lo más completa posible, con el fin de optimizar los rendimientos de la estimación. Esto lleva tiempo y requiere una gran cantidad de datos.

[0012] Los autores de la invención proponen un método para abordar esta cuestión. El objetivo es facilitar el entrenamiento de una red neuronal destinada a realizar una inversión, manteniendo al mismo tiempo un buen rendimiento de diagnóstico, por ejemplo en la estimación de las características térmicas o mecánicas de la pieza.

[0013] El documento US2019/094124 A1 divulga un control no destructivo de una pieza a partir de mediciones térmicas para la detección de puntos de corrosión, utilizando dos redes neuronales.

[0014] Los artículos de Pei Cao et al, "Pre-Processing-Free Gear Fault Diagnosis Using Small Datasets with Deep Convolutional Neural Network-Based Transfer Learning",Cornell University Library, 24 de octubre de 2017, páginas 1-15, y de Liu Qing et al,"A Fault Diagnosis Method Based on Transfer Convolutional Neural Networks",IEEE Access, vol. 7, 11 de diciembre de 2019, páginas 171423-171430, enseñan una transferencia de parámetros de capas convolucionales (entrenamiento por transferencia) entre dos redes neuronales.

[0015] RESUMEN DE LA INVENCIÓN

[0016] El objetivo de la invención es un procedimiento de caracterización de una pieza de acuerdo con la reivindicación 1. Así pues, mientras que el primer entrenamiento se realiza a partir de mediciones efectuadas o simuladas en una primera pieza modelo, que puede ser diferente de la pieza que se va a caracterizar, el segundo entrenamiento se realiza en la propia pieza que se va a caracterizar. La primera pieza puede ser una pieza real, diferente de la pieza que se va a caracterizar, o una pieza modelada, que puede representar la pieza que se va a caracterizar.

[0017] Por magnitud física que permite una caracterización mecánica o térmica de la pieza se entiende una magnitud mecánica, eléctrica, electromagnética, acústica o térmica.

[0018] El procedimiento puede ser tal que:

[0019] • la primera red neuronal comprende una capa de entrada y una capa de salida y, opcionalmente, una capa intermedia, entre la capa de entrada y la capa de salida;

[0020] • el segundo entrenamiento comprende una adaptación de la capa de salida y/o de la capa intermedia opcional de la primera red neuronal, de manera que se forme una capa de la segunda red neuronal.

[0021] De acuerdo con una forma de realización, la primera red neuronal es una red neuronal convolucional, que comprende un bloque de extracción y un bloque de procesamiento, siendo la primera red neuronal tal que:

[0022] • el bloque de extracción está configurado para extraer características de los datos de entrada de la primera red neuronal, los datos de entrada resultantes de la primera base de datos;

[0023] • el bloque de procesamiento está configurado para procesar las características extraídas por el bloque de extracción;

[0024] • la segunda red neuronal es una red neuronal convolucional, que comprende:

[0026] <o>el bloque de extracción de la primera red neuronal;

[0027] <o>así como un bloque de clasificación, estando el bloque de clasificación configurado para realizar una clasificación de las características extraídas por el bloque de extracción, donde el bloque de clasificación transmite el resultado a la capa de salida de la segunda red neuronal.

[0028] El bloque de procesamiento de la primera red neuronal puede ser un bloque de clasificación, configurado, durante el primer entrenamiento, para realizar una clasificación de las características extraídas por el bloque de extracción. La primera red neuronal puede ser de tipo autocodificador, estando el bloque de procesamiento de la primera red neuronal configurado, durante el primer entrenamiento, para reconstruir datos, obtenidos de la primera base de datos, y que forman datos de entrada de la primera red neuronal.

[0029] De acuerdo con una forma de realización, la primera y la segunda red neuronal son de tipo perceptrón multicapa. La primera red neuronal se puede utilizar para inicializar el entrenamiento de toda o parte de la segunda red neuronal. Durante el segundo entrenamiento, así como durante al menos una etapa a), o incluso cada etapa a), posterior al segundo entrenamiento, el sensor puede estar dispuesto en una posición fija, integrado en la pieza.

[0030] La pieza puede presentar un defecto. La etapa c) puede comprender detectar la presencia de un defecto en la pieza y caracterizar, de manera opcional, el defecto detectado. La caracterización de la pieza puede comprender:

[0031] • identificar el tipo de defecto, entre tipos predeterminados;

[0032] • y/o estimar al menos una dimensión del defecto;

[0033] • y/o localizar el defecto en la pieza;

[0034] • y/o determinar el número de defectos en la pieza.

[0035] La primera base de datos puede comprender mediciones realizadas o simuladas en una pieza modelo que presenta el defecto.

[0036] El defecto puede ser de tipo: deslaminación y/o fisura y/o perforación y/o fisura que se propaga a partir de una perforación y/o presencia de una zona porosa y/o presencia de una inclusión y/o presencia de corrosión.

[0037] La pieza puede estar constituida por un material compuesto, que comprende componentes ensamblados entre sí. Por tanto, el defecto puede ser un defecto de ensamblaje entre los componentes.

[0038] Las mediciones pueden ser representativas de una distribución espacial:

[0039] • de las propiedades eléctricas, magnéticas o mecánicas de la pieza;

[0040] • de una propiedad de propagación de una onda acústica, mecánica o electromagnética a través o a lo largo de la pieza;

[0041] • de una propiedad de reflexión de una onda acústica o mecánica o de una onda electromagnética visible o infrarroja por la pieza.

[0042] La caracterización de la pieza puede comprender una variación de la distribución espacial con respecto a una distribución espacial de referencia.

[0043] La caracterización de la pieza puede comprender:

[0045] • obtener la temperatura de la pieza o de una tensión, en particular mecánica, a la que está sometida la pieza;

[0046] • u obtener una distribución espacial de la temperatura de la pieza o de una tensión a la que está sometida la pieza.

[0048] Las mediciones pueden ser del tipo:

[0050] • medición de corrientes de Foucault formadas en la pieza bajo el efecto de una excitación de la pieza por un campo magnético;

[0051] • o medición de ondas acústicas o mecánicas que se propagan a través o a lo largo de la pieza;

[0052] • o medición de una onda luminosa reflejada por la pieza cuando la pieza es iluminada por una onda luminosa incidente, en particular en el espectro infrarrojo o visible;

[0053] • o medición de la transmisión de radiación X o gamma a través de la pieza cuando dicha pieza es irradiada por una fuente de radiación X o gamma.

[0055] La segunda base de datos puede contener un número de datos inferior al número de datos de la primera base de datos.

[0057] La invención se comprenderá mejor tras la lectura de la exposición de los ejemplos de realización presentados, en la siguiente descripción, en relación con las figuras enumeradas a continuación.

[0059] FIGURAS

[0061] Las figuras 1A y 1B esquematizan la realización de mediciones por corrientes de Foucault sobre una pieza conductora.

[0062] La figura 2A representa la estructura de una red neuronal convolucional, implementada en una primera forma de realización.

[0063] La figura 2B muestra las principales etapas de un procedimiento de acuerdo con la invención.

[0064] La figura 3A muestra un defecto considerado en un primer ejemplo.

[0065] La figura 3B es un ejemplo de imagen resultante de mediciones simuladas en el defecto representado en la figura 3A.

[0066] La figura 3C presenta los rendimientos de predicción de una red neuronal, considerando, respectivamente, mediciones con una relación señal a ruido de, respectivamente, 5 dB (izquierda), 20 dB (centro) y 40 dB (derecha).

[0067] La figura 3D presenta los rendimientos de predicción de una red neuronal de acuerdo con la invención, considerando, respectivamente, mediciones con una relación señal a ruido de, respectivamente, 5 dB (izquierda), 20 dB (centro) y 40 dB (derecha).

[0068] La figura 4 esquematiza una red neuronal implementada en una segunda forma de realización.

[0069] La figura 5 esquematiza una red neuronal implementada en una tercera forma de realización.

[0070] La figura 6A muestra una configuración de mediciones de acuerdo con la tercera forma de realización.

[0071] La figura 6B muestra una simulación de la propagación de una onda de flexión a través de una placa.

[0072] La figura 6C es un detalle de la figura 6B.

[0073] La figura 6D muestra una envolvente de una onda de flexión propagándose a través de una pieza. La figura 6D se obtuvo de manera experimental.

[0074] La figura 6E muestra los rendimientos de estimación de una primera red neuronal obtenida considerando una primera base de datos.

[0075] La figura 6F es un histograma de las temperaturas que se han tenido en cuenta para formar una segunda base de datos.

[0076] La figura 6G muestra los rendimientos de estimación respectivos de una segunda red neuronal, obtenida mediante la aplicación de la invención (marcas en forma de cruz), así como de una red neuronal básica, configurada únicamente con la segunda base de datos (marcas en forma de punto).

[0078] DESCRIPCIÓN DE FORMAS DE REALIZACIÓN PARTICULARES

[0080] Las figuras 1A y 1B esquematizan un ejemplo de aplicación de la invención. Un sensor 1 está dispuesto frente a una pieza a controlar 10, con el fin de caracterizar la pieza. Puede tratarse, en particular, de una caracterización térmica o mecánica. Por caracterización térmica o mecánica se entiende una caracterización de las propiedades térmicas o mecánicas de la pieza: temperatura, deformación, estructura.

[0082] La pieza a caracterizar puede ser una pieza monolítica o una pieza más compleja resultante del ensamblaje de varias piezas elementales, por ejemplo el ala de un avión o el revestimiento de un fuselaje.

[0083] La caracterización puede consistir en detectar la posible presencia de un defecto estructural 11. En este ejemplo, el sensor 1 está configurado para realizar mediciones de las corrientes de Foucault generadas en la pieza a controlar 10. Ésta última es una pieza conductora de electricidad. Se conoce el principio de las mediciones no destructivas por corrientes de Foucault. Bajo el efecto de una excitación por un campo magnético 12 se inducen corrientes de Foucault 13 en la pieza 10. En el ejemplo representado, el sensor 1 es una bobina, alimentada por una corriente modulada en amplitud. Genera un campo magnético 12, cuyas líneas de campo se representan en la figura 1A. Se inducen corrientes de Foucault 13, que forman bucles de corriente en la pieza 10. Las corrientes de Foucault 13 generan un campo magnético de reacción 14, que actúa sobre la impedancia de la bobina 1. De este modo, la medición de la impedancia de la bobina 1 es representativa de las corrientes de Foucault 13 formadas en la pieza 10. Cuando hay un defecto 11, como se esquematiza en la figura 1B, las corrientes de Foucault 13 se modifican, lo que da como resultado una variación de impedancia de la bobina. Por lo tanto, la medición de la impedancia de la bobina constituye una señal del defecto.

[0085] En este ejemplo, el sensor 1 desempeña la función de excitar la pieza 10, así como la de detectar la reacción de la pieza en respuesta a la excitación. Generalmente, el sensor se desplaza a lo largo de la pieza, en paralelo a ésta. En el ejemplo representado, la pieza se extiende según un eje X y un eje Y. El sensor se puede desplazar paralelamente a cada eje, lo que se indica mediante las flechas dobles. De forma alternativa, se puede implementar una matriz de sensores.

[0087] De este modo, se dispone de una serie de mediciones que forman una distribución espacial, preferentemente bidimensional, de una magnitud medida, en este caso la impedancia del sensor 1. Es habitual distinguir entre la parte real y la parte imaginaria de la impedancia. La impedancia medida se compara generalmente con una impedancia en ausencia de defectos con el fin de obtener un mapa de la variación de impedancia AH. Se puede formar una matriz de mediciones M que representa la parte real o la parte imaginaria de la impedancia medida en cada punto de medición.

[0089] El sensor 1 está conectado a una unidad de procesamiento 2, que comprende una memoria 3 que contiene instrucciones para permitir la implementación de un algoritmo de procesamiento de mediciones, cuyas etapas principales se describen a continuación. La unidad de procesamiento suele ser un ordenador conectado a una pantalla 4.

[0091] Tal y como se describe en relación con la técnica anterior, la matriz de mediciones M corresponde a una distribución espacial de la respuesta de la pieza a la excitación, siendo cada medición un rasgo característico de la pieza. Se debe realizar una inversión para poder determinar la presencia de un defecto y, en su caso, caracterizarlo. La inversión se realiza mediante el algoritmo de procesamiento implementado por la unidad de procesamiento 2.

[0093] Por defecto estructural se entiende un defecto mecánico que afecta a la pieza. Puede tratarse, en particular, de una fisura, una deslaminación o una perforación, que forma, por ejemplo, un orificio pasante, o una fisura que se propaga a partir de un orificio, o una zona anormalmente porosa. El defecto estructural también puede ser la presencia de una inclusión de un material no deseable o una zona corroída. El defecto estructural puede afectar a la superficie de la pieza 10 situada frente al sensor. También puede estar localizado en una zona profunda de la pieza. El tipo de sensor utilizado se selecciona en función del defecto que se desea caracterizar.

[0095] La pieza a controlar 10 puede estar formada por un material compuesto. En ese caso, estará compuesta por componentes ensamblados entre sí. Puede tratarse de un ensamblado de placas o de fibras. El defecto estructural puede ser un defecto de ensamblaje: puede tratarse de una deslaminación local de placas, una separación de fibras o haces de fibras, una orientación no uniforme de las fibras o un defecto resultante de un impacto o choque.

[0097] La caracterización del defecto tiene por objetivo determinar el tipo de defecto que afecta a la pieza, entre los tipos mencionados anteriormente. También puede comprender la localización del defecto, así como una estimación de la totalidad o parte de sus dimensiones.

[0099] La pieza a controlar 10 presenta propiedades mecánicas distribuidas espacialmente a lo largo de la pieza. La caracterización de la pieza puede comprender una comparación de una distribución de propiedades mecánicas con respecto a una distribución espacial de referencia. Por ejemplo, puede tratarse de identificar una parte de la pieza en la que las propiedades mecánicas no se corresponden con las propiedades mecánicas de referencia. La propiedad mecánica puede ser el módulo de Young, la densidad o la velocidad de propagación de una onda de flexión. La distribución espacial de referencia se puede obtener de una especificación y corresponder a un objetivo que se desea alcanzar. Puede ser el resultado de un modelo o de mediciones experimentales realizadas en una pieza modelo.

[0100] El párrafo anterior también se aplica a las propiedades eléctricas o magnéticas, o incluso a una tensión a la que está expuesta la pieza que se va a controlar. Por ejemplo, puede tratarse de una tensión térmica o una tensión de presión a la que está sometida la pieza durante su funcionamiento. Asimismo, la caracterización de la pieza puede consistir en establecer la temperatura de la pieza o el nivel de tensión mecánica (esfuerzo, presión, deformación) al que está sometida la pieza. La caracterización también puede consistir en establecer una distribución espacial de la temperatura de la pieza o, de manera más general, de una tensión a la que está sometida la pieza.

[0102] El tratamiento de las mediciones puede realizarse mediante la aplicación de un algoritmo de inteligencia artificial supervisado, por ejemplo basado en una red neurona!. El entrenamiento del algoritmo puede realizarse creando una base de datos a partir de mediciones realizadas o simuladas en una pieza cuyas características son conocidas: conformación, dimensiones, constitución, temperatura, posible presencia de un defecto y otras magnitudes físicas que permitan caracterizar el posible defecto.

[0104] La base de datos puede crearse mediante simulación, utilizando un software de simulación específico. Un ejemplo de software específico es el software CIVA (proveedor: Extende), que permite simular diferentes modos de control no destructivo: propagación de ultrasonidos, efectos de corrientes de Foucault y radiografía por rayos X. Este tipo de software permite simular mediciones a partir de un modelo de la pieza. El uso de este tipo de software permite crear una base de datos que permite el entrenamiento del algoritmo de inteligencia artificial utilizado.

[0106] Primera forma de realización

[0108] De acuerdo con una primera forma de realización, el algoritmo de inteligencia artificial supervisado se basa en una red neuronal convolucional. Una red neuronal de este tipo es adecuada para aplicaciones en las que los datos de entrada son matriciales y pueden tratarse como imágenes. Cada imagen corresponde a un mapeo de una magnitud física medida, que puede variar en presencia de un defecto en la pieza. La figura 2A esquematiza la arquitectura de una red de este tipo.

[0110] La red neuronal convolucional comprende un bloque de extracción de características A<i>, conectado a un bloque de procesamiento B<i>. El bloque de procesamiento está configurado para procesar las características extraídas del bloque de extracción A<i>. En este ejemplo, el bloque de procesamiento B<i>es un bloque de clasificación. Permite una clasificación basada en las características extraídas por el bloque de extracción A<i>. La red neuronal convolucional se alimenta con datos de entrada A<in>, que corresponden a una o varias imágenes. En el ejemplo considerado, los datos de entrada forman una imagen, obtenida mediante la concatenación de dos imágenes que representan, respectivamente, la parte real y la parte imaginaria de la variación de impedancia AH medida en diferentes puntos de medición, distribuidos de manera regular, frente a la pieza, de acuerdo con una disposición matricial.

[0112] El bloque de extracción de características A<i>comprende J capas C<i>...C<j>...C<j>posteriores a los datos de entrada. J es un número entero mayor que o igual a i . Cada capa C<j>se obtiene aplicando un filtro de convolución a las imágenes de una capa anterior C<j - i>. El índice j es el rango de cada capa. La capa C<0>corresponde a los datos de entrada A<in>. Los parámetros de los filtros de convolución aplicados a cada capa se determinan durante el entrenamiento. La última capa C<j>puede incluir un número de términos que supera varias decenas, incluso varios cientos o varios miles. Estos términos corresponden a características extraídas de cada imagen que forma los datos de entrada.

[0114] Entre dos capas sucesivas, el proceso puede comprender operaciones de reducción de dimensión, por ejemplo operaciones que suelen denominarse"pooling'(agrupamiento). Se trata de sustituir los valores de un grupo de píxeles por un único valor, por ejemplo, la media, el valor máximo o el valor mínimo del grupo en cuestión. Por ejemplo, se puede aplicar un"maxpooling'(agrupamiento máximo), que consiste en sustituir los valores de cada grupo de píxeles por el valor máximo de los píxeles del grupo. La última capa C<j>es objeto de una operación denominada habitualmente"flatten"(aplanamiento), de modo que los valores de esta capa forman un vector. Estos valores constituyen las características extraídas de cada imagen.

[0116] El bloque de clasificación B<i>es una red neuronal interconectada, denominada habitualmente"fully connected'(totalmente conectada) o perceptrón multicapa. Comprende una capa de entrada B<in>y una capa de salida B<out>. La capa de entrada B<in>está formada por las características del vector resultante del bloque de extracción A<i>. Entre la capa de entrada B<in>y la capa de salida B<out>, se pueden prever una o varias capas H. De este modo, se dispone sucesivamente de la capa de entrada B<in>, de cada capa H y de la capa de salida B<out>.

[0118] A cada capa se le puede asignar un rango k. El rango k = i corresponde a la capa de entrada B<in>. Cada capa comprende nodos, denominados nodos interconectados, y el número de nodos interconectados de una capa puede ser diferente del número de nodos interconectados de otra capa. En general, cuando k >2, el valor de un nodoyn,kde una capa de rango k es tal que

[0121]

[0124] donde

[0125] •ym,k-ies el valor de un nodo de la capa anteriork- i ,mrepresenta un orden del nodo de la capa anterior, siendo m un entero comprendido entre i y M<k - i>, donde M<k-i>corresponde a la dimensión de la capa anterior, de rangok- i ;

[0126] •bmes un sesgo asociado a cada nodoym,k-ide la capa anterior;

[0127] •fnes una función de activación asociada al nodo de ordennde la capa considerada, siendonun entero comprendido entre i y N<k>, donde N<k>corresponde a la dimensión de la capa de rango k;

[0128] •wm,nes un término de ponderación para el nodo de rango m de la capa anterior (rango k-1) y el nodo de rangonde la capa considerada (rango k).

[0130] La forma de cada función de activaciónfnla determina el experto en la técnica. Por ejemplo, puede tratarse de una función de activaciónfnde tipo tangente hiperbólica o sigmoide.

[0132] La capa de salida B<out>contiene valores que permiten caracterizar un defecto identificado por las imágenes de la capa de entrada A<in>. Es el resultado de la inversión realizada por el algoritmo.

[0134] En la aplicación más simple, la capa de salida puede comprender un solo nodo, que toma el valor 0 o 1 según si el análisis revela la presencia de un defecto o no.

[0136] En una aplicación de identificación, la capa de salida B<out>puede comprender tantos nodos como tipos de defectos considerados, correspondiendo cada nodo a una probabilidad de presencia de un tipo de defecto entre los tipos predeterminados (fisura, orificio, deslaminación, etc.).

[0138] En una aplicación de dimensionamiento, la capa de salida puede comprender tantos nodos como dimensiones de un defecto, lo que supone tener en cuenta un modelo geométrico del defecto.

[0140] En una aplicación de localización, la capa de salida puede comprender coordenadas que indiquen la posición, bidimensional o tridimensional, de un defecto en la pieza.

[0142] En una aplicación de caracterización, la capa de salida puede contener información sobre la pieza inspeccionada, por ejemplo una distribución espacial de propiedades mecánicas (por ejemplo, el módulo de Young), eléctricas, magnéticas o térmicas (por ejemplo, la temperatura) o geométricas (por ejemplo, una dimensión de la pieza). La dimensión de la capa de salida corresponde a un número de puntos de la pieza en los que se estima la propiedad mecánica en base a los datos de entrada.

[0144] Las aplicaciones se pueden combinar, de modo que se obtenga tanto una localización como un dimensionamiento, o una localización, una identificación y un dimensionamiento.

[0146] Un elemento importante de la invención es que, para una aplicación determinada, el bloque de extracción A<1>puede establecerse utilizando un entrenamiento lo más profundo posible, teniendo en cuenta una primera base de datos DB<1>. La primera base de datos es lo más exhaustiva posible. Se obtiene, preferentemente, en condiciones experimentales de laboratorio y/o por simulación, teniendo en cuenta una primera pieza, ya sea una pieza modelada o una pieza real. Esto permite disponer de un gran número de valores medidos o modelados, que forman la capa de entrada A<in>. Se entiende que durante el primer entrenamiento, al igual que durante un segundo entrenamiento descrito a continuación, se conoce la capa de salida B<out>.

[0148] La primera fase de entrenamiento permite configurar el bloque de extracción A<1>y un primer bloque de clasificación B<1>. El objetivo de la primera fase de entrenamiento es disponer de un bloque de extracción A<1>eficaz en términos de extracción de información relevante a partir de los datos de entrada.

[0150] La primera base de datos DB<1>puede contener un primer número de imágenes N<1>que puede superar varios cientos, incluso varios miles o millones. De este modo, tras el primer entrenamiento, se supone que la red neuronal CNN<1>, formada por la combinación de los bloques A<1>y B<1>, presenta un rendimiento de predicción satisfactorio.

[0152] Un elemento importante de la invención es poder utilizar una parte de la primera red neuronal para realizar el segundo entrenamiento. Durante el segundo entrenamiento, se utilizan como datos de entrada las mediciones realizadas experimentalmente en una segunda pieza, que corresponde a la pieza que se va a caracterizar. De este modo, el segundo entrenamiento se establece utilizando una segunda base de datos DB<2>, creada a partir de mediciones experimentales realizadas en la pieza que se va a caracterizar, sobre cuya base se lleva a cabo el segundo entrenamiento.

[0154] Un aspecto importante de la invención es que, durante el segundo entrenamiento, se conserva el bloque de extracción A<1>, resultante del primer entrenamiento. Se considera que el primer entrenamiento es lo suficientemente exhaustivo como para que el rendimiento del bloque de extracción, en términos de extracción de características de las imágenes proporcionadas en la entrada, se considere suficiente. El bloque de extracción puede entonces utilizarse durante el segundo entrenamiento. En otras palabras, se considera que las características extraídas por el bloque A<1>constituyen un buen descriptor de las medidas que forman la capa de entrada.

[0156] El segundo entrenamiento se limita así a una actualización de la configuración del bloque de clasificación, con el fin de obtener un segundo bloque de clasificación B<2>adaptado a la pieza caracterizada. El segundo entrenamiento puede entonces implementarse con una segunda base de datos DB<2>que tenga en cuenta las incertidumbres o variabilidades resultantes de la implementación de mediciones experimentales en la pieza que se va a caracterizar. Se trata de tener en cuenta las variabilidades que afectan habitualmente a las medicionesin situ,realizadas en la pieza que se va a caracterizar, y que son difíciles de modelar, entre las que se encuentran:

[0158] • variabilidades que afectan al sensor: ruido del sensor, incertidumbres de medición, fluctuaciones de la posición del sensor con respecto a la pieza, parámetros ambientales que pueden afectar a las mediciones, por ejemplo la temperatura o la humedad, y posiblemente la presión;

[0159] • variabilidades que afectan a la pieza que se va a caracterizar: composición real de la pieza, estado de la superficie de la pieza, conformación de la pieza, posibles defectos de fabricación.

[0161] Durante el segundo entrenamiento, el segundo bloque de clasificación B<2>se puede inicializar teniendo en cuenta los parámetros que rigen el primer bloque de clasificación B<1>. De acuerdo con una posibilidad, el segundo bloque de clasificación B<2>puede comprender el mismo número de capas que el primer bloque de clasificación B<1>. Estas últimas pueden tener el mismo número de nodos que las capas del primer bloque de clasificación. La dimensión de la capa de salida depende de las características del defecto que se va a estimar. Por lo tanto, la dimensión de la capa de salida del segundo bloque de clasificación B<2>puede ser diferente de la del primer bloque de clasificación B<1>. De acuerdo con una posibilidad, el número de capas y/o la dimensión de las capas del segundo bloque de clasificación es diferente del número de capas y/o de la dimensión de las capas del primer bloque de clasificación.

[0163] Independientemente de la forma de realización, el método permite llevar a cabo un primer entrenamiento en condiciones de laboratorio, en base a simulaciones o condiciones experimentales optimizadas. El primer entrenamiento va seguido de un segundo entrenamiento más cercano a la realidad del terreno: se tiene en cuenta mediciones experimentales, así como condiciones de medición más realistas, realizadas directamente en la pieza caracterizada. La invención permite limitar el número de mediciones necesarias para el segundo entrenamiento, al tiempo que permite obtener una red neuronal que presente buenos rendimientos de predicción: de este modo, el segundo entrenamiento se puede basar en un número limitado de mediciones experimentales. Se habla de entrenamiento frugal. Esto constituye una ventaja importante, ya que la adquisición de mediciones en condiciones realistas suele ser más compleja que la obtención de mediciones en laboratorio o mediciones simuladas. El segundo entrenamiento puede permitir tener en cuenta especificidades difíciles de modelar, por ejemplo el ruido de medición o las variaciones relativas a la composición o la conformación real de la pieza.

[0165] El primer entrenamiento se puede considerar un entrenamiento general, que puede ser adecuado para diferentes aplicaciones específicas, o para diferentes tipos o conformaciones de piezas, o para diferentes tipos de defectos. Su objetivo principal es disponer de un bloque de extracción A<1>que permita extraer características relevantes de los datos de entrada. El segundo entrenamiento es un entrenamiento más específico, adaptado a la pieza que se va a caracterizar. La invención facilita la obtención del segundo entrenamiento, ya que requiere muchos menos datos de entrada que el primer entrenamiento. De este modo, un mismo primer entrenamiento se puede utilizar para realizar diferentes segundos aprendizajes que corresponden, respectivamente, a diferentes configuraciones.

[0167] El primer entrenamiento se realiza sobre una base de datos que permite tener en cuenta diferentes condiciones: por ejemplo, diferentes tipos o dimensiones de un defecto, diferentes posiciones de un defecto, diferentes composiciones o conformaciones de piezas, diferentes posicionamientos del sensor con respecto a la pieza. Esto permite prever una primera base de datos más exhaustiva que tenga en cuenta, por ejemplo, una gran variabilidad:

[0169] • en las dimensiones y/o en la conformación del defecto o de la pieza

[0170] • en la constitución de la pieza, pudiendo considerarse sucesivamente diferentes tipos de materiales.

[0172] Durante el segundo entrenamiento, la pieza considerada es la pieza que se va a analizar. El segundo entrenamiento se puede realizar, en particular, cuando se considera que la pieza que se va a analizar está en buen estado, es decir, sin defectos. El segundo entrenamiento permite entonces caracterizar un buen estado teniendo en cuenta las variabilidades experimentales descritas previamente. El segundo entrenamiento se puede realizar disponiendo una red de sensores sobre la pieza que se va a caracterizar, con el fin de hacer un seguimiento de su estado. La red de sensores forma entonces una red adaptada a la supervisión regular de la pieza, de acuerdo con los principios de la SHM descritos en la técnica anterior. El segundo entrenamiento se realiza sobre la base de mediciones regulares de la pieza. El resultado son mediciones que se consideran representativas del buen estado de la pieza. Al final del periodo de entrenamiento, la segunda red neuronal se utiliza para seguir la evolución del estado de la pieza durante su funcionamiento, con el fin de detectar la aparición de un defecto o una evolución de las características de la pieza (por ejemplo, características mecánicas, térmicas o dimensionales). Esta posibilidad permite disponer de un segundo entrenamiento especialmente adaptado a la pieza caracterizada, ya que esta última se utiliza para realizar el segundo entrenamiento.

[0174] El segundo entrenamiento se puede realizar a partir de mediciones efectuadas en la pieza analizada en diferentes condiciones ambientales (temperatura, humedad), con el fin de obtener una segunda red neuronal robusta frente a las variaciones de las condiciones ambientales.

[0176] Un ejemplo de aplicación es el control de un elemento estructural de un avión, por ejemplo el fuselaje o un ala, mediante la disposición de una red de sensores fijos. Los sensores se utilizan, en un primer momento, para realizar el segundo entrenamiento. Tras el segundo entrenamiento, los sensores se utilizan periódicamente para supervisar la estructura y la segunda red neuronal interpreta las mediciones. Por ejemplo, pueden ser sensores mecánicos que detectan la propagación de una onda de flexión que se propaga a lo largo de la pieza que se va a analizar.

[0177] Las principales etapas de la primera forma de realización se esquematizan en la figura 2B.

[0178] Etapa 100: creación de la primera base de datos DB<1>.

[0179] Durante esta etapa, se crea la primera base de datos DB<1>de acuerdo con una primera configuración. La primera base de datos puede estar formada, en particular, por imágenes representativas de mediciones obtenidas (realizadas o simuladas) en condiciones de laboratorio.

[0180] Etapa 110: primer entrenamiento.

[0181] Durante esta etapa, se utiliza la primera base de datos para configurar los bloques A<1>y B<1>, con el fin de optimizar el rendimiento de predicción de una primera red neuronal convolucional CNN<1>.

[0182] Etapa 120: creación de la segunda base de datos DB<2>.

[0183] Durante esta etapa, se crea la segunda base de datos DB<2>a partir de mediciones experimentales en la pieza que se va a caracterizar. El tamaño de la segunda base de datos es, preferentemente, inferior al tamaño de la primera base de datos.

[0184] Etapa 130: segundo entrenamiento.

[0185] Durante esta etapa, se utiliza la segunda base de datos DB<2>para realizar el entrenamiento de una segunda red neuronal convolucional CNN<2>formada por el primer bloque de extracción A<1>, resultante del primer entrenamiento, y un segundo bloque de clasificación B<2>, adaptado a las condiciones experimentales del segundo entrenamiento. La red neuronal convolucional CNN<2>resultante del segundo entrenamiento está destinada a interpretar las mediciones realizadas en la pieza utilizada. Este es el objetivo de la siguiente etapa.

[0186] Etapa 200: realización de mediciones

[0187] Se realizan mediciones en la pieza examinada, de acuerdo con la configuración de medición considerada durante el segundo entrenamiento.

[0188] Etapa 210: Interpretación de mediciones

[0189] Se utiliza la red neuronal convolucional CNN<2>, resultante del segundo entrenamiento, para caracterizar la pieza examinada a partir de las mediciones realizadas en la etapa 200. Estas características se pueden establecer a partir de la capa de salida B<out>de la red neuronal convolucional CNN<2>. Por lo tanto, esta red se utiliza para realizar la etapa de inversión de las mediciones.

[0190] Ejemplo de primera forma de realización

[0191] Un primer ejemplo de aplicación de la invención se presenta en relación con las figuras 3A a 3D. La figura 3A representa un defecto simple, de tipo fisura en T, que presenta 7 características de posición o dimensión:

[0192] • las características X1, X2 y X4 son longitudes o anchuras de dos ramales de acuerdo con un plano P<xy>; • las características X5 y X6 son profundidades de los dos ramales perpendicularmente al plano P<xy>;

[0193] • la característica X3 es una característica angular;

[0194] • las características X7 y X8 son características de posición del defecto en el plano P<xy>.

[0195] Se simularon mediciones realizadas de acuerdo con una modalidad de corrientes de Foucault, describiendo un barrido constituido por 41 x 46 puntos de medición a una distancia de 0,3 mm por encima de la pieza. La pieza era una pieza metálica plana. El trazado regular representado en la figura 3A ilustra el desplazamiento del sensor a lo largo de la pieza, paralelamente al plano P<xy>. La imagen formada en la figura 3B es una imagen de la parte real de la variación de impedancia AH. La variación de impedancia corresponde a una diferencia, en cada punto de medición, entre las impedancias simuladas respectivamente en presencia y en ausencia de defectos estructurales en la pieza. La figura 3B se obtuvo teniendo en cuenta las siguientes características: X1 = 11,822 mm; X2 = 0,086 mm; X3 = -9,88°; X4 = 11,835 mm; X5 = 0,635 mm; X6 = 1,127 mm; X7 = 27,489 mm; X8 = 24,099 mm.

[0196] Se llevó a cabo un primer entrenamiento basado en simulaciones. Durante el primer entrenamiento, se utilizaron 2000 mediciones teniendo en cuenta un nivel de ruido muy bajo (relación señal a ruido de 40 dB). Las simulaciones forman una primera base de datos DBi con un ruido bajo, que imita los datos de laboratorio, ya sean datos simulados o medidos. Cada imagen de entrada es una concatenación de una imagen de la parte real y una imagen de la parte imaginaria de la variación de impedancia AH medida en cada punto de medición. Durante este entrenamiento, se variaron las dimensiones del defecto estructural, manteniendo la misma forma.

[0198] El primer entrenamiento permitió configurar una primera red neuronal convolucional CNN<1>, que comprende un primer bloque de extracción A<1>y un primer bloque de clasificación B<1>, tal y como se ha descrito previamente. La capa de entrada comprende dos imágenes que corresponden, respectivamente, a la parte real y a la parte imaginaria de la variación de impedancia AH en los diferentes puntos de medición. El bloque de extracción A<1>comprende cuatro capas de convolución C<1>a C<4>, de la siguiente manera:

[0200] • C<1>se obtiene aplicando 32 núcleos de convolución de dimensiones 5x5 a las dos imágenes de entrada.

[0201] • C<2>se obtiene aplicando 32 núcleos de convolución de dimensiones 3x3 a la capa C<1>.

[0202] • C<3>se obtiene aplicando 64 núcleos de convolución de dimensiones 3x3 a la capa C<2>.

[0204] Se realiza una operación deMaxpooling(agrupamiento de acuerdo con un criterio máximo) en grupos de 2x2 píxeles entre las capas C2 y C3, así como entre la capa C3 y la capa C4, convirtiéndose esta última en un vector de dimensión 1024.

[0206] El vector de dimensión 1024 resultante del bloque de extracción A<1>constituye la capa de entrada Bin de un bloque de clasificación B<1>totalmente conectado que comprende una única capa oculta H (512 nodos), conectada a una capa de salida Bout. Esta última es un vector de dimensión 8, donde cada término corresponde, respectivamente, a una estimación de las dimensiones X1 a X8.

[0208] La primera red neuronal convolucional CNN<1>se probó para estimar los 8 parámetros dimensionales X1 a X8 representados en la figura 3A. Durante la prueba, se utilizaron imágenes de prueba simuladas, pero representativas de mediciones experimentales que presentan tres niveles de relación señal a ruido, respectivamente 5 dB (relación señal a ruido baja), 20 dB (relación señal a ruido media) y 40 dB (relación señal a ruido alta). Se trata de simular relaciones señal a ruido que pueden encontrarse en mediciones experimentales, en una pieza real. En las imágenes de prueba, se modificaron las diferentes características X1 a X8. La relación señal a ruido se simuló añadiendo ruido blanco gaussiano a las imágenes que forman la capa de entrada de la red neuronal.

[0210] La figura 3C muestra los rendimientos de predicción de la dimensión X1 utilizando imágenes de prueba cuya relación señal a ruido (SNR) es, respectivamente, igual a 5 dB (izquierda), 20 dB (centro) y 40 dB (derecha). En cada una de las curvas, el eje de abscisas corresponde a los valores reales y el eje de ordenadas corresponde a los valores estimados por la red neuronal CNN<1>. Se observa que los rendimientos de predicción no son satisfactorios cuando la relación señal a ruido no se corresponde con la considerada durante el entrenamiento. Por el contrario, el rendimiento de estimación es satisfactorio cuando la relación señal a ruido corresponde a la considerada durante el entrenamiento (40 dB). En cada figura, los rendimientos de predicción se cuantifican mediante los indicadores MAE(Mean Absolute Error,error absoluto medio), MSE(Mean Squared Error,error cuadrático medio) y un coeficiente de correlación R2.

[0211] Los autores de la invención formaron una segunda red neuronal CNN<2>utilizando, en una segunda base de datos, 20 imágenes simuladas teniendo en cuenta una relación señal a ruido de 40 dB y 20 imágenes simuladas teniendo en cuenta una relación señal a ruido de 5 dB, es decir, un total de 40 imágenes. Como se ha descrito previamente, la segunda red neuronal CNN<2>se configuró conservando el bloque de extracción A<1>de la primera red neuronal CNN<1>. Solo se configuró el bloque de clasificación B<2>de la segunda red neuronal, conservando el mismo número de capas y el mismo número de nodos por capa que la primera red neuronal CNN<1>.

[0213] La segunda red neuronal CNN<2>se probó con los mismos datos de prueba que la primera red neuronal, es decir, con imágenes de prueba que presentan relaciones señal a ruido iguales a 5 dB, 20 dB y 40 dB, respectivamente. La figura 3D muestra los rendimientos de estimación de la segunda red neuronal en relación con la estimación de la primera dimensión X1. La figura 3D se presenta de manera idéntica a la figura 3C: imágenes de prueba con una relación señal a ruido de 5 dB (izquierda), 20 dB (centro) y 40 dB (derecha). Los rendimientos de predicción son correctos independientemente de la relación señal a ruido considerada.

[0215] Este primer ejemplo demuestra la pertinencia de la invención: permite una rápida adaptación de una red neuronal cuando se pasa de una primera configuración a una segunda configuración modificando las condiciones en las que se realizó el primer entrenamiento, en este caso la relación señal a ruido. Cabe señalar que la segunda red neuronal se ha parametrizado utilizando una base de datos de 40 imágenes, es decir, 50 veces menos que la base de datos utilizada durante el entrenamiento de la primera red neuronal.

[0216] Segunda forma de realización

[0218] De acuerdo con una segunda forma de realización, durante el primer entrenamiento, se implementa un primer bloque de extracción A<1>acoplado a un bloque de reconstrucción B'<1>. Al igual que el primer bloque de clasificación B<1>descrito previamente, el bloque de reconstrucción B<'1>es un bloque de procesamiento de los datos extraídos por el primer bloque de extracción A<i>. Esta variante implementa una primera red neuronal CNN'<i>, de tipo autocodificador. Como se representa en la figura 4, la primera red neuronal comprende el bloque de extracción A<i>y el bloque de reconstrucción B'<i>. Como saben los expertos en la técnica, una red neuronal de tipo autocodificador es una estructura que comprende un bloque de extracción A<i>, denominado codificador, que permite extraer información relevante a partir de un dato de entrada A<in>, definido en un espacio de partida. De este modo, los datos de entrada se proyectan en un espacio, denominado espacio latente. En el espacio latente, la información extraída por el bloque de extracción se denomina código. El autocodificador comprende un bloque de reconstrucción B'<i>, que permite reconstruir el código para obtener datos de salida A<out>, definidos en un espacio generalmente idéntico al espacio de partida. El entrenamiento se lleva a cabo de manera que se minimice el error entre los datos de entrada A<in>y los datos de salida A<out>. Tras el entrenamiento, el código, extraído por el bloque de extracción, se considera representativo de las características principales de los datos de entrada. En otras palabras, el bloque de extracción A<i>permite comprimir la información contenida en los datos de entrada A<in>.

[0220] La primera red neuronal puede ser, en particular, de tipo autocodificador convolucional: cada capa del bloque de extracción A<i>es el resultado de la aplicación de un núcleo de convolución a una capa anterior. En la figura 4 se representan las capas de convolución C<i>...C<j>...C<j>, siendo la capa C<j>la última capa del bloque de extracción A<i>, que comprende el código. También se representan las capas D<i>...D<j>...D<j>del bloque de reconstrucción B'<i>, correspondiendo la capa D<j>a los datos de salida A<out>.

[0222] A diferencia del bloque de clasificación B<i>, previamente descrito, el bloque de reconstrucción B'<i>no tiene por objeto determinar las características de la pieza. El bloque de reconstrucción permite reconstruir los datos de salida A<out>, en base al código (capa C<j>), siendo la reconstrucción lo más fiel posible a los datos de entrada A<in>. El bloque de clasificación B<i>y el bloque de reconstrucción B'<i>se utilizan con el mismo fin: permitir la configuración del primer bloque de extracción A<i>, que puede utilizarse durante el segundo entrenamiento para configurar el segundo bloque de clasificación B<2>.

[0224] De acuerdo con esta variante, el procedimiento sigue las etapas 100 a 2 i0 descritas previamente, en relación con la figura 2B. El primer entrenamiento (etapa i i0 ) consiste en configurar el bloque de extracción A<i>. Puede realizarse sobre la base de al menos una primera base de datos. La utilización de un autocodificador permite combinar diferentes primeras bases de datos. Algunas bases de datos son representativas de piezas en buen estado, sin defectos, mientras que otras bases de datos son representativas de piezas que comprenden un defecto. Por ejemplo, se pueden combinar:

[0226] • bases de datos que recopilan mediciones realizadas en una pieza en buen estado, a diferentes temperaturas, con el fin de aprender el efecto de una variación de temperatura en las mediciones;

[0227] • bases de datos que recopilan mediciones realizadas en una pieza que comprende un defecto, a una temperatura constante, con el fin de aprender el efecto de la presencia de un defecto en las mediciones.

[0228] El hecho de realizar un primer entrenamiento combinando diferentes bases de datos, representativas de diferentes situaciones, permite obtener un bloque de extracción de datos que concentra la información útil de cada imagen.

[0229] Tras el entrenamiento, se llevan a cabo las etapas 120 a 2 i0 como se ha descrito previamente. Se trata de realizar un segundo entrenamiento, en base a la segunda base de datos, adquirida de manera experimental, con el fin de parametrizar el bloque de clasificación B<2>, utilizando el bloque de extracción A<i>resultante del primer entrenamiento.

[0231] Tercera forma de realización

[0233] De acuerdo con una tercera forma de realización, la primera y la segunda red neuronal son del tipo "totalmente conectadas" o perceptrón multicapa, tal y como se representa en la figura 5. A diferencia de la primera y la segunda forma de realización, no se trata de una red neuronal convolucional.

[0235] La primera y la segunda red neuronal comprenden una capa de entrada L<in>, o primera capa, formada por datos medidos o simulados. Comprenden una capa de salida L<out>, que contiene la información de clasificación resultante de la red neuronal.

[0237] La estructura de la primera y la segunda red neuronal es similar a la de los bloques de clasificación B<i>, B<2>descritos en relación con la primera forma de realización. Cada red neuronal puede comprender capas L<k>, de rango k. El rango k = 1 corresponde a la capa de entrada L<in>. Cada capa comprende nodos, denominados nodos interconectados, y el número de nodos interconectados de una capa puede ser diferente del número de nodos interconectados de otra capa. Como se ha descrito previamente, cuando k > 2, el valor de un nodoyn,kde una capa de rango k es tal que

[0240]

[0243] donde

[0245] i i

[0246] •ym,k-ies el valor de un nodo de la capa anteriork- 1, m representa un orden del nodo de la capa anterior, siendo m un entero comprendido entre 1 y M<k-1>, donde M<k-1>corresponde a la dimensión de la capa anterior, de rangok- 1;

[0247] •bmes un sesgo asociado a cada nodoym,k-1de la capa anterior;

[0248] •fnes una función de activación asociada al nodo de ordennde la capa considerada, siendonun entero comprendido entre 1 y N<k>, donde N<k>corresponde a la dimensión de la capa de rango k;

[0249] •wm,nes un término de ponderación para el nodo de rango m de la capa anterior (rango k-1) y el nodo de rangonde la capa considerada (rango k).

[0251] La capa de salida L<out>comprende valores que permiten caracterizar la pieza a partir de las mediciones, experimentales o simuladas, que forman la capa de entrada. Es el resultado de la inversión realizada por el algoritmo.

[0253] De acuerdo con esta forma de realización, se lleva a cabo un primer entrenamiento con el fin de configurar una primera red neuronal interconectada NN<1>. Como se describe en relación con la primera y la segunda forma de realización, la primera red neuronal interconectada se puede configurar en base a datos de entrada representativos de condiciones de laboratorio, ya sean mediciones experimentales o el resultado de simulaciones. A continuación, se configura una segunda red neuronal interconectada NN<2>utilizando datos de entrada más realistas, obtenidos de manera experimental, en la pieza que se va a caracterizar. La segunda red neuronal interconectada NN<2>se configura utilizando, al menos parcialmente, los parámetros que rigen la primera red neuronal interconectada NN<1>.

[0255] De este modo, al menos una capa L<k>(k>1) de la segunda red neuronal NN<2>se configura utilizando la configuración de la primera red neuronal NN<1>. Durante el segundo entrenamiento, la segunda red neuronal se puede inicializar, por ejemplo, teniendo en cuenta la primera red neuronal. De manera complementaria o alternativa, la segunda red neuronal puede conservar, en al menos un nodo de una capa, o incluso en cada nodo de una capa, los valores de sesgo o ganancia asignados a un nodo de una capa del mismo rango en la primera red neuronal.

[0257] Ejemplo de la tercera forma de realización

[0259] Las figuras 6A a 6G ilustran un ejemplo de aplicación de esta forma de realización. En la figura 6A se representa una placa a caracterizar 10. La placa 10 está equipada con transductores piezoeléctricos 21 configurados para emitir o detectar una onda de flexión que se propaga a través de la placa. La caracterización de la placa consiste en medir los parámetros de propagación de una onda progresiva 22, que se propaga entre dos transductores diferentes: un transductor actúa como emisor, mientras que el otro transductor actúa como detector. Los parámetros de propagación de la onda (en particular, la velocidad de grupo y/o la amplitud) dependen de las propiedades elásticas de la pieza, y en particular de la densidad y el módulo de Young. Estos últimos dependen de la temperatura de la pieza. De este modo, los parámetros de propagación de la onda de flexión permiten estimar la temperatura de la pieza. Cuando se dispone de diferentes transductores piezoeléctricos dispuestos en distintos puntos alrededor de una parte de la pieza, se pueden definir varios pares emisores/detectores. Por tanto, es posible estimar una distribución espacial de la temperatura en la parte de la pieza delimitada por los transductores, de acuerdo con algoritmos de reconstrucción conocidos por los expertos en la técnica. Cuanto mayor sea el número de transductores, mejor será la resolución espacial de la distribución de la temperatura.

[0261] El uso de este tipo de medición permite detectar la aparición de irregularidades de temperatura, denominadas "puntos calientes", durante el funcionamiento de la pieza, cuando esta última está sometida a tensiones. La pieza puede ser, por ejemplo, un componente estructural de un avión, por ejemplo una parte del fuselaje o de un ala.

[0263] La figura 6B representa una simulación de una onda progresiva 22 detectada por un transductor, considerando dos temperaturas: 6 °C y 13 °C. El eje de abscisas representa el tiempo, y el origen corresponde al instante de emisión de la onda por un transductor de emisión. El eje de ordenadas corresponde a la amplitud de la onda. Se ha representado la envolvente 23, que permite estimar la velocidad de grupo de la onda 22. En la figura 6B, las curvas modeladas para las dos temperaturas se superponen. La figura 6C, resultado de una simulación, muestra un detalle de la envolvente 23, en el recuadro de la figura 6B, para las dos temperaturas consideradas. La figura 6D representa los resultados obtenidos a partir de mediciones experimentales, a las mismas temperaturas. Las simulaciones y mediciones se realizaron teniendo en cuenta una pieza paralelepípeda de sección cuadrada, de aluminio, con un grosor de 3 mm y 60 cm de lado. Los ocho transductores piezoeléctricos se dispusieron de acuerdo con un círculo de 30 cm de diámetro. Se supuso que la temperatura de la pieza era homogénea.

[0265] Durante un primer entrenamiento, se configuró una red neuronal NN<1>de tipo perceptrón multicapa. Los datos de entrada fueron una muestra de una medición temporal de la amplitud de la onda 22 detectada por un transductor 21, que comprendía 700 muestras adquiridas de acuerdo con una frecuencia de muestreo de 1 MHz. Los datos de salida fueron la temperatura de la pieza. Se tuvieron en cuenta ocho transductores distribuidos como se ha descrito previamente, formando 56 pares de emisores/detectores. En este ejemplo, se realizaron mediciones utilizando los ocho pares de emisores/detectores diametralmente opuestos. Se formó una primera base de datos, que comprendía ondas simuladas teniendo en cuenta diferentes pares de emisores/detectores y variando la temperatura entre 6 °C y 20 °C.

[0266] La primera base de datos DBi se utilizó para configurar la primera red neuronal NNi, que comprendía dos capas ocultas formadas, respectivamente, por 32 y 16 nodos. La capa de salida comprendía un nodo, correspondiente a una estimación del valor de la temperatura de la pieza.

[0268] Se realizó una prueba con la primera red neuronal NN<1>, utilizando datos simulados no utilizados para el entrenamiento. La figura 6E representa la temperatura estimada por la primera red neuronal (eje de ordenadas) en función de la temperatura utilizada para realizar la simulación (eje de abscisas). El rango de temperatura se estableció entre -15 °C y 25 °C. El coeficiente de correlación R2 fue de 0,99994, es decir, cercano a 1.

[0270] Se creó una segunda base de datos DB<2>a partir de mediciones experimentales obtenidas en una pieza de aluminio, equipada con ocho transductores piezoeléctricos que describían un círculo de 30 cm. Una configuración de este tipo corresponde a la configuración simulada para formar la primera base de datos DB<1>. Durante los ensayos experimentales, la temperatura varió entre 5 °C y 17 °C. La figura 6F representa un histograma normalizado de las temperaturas utilizadas para constituir la segunda base de datos DB<2>.

[0272] Con ayuda de la segunda base de datos, se parametrizó una segunda red neuronal NN<2>, cuya estructura era idéntica a la de la primera red neuronal. La segunda red neuronal NN<2>se inicializó teniendo en cuenta los parámetros de la primera red neuronal NN<1>. La segunda red neuronal se adaptó en función de las mediciones experimentales realizadas en la pieza. Para llevar a cabo el entrenamiento, se tuvieron en cuenta 50 datos de entrada diferentes. La segunda red neuronal se probó utilizando datos de prueba, no utilizados para el entrenamiento, correspondientes a mediciones realizadas cuando se conocía la temperatura de la pieza.

[0274] La segunda base de datos se utilizó para configurar una red neuronal denominada "de base", con una estructura análoga a la de la primera y la segunda red neuronal (mismo número de capas, mismo número de nodos por capa y mismo tamaño de la capa de entrada). La red neuronal de base se configuróex nihilo,es decir, sin utilizar la configuración de la primera red neuronal.

[0276] La figura 6G representa las temperaturas estimadas por la segunda red neuronal (eje de ordenadas: marcas en forma de cruz) y por la red neuronal de base (eje de ordenadas: marcas en forma de puntos) en función de la temperatura de la pieza (eje de abscisas). El rango de temperatura se estableció entre 5 °C y 17 °C.

[0278] Utilizando la segunda red neuronal, el coeficiente de correlación R2 fue de 0,686, teniendo en cuenta que se disponía de pocos datos de entrenamiento del intervalo de temperatura de 12 °C a 17 °C (véase la figura 6F). Al utilizar la red neuronal de base, el coeficiente de correlación R2 fue de 0,073, debido al pequeño tamaño de la segunda base de datos. Se observa la diferencia entre los coeficientes de correlación resultantes de una misma base de datos, aplicando la invención, es decir, partiendo de la primera red neuronal, y sin aplicar la invención. Esto demuestra la pertinencia de la invención, ya que se puede obtener rápidamente una segunda red neuronal eficaz, incluso con una pequeña cantidad de datos de entrenamiento.

[0280] Independientemente de la forma de realización, a partir de una misma primera red neuronal, se pueden configurar tantas segundas redes neuronales como piezas a caracterizar. De este modo, a partir de una misma primera red neuronal, se pueden configurar dos redes neuronales diferentes, adaptadas a piezas diferentes, que pueden corresponder, por ejemplo, a dos partes diferentes de un avión (fuselaje y ala).

[0282] La invención se puede aplicar a otras modalidades utilizadas habitualmente en el ámbito del control no destructivo. Más concretamente, otras modalidades posibles son:

[0284] • los controles por ultrasonidos, según los cuales una onda acústica se propaga a través de una pieza examinada. Se trata de mediciones de tipo ecográfico, en las que las mediciones suelen ser representativas del reflejo, por un defecto estructural, de una onda ultrasónica incidente. También se refiere a la propagación de ondas ultrasónicas guiadas. En este tipo de modalidad, las magnitudes físicas abordadas son las propiedades de propagación de las ondas ultrasónicas en la materia, ya que la presencia de un defecto da como resultado una variación de las propiedades de propagación con respecto a una pieza sin defectos. Se pueden obtener imágenes representativas de la propagación de una onda ultrasónica a lo largo de una pieza o a través de ella.

[0285] • Los controles por rayos X o gamma, de acuerdo con los cuales la pieza examinada se somete a irradiación por radiación electromagnética ionizante. La presencia de un defecto estructural da como resultado una modificación de las propiedades de transmisión de la irradiación. Las mediciones permiten obtener imágenes representativas de la transmisión de la irradiación a través de la pieza examinada.

[0286] • Los controles por termografía, según los cuales la pieza examinada se somete a una iluminación mediante una onda luminosa, por ejemplo en la banda espectral infrarroja. La presencia de un defecto da como resultado una modificación de las propiedades de reflexión de la onda luminosa. Las mediciones permiten obtener imágenes representativas de la reflexión de la onda luminosa por la pieza examinada.

[0288] La invención podrá utilizarse para la caracterización de elementos estructurales que requieran una supervisión regular a lo largo del tiempo, por ejemplo un elemento estructural de una aeronave. Permite utilizar sensores fijos, incorporados en la pieza, que se pueden utilizar durante el entrenamiento.

Claims (15)

1. REIVINDICACIONES

1. Procedimiento para caracterizar una pieza (10), que comprende las siguientes etapas:

a) realizar mediciones no destructivas con ayuda de un sensor (11), estando el sensor dispuesto sobre la pieza o frente a la pieza, y configurado para medir una magnitud física que permita una caracterización mecánica o térmica de la pieza;

b) utilizar las mediciones como datos de entrada de una red neuronal (NN<2>, CNN<2>), comprendiendo la red neuronal una capa de entrada, establecida mediante los datos de entrada, y una capa de salida, que comprende al menos un nodo;

c) caracterizar la pieza en función del valor del nodo o de cada nodo de la capa de salida de la red neuronal; comprendiendo el procedimiento, antes de las etapas b) y c):

- crear una primera base de datos (DB<1>), comprendiendo la primera base de datos mediciones de la magnitud física realizadas o simuladas en una primera pieza modelo, siendo la primera pieza modelo una pieza real, diferente de la pieza a caracterizar, o una pieza modelada, que representa la pieza a caracterizar;

- tener en cuenta una primera red neuronal (CNN<1>, CNN'<1>, NN<1>), estando la primera red neuronal configurada mediante parámetros definidos durante un primer entrenamiento, utilizando la primera base de datos (DB<1>);

estando caracterizado el procedimiento por que también comprende, antes de las etapas b) y c):

- crear una segunda base de datos (DB<2>), que comprende mediciones experimentales de la magnitud física realizadas en la pieza a caracterizar;

- un segundo entrenamiento, utilizando la segunda base de datos (DB<2>), con el fin de configurar una segunda red neuronal (CNN<2>, NN<2>), utilizando el segundo entrenamiento los parámetros de la primera red neuronal (CNN<1>, CNN'<1>, NN<1>), definidos durante el primer entrenamiento;

- de tal manera que, durante la etapa c), la red neuronal utilizada sea la segunda red neuronal (CNN<2>, NN<2>), resultante del segundo entrenamiento, utilizándose la segunda red neuronal para seguir la evolución del estado de la pieza a caracterizar.

2. Procedimiento de acuerdo con la reivindicación 1, en el que:

- la primera red neuronal (NN<1>) comprende una capa de entrada y una capa de salida y, opcionalmente, una capa intermedia, entre la capa de entrada y la capa de salida;

- el segundo entrenamiento comprende una adaptación de la capa de salida y/o de la capa intermedia opcional de la primera red neuronal, de manera que se forme una capa de la segunda red neuronal.

3. Procedimiento de acuerdo con una cualquiera de las reivindicaciones anteriores, en el que:

- la primera red neuronal (CNN<1>, CNN'<1>) es una red neuronal convolucional, que comprende un bloque de extracción (A<1>) y un bloque de procesamiento (B<1>, B'<1>), siendo la primera red neuronal tal que:

• el bloque de extracción (A<1>) está configurado para extraer características de los datos de entrada de la primera red neuronal, los datos de entrada resultantes de la primera base de datos (DB<1>);

• el bloque de procesamiento (B<1>, B'<1>) está configurado para procesar las características extraídas por el bloque de extracción;

- la segunda red neuronal (CNN<2>, CNN'<2>) es una red neuronal convolucional, que comprende:

• el bloque de extracción (A<1>) de la primera red neuronal;

• así como un bloque de clasificación (B<2>), estando el bloque de clasificación configurado para realizar una clasificación de las características extraídas por el bloque de extracción, donde el bloque de clasificación transmite el resultado a la capa de salida de la segunda red neuronal.

4. Procedimiento de acuerdo con la reivindicación 3, en el que el bloque de procesamiento de la primera red neuronal es un bloque de clasificación (B<1>), configurado, durante el primer entrenamiento, para realizar una clasificación de las características extraídas por el bloque de extracción.

5. Procedimiento de acuerdo con la reivindicación 4, en el que la primera red neuronal (CNN'<1>) puede ser de tipo autocodificador, estando el bloque de procesamiento (B'<1>) de la primera red neuronal configurado, durante el primer entrenamiento, para reconstruir datos, obtenidos de la primera base de datos (DB<1>), y que forman datos de entrada de la primera red neuronal.

6. Procedimiento de acuerdo con una cualquiera de las reivindicaciones 1 y 2, en el que la primera y la segunda red

neurona! son de tipo perceptrón multicapa.

7. Procedimiento de acuerdo con una cualquiera de las reivindicaciones anteriores, en el que la primera red neuronal se utiliza para inicializar el entrenamiento de toda o parte de la segunda red neuronal.

8. Procedimiento de acuerdo con una cualquiera de las reivindicaciones anteriores, en el que durante el segundo entrenamiento, así como durante al menos una etapa a), o incluso cada etapa a), posterior al segundo entrenamiento, el sensor puede estar dispuesto en una posición fija, integrado en la pieza.

9. Procedimiento de acuerdo con una cualquiera de las reivindicaciones anteriores, en el que:

- la pieza puede presentar un defecto;

- la etapa c) comprende detectar la presencia de un defecto en la pieza y caracterizar, de manera opcional, el defecto detectado.

10. Procedimiento de acuerdo con la reivindicación 9, en el que la caracterización de la pieza comprende:

- identificar el tipo de defecto, entre tipos predeterminados;

- y/o estimar al menos una dimensión del defecto;

- y/o localizar el defecto en la pieza;

- y/o determinar el número de defectos en la pieza.

11. Procedimiento de acuerdo con la reivindicación 9 o la reivindicación 10, en el que la primera base de datos comprende mediciones realizadas o simuladas en una pieza modelo que comprende el defecto.

12. Procedimiento de acuerdo con una cualquiera de las reivindicaciones anteriores, en el que las mediciones son representativas de una distribución espacial:

- de las propiedades eléctricas, magnéticas o mecánicas de la pieza;

- de una propiedad de propagación de una onda acústica, mecánica o electromagnética a través o a lo largo de la pieza;

- de una propiedad de reflexión de una onda acústica o mecánica o de una onda electromagnética visible o infrarroja por la pieza.

13. Procedimiento de acuerdo con una cualquiera de las reivindicaciones anteriores, en el que la caracterización de la pieza comprende:

- obtener la temperatura de la pieza o de una tensión a la que está sometida la pieza;

- u obtener una distribución espacial de la temperatura de la pieza o de una tensión a la que está sometida la pieza.

14. Procedimiento de acuerdo con una cualquiera de las reivindicaciones anteriores, en el que las mediciones son de tipo:

- medición de corrientes de Foucault formadas en la pieza bajo el efecto de una excitación de la pieza por un campo magnético;

- o medición de ondas acústicas o mecánicas que se propagan a través o a lo largo de la pieza;

- o medición de una onda luminosa reflejada por la pieza cuando la pieza es iluminada por una onda luminosa incidente, en particular en el espectro infrarrojo o visible;

- o medición de la transmisión de radiación X o gamma a través de la pieza cuando dicha pieza es irradiada por una fuente de radiación X o gamma.

15. Procedimiento de acuerdo con una cualquiera de las reivindicaciones anteriores, en el que la segunda base de datos comprende un número de datos menor que el número de datos de la primera base de datos.