WO2017089695A1 - Dispositif et procédé de calcul automatique de courbe tcg - Google Patents

Dispositif et procédé de calcul automatique de courbe tcg Download PDF

Info

Publication number
WO2017089695A1
WO2017089695A1 PCT/FR2016/053046 FR2016053046W WO2017089695A1 WO 2017089695 A1 WO2017089695 A1 WO 2017089695A1 FR 2016053046 W FR2016053046 W FR 2016053046W WO 2017089695 A1 WO2017089695 A1 WO 2017089695A1
Authority
WO
WIPO (PCT)
Prior art keywords
amplitude
points
group
flight time
iteration
Prior art date
Application number
PCT/FR2016/053046
Other languages
English (en)
Inventor
Frank GUIBERT
Original Assignee
Airbus Group Sas
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Airbus Group Sas filed Critical Airbus Group Sas
Priority to US15/777,165 priority Critical patent/US11029290B2/en
Publication of WO2017089695A1 publication Critical patent/WO2017089695A1/fr

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4463—Signal correction, e.g. distance amplitude correction [DAC], distance gain size [DGS], noise filtering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/07—Analysing solids by measuring propagation velocity or propagation time of acoustic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/22—Details, e.g. general constructional or apparatus details
    • G01N29/24—Probes
    • G01N29/2493—Wheel shaped probes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/22—Details, e.g. general constructional or apparatus details
    • G01N29/26—Arrangements for orientation or scanning by relative movement of the head and the sensor
    • G01N29/262—Arrangements for orientation or scanning by relative movement of the head and the sensor by electronic orientation or focusing, e.g. with phased arrays

Definitions

  • the present invention relates to the field of quality control processes by non-destructive treatment. It relates more particularly to a method of conditioning and signal processing, and in particular automatic calculation of TCG (Time Compensated Gain) curve in the case of quality control by ultrasonic technique.
  • TCG Time Compensated Gain
  • one of the techniques consists in sending, by an acoustic transducer, an ultrasonic beam passing through a room, said room being for example a plate composed of several thicknesses of composite materials or metal contiguous, and listening to the signal sound back in order to determine the lopiece thickness of the piece or discontinuities of its composition.
  • the detection of defect is done by comparing the time taken to make a round trip in the thickness of the part and the time taken to reflection on a defect (source: Wikipedia).
  • the diagnostic tool (a transducer) scan a line on the surface of the part to be evaluated, it is also possible to generate a sectional image of the part, highlighting any defects, or separation lines. between its constituent thicknesses.
  • the term gain compensation for the time of flight (or in English “Time Compensated Gain”, acronym TCG) is then used to refer to a setting applied during an ultrasound imaging diagnosis, to take account of the attenuation of the ultrasonic signal passing through. the matter.
  • TCG Time Compensated Gain
  • the gain applied to the received signal increases with increasing depth, so as to compensate for the attenuation of the signal.
  • This adjustment of the gain as a function of the flight time is complex.
  • ultrasonic inspection of a part when the ultrasonic inspection of a part is to be carried out, it is sought, during the initial calibration phase of the measurement system, to obtain the same response (ie the same amplitude of the measurement).
  • ultrasonic echo typically 80% of the scanning dynamics
  • an identical reflector regardless of the depth considered, to compensate for the intrinsic attenuation of the material.
  • the operator manually adjusts a variable amplification curve as a function of the scanning time (ie the depth in the room) called TCG (Time Compensated Gain) or DAC (Distance Amplitude Correction).
  • TCG Time Compensated Gain
  • DAC Distance Amplitude Correction
  • This operation is time consuming and imprecise because the operator performs several iterations on a limited set of available reflectors (example: stepped piece) and adjusts the curve visually in an acquisition software.
  • the TCG / DAC curve thus generated is limited in precision by the number of reflectors of the reference piece and requires several ultrasonic firing (i.e. acquisitions). This is an automation of the manual procedure mentioned above.
  • method b uses 1 / the attenuation curve as a function of the frequency of the signal in the material, and 21 the spectrum, injected into the room by the sensor, to predict at each depth of the range of work the attenuation undergone by the signal.
  • This method requires a strong prior knowledge of the injected signal and the properties of the inspected part and requires prior acquisitions by the operator on a reflector type glass plate.
  • the present invention aims to remedy all or part of the disadvantages of the prior art.
  • the object of the present invention is notably to provide an automated solution which reduces the adjustment time and improves the accuracy (ie quality) ultrasonic measurements.
  • DAC Distance Amplitude Correction
  • the acquisition points are the "flight time / amplitude" pairs.
  • the inventors propose here a solution based on a unsupervised learning approach of a large number of acquisition points ("flight time / amplitude" pairs) over the entire surface of the reference piece mentioned in the description. "Method a" described above.
  • the prerequisite for this method is the acquisition of a large number of measuring points uniformly distributed over the entire surface of said reference piece.
  • the measurement points are uniformly distributed over the entire surface of the reference part.
  • the reference piece has different thicknesses.
  • the step 110 of unsupervised classification comprises an automatic grouping of the acquisition points by "coherent" group, in the sense of the unsupervised classification clustering algorithm chosen, each group corresponding to a thickness of the piece of equipment. reference, the vector used for clustering comprising at least one of the following quantities:
  • one or more positioning coordinates can be used for clustering in order to take into account the spatial proximity of the points during the grouping.
  • the automatic grouping of the acquisition points by group implements a K-Means algorithm, with or without heuristics to determine the number of clusters.
  • the number of clusters can either be entered directly by the operator or calculated by one of the following heuristics (non-exhaustive list): silhouette score, gap statistic, elbow method, pham et al, ...
  • the number of clusters entered by the operator can be compared with the optimal cluster number proposed by the heuristic, in order to detect possible acquisition problems (if the operator does not scan uniformly piece for example and forgets a thickness).
  • the method furthermore comprises:
  • a step 103 in which, for each group, a generic torque "flight time, amplitude" is determined, and
  • DAC amplitude-distance correction curve
  • KDE Gaussian Kernel Density Estimation
  • step 103 it is realized for each group an estimation of the dispersion of the couples of the group following the two dimensions flight time and amplitude.
  • step 104 the amplitude and flight time values are converted back to physical units if they have been normalized prior to the classification step.
  • the method is iterative and comprises a step 105 which uses, during the acquisition phase of the iteration of rank N, the calculated DAC at the iteration N-1, the end criterion of iteration is done on the number of clusters (ie Groups) found and / or the number of iterations carried out.
  • an iteration is carried out by decreasing or increasing the gain of each point of DAC at each iteration until a variation of the amplitude of the DAC points between two successive iterations is obtained which is sufficiently small according to a previously chosen convergence criterion.
  • the results of all the shots are combined to obtain a single amplitude-distance correction curve applied to all shots.
  • an independent DAC curve is calculated for each shot.
  • the unsupervised classification makes it possible to automatically group the acquisition points by group, each group corresponding to a thickness of the reference piece.
  • a statistical treatment (which can include but not limited to: average value, fit of a Gaussian kernel, histogram, kernel density estimation 10) allows to determine the value of the gain and the time that give the desired correction.
  • FIG. 1 a schematic representation of the various elements of a system implementing a method according to the invention
  • FIG. 2 a flowchart of the steps of the method according to a first embodiment of the invention
  • FIG. 3 a graph illustrating an example of automatic classification in one dimension ("flight time"), with a K-Means algorithm
  • FIG. 5 a graph illustrating the standardized response of the first echo (of the first thickness) after application of the DAC by classification (composite material, multi-element probe)
  • FIG. 6 a graph illustrating the normalized response of the second echo (of the second thickness) after application of the DAC by classification (composite material, multi-element probe),
  • FIG. 7 a flow chart of the steps of the method according to a second embodiment of the invention.
  • the system first implements an ultrasonic sensor 10.
  • the sensor 10 is here but not limited to a phased-array type with a wheel. In the present example, it is a wheel containing a multielement sensor of thirty two elements.
  • the ultrasonic sensor 10 may alternatively be of mono-element type.
  • the sensor 10 is manipulated by hand or with an encoded mechanical arm or with any encoding device (it can also be electromagnetic). Such a sensor 10 is of the type assumed to be known per se.
  • the system implements secondly a reference part 1 1.
  • the reference part 1 1 has several thicknesses.
  • This reference piece 1 1 is here of substantially flat type (one dimension is small relative to the other two) of which one of the surfaces is flat, and which has, facing this flat surface, several zones of different thicknesses, parallel to each other. one to another, arranged in steps.
  • the reference part 1 1 has three thicknesses e1, e2, e3 staged from five millimeters to five millimeters.
  • the reference part 1 1 is thus a plate of dimension about fifteen centimeters in width (direction in which the thickness is fixed) and forty centimeters in length (direction in which the thickness varies in steps), comprising three zones.
  • the reference part 1 1 is made of metallic material.
  • the system implements, thirdly, a measurement acquisition card 12, itself connected to data storage and calculation means 13, here of the PC computer type, adapted to execute a method in software form on the data. collected by the sensor and input from a user.
  • data storage and calculation means 13 are associated here with a display screen 14.
  • FIG. 2 represents a flowchart of the steps of the method according to the invention, in a first embodiment that is in no way limiting. As seen in this figure, the method comprises several steps.
  • the first step 101 consists in acquiring a set of couples "amplitude / flight time" of the background echo for a set of points in moving the ultrasonic sensor 10 on the reference part.
  • these points are uniformly distributed over the entire surface of the reference part January 1.
  • these measurement points are not mainly concentrated on a low surface area with respect to the total surface of the part, but include measuring points equitably distributed in each of the different thickness zones of the part. They are hereby acquired by moving the sensor longitudinally along the workpiece along several laterally spaced paths. In the present case, several dozens of paths are made, corresponding to several hundred measurement acquisition points.
  • the second step 102 consists in executing on the set of amplitude / flight time data (round trip time of the sound wave) acquired for the different measurement points, an unsupervised classification algorithm (for example but not limited to KMeans, Affinity Propagation ”) in order to separate the different populations (ie groups) of measurement points corresponding to the different thicknesses e1, e2, e3 of the reference part 1 1.
  • an unsupervised classification algorithm for example but not limited to KMeans, Affinity Propagation .
  • This classification can be done either on a variable (the flight time) or on the two variables (flight time and amplitude), or on the two variables flight time and amplitude and one or more positioning variables.
  • a variable the flight time
  • two variables flight time and amplitude
  • flight time and amplitude and one or more positioning variables we note that the work on two time and amplitude variables makes it possible to directly use the k-means centroids for the DAC curve.
  • the fact of using in addition the positions (x, y, ...) makes it possible to favor the grouping of the close points in the space.
  • FIG. 3 gives an example of a classification using a K-Means type algorithm for a reference piece 11 having three thicknesses, using the flight time only.
  • the K-Means algorithm is an algorithm for partitioning data into subgroups, so as to minimize a predetermined criterion.
  • Figure 3 shows a set of points distributed over two dimensions whose horizontal dimension represents the amplitude, and the vertical dimension represents the flight time, directly related to the thickness of the part.
  • the amplitude of the received signal varies according to the points, and the amplitude maximum varies according to the groups of points. It is found that the shorter the flight time (points located towards the bottom of the figure), the greater the amplitude (points located to the right of the figure).
  • the points 30 are intuitively grouped into three main groups 31, 32, 33 depending on the flight time.
  • the K-Means algorithm used in this example implementation of the method results in this partition into three groups.
  • the K-means algorithm produces centroids. We can then separate any point from space by assigning it to the centroid from which it is closest. This makes it possible to draw the separation lines visible in FIG. 3. The lines represent the boundaries between two groups (clusters).
  • a generic "flight time, amplitude" pair 41, 42, 43 is determined whose position is determined by a mathematical method, for example part of the following nonlimiting list. :
  • KDE Gaussian Kernel Density Estimation
  • FIG. 4 illustrates this step, in the particular but nonlimiting case of using the KDE method (Kernel Density Estimation) and a Gaussian type kernel.
  • KDE method Kernel Density Estimation
  • Gaussian type kernel a Gaussian type kernel.
  • this same step 103 it is realized for each group an estimate of the dispersion of the couples of the group according to the two dimensions flight time and amplitude. This estimate makes it possible to produce an indicator of the quality of the Distance Amplitude Correction (DAC) curve obtained subsequently (and of the heterogeneity of the response of the reference part 1 1).
  • DAC Distance Amplitude Correction
  • This complementary dispersion estimation step is optional. For example, the standard deviation within each cluster is calculated and an alert is raised for the operator if the latter is not below a set threshold.
  • the last step 104 consists in constructing an amplitude-distance correction curve (DAC) by calculating the gain necessary so that the value of the amplitude of each group 31, 32, 33, noted amplitude_du_group is equal to a predetermined target value noted amplitude_cible .
  • DAC amplitude-distance correction curve
  • the DAC curve thus created is a curve formed of line segments connecting the "time, gain” pairs corresponding to each group.
  • FIG. 5 has the flight time in horizontal axis and the amplitude in vertical axis. It illustrates the sound signal received at the output of the sensor at a measurement point, after correction (by multiplication) by a distance amplitude correction curve 54.
  • the amplitude-distance correction curve 54 illustrated here has been created as described above.
  • FIG. 5 shows the normalized response of the first echo (of the first thickness) after application of the DAC by classification, here in the case of composite material, multi-element probe.
  • FIG. 6 likewise shows the normalized response of the second echo (of the second thickness) after application of the DAC by classification.
  • the signal curve 51 thus corrected has two clearly visible peaks (52, 53 in FIG. 5, 62, 63 in FIG. 6), corresponding to the respective echoes of the upper face and the face lower part of reference part 1 1.
  • the amplitudes observed for the peaks 53, 63 are equivalent, and equal to 80%, here chosen as the target amplitude.
  • the flight times of the DAC points thus generated coincide with the flight times of the peaks 52, 53, 62, 63. This confirms that the points of DAC have been aligned with the reflected echoes on each of the thicknesses and "reassures" the operator who had previously used to set everything manually: he can then visually understand what the algorithm has done.
  • An alternative version of the algorithm proposes to iterate by repeating the acquisition phase at the iteration N using the DAC calculated at the iteration N-1 with a stopping criterion on the number of cluster (ie Groups) found and / or the number of iterations.
  • Another alternative version of the algorithm proposes to iterate by decreasing or increasing the gain of each DAC point at each iteration until a sufficiently weak variation of the amplitude of the DAC points between two successive iterations (convergence criterion ). This method will notably be used to control the systems whose gain controller is inaccurate (large difference between setpoint and observed value).
  • a multi-element probe and / or multi-shot configuration it is possible to combine the results of all shots in order to obtain a single DAC curve applied to all shots or to perform the treatment. by shooting to obtain a DAC curve per shot.
  • a multi-element probe one can have several shots at the same time or successive, corresponding to an active subset of the elements. A shot can thus be seen as a measuring point on the piece.

Landscapes

  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Length Measuring Devices Characterised By Use Of Acoustic Means (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

L'invention concerne un procédé de calcul automatique d'une courbe de correction amplitude – distance (DAC : Distance Amplitude Correction) pour système de contrôle non destructif par voie ultrasonore, le système comprenant un capteur ultrasonore (10) et une pièce de référence (11). Le procédé comporte des étapes suivantes : 101 : acquisition d'un grand nombre de points de mesure uniformément distribués sur toute la surface de la pièce de référence (11), 102 : classification non supervisée (Unsupervised Learning) des points d'acquisitions (couples temps / amplitude).

Description

Dispositif et procédé de calcul automatique de courbe TCG
DOMAINE TECHNIQUE
La présente invention relève du domaine des procédés de contrôle qualité par traitement non destructif. Elle vise plus particulièrement un procédé de conditionnement et de traitement du signal, et notamment de calcul automatique de courbe TCG (Time Compensated Gain) dans le cas de contrôle qualité par technique ultrasonore.
ÉTAT DE LA TECHNIQUE
On connaît à ce jour de nombreuses techniques de contrôle qualité de pièces par traitement non destructif.
Parmi celles-ci, l'une des techniques consiste à envoyer, par un transducteur acoustique, un faisceau ultrasonore traverser une pièce, ladite pièce étant par exemple une plaque composée de plusieurs épaisseurs de matériaux composites ou de métal accolées, et à écouter le signal sonore en retour pour déterminer l'épaisseur lopièce de la pièce ou des discontinuités de sa composition.
En effet, lorsque les ultrasons émis par le transducteur et traversant la pièce, rencontrent une interface délimitant deux milieux ayant des impédances acoustiques (résistance de la matière au passage des ondes sonores) différentes au sein de la pièce analysée, une réflexion est générée. Les ultrasons réfléchis sont captés par un palpeur (qui peut être le même que l'émetteur). Il y a création d'un « écho ». De même, lorsque le signal atteint la surface inférieure de la pièce, il y a création d'un signal en retour.
Dans le cas d'une pièce comportant une surface supérieure sur laquelle est placée le transducteur et une surface inférieure, la détection de défaut se fait en comparant le temps mis pour faire un aller retour dans l'épaisseur de la pièce et le temps mis pour la réflexion sur un défaut (source : Wikipedia).
Dans ce cas, il est usuel de représenter le résultat de cette mesure par une courbe illustrant en ordonnée l'amplitude des pics d'entrée, de sortie et les pics caractéristiques de défauts détectés, en fonction du temps représenté en abscisse de la courbe. La distance entre le pic illustrant l'écho d'entrée et le pic illustrant l'écho de défaut permet alors de déterminer la profondeur de chaque défaut ou discontinuité dans la pièce.
En faisant parcourir à l'outil de diagnostic (un transducteur) une ligne sur la surface de la pièce à évaluer, il est également possible de générer une image en coupe de la pièce, mettant en évidence ses défauts éventuels, ou des lignes de séparation entre ses épaisseurs constitutives.
Il se produit naturellement une atténuation progressive du signal sonore lorsque celui-ci traverse la pièce, cette atténuation étant particulièrement notable lorsque l'épaisseur des pièces à analyser est importante. Cette atténuation est nuisible à une bonne interprétation du signal sonore récupéré en sortie, notamment lorsque les pics présentent une amplitude qui devient voisine d'un bruit de fond de mesure. Les défauts profonds dans une pièce deviennent alors en effet plus difficiles à détecter correctement.
Des techniques de correction de ce problème ont été développées. On désigne alors par le terme de compensation de gain pour le temps de vol (ou en anglais « Time Compensated Gain », acronyme TCG) un réglage appliqué durant un diagnostic par imagerie ultrasonore, pour tenir compte de l'atténuation du signal ultrasonore qui traverse la matière. Dans ce réglage, on augmente le gain appliqué au signal reçu de façon croissante avec la profondeur, de manière à venir compenser l'atténuation du signal. Ce réglage du gain en fonction du temps de vol est complexe.
Plus précisément, lorsque l'on doit effectuer l'inspection par ultrasons d'une pièce, on cherche, lors de la phase initiale de calibration du système de mesure, à obtenir la même réponse (c'est à dire la même amplitude de l'écho ultrasonore, typiquement 80 % de la dynamique de numérisation) pour un réflecteur identique, quelle que soit la profondeur considérée, afin de compenser l'atténuation intrinsèque du matériau.
Pour ce faire, selon la technique actuelle, l'opérateur ajuste manuellement une courbe d'amplification variable en fonction du temps de numérisation (i.e. de la profondeur dans la pièce) appelée TCG (Time Compensated Gain) ou DAC (Distance Amplitude Correction). En utilisant la vitesse de propagation dans le matériau on passe de la distance au temps et on peut donc déduire chacune des deux courbes de l'autre.
Cette opération est coûteuse en temps et imprécise car l'opérateur effectue plusieurs itérations sur un ensemble limité de réflecteurs disponibles (exemple : pièce à gradin) et ajuste la courbe visuellement dans un logiciel d'acquisition.
Il existe une solution automatique (appelée méthode a dans la suite du document) de calcul des points d'une courbe de compensation de gain pour le temps de vol (TCG) qui consiste à :
1 ) Faire plusieurs acquisitions sur une pièce de référence qui contient des réflecteurs identiques à des profondeurs différentes sans courbe de compensation de gain pour le temps de vol (TCG) en enregistrant les amplitudes et temps de vol des échos ultrasonores générés par les réflecteurs,
2) Calculer l'atténuation pour chaque couple (temps, amplitude) et en déduire le gain de compensation en chaque point,
3) Interpoler si nécessaire entre les points.
La courbe TCG / DAC ainsi générée est limitée en précision par le nombre de réflecteurs de la pièce de référence et requiert plusieurs tirs (i.e. acquisitions) ultrasonores. Il s'agit d'une automatisation de la procédure manuelle évoquée plus haut.
Une autre solution (appelée méthode b dans la suite du document) utilise 1 / la courbe d'atténuation en fonction de la fréquence du signal dans le matériau, et 21 le spectre, injecté dans la pièce par le capteur, pour prédire à chaque profondeur de la gamme de travail l'atténuation subie par le signal. Cette méthode requiert une forte connaissance à priori du signal injecté et des propriétés de la pièce inspectée et requiert la réalisation d'acquisitions préalables par l'opérateur sur un réflecteur type plaque de verre.
EXPOSÉ DE L'INVENTION
La présente invention a pour objectif de remédier à tout ou partie des inconvénients de l'art antérieur.
L'objectif de la présente invention est notamment de fournir une solution automatisée qui réduit le temps de réglage et améliorer la précision (i.e. la qualité) des mesures ultrasonores.
Elle vise à cet effet en premier lieu un procédé de calcul automatique d'une courbe de correction amplitude - distance, dénommée courbe DAC ( Distance Amplitude Correction), pour système de contrôle non destructif par voie ultrasonore, le système comprenant un capteur ultrasonore et une pièce de référence. Le procédé comporte des étapes suivantes :
101 : acquisition d'un grand nombre de points de mesure distribués sur la surface de la pièce de référence,
102 : classification non supervisée (Unsupervised Learning) des points d'acquisitions (couples "temps de vol / amplitude").
Les points d'acquisition sont les couples "temps de vol / amplitude".
Pour chaque point de mesure, il y a acquisition d'un couple "temps de vol / amplitude".
Les inventeurs proposent ici une solution basée sur une approche par classification non supervisée (Unsupervised Learning) d'un grand nombre de points d'acquisitions (couples "temps de vol / amplitude") sur toute la surface de la pièce de référence mentionnée dans la « méthode a » décrite plus haut.
Le préalable à cette méthode est donc l'acquisition d'un grand nombre de points de mesure uniformément distribués sur toute la surface de ladite pièce de référence.
Dans un mode particulier de mise en œuvre, les points de mesure sont uniformément distribués sur toute la surface de la pièce de référence.
Dans un mode particulier de mise en œuvre, la pièce de référence présente différentes épaisseurs. L'étape 102 de classification non supervisée comprend un regroupement automatique des points d'acquisition par groupe « cohérent», au sens de l'algorithme de regroupement (clustering) de classification non supervisée choisi, chaque groupe correspondant à une épaisseur de la pièce de référence, le vecteur utilisé pour le regroupement (clustering) comprenant au moins une des grandeurs suivantes :
- amplitude,
- temps de vol,
- une ou plusieurs coordonnées de positionnement. Dans ce mode particulier de mise en œuvre, une ou plusieurs des coordonnées spatiales des points d'acquisition peuvent être utilisées pour le clustering afin de prendre en compte la proximité spatiale des points lors du regroupement.
Plus particulièrement, dans ce cas, le regroupement automatique des points d'acquisition par groupe met en œuvre un algorithme de type K-Means, avec ou sans heuristique pour déterminer le nombre de clusters.
Il existe ici plusieurs alternatives pour le choix de l'algorithme : K- Means, MeanShift, etc.
Dans le cas particulier de l'utilisation de la méthode K-Means pour le clustering, le nombre de clusters peut, soit être entré directement par l'opérateur, soit calculé par une des heuristiques suivantes (liste non exhaustive) : silhouette score, gap statistic, elbow method, pham et al, ...
Dans un autre mode de réalisation, on peut comparer le nombre de clusters entré par l'opérateur au nombre de cluster optimal proposé par l'heuristique, afin de détecter d'éventuels problèmes d'acquisition (si l'opérateur ne scanne pas uniformément la pièce par exemple et oublie une épaisseur).
Dans un mode particulier de mise en œuvre, le procédé comprend en outre :
- une étape 103 dans laquelle, pour chaque groupe, on détermine un couple générique "temps de vol, amplitude", et
- une étape 104 de construction de la courbe de correction amplitude - distance (DAC) en calculant le gain nécessaire pour que la valeur de l'amplitude de chaque groupe soit égale à une valeur cible prédéterminée.
La méthode mathématique de détermination de la position de chaque couple générique choisie fait partie de la liste non limitative suivante :
- Position du « centroid » issu de la classification,
- Maximum d'occurrence de l'histogramme,
- Gaussian Kernel Density Estimation (KDE),
- Fit d'un kernel Gaussien,
- Valeur moyenne,
- Valeur médiane.
Dans un mode particulier de mise en œuvre, dans l'étape 103, il est réalisé pour chaque groupe une estimation de la dispersion des couples du groupe suivant les deux dimensions temps de vol et amplitude.
Dans un mode particulier de mise en œuvre, dans l'étape 104, les valeurs d'amplitude et de temps de vol sont reconverties en unités physiques si ces dernières ont été normalisées préalablement à l'étape de classification.
Dans un mode particulier de mise en œuvre le procédé est itératif et comprends une étape 105 qui utilise, durant la phase d'acquisition de l'itération de rang N, la DAC calculée à l'itération N-1 , le critère de fin d'itération se faisant sur le nombre de clusters (i.e. Groupes) trouvés et/ou le nombre d'itérations effectuées.
Alternativement, il est réalisé une itération en diminuant ou augmentant le gain de chaque point de DAC à chaque itération jusqu'à obtenir une variation de l'amplitude des points de DAC entre deux itérations successives suffisamment faible selon un critère de convergence préalablement choisi.
Dans un mode particulier de mise en œuvre, dans le cas d'une sonde multiéléments et/ou d'une configuration multi-tirs, on combine les résultats de tous les tirs afin d'obtenir une seule courbe de correction amplitude - distance appliquée à tous les tirs.
Dans un mode particulier de mise en œuvre, dans le cas d'une sonde multiéléments et/ou d'une configuration multi-tirs, on calcule une courbe de DAC indépendante pour chaque tir.
On comprend que, dans un premier temps, la classification non supervisée permet de regrouper automatiquement les points d'acquisition par groupe, chaque groupe correspondant à une épaisseur de la pièce de référence.
Dans un second temps, pour chaque groupe, un traitement statistique (lequel peut comporter mais non limitativement : valeur moyenne, fit d'un kernel gaussien, histogramme, kernel density estimation...) permet de déterminer la valeur du gain et du temps qui donnent la correction désirée.
Une évaluation de la dispersion des données de chaque groupe permet aussi de renseigner l'opérateur sur l'uniformité de la réponse de la pièce de référence. PRÉSENTATION DES FIGURES
Les caractéristiques et avantages de l'invention seront mieux appréciés grâce à la description qui suit, description qui expose les caractéristiques de l'invention au travers d'un exemple non limitatif d'application.
La description s'appuie sur les figures annexées qui représentent :
- Figure 1 : une représentation schématique des divers éléments d'un système mettant en œuvre un procédé selon l'invention ;
- Figure 2 : un organigramme des étapes du procédé selon un premier mode de mise en œuvre de l'invention ;
- Figure 3 : un graphique illustrant un exemple de classification automatique en une dimension (" temps de vol"), avec un algorithme K-Means,
- Figure 4 : un graphique illustrant le résultat du calcul de la position
(amplitude, temps) pour chaque groupe, ici Gaussian Kernel Density Estimation.
- Figure 5 : un graphique illustrant la réponse normalisée du premier écho (de la première épaisseur) après application de la DAC par classification (matériau composite, sonde multiéléments)
- Figure 6 : un graphique illustrant la réponse normalisée du second écho (de la seconde épaisseur) après application de la DAC par classification (matériau composite, sonde multiéléments),
- Figure 7 : un organigramme des étapes du procédé selon un second mode de mise en œuvre de l'invention.
DESCRIPTION DÉTAILLÉE D'UN MODE DE RÉALISATION DE L'INVENTION
Comme on le voit sur la figure 1 , le système met en œuvre en premier lieu un capteur ultrasonore 10. Le capteur 10 est ici mais non limitativement de type multiéléments (« phased-array ») avec une roue. Dans le présent exemple, il s'agit d'une roue contenant un capteur multiélément de trente deux éléments. Le capteur ultrasonore 10 peut alternativement être de type monoéléments. Le capteur 10 est manipulé à la main ou avec un bras mécanique encodé ou avec tout dispositif d'encodage (celui-ci peut aussi être électromagnétique). Un tel capteur 10 est de type supposé connu en soi.
Le système met en œuvre en second lieu une pièce de référence 1 1 .
Celle-ci est une pièce dont la géométrie et notamment l'épaisseur est parfaitement connue en tous points d'une zone de mesure.
De préférence, la pièce de référence 1 1 présente plusieurs épaisseurs.
Cette pièce de référence 1 1 est ici de type sensiblement plane (une dimension est faible par rapport aux deux autres) dont l'une des surfaces est plane, et qui présente en regard de cette surface plane plusieurs zones d'épaisseurs différentes, parallèles les unes aux autres, disposées en escalier. Dans le présent exemple, la pièce de référence 1 1 présente trois épaisseurs e1 , e2, e3 étagées de cinq millimètres en cinq millimètres. La pièce de référence 1 1 est ainsi une plaque de dimension d'environ quinze centimètres de largeur (direction selon laquelle l'épaisseur est fixe) et quarante centimètres de longueur (direction selon laquelle l'épaisseur varie en escalier), comportant trois zones. Dans le présent exemple, la pièce de référence 1 1 est réalisée en matériau métallique.
Le système met en œuvre en troisième lieu une carte d'acquisition de mesures 12, elle-même reliée à des moyens de mémorisation de données et de calcul 13, ici de type ordinateur PC, adaptés à exécuter un procédé sous forme logicielle sur les données recueillies par le capteur et des entrées d'un utilisateur. Ces moyens de calcul 13 sont associés ici à un écran d'affichage 14.
MODE DE FONCTIONNEMENT
La figure 2 représente un organigramme des étapes du procédé selon l'invention, dans un premier mode de réalisation nullement limitatif. Comme on le voit sur cette figure, le procédé comporte plusieurs étapes.
La première étape 101 consiste à acquérir un ensemble de couples "amplitude / temps de vol" de l'écho de fond pour un ensemble de points en déplaçant le capteur ultrasonore 10 sur la pièce de référence. Dans le présent exemple de réalisation, ces points sont uniformément répartis sur toute la surface de la pièce de référence 1 1 . On entend par là que ces points de mesure ne sont pas principalement concentrés sur une zone de surface faible au regard de la surface totale de la pièce, mais comprennent des points de mesure équitablement répartis dans chacune des zones d'épaisseur différente de la pièce. Ils sont ici acquis en déplaçant longitudinalement le capteur le long de la pièce selon plusieurs trajets espacés latéralement. Dans le cas présent, plusieurs dizaines de trajets sont réalisés, correspondant à plusieurs centaines de points d'acquisitions de mesures.
La seconde étape 102 consiste à exécuter sur l'ensemble des données d'amplitude / temps de vol (temps de parcours aller-retour de l'onde sonore) acquises pour les différents points de mesure, un algorithme de classification non supervisée (par exemple mais non limitativement de type KMeans, Affinity Propagation...) afin de séparer les différentes populations (i.e. groupes) de points de mesures correspondant aux différentes épaisseurs e1 , e2, e3 de la pièce de référence 1 1 .
Cette classification pourra se faire soit sur une variable (le temps de vol) soit sur les deux variables (temps de vol et amplitude), soit sur les deux variables temps de vol et amplitude et une ou plusieurs variables de positionnement. On note que le travail sur deux variables temps et amplitude permet d'utiliser directement le centroids k-means pour la courbe de DAC. Le fait d'utiliser en plus les positions (x, y, ...) permet de favoriser le regroupement des points proches dans l'espace.
La figure 3 donne un exemple de classification utilisant un algorithme de type K-Means pour une pièce de référence 1 1 présentant trois épaisseurs, en utilisant le temps de vol uniquement. L'algorithme K-Means est un algorithme de partitionnement de données en sous groupes, de manière à minimiser un critère prédéterminé.
La figure 3 montre un ensemble de points répartis sur deux dimensions dont la dimension horizontale représente l'amplitude, et la dimension verticale représente le temps de vol, lié directement à l'épaisseur de la pièce. L'amplitude du signal reçu varie selon les points, et l'amplitude maximale varie selon les groupes de points. On constate que plus le temps de vol est court (points situés vers le bas de la figure), plus l'amplitude est forte (points situés plus vers la droite de la figure).
Comme on le voit sur cette figure, les points 30 se regroupent intuitivement en trois groupes 31 , 32, 33 principaux selon le temps de vol.
L'algorithme K-Means utilisé dans le présent exemple de mise en œuvre du procédé aboutit à cette partition en trois groupes. L'algorithme-K- means produit des centroids, On peut ensuite séparer tout point de l'espace en l'affectant au centroid duquel il est le plus proche. C'est ce qui permet de tracer les lignes de séparation visibles sur la figure 3. Les lignes représentent les frontières entre deux groupes (clusters).
Ces trois groupes de points permettent donc de déterminer que la pièce présente trois épaisseurs de matériaux.
Dans une étape 103, pour chaque groupe, on détermine un couple "temps de vol, amplitude" générique 41 , 42, 43 (voir figure 4) dont la position est déterminée par une méthode mathématique faisant par exemple partie de la liste non limitative suivante :
- Position du « centroid » issu de la classification,
- Maximum d'occurrence de l'histogramme,
- Gaussian Kernel Density Estimation (KDE),
- Fit d'un kernel Gaussien,
- Valeur moyenne,
- Valeur médiane.
La figure 4 illustre cette étape, dans le cas particulier mais non limitatif de l'utilisation de la méthode KDE (Kernel Density Estimation) et un noyau (kernel) de type gaussien. Ces méthodes sont supposées connues de la personne de l'art, et ne sont donc pas discutées en détails ici. De façon très simplifiée, on suppose, dans le présent exemple de mise en œuvre, que les points successifs qui ont été acquis, pour un groupe de points (31 par exemple), sont représentatifs d'une distribution gaussienne, et on détermine par exemple le couple (41 ici) correspondant au sommet de la fonction gaussienne.
Dans le présent exemple de mise en œuvre du procédé, dans cette même étape 103, il est réalisé pour chaque groupe une estimation de la dispersion des couples du groupe suivant les deux dimensions temps de vol et amplitude. Cette estimation permet de produire un indicateur de la qualité de la courbe de correction amplitude - distance (DAC : Distance Amplitude Correction) obtenue par la suite (et de l'hétérogénéité de la réponse de la pièce de référence 1 1 ). Cette étape complémentaire d'estimation de dispersion est optionnelle. On calcule par exemple la déviation standard au sein de chaque cluster et on lève une alerte pour l'opérateur si cette dernière n'est pas inférieure à un seuil fixé.
La dernière étape 104 consiste à construire une courbe de correction amplitude - distance (DAC) en calculant le gain nécessaire pour que la valeur de l'amplitude de chaque groupe 31 , 32, 33, notée amplitude_du_groupe soit égale à une valeur cible prédéterminée notée amplitude_cible. Il est à noter que les valeurs d'amplitude et de temps de vol sont reconverties en unités physiques si ces dernières ont été standardisées préalablement à l'étape de classification. Pour le temps de vol, on utilise le temps de vol associé au groupe, ce temps de vol étant noté temps_du_groupe.
On a donc :
Gain = 20*Log (amplitude_cible / amplitude_du_groupe)
Temps = temps_du_groupe
La courbe de DAC ainsi créée est une courbe formée de segments de droite reliant les couples "temps, gain" correspondant à chaque groupe.
Les figures 5 et 6 illustrent l'utilisation d'une courbe de DAC ainsi obtenues et la normalisation en amplitude du signal. La figure 5 comporte en axe horizontal le temps de vol, et en axe vertical l'amplitude. Elle illustre le signal sonore reçu en sortie du capteur en un point de mesure, après correction (par multiplication) par une courbe de correction amplitude distance 54. La courbe de correction amplitude - distance 54 ici illustrée a été créée comme décrit plus haut. La figure 5 montre la réponse normalisée du premier écho (de la première épaisseur) après application de la DAC par classification, ici dans le cas de matériau composite, sonde multiéléments. La figure 6 montre de même la réponse normalisée du second écho (de la seconde épaisseur) après application de la DAC par classification. Comme on le voit sur ces figures, la courbe de signal 51 ainsi corrigée présente deux pics nettement visibles (52, 53 sur la figure 5, 62, 63 sur la figure 6), correspondant aux échos respectifs de la face supérieure et de la face inférieure de la pièce de référence 1 1 . Conformément à l'objectif, les amplitudes observées pour les pics 53, 63 sont équivalentes, et égales à 80%, ici choisie comme amplitude cible.
On note que, par construction, les temps de vol des points de DAC ainsi générés coïncident avec les temps de vol des pics 52, 53, 62, 63. Cela valide que l'on a bien aligné les points de DAC avec les échos réfléchis sur chacune des épaisseurs et « rassure » l'opérateur qui avait auparavant l'habitude de tout régler manuellement : il peut alors appréhender visuellement ce que l'algorithme a fait.
Une version alternative de l'algorithme (voir figure 7) propose d'itérer en répétant la phase d'acquisition à l'itération N en utilisant la DAC calculée à l'itération N-1 avec un critère d'arrêt sur le nombre de cluster (i.e. Groupes) trouvés et/ou le nombre d'itérations.
Cela est particulièrement utile dans le cas d'une pièce de référence multi-épaisseurs pour laquelle les dernières épaisseurs (les plus fortes) sont si épaisses que le signal utile ne franchit pas le seuil de détection de la porte lors de la première itération. En utilisant une méthode itérative et en supposant que le gain de la dernière épaisseur détectée à l'itération N-1 est propagée jusqu'à la fin du signal acquis à l'itération N par un segment de DAC constant, on va ainsi, de proche en proche, faire émerger du bruit le signal des épaisseurs les plus fortes.
Une autre version alternative de l'algorithme propose d'itérer en diminuant ou augmentant le gain de chaque point de DAC à chaque itération jusqu'à obtenir une variation de l'amplitude des points de DAC suffisamment faible entre deux itérations successives (critère de convergence). Cette méthode permettra notamment de piloter les systèmes dont le contrôleur de gain est inexact (fort écart entre consigne et valeur observée).
Dans le cas d'une sonde multiéléments et/ou d'une configuration multi- tirs, on peut au choix combiner les résultats de tous les tirs afin d'obtenir une seule courbe de DAC appliquée à tous les tirs ou bien effectuer le traitement par tir afin d'obtenir une courbe de DAC par tir. Dans le cas d'une sonde multiéléments, on peut avoir plusieurs tirs en même temps ou successifs, correspondant à un sous ensemble actif des éléments. Un tir peut ainsi être vu comme un point de mesure 30 sur la pièce.
AVANTAGES
Ce procédé présente les avantages suivants :
Il est très facile à mettre en œuvre et complètement automatique Il est plus précis que la « méthode a » car il utilise un grand nombre de points pour chaque épaisseur du réflecteur de référence. Il permet d'évaluer l'uniformité du réflecteur de référence et de détecter d'éventuelles anomalies.
Il est plus robuste que la méthode « a » car entièrement automatisé, ce qui permet de limiter les approximations liées au facteur humain. On pourra ainsi aisément détecter une saturation du signal ou une mauvaise distribution des points sur la pièce en analysant respectivement l'amplitude maximale des signaux enregistrés et la distribution des données codeurs, si ces dernières sont disponibles.
Il est plus simple de mise en œuvre que la « méthode b » car il ne requiert aucune connaissance (et donc aucune expérimentation et/ou mesure) à priori des propriétés matériaux de la pièce inspectée ou du contenu fréquentiel du capteur.
Il est applicable directement en post-traitement d'acquisitions existantes réalisées avant la mise au point du procédé.

Claims

REVENDICATIONS
1. Procédé de calcul automatique d'une courbe de correction amplitude - distance pour un système de contrôle non destructif par voie ultrasonore, le système comprenant un capteur ultrasonore (10) et une pièce de référence (1 1 ),
caractérisé en ce que le procédé comporte des étapes suivantes :
101 : acquisition de couples " temps de vol / amplitude ", dits points d'acquisition, pour un grand nombre de points de mesure distribués sur la surface de la pièce de référence (1 1 ),
102 : classification non supervisée des points d'acquisitions.
2. Procédé selon la revendication 1 , dans lequel les points de mesure sont uniformément distribués sur toute la surface de la pièce de référence (1 1 ).
3. Procédé selon l'une quelconque des revendications 1 ou 2, dans lequel l'étape 102 de classification non supervisée comprend un regroupement automatique des points d'acquisition par groupe, chaque groupe correspondant à une épaisseur de la pièce de référence (1 1 ), le vecteur utilisé pour le regroupement comprenant au moins une des grandeurs suivantes :
- amplitude,
- temps de vol,
- une ou plusieurs coordonnées de positionnement.
4. Procédé selon la revendication 3, dans lequel le regroupement automatique des points d'acquisition par groupe met en œuvre un algorithme de type K-Means.
5. Procédé selon l'une quelconque des revendications 3 à 4, comprenant en outre :
- une étape 103 dans laquelle, pour chaque groupe, on détermine un couple générique " temps de vol, amplitude " (41 , 42, 43), et - une étape 104 de construction de la courbe de correction amplitude - distance en calculant le gain nécessaire pour que la valeur de l'amplitude de chaque groupe (31 , 32, 33) soit égale à une valeur cible prédéterminée.
6. Procédé selon la revendication 5, dans lequel la méthode mathématique de détermination de la position de chaque couple générique choisie fait partie de la liste non limitative suivante :
- Position du « centroid » issu de la classification,
- Maximum d'occurrence de l'histogramme,
- Gaussian Kernel Density Estimation,
- Fit d'un kernel Gaussien,
- Valeur moyenne,
- Valeur médiane.
7. Procédé selon l'une quelconque des revendications 5 ou 6, dans lequel, dans l'étape 103, il est réalisé pour chaque groupe une estimation de la dispersion des couples du groupe suivant les deux dimensions temps de vol et amplitude.
8. Procédé selon l'une quelconque des revendications 5 à 7, dans lequel, dans l'étape 104, les valeurs d'amplitude et de temps de vol sont reconverties en unités physiques si ces dernières ont été normalisées préalablement à l'étape de classification.
9. Procédé selon l'une quelconque des revendications 5 à 8, comprenant en outre une étape 105 dans laquelle il est réalisé une itération qui utilise, durant la phase d'acquisition de l'itération de rang N, la correction amplitude - distance calculée à l'itération N-1 , le critère de fin d'itération se faisant sur le nombre de clusters trouvés et/ou le nombre d'itérations effectuées.
10. Procédé selon l'une quelconque des revendications 5 à 8, comprenant en outre une étape 105 dans laquelle il est réalisé une itération en diminuant ou augmentant le gain de chaque point de la courbe de correction amplitude - distance à chaque itération jusqu'à obtenir une variation de l'amplitude des points de la courbe de correction amplitude - distance suffisamment faible entre deux itérations successives selon un critère de convergence préalablement choisi.
11. Procédé selon l'une quelconque des revendications 5 à 10, dans lequel, dans le cas d'une sonde multiéléments et/ou d'une configuration multi- tirs, on combine les résultats de tous les tirs afin d'obtenir une seule courbe de correction amplitude - distance appliquée à tous les tirs.
12. Procédé selon l'une quelconque des revendications 5 à 10, dans lequel, dans le cas d'une sonde multiéléments et/ou d'une configuration multi- tirs, on calcule une courbe de correction amplitude - distance indépendante pour chaque tir.
PCT/FR2016/053046 2015-11-23 2016-11-22 Dispositif et procédé de calcul automatique de courbe tcg WO2017089695A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US15/777,165 US11029290B2 (en) 2015-11-23 2016-11-22 Device and method for the automatic calculation of a TCG curve

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1561218A FR3044131B1 (fr) 2015-11-23 2015-11-23 Dispositif et procede de calcul automatique de courbe tcg
FR1561218 2015-11-23

Publications (1)

Publication Number Publication Date
WO2017089695A1 true WO2017089695A1 (fr) 2017-06-01

Family

ID=55759684

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2016/053046 WO2017089695A1 (fr) 2015-11-23 2016-11-22 Dispositif et procédé de calcul automatique de courbe tcg

Country Status (3)

Country Link
US (1) US11029290B2 (fr)
FR (1) FR3044131B1 (fr)
WO (1) WO2017089695A1 (fr)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109490413A (zh) * 2018-11-14 2019-03-19 中国航发动力股份有限公司 一种降低棒材检测噪声的方法
CN110376290A (zh) * 2019-07-19 2019-10-25 中南大学 基于多维核密度估计的声发射源定位方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2605355A (en) * 2021-02-22 2022-10-05 Cereus Ultrasonics Ltd Accoustic analysis of remote structures within a medium

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6439054B1 (en) * 2000-05-31 2002-08-27 Honeywell International Inc. Methods of testing sputtering target materials

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040100282A1 (en) * 2002-09-11 2004-05-27 Henrik Christensen Method and apparatus for determination of layer thickness in a multi-layer structure
FR2931556B1 (fr) * 2008-05-21 2010-06-04 Eads Europ Aeronautic Defence Procede de correction d'amplitudes d'echos mesures par inspection ultrasonore de pieces
US10338036B2 (en) * 2014-05-01 2019-07-02 TecScan Systems Inc. Method and apparatus for scanning a test object and correcting for gain
EP3210011A1 (fr) * 2014-10-24 2017-08-30 Renishaw Plc. Appareil acoustique et procédé d'inspection d'objet

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6439054B1 (en) * 2000-05-31 2002-08-27 Honeywell International Inc. Methods of testing sputtering target materials

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109490413A (zh) * 2018-11-14 2019-03-19 中国航发动力股份有限公司 一种降低棒材检测噪声的方法
CN110376290A (zh) * 2019-07-19 2019-10-25 中南大学 基于多维核密度估计的声发射源定位方法
CN110376290B (zh) * 2019-07-19 2020-08-04 中南大学 基于多维核密度估计的声发射源定位方法

Also Published As

Publication number Publication date
FR3044131B1 (fr) 2020-02-21
US11029290B2 (en) 2021-06-08
US20180328897A1 (en) 2018-11-15
FR3044131A1 (fr) 2017-05-26

Similar Documents

Publication Publication Date Title
WO2017089695A1 (fr) Dispositif et procédé de calcul automatique de courbe tcg
EP3465197B1 (fr) Procédé de détection par ultrasons de défauts dans un matériau
CA3205122A1 (fr) Procede, dispositif et programme de detection par ultrasons de defauts dans un materiau
Li et al. Acoustic microscopy signal processing method for detecting near-surface defects in metal materials
EP3009836B1 (fr) Procédé et ensemble de vérification de la calibration d'un système de contrôle non destructif de pièces
Robert et al. Surface estimation methods with phased-arrays for adaptive ultrasonic imaging in complex components
FR2825800A1 (fr) Procede et systeme pour determiner et quantifier les defauts dus a la corrosion sur et dans les composants metalliques
EP2271928B1 (fr) Procédé et dispositif de contrôle non-destructif par ultrasons de la porosité d'une pièce en matériau composite
FR2733337A1 (fr) Detection et identification automatiques de particularites dans des signaux numeriques a points ordonnes
Osman Automated evaluation of three dimensional ultrasonic datasets
WO2019207243A1 (fr) Procédé et système de contrôle non destructif d'une pièce mécanique
Kang et al. Measurement of shallow defects using noncontact broadband leaky Lamb wave produced by pulsed laser with ultrasound microphone
FR3085481A1 (fr) Procede de detection et de caracterisation par ultrasons de defauts dans un materiau heterogene
Robert et al. Assessment of real-time techniques for ultrasonic non-destructive testing
EP3532832A1 (fr) Procédé de contrôle non destructif par ultrasons d'un assemblage collé
EP3526597B1 (fr) Procede et dispositif de detection et de caracterisation d'un element reflecteur dans un objet
EP3071992A1 (fr) Procede de reconstruction d'une surface d'une piece
FR3085096A1 (fr) Procede et dispositif d'imagerie ameliore pour imager un objet
FR3085095A1 (fr) Procede et dispositif d'imagerie ameliore pour imager un objet
US20220196398A1 (en) Automation of thickness measurements for noisy ultrasonic signals
US11474083B2 (en) Metrology qualification of non-destructive inspection systems
FR2970337A1 (fr) Procede de caracterisation ultrasonore conjointe de l'epaisseur et du taux de porosite de materiaux ayant des proprietes ultrasonores attenuantes
FR3045165A1 (fr) Procede et systeme sur puce d'imagerie par ultrasons
WO2024074252A1 (fr) Procede d'imagerie ultrasonore par transformee de fourier multidimensionnelle a l'aide de deux transducteurs multielements distincts
Djerir et al. Defects Localization by a Temporal Maximum A Posteriori Deconvolution Method of Ultrasonic Signals

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16819132

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15777165

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16819132

Country of ref document: EP

Kind code of ref document: A1