WO2023209111A1 - Procede et systeme de detection d'anomalie(s) dans une structure - Google Patents

Procede et systeme de detection d'anomalie(s) dans une structure Download PDF

Info

Publication number
WO2023209111A1
WO2023209111A1 PCT/EP2023/061155 EP2023061155W WO2023209111A1 WO 2023209111 A1 WO2023209111 A1 WO 2023209111A1 EP 2023061155 W EP2023061155 W EP 2023061155W WO 2023209111 A1 WO2023209111 A1 WO 2023209111A1
Authority
WO
WIPO (PCT)
Prior art keywords
healthy
latent space
data
healthy data
anomaly
Prior art date
Application number
PCT/EP2023/061155
Other languages
English (en)
Inventor
Olivier MESNIL
Original Assignee
Commissariat à l'énergie atomique et aux énergies alternatives
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 Commissariat à l'énergie atomique et aux énergies alternatives filed Critical Commissariat à l'énergie atomique et aux énergies alternatives
Publication of WO2023209111A1 publication Critical patent/WO2023209111A1/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
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4436—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a reference signal
    • 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
    • G01N29/043—Analysing solids in the interior, e.g. by shear waves

Definitions

  • TITLE METHOD AND SYSTEM FOR DETECTING ANOMALIES IN A STRUCTURE
  • the present invention relates to a method for detecting anomaly(s) in a structure and for SHM health monitoring of said structure, an anomaly corresponding to modifications in the physical and/or geometric properties of the structure, said structure carrying at least one sensor for measuring at least one characteristic of said structure, the method comprising at least one learning phase and at least one operational phase.
  • the invention also relates to a computer program comprising software instructions which, when executed by a computer, implement such a method of detecting anomaly(s) in a structure.
  • the invention also relates to an electronic device for detecting anomaly(s) in a structure, said structure carrying at least one sensor configured to generate and receive guided waves, the device comprising a learning unit and a test unit.
  • the invention also relates to a system for detecting anomaly(s) in a structure.
  • the present invention relates to the field of structural health monitoring or SHM (Structural Health Monitoring) aimed at detecting and characterizing damage (i.e. anomalies) of structures/infrastructure.
  • SHM Structuretural Health Monitoring
  • Such structural anomalies correspond to modifications of the physical and/or geometric properties of the structure considered likely to affect its performance and/or reliability.
  • Such structural health monitoring is implemented using integrated sensors, for example piezoelectric sensors capable of emitting and receiving ultrasonic guided elastic waves.
  • sensors on or within structures/infrastructure to monitor their condition makes it possible in particular to guarantee the safety of supporting structures corresponding to thin and/or long mechanical components, such as wind turbine blades, fuselages or components. of aircraft engines, metal or composite pipes, tension cables, bridge suspension cables, train rails, etc.
  • the guided elastic ultrasonic waves emitted by such sensors make it possible to detect structural defects leading to discontinuities or variations in geometry, such as cracks, delamination in composite fuselages, corrosion leading in particular to loss of thickness in metals, etc., at an early stage and thus monitor them for decades.
  • Such detection is generally well mastered in the laboratory where external effects are limited, controlled and calibrated.
  • the main challenge associated with such a structural diagnosis is, in real conditions, linked on the one hand to the presence of epistemic uncertainties on the structure or instrumentation such as the positions of the sensors, the properties of the sensors, the properties elastic or geometric of the structure, and on the other hand linked to the presence of unsupervised external influence effects (i.e. unknown) evolving with distinct temporal dynamics.
  • Such unsupervised external influence effects can be classified on the one hand into so-called “rapid” effects, presenting a variation on a time scale ranging from the hour to the day, such as the variation of temperature, humidity and stress (i.e. constraints exerted on a material), and on the other hand so-called “slow” effects, presenting a variation on a time scale of the order of months, years, etc., such such as the aging of the sensors, the modification of the material properties, the structure or the coupling between sensors and structure, and due to thermomechanical or other cycles.
  • the signatures of early defects are much smaller than the disturbances on the measurements associated with the presence of such epistemic uncertainties and/or the presence of such unsupervised influence effects.
  • guided waves in particular elastic and ultrasonic, capable of detecting structural defects, via their signature, are not only sensitive to defects, but also to external and operational effects such as temperature, humidity, uncertainties on the sensors, aging, etc.
  • a classic solution aims to compensate for epistemic uncertainties by means of a reference state, that is to say a measurement in the absence of a defect then by comparing the current state to the reference state, in particular by subtraction , correlation, etc. while assuming that the only difference between reference and current states can only be attributed to the presence of a fault, but that all other usage parameters, apart from at best a single rapid effect parameter such as the temperature, are equal between these two reference and current states.
  • Temperature compensation is also limited in terms of the maximum compensable range which is currently of the order of a maximum temperature difference of 15°.
  • the classic solutions do not take into account the aforementioned slow effects, and are implemented by assuming that the system behaves nominally over long periods of time, which is of course not satisfactory when we discuss the instrumentation of a structure over several decades during which the aging of the measurement sensor and its coupling to the structure is inevitable and generates a slow drift in the signals received by the measurement sensor, likely to be wrongly interpreted as a defect, or to hide one.
  • the aim of this invention is therefore to propose a method and a device capable of providing an early and reliable diagnosis of structural defect in real conditions of use in the presence of epistemic uncertainties and unsupervised external effects at the same time with rapid dynamics. (i.e. on the order of an hour to several days) and slow (i.e. on the order of a month to several years).
  • the subject of the invention is a method for detecting anomaly(s) in a structure and for monitoring the SHM health of said structure, an anomaly corresponding to modifications in the physical and/or geometric properties of the structure, said structure carrying at least one sensor configured to generate and receive guided waves, the method comprising at least one learning phase and at least one operational phase, the learning phase comprising the following steps:
  • N an integer
  • two distinct sets presenting at least one condition distinct use from one set to another, said obtaining of a set of healthy data being implemented via a plurality of Q measurement sensors carried by said structure forming a network of sensors, Q being an integer greater than one, at least one of said Q sensors being configured to generate and receive guided ultrasonic elastic waves;
  • This method thus aims to quantify to what extent signal data, corrupted on various time scales, can be used for the analysis of structural states. Such a process thus makes it possible to compensate for the influence of the aforementioned supervised and/or unsupervised external effects without erasing the signature of the small defects that we seek to detect.
  • the invention consists of obtaining all the signal data capable of being measured in real healthy conditions, said data subsequently being called healthy data, that is to say in the absence of a fault, with the aim of detecting a defect by its absence from this set.
  • obtaining amounts to building a digital twin describing all the healthy signals to then detect an anomaly beyond the contour of the “healthy” space described by this twin.
  • Such a “healthy” space obtained according to the present invention is an important and differentiating element compared to conventional solutions. Indeed, according to the present invention, we do not seek to model defects, because these will be detected by their absence from this set of healthy data. Not modeling defects is a significant advantage because it means not making assumptions related to the typology, position or size of the defects.
  • the present invention further proposes to go through a dimensionality reduction, via a latent space, to describe the characteristics of the signals in a healthy state.
  • the method for detecting anomaly(s) in a structure comprises one or more of the following characteristics, taken in isolation or in all technically possible combinations:
  • said set of healthy data is obtained following a preliminary phase of calibration of said structure for the N distinct sets in pairs of conditions of use of said structure;
  • said set of healthy data is obtained following a preliminary phase of simulation of said structure for the N distinct sets in pairs of conditions of use of said structure;
  • said set of healthy data is obtained following a preliminary hybrid phase of calibration and/or simulation of said structure for the N sets, distinct in pairs, of conditions of use of said structure;
  • the method comprises, during said hybrid preliminary phase, a step of compensation by transfer learning in the event of a discrepancy between calibration and simulation for the same set of conditions of use of said structure;
  • said latent space of reduced dimension is obtained by supervised or unsupervised dimensional reduction
  • said unsupervised dimensional reduction is implemented by means of one of the elements belonging to the group comprising at least:
  • an autoencoder previously trained to compress and then decompress the signals from the healthy data set, and of which only the part dedicated to compression is used to implement said dimensional reduction.
  • said supervised dimensional reduction is implemented by means of a neural network
  • said neural network is a neural network whose type belongs to the group comprising:
  • said contour determination consists of:
  • the invention also relates to a computer program comprising software instructions which, when executed by a computer, implement a method for detecting anomaly(s) in a structure as defined above.
  • the invention also relates to a system for detecting anomaly(s) in a structure and for monitoring the SHM health of said structure, an anomaly corresponding to modifications in the physical and/or geometric properties of the structure, said system comprising a plurality of Q sensors measuring at least one characteristic of said structure carried by said structure and forming a network of sensors, Q being an integer greater than one, at least one of said Q sensors being configured to generate and receive elastic waves guided ultrasound, said system comprising a device in said structure and comprising a learning unit and a test unit, the learning unit comprising:
  • a first obtaining module configured to obtain, via said plurality of Q measurement sensors, a set of healthy data representative of N healthy states of said structure respectively associated with N sets, distinct in pairs, of conditions of use of said structure, N being an integer, two distinct sets presenting at least one condition of use distinct from one set to another;
  • a first projection module configured to project said set of healthy data into a latent space of reduced dimension relative to the dimension of said set of healthy data
  • test unit configured to determine a contour of said set of healthy data projected into said latent space;
  • a second obtaining module configured to obtain, by measurement via said at least one sensor, a set of test data representative of the current state of said structure
  • a second projection module configured to project said set of test data into said latent space provided by the projection module of said learning unit
  • Figure 1 illustrates the effect of a structural defect on the propagation of guided waves on the surface of a structure.
  • Figure 2 is a schematic view of an electronic device for detecting anomaly(s) in a structure according to the present invention
  • Figure 3 is a flowchart of a method for detecting anomaly(s) in a structure according to the present invention
  • FIG 4 [Fig 5] Figures 4 and 5 respectively illustrate the learning phase and the operational phase of the method according to the present invention.
  • FIG 1 an example of propagation of guided waves on the surface of a structure 10 is illustrated for the structure without a defect on view A and in the presence of a defect on view B.
  • the structure 10 free of defects corresponds to a cylindrical pipe free of defects, of length L, and carrying on the surface at least one measurement sensor in an uncontrolled environment, for example configured to generate, via element 12 and receive via element 14 guided waves 16, in particular elastic and ultrasonic.
  • a sensor belongs to the group comprising at least: piezoelectric sensors, an electro-magneto-acoustic transducer EMAT (from the English Electro magneto acoustic transducer), a polyvinylidene fluoride sensor PVDF (from the English Polyvinylidene fluoride) , etc.
  • EMAT electro-magneto-acoustic transducer
  • PVDF from the English Polyvinylidene fluoride
  • sensors are suitable for use as long as they are capable of carrying out a measurement in an uncontrolled environment, for example sensors based on the use of ultrasound in general, including as mentioned above. above sensors capable of generating and receiving guided waves, but also sensors for measuring eddy currents or vibration measurement, etc.
  • sensors capable of generating and receiving guided waves, but also sensors for measuring eddy currents or vibration measurement, etc.
  • the presence of a defect 18 on the surface of the pipe modifies the propagation of the guided waves by generating in particular reflected guided waves 20.
  • FIG. 2 is a schematic view of an electronic device 30 for detecting anomaly(s) in a structure according to the present invention.
  • a device 30 comprises an automatic learning unit 32 comprising a first obtaining module 34 configured to obtain a set of healthy data representative of N healthy states of said structure respectively associated with N sets, distinct in pairs, of conditions of use of said structure, N being an integer, two distinct sets presenting at least one condition of use distinct from one set to another.
  • the learning unit 32 further comprises a first projection module 36 configured to project said set of healthy data (also called healthy base comprising N samples, each sample being of dimension P) into a latent space E of reduced dimension relative to to the size of said healthy data set.
  • a first projection module 36 configured to project said set of healthy data (also called healthy base comprising N samples, each sample being of dimension P) into a latent space E of reduced dimension relative to to the size of said healthy data set.
  • such a latent space E is configured to describe the aforementioned disruptive effects as simply as possible, and is ideally linear, if not monotonic.
  • the learning unit 32 also includes a determination module 38 configured to determine a contour C, in particular multidimensional, of said set of healthy data projected into said latent space.
  • the electronic device 30 comprises a test unit 40, capable of receiving as input the output S of the learning unit 32, and comprising a second obtaining module 42 configured to obtain, by measurement via said at least a sensor, a set of test data representative of the current state of said structure 10.
  • the test unit 40 further comprises a second projection module 44 configured to project said set of test data into said latent space provided by the first projection module 36 of said learning unit 32.
  • the test unit 40 also comprises a detection module 46 configured to detect at least one current anomaly of said structure as soon as an element of said set of test data is outside of said contour provided by said module 38 for determining said unit. learning 32.
  • the learning unit 32 is capable of constructing by training a digital twin describing all of the healthy data to detect an anomaly beyond the healthy space described by this digital twin.
  • the electronic device 30 for detecting anomaly(s) in a structure comprises an information processing unit 50 formed for example of a memory 52 and a processor 54 associated with the memory 52.
  • the first obtaining module 34, the first projection module 36, the determination module 38, the second obtaining module 42, the second projection module 44 and the detection module 46 are each produced in the form of software, or a software brick, executable by the processor 54.
  • the memory 52 of the electronic device 30 for detecting anomaly(s) in a structure is then capable of storing to implement a learning phase a first software to obtain, a first projection software, and a determination software, and to implement a test phase a second obtaining software, a second projection software, and a detection software.
  • the processor 54 is then able to execute each of the software programs among the first obtaining software, the first projection software, the determination software for a learning phase, and for a test phase, a second obtaining software, a second projection software, and detection software.
  • the first obtaining module 34, the first projection module 36, the determination module 38, the second obtaining module 42, the second projection module 44 and the detection module 46 are each produced under form of a programmable logic component, such as an FPGA (Field Programmable Gate Array), or a GPU graphics processor (Graphics Processing Unit), or even in the form of an integrated circuit, such as an ASIC (Application Specific Integrated Circuit).
  • a programmable logic component such as an FPGA (Field Programmable Gate Array), or a GPU graphics processor (Graphics Processing Unit), or even in the form of an integrated circuit, such as an ASIC (Application Specific Integrated Circuit).
  • the electronic device 30 for detecting anomaly(s) in a structure is produced in the form of one or more software programs, that is to say in the form of a computer program, also called a software program product.
  • computer it is also capable of being recorded on a medium, not shown, readable by computer.
  • the computer-readable medium is, for example, a medium capable of storing electronic instructions and of being coupled to a bus of a computer system.
  • the readable medium is an optical disk, a magneto-optical disk, a ROM memory, a RAM memory, any type of non-volatile memory (for example EPROM, EEPROM, FLASH, NVRAM), a magnetic card or an optical card.
  • a computer program comprising software instructions is then stored on the readable medium.
  • the invention also relates to a system for detecting anomaly(s) in a structure, said system comprising such an electronic device 30 for detecting anomaly(s) in a structure, illustrated in Figure 2 , and further comprising a plurality of Q sensors carried by said structure, configured to generate and receive guided waves and forming a network of sensors, Q being an integer greater than one.
  • at least one of said Q sensors is configured to generate and receive guided elastic ultrasonic guided waves.
  • the information is therefore, in this case, processed at the sensor network level by exploiting Q 2 -Q signals corresponding to the paths between the Q sensors, or Q 2 signals if we exploit the signals transmitted and received by the same sensor.
  • the network of Q sensors is where appropriate supplemented by an acquisition chain not shown and configured to process the measurements captured via said network of Q sensors. Indeed, it is not excluded that a signal acquired by a sensor element 14 as illustrated in FIG. 1, in the presence of a fault under conditions of use Ui, is identical to a signal acquired in l 'absence of fault under Us conditions- To remove this ambiguity, the present invention then proposes to be based on data from a network of sensors.
  • the contribution of a given defect is variable depending on the paths traveled by the waves, which is not the case for operational conditions.
  • the data is therefore processed at the sensor network level, Q 2 -Q signals corresponding to the paths between the Q sensors.
  • Figure 3 schematically illustrates an example of implementation, according to the present invention, of a method 60 for detecting anomaly(s) in a structure, such as for example structure 10 of Figure 1.
  • the method 60 firstly comprises an automatic learning phase 62, also illustrated in more detail in Figure 4 described subsequently.
  • the electronic device 30 for detecting anomaly(s), via its first obtaining module 34 obtains OBT A a set of healthy data representative of N healthy states of said structure respectively associated with N sets, distinct in pairs, of conditions of use of said structure, N being an integer, two distinct sets presenting at least one condition of use distinct from one set to another.
  • the N sets, distinct in pairs, of conditions of use of said structure aim in particular to cover the main operating parameters likely to influence the measurements, namely those associated with the aforementioned epistemic effects, such as the placement of sensors, the properties and geometry of the structure, the properties of the sensors, those associated with the aforementioned rapid effects, such as temperature, humidity, pressure, the forces applied to the structure considered, those associated with slow effects such as the aging of the or sensors, the structure and the coupling between the structure and the sensor(s).
  • epistemic effects such as the placement of sensors, the properties and geometry of the structure, the properties of the sensors, those associated with the aforementioned rapid effects, such as temperature, humidity, pressure, the forces applied to the structure considered, those associated with slow effects such as the aging of the or sensors, the structure and the coupling between the structure and the sensor(s).
  • such obtaining 64 follows one of the three optional preliminary phases 642, 644, 646, implemented by said electronic device 30 for detecting anomaly(s) or by a separate device, the first optional preliminary phase 642 corresponding to a preliminary phase of CAL calibration of said structure for the N distinct sets in pairs of conditions of use of said structure.
  • the set of healthy data is determined beforehand by experience during a calibration phase 642, often likely to be prohibitive in terms of costs/duration, and consisting of instrumenting structures healthy and acquire data over long periods of time.
  • Such a calibration phase 642 involving both the supervision of the measured data to ensure that there are no defects, and their completeness in order to ensure that a statistically sufficient number of combinations of parameters are explored. .
  • the obtaining step 64 then consisting of recovering the set of healthy data resulting from the CAL calibration phase 642.
  • step d obtaining 64 then consists of recovering the set of healthy data resulting from the SIM simulation phase 644.
  • This second option is a preferred approach, according to the present invention, the prior simulation 644 making it possible to establish, quickly and at lower cost than the first experimental option, models (i.e. simulations) of the signals subject to the disturbing parameters corresponding to the epistemic uncertainties and to the aforementioned unsupervised external effects, and thus generate healthy data on the fly.
  • models i.e. simulations
  • Such a second option by simulation also implies having available models of all the phenomena influencing the guided waves, such models being suitable for being learned/calibrated/tested/validated on samples representative of the structure and the application considered, greatly limiting the cost compared to the experimental solution associated with the first option mentioned above.
  • models (i.e. simulations) of defects are not necessary, because the present invention proposes to focus on healthy data
  • said set of healthy data is obtained following a preliminary hybrid phase 646 of calibration and/or simulation of said structure for the N sets, distinct in pairs, of conditions of use of said structure, the stage of obtaining 64 then consisting of recovering the set of healthy data resulting from the hybrid phase 646 HYB.
  • said hybrid preliminary phase includes a step, not shown, of compensation by transfer learning (from the English transfer learning) in the event of a discrepancy between calibration and simulation for the same set of conditions of use of said structure.
  • transfer learning from the English transfer learning
  • said hybrid preliminary phase includes a step, not shown, of compensation by transfer learning (from the English transfer learning) in the event of a discrepancy between calibration and simulation for the same set of conditions of use of said structure.
  • transfer learning from the English transfer learning
  • the network of Q sensors makes it possible to ensure that the set of data recovered during the obtaining step 64 is healthy.
  • the external effects are relatively homogeneous and perceived by all the sensors. This is the case, for example, of temperature, which can affect all measurement sensors in a relatively homogeneous manner.
  • a defect will only influence certain sensors and in a quite different way, due to its limited size and its natural asymmetry.
  • the learning phase 62 of the method 60 according to the present invention further comprises a step 66 of projection PA of said set of healthy data into a latent space E of reduced dimension compared to the dimension of said set of healthy data.
  • the set of healthy data is generally large, in particular of the order of 10 3 to 10 5 , which is likely to slow down anomaly detection during the operational test phase.
  • the projection step 66 therefore aims to reduce the dimensions of the healthy learning data, by describing them (ie projecting) into a latent space of dimension reduced, for example of the order of 10 to 10 2 for original dimensions respectively of 10 3 to 10 5 .
  • Said latent space of reduced dimension is obtained by supervised or unsupervised dimensional reduction
  • an unsupervised dimensional reduction 66 makes it possible not to make any a priori unfavorable to the detection of defects.
  • an unsupervised dimensional reduction 66 can be implemented to avoid creating a bias going against the signature of defects, absent from the initial set of healthy data.
  • the dimensional reduction 66 when the dimensional reduction 66 is unsupervised, it is implemented by means of one of the elements belonging to the group comprising at least:
  • an autoencoder previously trained to compress and then decompress the signals from the healthy data set, and of which only the part dedicated to compression is used to implement said dimensional reduction.
  • the first projection module 36 is suitable for implementing a principal component analysis by ensuring in particular that the loss of variance is less than the influence of a defect subsequently sought during the operational phase.
  • the first projection module 36 is configured to drive the first half of said autoencoder to compress/decompress the signals, and the dimensional reduction is obtained by retaining only the central component of the autoencoder commonly called “embedding”.
  • a dimensional reduction 66 supervised is implemented by means of a neural network, the type of which belongs for example to the group comprising:
  • Such a neural network is particularly suitable for modeling data and disturbing effects such as temperature, humidity, etc., the latent space of reduced dimension then corresponding to all of the outputs of the neural network.
  • the learning phase 62 of the method 60 according to the present invention further comprises a step 68 of determining the contour C, implemented automatically via said determination module 38 or manually, of said set of healthy data projected into said latent space E.
  • a step 68 of determining the contour C implemented automatically via said determination module 38 or manually, of said set of healthy data projected into said latent space E.
  • the learning phase 62 is capable of being repeated in particular to take into account additional parameters capable of influencing the propagation guided waves depending on the application of the desired structure, for example in the event of a change in the climatic zone of operation of said structure.
  • the present invention makes it possible to take into account the knowledge of a physical parameter of condition of use at the time of measurement 72, such a physical parameter corresponding in particular to the temperature, to reduce the set of healthy data resulting from learning 62 to a set of healthy data restricted by one dimension due to this known physical parameter.
  • the learning 62 is repeated to obtain said set of restricted healthy data, and its contour C' in a latent space E' associated with this dimension reduction linked to perfect knowledge of a use parameter such as the temperature during measurement 72.
  • a contour C' is necessarily more restricted than the contour C associated with the set of healthy data obtained for a plurality of distinct operating temperatures of the structure.
  • Such a more restricted C' contour makes the approach more reliable, and in the extreme case where all the influential parameters are known, which does not seem possible in practice, due to epistemic uncertainties, the set of healthy data would then contain a single dataset.
  • Such an operational phase 70 comprises a first step 74 of obtaining OBT_T, via the second obtaining module 42 of Figure 2, of a set of test data representative of the current state of said structure considered, in which the presence of a defect is unknown.
  • step 76 implemented by the second projection module 44 of Figure 2, the set of test data representative of the current state of said structure considered is projected, via a P_T projection, into the latent space E, used during the learning phase 62.
  • a step 78 implemented automatically by the detection module 46 of FIG. 2 or manually, at least one current anomaly of said structure is detected as soon as an element of said set of test data is outside of said contour C.
  • the method 60 is also capable of comprising an evaluation of biases and errors due to modeling and machine learning in order to provide a measure of confidence in the fault diagnosis (i.e. anomaly detection ) proposed according to the present invention.
  • Figure 4 illustrates, schematically, in more detail the learning phase 62 previously described, with step 64 of obtaining a set of healthy data representative of N healthy states of said structure respectively associated with N sets, distinct in pairs, of conditions of use of said structure, N being an integer, two distinct sets presenting at least one condition of use distinct from one set to another.
  • each of the N signals represented is obtained with a variation of at least one use parameter such as the position of at least one sensor, the temperature and/or the aging of said at least one sensor.
  • Step 66 of projecting said set of healthy data into a latent space of reduced dimension M relative to the dimension N of said set of healthy data is illustrated in Figure 4 by M 2 two-dimensional representations of the healthy data represented by crosses.
  • Step 68 of determining the contour of said set of healthy data (also called healthy base comprising N samples, each sample being of dimension P) projected into said latent space is illustrated in Figure 4 by the contours Ci and C2, the contour Ci surrounding the healthy data crosses projected during step 66 in a two-dimensional part with dimension 1 on the abscissa and dimension 2 on the ordinate of the latent space of M dimensions (i.e. of size M ⁇ P necessarily due to the reduction dimension), the contour C2 surrounding the healthy data crosses projected during step 66 in a two-dimensional part with dimension 1 on the abscissa and dimension 3 on the ordinate of the M-dimensional latent space.
  • Figure 5 illustrates, schematically, in more detail the operational phase previously described, with step 74 of obtaining, by prior measurement via said at least one sensor, a set of test data representative of the current state of said structure.
  • Step 76 of projecting said set of test data into said latent space, resulting from learning 62 illustrated by Figure 4, is represented in Figure 5 by M 2 two-dimensional representations of the test data T1 and T 2 represented by a cross in each two-dimensional representation.
  • the anomaly detection step 78 compares, in each two-dimensional representation, that the test data cross is in the associated healthy data contours, otherwise an anomaly 82 is detected as soon as a cross is outside of a two-dimensional contour, which is the case for the cross T 1 which is outside the contour Ci in the two-dimensional space of dimensions 1 and 2, whereas when dimensions 1 and 3 are considered the cross T2 is in the contour C2.
  • an anomaly is detected, and if necessary in a non-existent manner. represented, an alert not represented is raised and/or a request for maintenance of said structure.
  • such detection 78 is certainly crude but effective, and consists of considering that if the representation in the latent space of the set of test data is too far from the contour C of the set of healthy data, a defect is here.
  • the distance from the test data representative of an anomaly (here the cross T1) to the contour here Ci could be specific to reflecting the criticality of the detected defect.
  • the present invention proposes a method and a device for detecting anomaly(s) in a structure which make it possible to construct, by training, a digital twin describing all the healthy data associated with a healthy state of the structure considered for then detect an anomaly as beyond the healthy space described by this digital twin.
  • the present invention makes it possible to avoid the creation of defects, whether experimentally or by simulation, through learning by modeling only healthy states.
  • the present invention is generic with respect to the influential parameters, because once the set of healthy data obtained by learning, it is possible to make it evolve quickly to take into account additional conditions of use of the structure and recalculate the multidimensional contour in the latent space.
  • the anomaly detection obtained via the present invention presents an intrinsic robustness to external parameters by integrating them from the start in the learning of healthy data, so that the diagnosis (ie the detection) does not make a priori on the external conditions at the time of its application to the measurement of a current state of the structure.
  • Such anomaly detection is capable of reducing the environmental footprint of instrumented structures thanks to preventive maintenance and extending the lifespan by detecting anomaly (i.e. fault) at an early stage.

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)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

L'invention concerne un procédé (60) de détection d'anomalie(s) dans une structure, comprenant : une phase d'apprentissage (62) comprenant les étapes suivantes : - obtention (64) de données saines respectivement associées à N ensembles distincts de conditions d'utilisation de ladite structure; - projection (66) des données saines dans un espace latent de dimension réduite par rapport à la dimension dudit desdites données saines; - détermination (68) du contour dudit ensemble de données saines projeté dans ledit espace latent; et une phase opérationnelle (70) comprenant les étapes suivantes : - obtention (74), par mesure (72) préalable, de données test représentatives de l'état courant de ladite structure; - projection (76) dudit des données test dans ledit espace latent; - détection (78) d'au moins une anomalie courante de ladite structure dès qu'un élément de données test est en dehors dudit contour.

Description

TITRE : PROCEDE ET SYSTEME DE DETECTION D'ANOMALIE(S) DANS UNE STRUCTURE
La présente invention concerne un procédé de détection d’anomalie(s) dans une structure et de contrôle de santé SHM de ladite structure, une anomalie correspondant à des modifications des propriétés physiques et/ou géométriques de la structure, ladite structure portant au moins un capteur de mesure d’au moins une caractéristique de ladite structure, le procédé comprenant au moins une phase d’apprentissage et au moins une phase opérationnelle.
L’invention concerne également un programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre un tel procédé de détection d’anomalie(s) dans une structure.
L’invention concerne également un dispositif électronique de détection d’anomalie(s) dans une structure, ladite structure portant au moins un capteur configuré pour générer et recevoir des ondes guidées, le dispositif comprenant une unité d’apprentissage et une unité de test.
L’invention concerne également un système de détection d’anomalie(s) dans une structure.
La présente invention concerne le domaine du contrôle de santé de structure ou SHM (de l’anglais Structural Health Monitoring) visant à détecter et à caractériser des dommages (i.e. anomalies) de structures/infrastructures. De telles anomalies de structure correspondent à des modifications des propriétés physiques et/ou géométriques de la structure considérée propre à en affecter les performances et/ou la fiabilité.
Un tel contrôle santé de structures est mis en œuvre à l’aide de capteurs intégrés, par exemple des capteurs piézoélectriques propres à émettre et recevoir des ondes élastiques guidées ultrasonores.
L'intégration permanente de capteurs sur ou au sein de structures/infrastructures pour surveiller leur état permet notamment de garantir la sécurité des structures porteuses correspondant à des composants mécaniques fin et/ou long, tels que des pâles d’éoliennes, les fuselages ou composants de moteurs d'avion, des tuyaux métalliques ou composite, des câbles de tension, les câbles de suspension de pont, des rails de train, etc.
En particulier, les ondes ultrasonores élastiques guidées, émises par de tels capteurs, permettent de détecter les défauts structurels menant à des discontinuités ou à des variations de géométrie, tels que des fissures, des délaminages dans des fuselages composites, de la corrosion menant notamment à une perte d’épaisseur dans des métaux, etc., et ce à un stade précoce et ainsi de les surveiller pendant des décennies. Une telle détection est généralement bien maitrisée en laboratoire où les effets extérieurs sont limités, maitrisés et calibrés.
Le principal challenge associé à un tel diagnostic de structure, est, en conditions réelles, lié d’une part à la présence d'incertitudes épistémiques sur la structure ou l’instrumentation telles que les positions des capteurs, les propriétés des capteurs, les propriétés élastiques ou géométriques de la structure, et d’autre part lié à la présence d'effets externes d'influence non supervisés (i.e. inconnus) évoluant avec des dynamiques temporelles distinctes.
A noter que par « incertitudes épistémiques » on entend les incertitudes dues à un manque de connaissances propres à être réduites en essayant d’acquérir davantage de connaissances via par exemple un recueil de données, l’assistance d'experts, des essais accélérés, etc. Notons que dans le contexte SHM, la réduction de ces incertitudes est en général prohibitive en termes de coût, d’où l’utilisation du terme incertitudes.
De tels effets externes d’influence non supervisés sont classables d’une part en effets dits « rapides », présentant une variation sur une échelle de temps allant de l’heure à la journée, telle que la variation de température, d’humidité et de stress (i.e. de contraintes exercée sur un matériau), et d’autre part d’effets dits « lents », », présentant une variation sur une échelle de temps de l’ordre du mois, d’années, etc., tels que le vieillissement des capteurs, la modification des propriétés de matériau, de la structure ou du couplage entre capteurs et structure, et dus à des cycles thermomécaniques ou autre.
En pratique, les signatures des défauts précoces sont beaucoup plus petites que les perturbations sur les mesures associées à la présence de telles incertitudes épistémiques et/ou à la présence de tels effets d'influence non supervisés. Autrement dit, les ondes guidées, notamment élastiques et ultrasonores, propres à détecter des défauts structurels, via leur signature, sont non seulement sensibles aux défauts, mais également aux effets extérieurs et opérationnels tels que la température, l’humidité, les incertitudes sur les capteurs, le vieillissement, etc.
Une solution classique vise à compenser les incertitudes épistémiques au moyen d’un état de référence, c’est-à-dire une mesure en l’absence de défaut puis en comparant l’état courant à l’état de référence, notamment par soustraction, corrélation, etc. tout en supposant que la seule différence entre états de référence et courant ne peut être attribuée qu’à la présence d’un défaut, mais que tous les autres paramètres d’utilisation, hormis au mieux un seul paramètre d’effet rapide tel que la température, sont égaux entre ces deux états de référence et courant.
Pour compenser les effets rapides, tels qu’une variation de température, un traitement de signal est généralement utilisé. Une telle solution classique est limitante, souvent prohibitive en termes de plan expérimental, et propre à mener à la détection d’un faux positif ou d’un faux négatif. En effet, une telle solution de l’état de la technique implique tout d’abord une instrumentation « parfaite » de la structure avant la présence d’un défaut dans des conditions d’utilisation identiques ou au mieux à un facteur près tel que la température.
La compensation de la température est par ailleurs limitée en termes de fourchette maximale compensable qui est à l’heure actuelle de l’ordre d’une différence de température maximale de 15°.
De plus, d’autres effets que la température, tels que les efforts extérieurs, sont plus délicats à reproduire en laboratoire, et la présence simultanée de plusieurs effets n’a pas réellement été explorée jusqu’ici, de même que l’évolution de l’état de référence au cours du temps, état de référence qui est propre à changer malgré l’absence de défaut.
Autrement dit, les solutions classiques ne prennent pas en compte les effets lents précités, et sont mises en œuvre en faisant l’hypothèse que le système se comporte de manière nominale sur des durées longues, ce qui n’est bien sûr pas satisfaisant lorsqu’on évoque l’instrumentation d’une structure sur plusieurs décennies durant lesquelles le vieillissement du capteur de mesure et de son couplage à la structure est inévitable et engendre une dérive lente des signaux reçus par le capteur de mesure, propre à être interprétée à tort comme un défaut, ou à en cacher.
Le but de cette invention est donc de proposer un procédé et un dispositif propres à fournir un diagnostic précoce et fiable de défaut structurel en conditions réelles d’utilisation en présence d'incertitudes épistémiques et d'effets externes non supervisés à la fois à dynamique rapide (i.e. de l’ordre de l’heure à plusieurs jours) et lente (i.e. de l’ordre du mois à plusieurs années).
A cet effet, l’invention a pour objet un procédé de détection d’anomalie(s) dans une structure et de contrôle de santé SHM de ladite structure, une anomalie correspondant à des modifications des propriétés physiques et/ou géométriques de la structure, ladite structure portant au moins un capteur configuré pour générer et recevoir des ondes guidées, le procédé comprenant au moins une phase d’apprentissage et au moins une phase opérationnelle, la phase d’apprentissage comprenant les étapes suivantes :
- obtention d’un ensemble de données saines représentatives de N états sains de ladite structure respectivement associés à N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure, N étant un entier, deux ensembles distincts présentant au moins une condition d’utilisation distincte d’un ensemble à un autre, ladite obtention d’un ensemble de données saines étant mise en œuvre via une pluralité de Q capteurs de mesure portés par ladite structure formant un réseau de capteurs, Q étant un entier supérieur à un, au moins un desdits Q capteurs étant configuré pour générer et recevoir des ondes élastiques ultrasonores guidées ;
- projection dudit ensemble de données saines dans un espace latent de dimension réduite par rapport à la dimension dudit ensemble de données saines ;
- détermination du contour dudit ensemble de données saines projeté dans ledit espace latent ; la phase opérationnelle comprenant les étapes suivantes :
- obtention, par mesure préalable via ledit au moins un capteur, d’un ensemble de données test représentatives de l’état courant de ladite structure ;
- projection dudit ensemble de données test dans ledit espace latent ;
- détection d’au moins une anomalie courante de ladite structure dès qu’un élément dudit ensemble de données test est en dehors dudit contour.
Ce procédé vise ainsi à quantifier dans quelle mesure les données des signaux, corrompus sur diverses échelles de temps, peuvent être utilisées pour l'analyse des états de structure. Un tel procédé permet ainsi de compenser l'influence des effets externes supervisés et/ou non supervisés précités sans effacer la signature des petits défauts que l’on cherche à détecter.
Plus précisément, l’invention consiste à obtenir l’ensemble des données des signaux susceptibles d’être mesurés en conditions réelles saines, lesdites données étant par la suite appelées données saines, c’est-à-dire en l’absence de défaut, dans le but de détecter un défaut par son absence de cet ensemble. Autrement dit, une telle obtention revient à construire un jumeau numérique décrivant l’ensemble des signaux sains pour ensuite détecter une anomalie comme au-delà du contour de l’espace « sain » décrit par ce jumeau. Un tel espace « sain » obtenu selon la présente invention est un élément important et différenciant par rapport aux solutions classiques. En effet selon la présente invention, on ne cherche pas à modéliser des défauts, car ceux-ci seront détectés par leur absence de cet ensemble de données saines. Ne pas modéliser les défauts est un avantage significatif car cela revient à ne pas faire d’hypothèses liés à la typologie, position ou taille des défauts.
Comme il existe une infinité de signaux sans défaut, la présente invention propose en outre de passer par une réduction de dimensionnalité, via un espace latent, pour décrire les caractéristiques des signaux en état sain. Suivant d’autres aspects avantageux de l’invention, le procédé de détection d’anomalie(s) dans une structure comprend une ou plusieurs des caractéristiques suivantes, prises isolément ou suivant toutes les combinaisons techniquement possibles :
- ledit ensemble de données saines est obtenu suite à une phase préalable de calibration de ladite structure pour les N ensembles distincts deux à deux de conditions d’utilisation de ladite structure ;
- ledit ensemble de données saines est obtenu suite à une phase préalable de simulation de ladite structure pour les N ensembles distincts deux à deux de conditions d’utilisation de ladite structure ;
- ledit ensemble de données saines est obtenu suite à une phase préalable hybride de calibration et/ou de simulation de ladite structure pour les N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure ;
- le procédé comprend, au cours de ladite phase préalable hybride, une étape de compensation par apprentissage par transfert en cas d’écart entre calibration et simulation pour un même ensemble de conditions d’utilisation de ladite structure ;
- ledit espace latent de dimension réduite est obtenu par réduction dimensionnelle supervisée ou non supervisée ;
- ladite réduction dimensionnelle non supervisée est mise en œuvre au moyen d’un des éléments appartenant au groupe comprenant au moins :
- une analyse par composantes principales,
- un auto-encodeur entrainé au préalable pour compresser puis décompresser les signaux issus de l’ensemble de données saines, et dont seul la partie dédiée à la compression est utilisée pour mettre en œuvre ladite réduction dimensionnelle.
- un processus autorégressif ;
- ladite réduction dimensionnelle supervisée est mise en œuvre au moyen d’un réseau de neurones ;
- ledit réseau de neurones est un réseau de neurones dont le type appartient au groupe comprenant :
- un réseau de neurones convolutifs ;
- un réseau de neurones récurrents ;
- un perceptron multicouche ;
- ladite détermination de contour consiste à :
- rechercher, dans ledit espace latent, l’enveloppe sphérique ou elliptique de rayon(s) minimal(aux) englobant les points dudit ensemble de données saines projeté dans ledit espace latent, ou - rechercher dans l’espace latent de l’hyperplan le plus éloigné de l’origine qui sépare, de l’origine, les points dudit ensemble de données saines projeté dans ledit espace latent, ou
- utiliser d’autre types de détection d’anomalie tels que l’estimation robuste de la matrice de covariance, la forêt d’isolement connue, ou encore avec une détection des valeurs aberrantes avec un facteur local d'aberration.
L’invention a également pour objet un programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre un procédé de détection d’anomalie(s) dans une structure tel que défini ci-dessus.
L’invention a aussi pour objet un système de détection d’anomalie(s) dans une structure et de contrôle de santé SHM de ladite structure, une anomalie correspondant à des modifications des propriétés physiques et/ou géométriques de la structure, ledit système comprenant une pluralité de Q capteurs de mesure d’au moins une caractéristique de ladite structure portés par ladite structure et formant un réseau de capteurs, Q étant un entier supérieur à un, au moins un desdits Q capteurs étant configuré pour générer et recevoir des ondes élastiques ultrasonores guidées, ledit système comprenant un dispositif dans ladite structure et comprenant une unité d’apprentissage et une unité de test, l’unité d’apprentissage comprenant :
- un premier module d’obtention configuré pour obtenir, via ladite pluralité de Q capteurs de mesure, un ensemble de données saines représentatives de N états sains de ladite structure respectivement associés à N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure, N étant un entier, deux ensembles distincts présentant au moins une condition d’utilisation distincte d’un ensemble à un autre ;
- un premier module de projection configuré pour projeter ledit ensemble de données saines dans un espace latent de dimension réduite par rapport à la dimension dudit ensemble de données saines ;
- un module de détermination configuré pour déterminer un contour dudit ensemble de données saines projeté dans ledit espace latent ; l’unité de test comprenant :
- un deuxième module d’obtention configuré pour obtenir, par mesure via ledit au moins un capteur, un ensemble de données test représentatives de l’état courant de ladite structure ;
- un deuxième module de projection configuré pour projeter ledit ensemble de données test dans ledit espace latent fourni par le module de projection de ladite unité d’apprentissage ;
- un module de détection configuré pour détecter au moins une anomalie courante de ladite structure dès qu’un élément dudit ensemble de données test est en dehors dudit contour fourni par ledit module de détermination de ladite unité d’apprentissage Ces caractéristiques et avantages de l’invention apparaîtront plus clairement à la lecture de la description qui va suivre, donnée uniquement à titre d’exemple non limitatif, et faite en référence aux dessins annexés, sur lesquels :
[Fig 1 ] la figure 1 illustre l’effet d’un défaut de structure sur la propagation des ondes guidées à la surface d’une structure.
[Fig 2] la figure 2 est une vue schématique d’un dispositif électronique de détection d’anomalie(s) dans une structure selon la présente invention ;
[Fig 3] la figure 3 est un organigramme d’un procédé de détection d’anomalie(s) dans une structure selon la présente invention ;
[Fig 4] [Fig 5] les figures 4 et 5 illustrent respectivement la phase d’apprentissage et la phase opérationnelle du procédé selon la présente invention.
Sur la figure 1 , un exemple de propagation des ondes guidées à la surface d’une structure 10 est illustrée pour la structure dépourvue de défaut sur la vue A et en présence d’un défaut sur la vue B.
Plus précisément, sur la vue A de cet exemple, la structure 10 dépourvue de défaut correspond à un tuyau cylindrique dépourvu de défaut, de longueur L, et portant en surface au moins un capteur de mesure dans un environnement non maitrisé, par exemple configuré pour générer, via l’élément 12 et recevoir via l’élément 14 des ondes guidées 16, notamment élastiques et ultrasonores. Par exemple, un tel capteur appartient au groupe comprenant au moins : les capteurs piézoélectriques, un transducteur électro-magnéto- acoustique EMAT (de l’anglais Electro magneto acoustic transducer), un capteur polyfluorure de vinylidène PVDF (de l’anglais Polyvinylidene fluoride), etc. Selon une instrumentation hybride, la réception via l’élément 14 peut également être assurée par un des réseaux de Bragg sur fibre optique.
D’autres types de capteurs sont propres à être utilisés dès lors qu’ils sont aptes à réaliser une mesure dans un environnement non maitrisé, par exemple des capteurs basés sur l’utilisation d’ultrasons en général, y compris tel que cité ci-dessus des capteurs propres à générer et recevoir des ondes guidées, mais également des capteurs de mesure de courants de Foucault ou de mesure vibratoire, etc. Sur la vue B, la présence d’un défaut 18 à la surface du tuyau modifie la propagation des ondes guidées en générant notamment des ondes guidées réfléchies 20.
La figure 2 est une vue schématique d’un dispositif électronique 30 de détection d’anomalie(s) dans une structure selon la présente invention. Un tel dispositif 30 comprend une unité d’apprentissage automatique 32 comprenant un premier module 34 d’obtention configuré pour obtenir un ensemble de données saines représentatives de N états sains de ladite structure respectivement associés à N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure, N étant un entier, deux ensembles distincts présentant au moins une condition d’utilisation distincte d’un ensemble à un autre.
L’unité d’apprentissage 32 comprend en outre un premier module 36 de projection configuré pour projeter ledit ensemble de données saines (également appelé base saine comprenant N échantillons, chaque échantillon étant de dimension P) dans un espace latent E de dimension réduite par rapport à la dimension dudit ensemble de données saines.
Selon un aspect optionnel, un tel espace latent E est configuré pour décrire de manière aussi simple que possible les effets perturbateurs précités, et est idéalement linéaire, sinon monotone.
L’unité d’apprentissage 32 comprend également un module 38 de détermination configuré pour déterminer un contour C, notamment multidimensionnel, dudit ensemble de données saines projeté dans ledit espace latent.
Par ailleurs, le dispositif électronique 30 comprend une unité de test 40, propre à recevoir en entrée la sortie S de l’unité d’apprentissage 32, et comprenant un deuxième module 42 d’obtention configuré pour obtenir, par mesure via ledit au moins un capteur, un ensemble de données test représentatives de l’état courant de ladite structure 10.
L’unité de test 40 comprend en outre un deuxième module 44 de projection configuré pour projeter ledit ensemble de données test dans ledit espace latent fourni par le premier module 36 de projection de ladite unité d’apprentissage 32.
L’unité de test 40 comprend également un module 46 de détection configuré pour détecter au moins une anomalie courante de ladite structure dès qu’un élément dudit ensemble de données test est en dehors dudit contour fourni par ledit module 38 de détermination de ladite unité d’apprentissage 32.
Autrement dit, l’unité d’apprentissage 32 est propre à construire par entrainement un jumeau numérique décrivant l’ensemble des données saines pour détecter une anomalie comme au-delà de l’espace sain décrit par ce jumeau numérique.
Dans l’exemple de la figure 2, le dispositif électronique 30 de détection d’anomalie(s) dans une structure comprend une unité de traitement d’informations 50 formée par exemple d’une mémoire 52 et d’un processeur 54 associé à la mémoire 52.
Dans l’exemple de la figure 2, le premier module 34 d’obtention, le premier module 36 de projection, le module 38 de détermination, le deuxième module 42 d’obtention, le deuxième module 44 de projection et le module 46 de détection sont réalisés chacun sous forme d’un logiciel, ou d’une brique logicielle, exécutable par le processeur 54. La mémoire 52 du dispositif électronique 30 de détection d’anomalie(s) dans une structure est alors apte à stocker pour mettre en œuvre une phase d’apprentissage un premier logiciel d’obtention, un premier logiciel de projection, et un logiciel de détermination, et pour mettre en œuvre une phase de test un deuxième logiciel d’obtention, un deuxième logiciel de projection, et un logiciel de détection. Le processeur 54 est alors apte à exécuter chacun des logiciels parmi le premier logiciel d’obtention, le premier logiciel de projection, le logiciel de détermination pour une phase d’apprentissage, et pour une phase de test, un deuxième logiciel d’obtention, un deuxième logiciel de projection, et un logiciel de détection.
En variante non représentée, le premier module 34 d’obtention, le premier module 36 de projection, le module 38 de détermination, le deuxième module 42 d’obtention, le deuxième module 44 de projection et le module 46 de détection sont réalisés chacun sous forme d’un composant logique programmable, tel qu’un FPGA (de l’anglais Field Programmable Gate Array), ou un processeur graphique GPU (de l'anglais Graphics Processing Unit), ou encore sous forme d’un circuit intégré, tel qu’un ASIC (de l’anglais Application Specific Integrated Circuit).
Lorsque le dispositif électronique 30 de détection d’anomalie(s) dans une structure est réalisé sous forme d’un ou plusieurs logiciels, c’est-à-dire sous forme d’un programme d’ordinateur, également appelé produit programme d’ordinateur, il est en outre apte à être enregistré sur un support, non représenté, lisible par ordinateur. Le support lisible par ordinateur est par exemple un medium apte à mémoriser des instructions électroniques et à être couplé à un bus d’un système informatique. A titre d’exemple, le support lisible est un disque optique, un disque magnéto-optique, une mémoire ROM, une mémoire RAM, tout type de mémoire non-volatile (par exemple EPROM, EEPROM, FLASH, NVRAM), une carte magnétique ou une carte optique. Sur le support lisible est alors mémorisé un programme d’ordinateur comprenant des instructions logicielles.
De manière non représentée, l’invention porte également sur un système de détection d’anomalie(s) dans une structure, ledit système comprenant un tel dispositif électronique 30 de détection d’anomalie(s) dans une structure, illustré par la figure 2, et comprenant en outre une pluralité de Q capteurs portés par ladite structure, configurés pour générer et recevoir des ondes guidées et formant un réseau de capteurs, Q étant un entier supérieur à un. Selon un aspect particulier, au moins un desdits Q capteurs est configuré pour générer et recevoir des ondes guidées élastiques ultrasonores guidées.
L’information est donc, dans ce cas, traitée au niveau réseau de capteurs en exploitant Q2-Q signaux correspondant aux trajets entre les Q capteurs, ou Q2 signaux si l’on exploite les signaux émis et reçus par un même capteur. Le réseau de capteurs Q est le cas échéant complété par une chaine d’acquisition non représentée et configurée pour traiter les mesures capturées via ledit réseau de Q capteurs. En effet, il n’est pas exclu qu’un signal acquis par un élément 14 de capteur tel qu’illustré sur la figure 1 , en présence d’un défaut dans des conditions d’utilisations Ui soit identique à un signal acquis en l’absence de défaut dans des conditions Us- Pour lever cette ambiguïté, la présente invention propose alors de se baser sur les données issues d’un réseau de capteurs. En effet, en raison de l’asymétrie des défauts, la contribution d’un défaut donné est variable selon les chemins parcourus par les ondes, ce qui n’est pas le cas pour les conditions opérationnelles. Les données sont donc traitée au niveau réseaux de capteurs, Q2-Q signaux correspondant aux trajets entre les Q capteurs.
Le fonctionnement du dispositif électronique 30 de détection d’anomalie(s) dans une structure va maintenant être décrit en référence à la figure 3 qui illustre schématiquement un exemple de mise en œuvre, selon la présente invention, d’un procédé 60 de détection d’anomalie(s) dans une structure, telle que par exemple la structure 10 de la figure 1 .
Le procédé 60 selon la présente invention comprend tout d’abord une phase d’apprentissage automatique 62, illustrée également plus en détails sur la figure 4 décrite par la suite.
Selon une première étape 64 de la phase d’apprentissage 62, le dispositif électronique 30 de détection d’anomalie(s), via son premier module d’obtention 34, obtient OBT A un ensemble de données saines représentatives de N états sains de ladite structure respectivement associés à N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure, N étant un entier, deux ensembles distincts présentant au moins une condition d’utilisation distincte d’un ensemble à un autre.
Les N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure visent notamment à couvrir les principaux paramètres d’exploitation susceptibles d’influencer les mesures, à savoir ceux associés aux effets épistémiques précités, tels que le placement de capteurs, les propriétés et géométrie de la structure, les propriétés des capteurs, ceux associés aux effets rapides précités, tels que la température, l’humidité, la pression, les efforts appliqués à la structure considérée, ceux associés aux effets lents tels que le vieillissement du ou des capteurs, de la structure et du couplage entre la structure et le ou les capteurs.
Comme illustré par la figure 2, une telle obtention 64 succède à l’une des trois phases préalables optionnelles 642, 644, 646, mises en œuvre par ledit dispositif électronique 30 de détection d’anomalie(s) ou par un dispositif distinct, la première phase préalable optionnelle 642 correspondant à une phase préalable de calibration CAL de ladite structure pour les N ensembles distincts deux à deux de conditions d’utilisation de ladite structure. Autrement dit, selon cette première option, l’ensemble de données saines est déterminé au préalable par l’expérience au cours d’une phase de calibration 642, souvent propre à être prohibitive en termes de coûts/durée, et consistant à instrumenter des structures saines et à acquérir des données sur de longues périodes. Une telle phase de calibration 642 impliquant à la fois la supervision des données mesurées pour s’assurer qu’il n’y a pas de défaut, et leur exhaustivité afin de s’assurer qu’un nombre statistiquement suffisant de combinaisons des paramètres sont explorées. Selon l’application, une telle calibration est disponible et effectuée au préalable par exemple lors d’une phase de recherche et développement de la structure considérée, l’étape d’obtention 64 consistant alors à récupérer l’ensemble de données saines issu de la phase 642 de calibration CAL.
Selon une deuxième option préférentielle, ledit ensemble de données saines est obtenu à l’issue d’une phase préalable 644 de simulation SIM de ladite structure pour les N ensembles distincts deux à deux de conditions d’utilisation de ladite structure, l’étape d’obtention 64 consistant alors à récupérer l’ensemble de données saines issu de la phase 644 de simulation SIM.
Cette deuxième option est une approche privilégiée, selon la présente invention, la simulation préalable 644 permettant d’établir, rapidement et à moindre coût que la première option expérimentale, des modèles (i.e. simulations) des signaux soumis aux paramètres perturbateurs correspondant aux incertitudes épistémiques et aux effets externes non supervisés précités, et ainsi de générer les données saines à la volée.
En effet, selon l’application, il peut s’avérer prohibitif selon la première d’acquérir l’ensemble des signaux sains possibles en expérience, en particulier d’une part car les effets de vieillissement ne sont visibles qu’après plusieurs années, et d’autre part car il faudrait instrumenter beaucoup de structures pour constater toutes les variabilités de structures/instrumentation.
Une telle deuxième option par simulation implique par ailleurs d’avoir à disposition des modèles de l’ensemble des phénomènes influant les ondes guidées, de tels modèles étant propres à être appris/calibrés/testés/validés sur des échantillons représentatifs de la structure et de l’application considérée, limitant grandement le coût par rapport à la solution expérimentale associée à la première option précité. Avantageusement, les modèles (i.e. simulations) de défauts ne sont pas nécessaires, car la présente invention propose de se focaliser sur les données saines
Selon une troisième option, ledit ensemble de données saines est obtenu suite à une phase préalable 646 hybride de calibration et/ou de simulation de ladite structure pour les N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure, l’étape d’obtention 64 consistant alors à récupérer l’ensemble de données saines issu de la phase 646 hybride HYB.
Selon un aspect particulier optionnel de cette troisième option, ladite phase préalable hybride, comprend une étape, non représentée, de compensation par apprentissage par transfert (de l’anglais transfer learning) en cas d’écart entre calibration et simulation pour un même ensemble de conditions d’utilisation de ladite structure. Autrement dit, un tel aspect optionnel est notamment mis en œuvre dans le cas où les modèles (i.e. simulations) ne seraient pas parfaits, c’est-à-dire sans superposition rigoureuse entre les signaux simulés et expérimentaux à paramètres identiques, et propose de compenser l’écart par apprentissage par transfert (de l’anglais transfer learning) dont un exemple est décrit dans la demande de brevet FR 3 1 13 530, un tel « transfer learning » permettant de manière hybride de recalibrer les modèles à l’aide d’un nombre abordable d’expériences.
Indépendamment de l’option mise en œuvre préalablement à l’étape d’obtention 64, comme indiqué précédemment, il est à noter que pour chaque option, on considère un système de détection d’anomalie(s) dans une structure, ledit système comprenant le dispositif électronique 30 de détection d’anomalie(s) dans une structure, illustré par la figure 2, et comprenant en outre une pluralité de Q capteurs portés par ladite structure, configurés pour générer et recevoir des ondes guidées et formant un réseau de capteurs, Q étant un entier supérieur à un, et N étant tel que N=Q2-Q. Le réseau de Q capteurs permet en effet de s’assurer que l’ensemble de données récupéré lors de l’étape d’obtention 64 est sain.
En effet, les effets externes sont relativement homogènes et perçus par tous les capteurs. C’est le cas par exemple de la température qui est propre à affecter de manière relativement homogène tous les capteurs de mesure. En revanche, un défaut n’influencera que certains capteurs et de manière assez différente, en raison de sa taille limitée et de son asymétrie naturelle.
De plus, indépendamment de l’option mise en œuvre préalablement à l’étape d’obtention 64, la phase d’apprentissage 62 du procédé 60 selon la présente invention comprend en outre une étape 66 de projection P-A dudit ensemble de données saines dans un espace latent E de dimension réduite par rapport à la dimension dudit ensemble de données saines. En effet, l’ensemble des données saines est généralement de grande dimension, notamment de l’ordre de 103 à 105 ce qui est propre à ralentir la détection d’anomalie durant la phase opérationnelle de test.
L’étape 66 de projection vise donc à réduire les dimensions des données d’apprentissage saines, en les décrivant (i.e. projetant) dans un espace latent de dimension réduite, par exemple de l’ordre de 10 à 102 pour des dimensions d’origine respectivement de 103 à 105.
Ledit espace latent de dimension réduite est obtenu par réduction dimensionnelle supervisée ou non supervisée
Il est à noter que comme les données saines ne contiennent pas de défaut, une réduction dimensionnelle 66 non supervisée permet de ne pas faire d’a priori défavorable à la détection de défauts. Autrement dit, une réduction dimensionnelle 66 non supervisée est propre à être mise en œuvre pour éviter de créer un biais allant à l’encontre de la signature des défauts, absent de l’ensemble initial de données saines.
Selon une première option, lorsque la réduction dimensionnelle 66 est non supervisée, elle est mise en œuvre au moyen d’un des éléments appartenant au groupe comprenant au moins :
- une analyse par composantes principales PCA (de l’anglais Principal Component Analysis),
- un auto-encodeur entrainé au préalable pour compresser puis décompresser les signaux issus de l’ensemble de données saines, et dont seul la partie dédiée à la compression est utilisée pour mettre en œuvre ladite réduction dimensionnelle.
- un processus autorégressif
Autrement dit, le premier module de projection 36 est propre à mettre en œuvre une analyse par composantes principales en s’assurant notamment que la perte de variance est inférieure à l’influence d’un défaut recherché par la suite lors de la phase opérationnelle. Dans le cas de la mise en œuvre d’un auto-encodeur, le premier module de projection 36 est configuré pour entraîner la première moitié dudit auto-encodeur pour compresser/décompresser les signaux, et la réduction dimensionnelle est obtenue en ne conservant que le composant central de l’auto-encodeur communément appelé « embedding ».
Selon une deuxième option, lorsque la réduction dimensionnelle 66 est supervisée, notamment pour adapter au mieux un ensemble de donnée saines issue d’une simulation préalable, dont la physique est bien maitrisée, et pour favoriser la détection de défauts, une telle réduction dimensionnelle 66 supervisée est mise en œuvre au moyen d’un réseau de neurones, dont le type appartient par exemple au groupe comprenant :
- un réseau de neurones convolutifs ;
- un réseau de neurones récurrents ;
- un perceptron multicouche. Un tel réseau de neurones est notamment propre à modéliser les données et effets perturbateurs tels que la température, l’humidité, etc., l’espace latent de dimension réduite correspondant alors à l’ensemble des sorties du réseau de neurones.
De plus, tel qu’illustré par la figure 2, la phase d’apprentissage 62 du procédé 60 selon la présente invention comprend en outre une étape 68 de détermination du contour C, mise en œuvre automatiquement via ledit module de détermination 38 ou manuellement, dudit ensemble de données saines projeté dans ledit espace latent E. Autrement dit, au cours de ladite étape 68, on cherche, par entrainement, à décrire les contours de l’ensemble des données saines, pour par la suite, lors d’une phase opérationnelle, détecter une anomalie en dehors dudit contour.
Pour ce faire, tel que notamment décrit par V. Chandola et al. dans la publication intitulée « Anomaly detection : A survey », ACM Computing Surveys Volume 41 Issue 3 Juillet 2009 Article No.: 15pp 1-58, ladite détermination 68 de contour est par exemple propre à comprendre :
- la recherche, dans ledit espace latent E, l’enveloppe, notamment sphérique ou elliptique, de rayon(s) minimal(aux) englobant les points dudit ensemble de données saines projeté dans ledit espace latent, selon la technique connue sous le nom anglais de « support vector data description », ou
- la recherche dans l’espace latent E de l’hyperplan le plus éloigné de l’origine qui sépare, de l’origine, les points dudit ensemble de données saines projeté dans ledit espace latent, selon la technique connue sous le nom anglais de « one class support vector machine », ou
- utiliser d’autre types de détection d’anomalie tels que l’estimation robuste de la matrice de covariance connue sous le nom anglais « robust covariance », la forêt d’isolement connue sous le nom anglais « isolation forest », ou encore avec une détection des valeurs aberrantes avec le facteur local d'aberration LOF connue sous le nom anglais « local outlier factor ».
Une fois la phase d’apprentissage 62 effectuée, les sorties S, comprenant l’espace latent E et le contour C, de l’unité d’apprentissage 32, sont transmises à l’unité de test 40 propre à mettre en œuvre une phase opérationnelle 70, réitérée après chaque étape 72 de mesure M d’un état courant de la structure considérée. Comme indiqué précédemment, chaque mesure 72 est notamment obtenue à l’aide d’une pluralité de Q capteurs portés par ladite structure, configurés pour générer et recevoir des ondes guidées et formant un réseau de capteurs, Q étant un entier supérieur à un, et N étant tel que N=Q2-Q.
Il est à noter que la phase d’apprentissage 62 est propre à être réitérée notamment pour prendre en compte des paramètres supplémentaires propre à influer la propagation des ondes guidées en fonction de l’application de la structure souhaitée, par exemple en cas de changement de zone climatique d’exploitation de ladite structure.
De plus, selon un aspect non représenté, la présente invention, permet de prendre en compte la connaissance d’un paramètre physique de condition d’utilisation au moment de la mesure 72, un tel paramètre physique correspondant notamment à la température, pour réduire l’ensemble des données saines issu de l’apprentissage 62 à un ensemble de données saines restreint d’une dimension du fait de ce paramètre physique connu.
Autrement dit, dans ce cas l’apprentissage 62 est réitéré pour obtenir ledit ensemble de données saines restreint, et son contour C’ dans un espace latent E’ associé à cette réduction de dimension liée à la connaissance parfaite d’une paramètre d’utilisation tel que la température lors de la mesure 72. Une tel contour C’ est nécessairement plus restreint que le contour C associé à l’ensemble de données saines obtenu pour une pluralité de températures distinctes d’exploitation de la structure. Un tel contour C’ plus restreint rend l’approche plus fiable, et dans le cas extrême où tous les paramètres influents seraient connus, ce qui ne semble pas possible en pratique, en raison des incertitudes épistémiques, l’ensemble des données saines contiendrait alors un unique jeu de données.
Une telle phase opérationnelle 70, également illustrée et décrite par la suite en relation avec la figure 5, comprend une première étape 74 d’obtention OBT_T, via le deuxième module d’obtention 42 de la figure 2, d’un ensemble de données test représentatives de l’état courant de ladite structure considérée, dans laquelle la présence d’un défaut est inconnue.
Puis, au cours d’une étape 76, mise en œuvre par le deuxième module de projection 44 de la figure 2, l’ensemble de données test représentatives de l’état courant de ladite structure considérée est projeté, via une projection P_T, dans l’espace latent E, utilisé lors de la phase d’apprentissage 62.
Ensuite, au cours d’une étape 78, mise en œuvre automatiquement par le module de détection 46 de la figure 2 ou manuellement, au moins une anomalie courante de ladite structure est détectée dès qu’un élément dudit ensemble de données test est en dehors dudit contour C.
De manière non représentée, le procédé 60 est également propre à comprendre une évaluation des biais et des erreurs dus à la modélisation et à l'apprentissage automatique afin de fournir une mesure de la confiance dans le diagnostic de défaut (i.e. la détection d’anomalie) proposée selon la présente invention.
La figure 4 illustre, de manière schématique, plus en détails la phase d’apprentissage 62 précédemment décrite, avec l’étape 64 d’obtention d’un ensemble de données saines représentatives de N états sains de ladite structure respectivement associés à N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure, N étant un entier, deux ensembles distincts présentant au moins une condition d’utilisation distincte d’un ensemble à un autre.
Plus précisément, tel qu’illustré sur la figure 4, lors de cette étape d’obtention 64, les données saines associées à autant de signaux N que de jeux distincts de conditions d’utilisations d’une structure saine sans défaut sont obtenues. Autrement dit, chacun des N signaux représentés est obtenu avec une variation d’au moins un paramètre d’utilisation tel que la position d’au moins un capteur, la température et/ou le vieillissement dudit au moins un capteur.
L’étape 66 de projection dudit ensemble de données saines dans un espace latent de dimension réduite M par rapport à la dimension N dudit ensemble de données saines est illustrée sur la figure 4 par M2 représentations bidimensionnelles des données saines représentées par des croix.
Il est à noter que de telles représentations bidimensionnelles sont ici utilisées uniquement à des fins illustratives et explicatives de l’aspect multidimensionnel de l’espace latent, dont la représentation multidimensionnelle est complexe.
L’étape 68 de détermination du contour dudit ensemble de données saines (également appelé base saine comprenant N échantillons, chaque échantillon étant de dimension P) projeté dans ledit espace latent est illustrée sur la figure 4 par les contours Ci et C2, le contour Ci entourant les croix de données saines projetée lors de l’étape 66 dans une partie bidimensionnelle avec la dimension 1 en abscisse et la dimension 2 en ordonnée de l’espace latent de M dimensions (i.e. de taille M<P nécessairement du fait de la réduction de dimension), le contour C2 entourant les croix de données saines projetée lors de l’étape 66 dans une partie bidimensionnelle avec la dimension 1 en abscisse et la dimension 3 en ordonnée de l’espace latent à M dimensions.
La figure 5 illustre, de manière schématique, plus en détails la phase opérationnelle précédemment décrite, avec l’étape 74 d’obtention, par mesure préalable via ledit au moins un capteur, d’un ensemble de données test représentatives de l’état courant de ladite structure.
L’étape 76 de projection dudit ensemble de données test dans ledit espace latent, issu de l’apprentissage 62 illustrée par la figure 4, est représentée sur la figure 5 par M2 représentations bidimensionnelles des données test T1 et T2 représentées par une croix dans chaque représentation bidimensionnelle.
L’étape 78 de détection d’anomalie compare, dans chaque représentation bidimensionnelle, que la croix de donnée test est dans le contours de données saines associé, dans le cas contraire une anomalie 82 est détectée dès qu’une croix est en dehors d’un contour bidimensionnel, ce qui est le cas pour la croix T 1 qui est en dehors du contour Ci dans l’espace bidimensionnel des dimensions 1 et 2, alors que lorsque les dimension 1 et 3 sont considérés la croix T2 est dans le contour C2. Autrement dit, dès qu’une position de donnée test en dehors du contour multidimensionnel est détecté, notamment ici à des fins explicatives et de simplicité de représentation au sein des M2 représentations bidimensionnelles, une anomalie est détectée, et le cas échéant de manière non représentée, une alerte non représentée est levée et/ou une requête de maintenance de ladite structure.
Autrement dit, une telle détection 78 est certes grossière mais efficace, et consiste à considérer que si la représentation dans l’espace latent de l’ensemble de données test est trop éloignée du contour C de l’ensemble des données saines, un défaut est présent.
Selon un aspect particulier, très dépendant du cas d’usage considéré, la distance de la donnée test représentative d’une anomalie (ici la croix T1) au contour ici Ci pourrait être propre à traduire la criticité du défaut détecté.
L’homme du métier comprendra que l’invention ne se limite pas aux modes de réalisation décrits, ni aux exemples particuliers de la description, les modes de réalisation et les variantes mentionnées ci-dessus étant propres à être combinés entre eux pour générer de nouveaux modes de réalisation de l’invention.
Ainsi, la présente invention propose un procédé et un dispositif de détection d’anomalie(s) dans une structure qui permettent de construire, par entrainement, un jumeau numérique décrivant l’ensemble des données saines associé à un état sain de la structure considéré pour ensuite détecter une anomalie comme au-delà de l’espace sain décrit par ce jumeau numérique.
Autrement dit, la présente invention permet de s’affranchir de la création de défauts que ce soit de manière expérimentale ou par simulation, en passant par apprentissage par la modélisation uniquement des états sains.
Selon un aspect de l’invention mettant en œuvre l’obtention de données saines au moins en partie par simulation au préalable, il est possible de s’affranchir d’une phase préalable de calibration sur des structures réelles et dans des conditions d’utilisations réelles, ou de grandement la limiter dans le cas d’un traitement préalable hybride impliquant au moins en partie de la simulation.
De plus, la présente invention, est générique par rapport aux paramètres influents, car une fois l’ensemble de données saines obtenu par apprentissage, il est possible de le faire évoluer rapidement pour prendre en compte des conditions supplémentaires d’utilisation de la structure et en recalculer le contour multidimensionnel dans l’espace latent. Ainsi, la détection d’anomalie obtenue via la présente invention présente une robustesse intrinsèque aux paramètres extérieurs en les intégrant dès le départ dans l’apprentissage de données saines, si bien que le diagnostic (i.e. la détection) ne fait pas d’a priori sur les conditions extérieures au moment de son application à la mesure d’un état courant de la structure.
Une telle détection d’anomalie est propre à réduire l'empreinte environnementale des structures instrumentées grâce à la maintenance préventive et à l'allongement de la durée de vie par la détection d’anomalie (i.e. défaut) à un stade précoce.

Claims

REVENDICATIONS
1 . Procédé (60) de détection d’anomalie(s) dans une structure et de contrôle de santé SHM de ladite structure, une anomalie correspondant à des modifications des propriétés physiques et/ou géométriques de la structure, ladite structure portant au moins un capteur de mesure d’au moins une caractéristique de ladite structure, le procédé comprenant au moins une phase d’apprentissage (62) et au moins une phase opérationnelle (70), la phase d’apprentissage (62) comprenant les étapes suivantes :
- obtention (64) d’un ensemble de données saines représentatives de N états sains de ladite structure respectivement associés à N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure, N étant un entier, deux ensembles distincts présentant au moins une condition d’utilisation distincte d’un ensemble à un autre, ladite obtention d’un ensemble de données saines étant mise en œuvre via une pluralité de Q capteurs de mesure portés par ladite structure formant un réseau de capteurs, Q étant un entier supérieur à un, au moins un desdits Q capteurs étant configuré pour générer et recevoir des ondes élastiques ultrasonores guidées ;
- projection (66) dudit ensemble de données saines dans un espace latent de dimension réduite par rapport à la dimension dudit ensemble de données saines ;
- détermination (68) du contour dudit ensemble de données saines projeté dans ledit espace latent ; la phase opérationnelle (70) comprenant les étapes suivantes :
- obtention (74), par mesure (72) préalable via ledit au moins un capteur, d’un ensemble de données test représentatives de l’état courant de ladite structure ;
- projection (76) dudit ensemble de données test dans ledit espace latent ;
- détection (78) d’au moins une anomalie courante de ladite structure dès qu’un élément dudit ensemble de données test est en dehors dudit contour.
2. Procédé (60) selon la revendication 1 , dans lequel ledit ensemble de données saines est obtenu suite à une phase préalable de calibration (642) de ladite structure pour les N ensembles distincts deux à deux de conditions d’utilisation de ladite structure.
3. Procédé (60) selon la revendication 1 , dans lequel ledit ensemble de données saines est obtenu suite à une phase préalable de simulation (644) de ladite structure pour les N ensembles distincts deux à deux de conditions d’utilisation de ladite structure.
4. Procédé (60) selon la revendication 1 , dans lequel ledit ensemble de données saines est obtenu suite à une phase (646) préalable hybride de calibration et/ou de simulation de ladite structure pour les N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure.
5. Procédé (60) selon la revendication 4, comprenant, au cours de ladite phase préalable hybride, une étape de compensation par apprentissage par transfert en cas d’écart entre calibration et simulation pour un même ensemble de conditions d’utilisation de ladite structure.
6. Procédé (60) selon l’une quelconque des revendications précédentes, dans lequel ledit espace latent de dimension réduite est obtenu par réduction dimensionnelle supervisée ou non supervisée.
7. Procédé (60) selon la revendication 6, dans lequel ladite réduction dimensionnelle non supervisée est mise en œuvre au moyen d’un des éléments appartenant au groupe comprenant au moins :
- une analyse par composantes principales,
- un auto-encodeur entrainé au préalable pour compresser puis décompresser les signaux issus de l’ensemble de données saines, et dont seul la partie dédiée à la compression est utilisée pour mettre en œuvre ladite réduction dimensionnelle.
- un processus autorégressif.
8. Procédé (60) selon la revendication 6, dans lequel ladite réduction dimensionnelle supervisée est mise en œuvre au moyen d’un réseau de neurones.
9. Procédé (60) selon la revendication 8, dans lequel ledit réseau de neurones est un réseau de neurones dont le type appartient au groupe comprenant :
- un réseau de neurones convolutifs ;
- un réseau de neurones récurrents ;
- un perceptron multicouche.
10. Procédé (60) selon l’une quelconque des revendications précédentes, dans lequel ladite détermination de contour (68) consiste à :
- rechercher, dans ledit espace latent, l’enveloppe sphérique ou elliptique de rayon(s) minimal(aux) englobant les points dudit ensemble de données saines projeté dans ledit espace latent, ou
- rechercher dans l’espace latent de l’hyperplan le plus éloigné de l’origine qui sépare, de l’origine, les points dudit ensemble de données saines projeté dans ledit espace latent, ou
- utiliser d’autre types de détection d’anomalie tels que l’estimation robuste de la matrice de covariance, la forêt d’isolement connue, ou encore avec une détection des valeurs aberrantes avec un facteur local d'aberration.
11. Programme d’ordinateur comportant des instructions logicielles qui lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre, au moins en partie, un procédé de détection d’anomalie(s) dans une structure selon l’une quelconque des revendications précédentes.
12. Système de détection d’anomalie(s) dans une structure et de contrôle de santé SHM de ladite structure, une anomalie correspondant à des modifications des propriétés physiques et/ou géométriques de la structure, ledit système comprenant une pluralité de Q capteurs de mesure d’au moins une caractéristique de ladite structure portés par ladite structure et formant un réseau de capteurs, Q étant un entier supérieur à un, au moins un desdits Q capteurs étant configuré pour générer et recevoir des ondes élastiques ultrasonores guidées, ledit système comprenant un dispositif (30) dans ladite structure et comprenant une unité d’apprentissage (32) et une unité de test (40), l’unité d’apprentissage (32) comprenant :
- un premier module (34) d’obtention configuré pour obtenir, via ladite pluralité de Q capteurs de mesure, un ensemble de données saines représentatives de N états sains de ladite structure respectivement associés à N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure, N étant un entier, deux ensembles distincts présentant au moins une condition d’utilisation distincte d’un ensemble à un autre ;
- un premier module (36) de projection configuré pour projeter ledit ensemble de données saines dans un espace latent de dimension réduite par rapport à la dimension dudit ensemble de données saines ;
- un module de détermination (38) configuré pour déterminer un contour dudit ensemble de données saines projeté dans ledit espace latent ; l’unité de test (40) comprenant : - un deuxième module (42) d’obtention configuré pour obtenir, par mesure via ledit au moins un capteur, un ensemble de données test représentatives de l’état courant de ladite structure ;
- un deuxième module (44) de projection configuré pour projeter ledit ensemble de données test dans ledit espace latent fourni par le module de projection de ladite unité d’apprentissage ;
- un module (46) de détection configuré pour détecter au moins une anomalie courante de ladite structure dès qu’un élément dudit ensemble de données test est en dehors dudit contour fourni par ledit module de détermination de ladite unité d’apprentissage.
PCT/EP2023/061155 2022-04-28 2023-04-27 Procede et systeme de detection d'anomalie(s) dans une structure WO2023209111A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2204010A FR3135142A1 (fr) 2022-04-28 2022-04-28 Procédé de détection d’anomalie(s) dans une structure
FRFR2204010 2022-04-28

Publications (1)

Publication Number Publication Date
WO2023209111A1 true WO2023209111A1 (fr) 2023-11-02

Family

ID=82694247

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/061155 WO2023209111A1 (fr) 2022-04-28 2023-04-27 Procede et systeme de detection d'anomalie(s) dans une structure

Country Status (2)

Country Link
FR (1) FR3135142A1 (fr)
WO (1) WO2023209111A1 (fr)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120041575A1 (en) * 2009-02-17 2012-02-16 Hitachi, Ltd. Anomaly Detection Method and Anomaly Detection System
CN110207997A (zh) * 2019-07-24 2019-09-06 中国人民解放军国防科技大学 基于卷积自编码器的液体火箭发动机故障检测方法
US20200292608A1 (en) * 2019-03-13 2020-09-17 General Electric Company Residual-based substation condition monitoring and fault diagnosis
FR3113530A1 (fr) 2020-08-19 2022-02-25 Commissariat à l'Energie Atomique et aux Energies Alternatives Procédé de caractérisation d’une pièce par contrôle non destructif

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120041575A1 (en) * 2009-02-17 2012-02-16 Hitachi, Ltd. Anomaly Detection Method and Anomaly Detection System
US20200292608A1 (en) * 2019-03-13 2020-09-17 General Electric Company Residual-based substation condition monitoring and fault diagnosis
CN110207997A (zh) * 2019-07-24 2019-09-06 中国人民解放军国防科技大学 基于卷积自编码器的液体火箭发动机故障检测方法
FR3113530A1 (fr) 2020-08-19 2022-02-25 Commissariat à l'Energie Atomique et aux Energies Alternatives Procédé de caractérisation d’une pièce par contrôle non destructif

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHIVELEY SPENCER ET AL: "Guided wave structural health monitoring with large data sets", 2016 IEEE INTERNATIONAL ULTRASONICS SYMPOSIUM (IUS), IEEE, 18 September 2016 (2016-09-18), pages 1 - 4, XP032988594, DOI: 10.1109/ULTSYM.2016.7728712 *
V. CHANDOLA ET AL.: "Anomaly détection : A survey", ACM COMPUTING SURVEYS, vol. 41, no. 15, July 2009 (2009-07-01), pages 1 - 58, XP055555147, DOI: 10.1145/1541880.1541882

Also Published As

Publication number Publication date
FR3135142A1 (fr) 2023-11-03

Similar Documents

Publication Publication Date Title
CA2943397C (fr) Procede d&#39;estimation du caractere normal ou non d&#39;une valeur mesuree d&#39;un parametre physique d&#39;un moteur d&#39;aeronef
CA2813556C (fr) Systeme de surveillance d&#39;un banc d&#39;essai de moteur
EP3250974B1 (fr) Procédé, système et programme d&#39;ordinateur pour phase d&#39;apprentissage d&#39;une analyse acoustique ou vibratoire d&#39;une machine
EP3658881B1 (fr) Procede et dispositif de recherche d&#39;un defaut susceptible d&#39;affecter un dispositif mecanique tournant de transmission de puissance
WO2015052408A1 (fr) Surveillance d&#39;un moteur d&#39;aéronef pour anticiper les opérations de maintenance
FR2939924A1 (fr) Identification de defaillances dans un moteur d&#39;aeronef
FR2980850A1 (fr) Procede et systeme de diagnotic de l&#39;etat interne d&#39;une batterie par emission acoustique.
FR2974437A1 (fr) Procede de simulation d&#39;operations de controle non-destructif en conditions reelles utilisant des signaux synthetiques
FR3073289A1 (fr) Controle de sante d&#39;une structure industrielle
FR3060743A1 (fr) Procede et systeme de controle de sante integre d&#39;une structure mecanique par ondes elastiques diffuses
FR3095424A1 (fr) Système et procédé de surveillance d’un moteur d’aéronef
FR3028331A1 (fr) Procede de surveillance d&#39;un moteur d&#39;aeronef en fonctionnement dans un environnement donne
FR2983528A1 (fr) Methode de surveillance d&#39;une chaine de mesure d&#39;un turboreacteur
EP3956646A1 (fr) Système de surveillance de la santé d&#39;un hélicoptère
FR3035232A1 (fr) Systeme de surveillance de l&#39;etat de sante d&#39;un moteur et procede de configuration associe
EP3593101B1 (fr) Procédé de détection d&#39;un defaut d&#39;un capteur de vibration, dispositif et programme d&#39;ordinateur associés
WO2022038159A1 (fr) Procédé de caractérisation d&#39;une pièce par contrôle non destructif
FR3080453A1 (fr) Procede et systeme de controle non destructif d&#39;une piece mecanique
WO2023209111A1 (fr) Procede et systeme de detection d&#39;anomalie(s) dans une structure
EP2146188B1 (fr) Procédé de détection de défaillance d`un capteur analogique et dispositif de détection pour mettre en oeuvre ledit procédé
FR2966928A1 (fr) Procede et dispositif de surveillance d&#39;une chaine de mesure redondee
WO2024074379A1 (fr) Procédé d&#39;optimisation bi-niveau de la localisation de capteurs de détection de défaut(s) dans une structure par tomographie à ondes élastiques guidées
FR3096133A1 (fr) Extraction d’une composante vibro-acoustique générée par une source mécanique en régime variable
WO2021180726A1 (fr) Procédé et système de contrôle non destructif d&#39;une pièce aéronautique
WO2024074398A1 (fr) Optimisation du placement d&#39;un ensemble de capteurs de détection d&#39;anomalie(s) dans une structure par tomographie à ondes guidées

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: 23722373

Country of ref document: EP

Kind code of ref document: A1