FR3003952A1 - SYSTEM FOR DETECTING DEFECTS ON AN OBJECT - Google Patents

Abstract

L'invention concerne un système et un procédé de détection de défauts sur un objet (11), comportant les étapes suivantes : -former une image (13) représentative dudit objet (11) à partir de signaux (9) relatifs à l'objet, -construire des subdivisions (15) de ladite image selon des résolutions auto-adaptatives , et -calculer des différentiels entre différentes subdivisions pour détecter une subdivision anormale indicative de prémices de panne.The invention relates to a system and method for detecting defects on an object (11), comprising the steps of: forming an image (13) representative of said object (11) from signals (9) relating to the object constructing subdivisions (15) of said image according to self-adaptive resolutions, and calculating differentials between different subdivisions for detecting an abnormal subdivision indicative of the first moments of failure.

Description

SYSTÈME DE DÉTECTION DE DÉFAUTS SUR UN OBJET DOMAINE TECHNIQUE La présente invention concerne le domaine de détection de défauts sur un objet et plus particulièrement, pour la surveillance des éléments tournants d'un moteur d'aéronef. ÉTAT DE LA TECHNIQUE ANTÉRIEURE Il existe de nombreuses techniques utilisant des procédés optiques ou sonores pour détecter des défauts dans un objet. L'avantage de ces techniques est qu'ils peuvent être utilisés de manière non intrusive. Par exemple dans le domaine aéronautique lors des tests de production ou d'inspections des pales d'un moteur, on applique différentes techniques de contrôles non destructifs basés sur l'utilisation de caméras thermiques. Ces techniques consistent à utiliser un émetteur de chaleur mobile pour chauffer la pale et une caméra thermique mobile pour prendre une image infrarouge de la pale. L'analyse de l'image se base sur la comparaison d'un nombre très élevé de zones de l'image afin de détecter des défauts dans la pale. Ainsi, les méthodes actuelles nécessitent la réalisation de calculs pouvant prendre un temps non négligeable, sauf à utiliser des calculateurs particulièrement puissants et très coûteux. En outre, il est difficile de savoir quelle granularité adopter (i.e., quelle est la résolution de la zone à comparer) alors qu'on ne connait pas les défauts qu'on recherche. L'objet de la présente invention est par conséquent de proposer un procédé de détection simple à mettre en oeuvre sans passer par des calculs complexes et capable de détecter rapidement et avec précision des défauts sur un objet ou élément d'un moteur sans présenter les inconvénients précités. EXPOSÉ DE L'INVENTION La présente invention est définie par un procédé de détection de défauts sur un objet, comportant les étapes suivantes : - former une image représentative dudit objet à partir de signaux relatifs à l'objet, - construire des subdivisions de ladite image selon des résolutions auto-adaptatives, et - calculer des différentiels entre différentes subdivisions pour détecter une subdivision anormale indicative de prémices de panne. Le procédé permet de détecter des défauts de pratiquement toutes les tailles dans un délai raisonnable. Avantageusement, le procédé comporte une phase de confirmation comprenant une comparaison des différentiels relatifs à une subdivision anormale appartenant à une dernière image avec des différentiels relatifs à une même subdivision anormale appartenant à chacune d'un nombre déterminé de précédentes images dudit objet. Ceci permet de confirmer la détection de défauts tout en évitant les fausses alarmes. Avantageusement, le procédé comporte: - une génération d'alerte d'importance haute ou très haute s'il est constaté que les différentiels ont augmenté au cours de dernières images, et - une génération d'alerte d'importance moyenne s'il est constaté que les différentiels restent constants au cours de dernières images. Ceci permet d'évaluer l'importance des prémices de panne ou de défauts.The present invention relates to the field of defect detection on an object and more particularly, for the monitoring of rotating elements of an aircraft engine. STATE OF THE PRIOR ART There are many techniques using optical or sound methods for detecting defects in an object. The advantage of these techniques is that they can be used non-intrusively. For example, in the aeronautical field during production tests or inspections of the blades of an engine, various non-destructive testing techniques based on the use of thermal imaging cameras are applied. These techniques involve using a mobile heat emitter to heat the blade and a moving thermal camera to take an infrared image of the blade. The analysis of the image is based on the comparison of a very large number of zones of the image in order to detect defects in the blade. Thus, the current methods require the realization of calculations that can take a significant time, except to use particularly powerful and very expensive computers. In addition, it is difficult to know what granularity to adopt (ie, what is the resolution of the area to be compared) while we do not know the defects we are looking for. The object of the present invention is therefore to provide a simple detection method to implement without going through complex calculations and capable of quickly and accurately detect defects on an object or element of an engine without the disadvantages supra. PRESENTATION OF THE INVENTION The present invention is defined by a method for detecting defects on an object, comprising the following steps: forming a representative image of said object from signals relating to the object, constructing subdivisions of said image according to self-adaptive resolutions, and - calculating differentials between different subdivisions to detect an abnormal subdivision indicative of first-offs. The method makes it possible to detect defects of virtually any size within a reasonable time. Advantageously, the method comprises a confirmation phase comprising a comparison of the differentials relating to an abnormal subdivision belonging to a last image with differentials relating to the same abnormal subdivision belonging to each of a predetermined number of previous images of said object. This makes it possible to confirm the detection of faults while avoiding false alarms. Advantageously, the method comprises: an alarm generation of high or very high importance if it is found that the differentials have increased during the last images, and an alert generation of average importance if it is found that the differentials remain constant over the last images. This makes it possible to evaluate the importance of the first stages of failure or defects.

Selon un mode de réalisation préféré de l'invention, les étapes de construction des subdivisions et de calcul des différentiels comportent les étapes suivantes : - (al) quadriller ladite image en une pluralité de subdivisions courantes, - (a2) calculer des premiers différentiels courants entre chaque subdivision courante et des subdivisions courantes voisines, - (a3) vérifier s'il existe une subdivision courante pour laquelle des premiers différentiels courants avec au moins un premier nombre déterminé de subdivisions voisines sont indicatifs d'anomalie, - (a4) calculer, au cas où l'étape précédente (a3) est confirmée, des seconds différentiels courants entre ladite subdivision courante et des subdivisions courantes éloignées, - (a5) vérifier si ladite subdivision courante présente avec au moins un deuxième nombre déterminé de subdivisions courantes éloignées, des seconds différentiels courants indicatifs d'anomalie, - (a6) déclarer ladite subdivision courante comme étant invalide au cas où l'étape précédente (a5) est confirmée, - (a7) re-quadriller une zone recouvrant ladite subdivision courante invalide pour former de nouvelles subdivisions chevauchant la précédente subdivision invalide, les nouvelles subdivisions étant considérées comme les actuelles subdivisions courantes, - (a8) répéter les étapes (a2)-(a6) pour chacune des nouvelles subdivisions courantes de ladite zone de recouvrement, - (a9) faire un masque ET dans ladite zone de recouvrement entre les précédentes subdivisions invalides et les nouvelles subdivisions formant ainsi des subdivisions de tailles réduites comprenant au moins une subdivision invalide, lesdites subdivisions de tailles réduites étant considérées comme les actuelles subdivisions courantes, - (a10) vérifier si la taille de l'actuelle subdivision courante est plus grande qu'une résolution prédéterminée, et - (a11) réitérer, au cas où l'étape précédente (a10) est confirmée, les étapes précédentes (a2)-(a10) pour chaque actuelle subdivision courante, sinon, déclarer la ou les subdivision(s) courante(s) invalide(s) comme subdivision(s) anormale(s). Ainsi, ce procédé est basé sur des zooms et un nombre optimal de comparaisons pertinentes permettant de réduire la charge de calcul et de ne pas préjuger de la taille du défaut au-delà de la résolution. Avantageusement, on vérifie à l'étape (a3) si les premiers différentiels courants sont supérieurs à un premier seuil prédéterminé, et on vérifie à l'étape (a5) si les seconds différentiels courants sont supérieurs à un deuxième seuil prédéterminé. Ceci permet de détecter les défauts en tenant compte des erreurs ainsi que d'éventuelles différences de contextes entre des régions éloignées.According to a preferred embodiment of the invention, the steps of construction of the subdivisions and calculation of the differentials comprise the following steps: - (a1) squaring said image into a plurality of current subdivisions, - (a2) calculating first current differentials between each current subdivision and neighboring common subdivisions, - (a3) checking whether there is a current subdivision for which first current differentials with at least a first predetermined number of neighboring subdivisions are indicative of anomaly, - (a4) calculating, in the case where the preceding step (a3) is confirmed, second current differentials between said current subdivision and remote current subdivisions, - (a5) checking whether said current subdivision has with at least a second predetermined number of remote current subdivisions, second current differentials indicative of anomaly, - (a6) declare said subdivision ante to be invalid if the preceding step (a5) is confirmed, - (a7) re-squaring an area covering said invalid current subdivision to form new subdivisions overlapping the previous invalid subdivision, the new subdivisions being considered as current current subdivisions, - (a8) repeating steps (a2) - (a6) for each of the new current subdivisions of said overlapping area, - (a9) forming an AND mask in said overlap area between the previous invalid subdivisions and the new ones. subdivisions thus forming reduced size subdivisions comprising at least one invalid subdivision, said reduced size subdivisions being considered current current subdivisions, - (a10) verifying whether the size of the present current subdivision is larger than a predetermined resolution , and - (a11) reiterate, in case the previous step (a10) is confirmed, the previous steps (a2) - (a10) for each current current subdivision, otherwise, declare the current subdivision (s) invalid (s) as an abnormal subdivision (s). Thus, this method is based on zooms and an optimal number of relevant comparisons making it possible to reduce the computational load and not to prejudge the size of the defect beyond the resolution. Advantageously, it is verified in step (a3) whether the first current differentials are greater than a first predetermined threshold, and it is verified in step (a5) whether the second current differentials are greater than a second predetermined threshold. This makes it possible to detect defects taking into account errors as well as any differences in contexts between distant regions.

Avantageusement, le procédé comporte une construction d'une base de données d'apprentissage enregistrant des différentiels sains entre différentes subdivisions de l'image et on calcule à l'étape (a3) les différences entre les premiers différentiels courants et des différentiels sains correspondants pour vérifier si elles sont supérieures à un niveau prédéterminé et on calcule à l'étape (a5) les différences entre les seconds différentiels courants et des différentiels sains correspondants pour vérifier si elles sont supérieures à un deuxième niveau prédéterminé. Ceci permet de tenir compte d'inhomogénéités pouvant exister au sein de l'objet. Avantageusement, ledit objet est un élément tournant d'un moteur d'aéronef.Advantageously, the method comprises a construction of a training database recording healthy differentials between different subdivisions of the image and in step (a3) the differences between the first current differentials and corresponding healthy differentials are calculated for checking whether they are greater than a predetermined level and calculating in step (a5) the differences between the second current differentials and corresponding healthy differentials to check whether they are greater than a second predetermined level. This makes it possible to take account of inhomogeneities that may exist within the object. Advantageously, said object is a rotating element of an aircraft engine.

En effet, le traitement numérique selon l'invention est peu coûteux en calcul et peut donc être facilement mis en oeuvre par des moyens de traitement embarqués dans un aéronef. Selon un mode de réalisation, les signaux relatifs audit objet sont des signaux infrarouges provenant de l'objet de sorte que ladite image représentative dudit objet est une image infrarouge traduisant un champ thermique en phase transitoire après le réchauffement de l'objet par une sollicitation thermique. Selon un autre mode de réalisation, les signaux relatifs audit objet sont des signaux ultrasonores provenant de l'objet de sorte que ladite image représentative dudit objet est une image traduisant des ondes ultrasonores réfléchies par l'objet.Indeed, the digital processing according to the invention is inexpensive in calculation and can therefore be easily implemented by on-board processing means in an aircraft. According to one embodiment, the signals relating to said object are infrared signals coming from the object so that said representative image of said object is an infrared image reflecting a transient phase thermal field after the heating of the object by a thermal stress . According to another embodiment, the signals relating to said object are ultrasonic signals coming from the object so that said representative image of said object is an image reflecting ultrasonic waves reflected by the object.

L'invention vise également un système de détection de défauts sur au moins un élément tournant d'un moteur d'aéronef, comportant : - des moyens d'excitations embarqués pour provoquer l'émission de signaux par ledit élément tournant, - des moyens d'acquisition embarqués pour acquérir les signaux envoyés par ledit élément tournant, et - des moyens de traitement configurés pour réaliser les étapes du procédé selon l'une quelconque des revendications précédentes.The invention also relates to a system for detecting defects on at least one rotating element of an aircraft engine, comprising: - onboard excitation means for causing the transmission of signals by said rotating element, - means for on-board acquisition to acquire the signals sent by said rotating element, and - processing means configured to carry out the steps of the method according to any one of the preceding claims.

Selon un premier mode de réalisation du système selon l'invention, les moyens d'excitations sont des moyens chauffants pour réchauffer ledit élément tournant du moteur par une sollicitation thermique, et les moyens d'acquisition sont des moyens thermographiques pour acquérir une image infrarouge traduisant un champ thermique en phase transitoire dudit élément tournant.According to a first embodiment of the system according to the invention, the excitation means are heating means for heating said rotating element of the motor by a thermal stress, and the acquisition means are thermographic means for acquiring an infrared image reflecting a transient phase thermal field of said rotating element.

Selon un deuxième mode de réalisation du système selon l'invention, les moyens d'excitations sont des moyens d'émission d'ondes ultrasonores, et les moyens d'acquisition sont des moyens de réception d'ondes ultrasonores réfléchies par l'objet. BRÈVE DESCRIPTION DES DESSINS D'autres caractéristiques et avantages de l'invention apparaîtront à la lecture de modes de réalisation préférentiels de l'invention faits en référence aux figures jointes parmi lesquelles : La Fig. 1 illustre de manière schématique un système de détection de défauts sur un objet, selon l'invention ; La Fig. 2 est un algorithme illustrant différentes étapes d'un procédé de détection selon un mode de réalisation préféré de l'invention ; Les Figs. 3A-3E sont des quadrillages d'une image illustrant de manière schématique les étapes de l'organigramme de la Fig. 2; Les Figs. 4A-4D illustrent la détection de défauts ponctuels et progressifs sur différents quadrillages, selon l'invention ; La Fig. 5 est un algorithme de détection comprenant une phase de confirmation selon un premier mode de réalisation du procédé, selon l'invention ; La Fig. 6 est un algorithme de détection comprenant une phase de confirmation selon un deuxième mode de réalisation du procédé, selon l'invention ; La Fig. 7 illustre de manière schématique un système de détection de défauts sur un élément tournant d'un moteur d'aéronef, selon un premier mode de réalisation du système de la Fig. 1; La Fig. 8 est un schéma en bloc illustrant les étapes de détection de défauts sur une roue aubagée du moteur, selon le système de la Fig. 7; et La Fig. 9 illustre de manière schématique un système de détection de défauts sur un élément tournant d'un moteur d'aéronef, selon un deuxième mode de réalisation du système de la Fig. 1.According to a second embodiment of the system according to the invention, the excitation means are ultrasonic wave emission means, and the acquisition means are means for receiving ultrasonic waves reflected by the object. BRIEF DESCRIPTION OF THE DRAWINGS Other characteristics and advantages of the invention will appear on reading preferred embodiments of the invention with reference to the appended figures in which: FIG. 1 schematically illustrates a defect detection system on an object, according to the invention; Fig. 2 is an algorithm illustrating different steps of a detection method according to a preferred embodiment of the invention; Figs. 3A-3E are grids of an image schematically illustrating the steps of the flowchart of FIG. 2; Figs. 4A-4D illustrate the detection of point and progressive defects on different grids, according to the invention; Fig. 5 is a detection algorithm comprising a confirmation phase according to a first embodiment of the method, according to the invention; Fig. 6 is a detection algorithm comprising a confirmation phase according to a second embodiment of the method, according to the invention; Fig. 7 schematically illustrates a defect detection system on a rotating element of an aircraft engine, according to a first embodiment of the system of FIG. 1; Fig. 8 is a block diagram illustrating the steps of detecting defects on a bladed wheel of the motor, according to the system of FIG. 7; and FIG. 9 schematically illustrates a defect detection system on a rotating element of an aircraft engine, according to a second embodiment of the system of FIG. 1.

EXPOSÉ DÉTAILLÉ DE MODES DE RÉALISATION PARTICULIERS Le concept à la base de l'invention repose sur un procédé de détection de défauts dans un objet en utilisant une image représentative de l'objet et en réalisant un nombre minimal de comparaisons entre des zones dont la taille s'adapte de manière itérative à la taille des défauts. La Fig. 1 illustre de manière schématique un système de détection de défauts sur un objet, selon l'invention. Le système de détection 1 comporte des moyens d'excitations 3, des moyens d'acquisition 5, et des moyens de traitement 7 de données.DETAILED DESCRIPTION OF PARTICULAR EMBODIMENTS The concept underlying the invention is based on a method for detecting defects in an object by using an image representative of the object and performing a minimum number of comparisons between zones whose size iteratively adapts to the size of the defects. Fig. 1 schematically illustrates a defect detection system on an object, according to the invention. The detection system 1 comprises excitation means 3, acquisition means 5, and data processing means 7.

Les moyens d'excitations sont destinés à provoquer l'émission de signaux 9 par l'objet 11 tandis que les moyens d'acquisition 5 sont destinés à acquérir ces signaux. A titre d'exemple, les moyens d'excitations 3 sont des moyens chauffants pour réchauffer l'objet 11 par une sollicitation thermique et les moyens d'acquisition 5 sont des moyens thermographiques pour acquérir une image infrarouge traduisant un champ thermique en phase transitoire (voir Fig. 7). Selon un autre exemple, les moyens d'excitations 3 sont des moyens d'émission d'ondes ultrasonores et les moyens d'acquisition 5 sont des moyens de réception d'ondes ultrasonores réfléchies par l'objet 11 (voir Fig. 9). Les moyens de traitement 7 sont destinés à traiter les signaux 9 relatifs à l'objet afin de détecter des défauts et de générer des alertes. Plus particulièrement, les moyens de traitement 7 sont configurés pour former un graphe ou une image 13 représentative de l'objet 11 à partir de signaux 9 relatifs à l'objet. L'image 13 est définie ici comme une représentation de l'objet 11 au sens numérique ou mathématique du terme où chaque point de l'image 13 correspond à un antécédent de l'objet 11. Ainsi, l'image peut correspondre par exemple à une représentation optique, thermique, ou acoustique de l'objet 11. Les moyens de traitement 7 sont aussi configurés pour construire de manière itérative des subdivisions de l'image 13 selon des résolutions auto-adaptatives, c'est-à- dire selon des résolutions qui s'adaptent à l'étendue du défaut. En outre, les moyens de traitement 7 sont configurés pour calculer de manière itérative des différentiels entre différentes subdivisions afin de détecter une subdivision anormale indicative de prémices de panne. La Fig. 2 est un algorithme illustrant différentes étapes d'un procédé de détection selon un mode de réalisation de l'invention. En outre, les Figs. 3A-3E sont des quadrillages d'une image 13 illustrant de manière schématique les étapes de l'organigramme de la Fig. 2. A l'étape El les moyens de traitement 7 sont configurés pour former l'image 13 représentative de l'objet 11 à partir de signaux 9 relatifs à cet objet. L'image 13 peut par exemple être la traduction d'un champ thermique acquis par des moyens thermographiques ou bien la traduction de signaux ultrasonores acquis par des capteurs d'ondes ultrasonores. On définit aussi une résolution déterminée correspondant à une taille minimale de défauts. Cela permet d'une part de ne pas alerter sur des défauts acceptables et d'autre part de donner un point d'arrêt à l'algorithme.The excitation means are intended to cause the transmission of signals 9 by the object 11 while the acquisition means 5 are intended to acquire these signals. By way of example, the excitation means 3 are heating means for heating the object 11 by a thermal stress and the acquisition means 5 are thermographic means for acquiring an infrared image reflecting a thermal field in transient phase ( see Fig. 7). According to another example, the excitation means 3 are ultrasonic wave emission means and the acquisition means 5 are means for receiving ultrasonic waves reflected by the object 11 (see Fig. 9). The processing means 7 are intended to process the signals 9 relating to the object in order to detect faults and generate alerts. More particularly, the processing means 7 are configured to form a graph or an image 13 representative of the object 11 from signals 9 relating to the object. The image 13 is defined here as a representation of the object 11 in the numerical or mathematical sense of the term where each point of the image 13 corresponds to an antecedent of the object 11. Thus, the image may correspond for example to an optical, thermal, or acoustic representation of the object 11. The processing means 7 are also configured to iteratively build subdivisions of the image 13 according to self-adaptive resolutions, that is to say according to resolutions that adapt to the extent of the defect. In addition, the processing means 7 are configured to iteratively calculate differentials between different subdivisions in order to detect an abnormal subdivision indicative of the beginning of failure. Fig. 2 is an algorithm illustrating different steps of a detection method according to an embodiment of the invention. In addition, Figs. 3A-3E are grids of an image 13 schematically illustrating the steps of the flowchart of FIG. 2. In step El, the processing means 7 are configured to form the image 13 representative of the object 11 from signals 9 relating to this object. The image 13 can for example be the translation of a thermal field acquired by thermographic means or the translation of ultrasonic signals acquired by ultrasonic wave sensors. A determined resolution corresponding to a minimum size of defects is also defined. This allows on the one hand not to alert on acceptable defects and on the other hand to give a breakpoint to the algorithm.

A l'étape E2 les moyens de traitement 7 sont configurés pour quadriller l'image 13 en une pluralité de subdivisions courantes. Les dimensions des subdivisions sont sélectionnées en fonction de la taille de l'objet de façon à ce qu'on puisse avoir des voisins proches et des voisins éloignés. La Fig. 3A montre un quadrillage 15 d'une partie de l'image 13 en neuf subdivisions 115a-115i en forme de grands carreaux de mêmes tailles. Les petits carreaux 225 représentent la résolution sélectionnée. Par ailleurs, on notera que les subdivisions peuvent aussi être de forme hexagonale ou triangulaire ou de toute autre forme géométrique. A l'étape E3 les moyens de traitement 7 sont configurés pour calculer des premiers différentiels courants entre chaque subdivision courante 115a et les subdivisions courantes voisines 115b-115i. Par exemple, le différentiel représente la différence des valeurs d'un paramètre physique (e.g., champ optique, thermique ou sonore) entre une subdivision et une subdivision voisine. Plus particulièrement, les moyens de traitement 7 calculent une composante du paramètre physique relative à chaque subdivision et comparent ensuite la composante de chaque subdivision à celles de ses voisines. Selon l'exemple de la Fig. 3A chaque carreau est comparé à ses huit voisins en calculant le différentiel entre d'une part la composante du paramètre physique dans un carreau 115a et d'autre part la composante relative à chacun des huit carreaux 115b-115i limitrophes. L'étape E4 est un test où les moyens de traitement 7 sont configurés pour vérifier s'il existe ou non, une subdivision courante pour laquelle des premiers différentiels courants avec au moins un premier nombre déterminé de subdivisions voisines sont indicatifs d'anomalie.In step E2, the processing means 7 are configured to grid the image 13 into a plurality of common subdivisions. The dimensions of the subdivisions are selected according to the size of the object so that we can have close neighbors and distant neighbors. Fig. 3A shows a grid 15 of a portion of the image 13 in nine subdivisions 115a-115i in the form of large tiles of the same sizes. Small tiles 225 represent the selected resolution. Moreover, it should be noted that the subdivisions may also be of hexagonal or triangular shape or of any other geometrical shape. In step E3, the processing means 7 are configured to calculate first current differentials between each current subdivision 115a and the neighboring current subdivisions 115b-115i. For example, the differential represents the difference in the values of a physical parameter (e.g., optical, thermal or sound field) between a subdivision and a neighboring subdivision. More particularly, the processing means 7 calculate a component of the physical parameter relating to each subdivision and then compare the component of each subdivision with those of its neighbors. According to the example of FIG. 3A each tile is compared to its eight neighbors by calculating the differential between firstly the component of the physical parameter in a tile 115a and secondly the component relative to each of the eight tiles 115b-115i boundary. Step E4 is a test where the processing means 7 are configured to check whether or not there is a current subdivision for which first current differentials with at least a first predetermined number of neighboring subdivisions are indicative of anomaly.

Un indicateur d'anomalie peut par exemple être la comparaison du différentiel avec un seuil prédéterminé. En variante, l'indicateur d'anomalie peut être défini par la différence entre le différentiel observé et un différentiel sain mesuré lors d'une phase d'apprentissage et la comparaison de cette différence avec un niveau prédéterminé. On notera que le seuil ou niveau prédéterminé peut dépendre de plusieurs facteurs comme par exemple le nombre de voisins, la taille de la subdivision 115a, le paramètre physique mesuré, la précision souhaitée, etc. Si le résultat du test de l'étape E4 est négatif, alors on considère à l'étape E5 que l'objet 11 est valide.An anomaly indicator may for example be the comparison of the differential with a predetermined threshold. Alternatively, the abnormality indicator may be defined by the difference between the observed differential and a healthy differential measured during a learning phase and the comparison of this difference with a predetermined level. Note that the threshold or predetermined level may depend on several factors such as the number of neighbors, the size of the subdivision 115a, the physical parameter measured, the desired accuracy, etc. If the result of the test of step E4 is negative, then it is considered in step E5 that the object 11 is valid.

En revanche, si on trouve une subdivision pour laquelle les premiers différentiels courants, avec au moins un premier nombre déterminé de subdivisions voisines sont indicatifs d'anomalie, alors on considère que cette subdivision est potentiellement invalide et on passe à l'étape E6.On the other hand, if a subdivision is found for which the first current differentials, with at least a first predetermined number of neighboring subdivisions are indicative of anomaly, then this subdivision is considered potentially invalid and step E6 is taken.

On notera que si les différentiels indiquent une anomalie avec seulement une autre subdivision voisine, on peut vraisemblablement considérer que c'est une imprécision ou erreur de mesure. Autrement dit, pour que la subdivision soit déclarée potentiellement invalide, il faut qu'il y ait au moins un nombre seuil de subdivisions voisines avec qui les différentiels sont indicatifs d'anomalie. Ce nombre seuil peut aussi dépendre du nombre de voisins, de la taille de la subdivision, du paramètre physique mesuré, et de la précision souhaitée. Dans l'exemple de la Fig. 3A, ce nombre seuil est choisi égal à quatre et cette figure montre que la subdivision 115a au centre présente par rapport à au moins quatre de ses voisines 115b-115i un différentiel indicatif d'anomalie. Ainsi, lorsque le test de l'étape E4 est confirmé, les moyens de traitement 7 sont configurés pour comparer à l'étape E6, la subdivision potentiellement invalide avec des subdivisions éloignées. En particulier, les moyens de traitement 7 calculent des seconds différentiels courants entre la subdivision courante potentiellement invalide et des subdivisions courantes éloignées. Par exemple on peut comparer le carreau central incriminé 115a de la Fig. 3A avec seulement huit voisins éloignés (non représentés) afin de limiter la charge de calcul. On notera que les voisins sont choisis de façon différente pour les subdivisions aux bords de l'image car on ne peut pas prendre des voisins dans toutes les directions. Ainsi, afin de tenir compte des effets de bord, on peut choisir des seuils différents selon que les subdivisions potentiellement invalides sont aux bords ou à l'intérieur de l'image.It will be noted that if the differentials indicate an anomaly with only another neighboring subdivision, it can probably be considered that it is an imprecision or measurement error. In other words, for the subdivision to be declared potentially invalid, there must be at least a threshold number of neighboring subdivisions with which the differentials are indicative of anomaly. This threshold number may also depend on the number of neighbors, the size of the subdivision, the physical parameter measured, and the desired accuracy. In the example of FIG. 3A, this threshold number is chosen to be four and this figure shows that the subdivision 115a in the center has, with respect to at least four of its neighbors 115b-115i, a differential indicative of anomaly. Thus, when the test of step E4 is confirmed, the processing means 7 are configured to compare in step E6, the potentially invalid subdivision with remote subdivisions. In particular, the processing means 7 calculate second current differentials between the potentially invalid current subdivision and remote current subdivisions. For example one can compare the incriminated central tile 115a of FIG. 3A with only eight remote neighbors (not shown) to limit the computational load. Note that the neighbors are chosen differently for subdivisions at the edges of the image because we can not take neighbors in all directions. Thus, to account for edge effects, different thresholds may be chosen depending on whether the potentially invalid subdivisions are at the edges or inside the image.

L'étape E7 est un test où les moyens de traitement 7 sont configurés pour vérifier si la subdivision courante présente avec au moins un deuxième nombre déterminé de subdivisions courantes éloignées, des seconds différentiels courants indicatifs d'anomalie. On prend des voisines suffisamment éloignées pour sortir de la zone potentiellement invalide. Si le résultat du test de l'étape E7 est négatif, alors on considère à l'étape E8 que la subdivision incriminée est valide. En effet, si une subdivision est différente de ses proches voisines mais pas des voisines éloignées, on peut déduire que la subdivision en question est valide mais pas les proches voisines. Dans ce cas, on peut envisager un statut particulier, mais de toute façon, les proches voisines seront aussi testées et détectées par l'algorithme. En revanche, si le résultat du test de l'étape E7 est confirmé, alors on considère à l'étape E9 que la subdivision incriminée est invalide. Comme précédemment, une anomalie est détectée lorsque le différentiel est supérieur à un seuil prédéterminé. En outre, pour que la subdivision incriminée soit déclarée invalide, il faut qu'il y ait au moins un deuxième nombre déterminé de subdivisions voisines avec qui les différentiels sont indicatifs d'anomalie. La Fig. 3A montre aussi que la subdivision 115a au centre présente par rapport à au moins quatre de ses voisines éloignées (non représentées) un différentiel indicatif d'anomalie. Le fait de comparer une subdivision donnée avec ses voisines proches et ensuite avec des voisines éloignées permet de confirmer l'invalidité de la subdivision et d'adapter la résolution des subdivisions. En effet, si les différentiels entre la subdivision donnée et les voisines proches sont indicatifs d'une anomalie et si l'anomalie résulte d'un réel défaut alors les différentiels avec les voisines éloignées doivent aussi indiquer une anomalie étant donné qu'on s'éloigne de la zone défectueuse. En particulier, si l'anomalie est due à un défaut progressif, alors les différentiels avec des voisines éloignées sont forcément plus importants qu'avec des voisines proches. D'un autre côté, si le défaut est très ponctuel alors les différentiels avec des voisines éloignées sont au moins aussi importants qu'avec des voisines proches. On notera qu'afin d'éviter des fausses alarmes, on ne prend pas les mêmes seuils pour les comparaisons proches et éloignées. En effet, les subdivisions éloignées sont normalement suffisamment éloignées de la zone incriminée et présentent donc par rapport à cette dernière des différentiels assez importants. Toutefois, le contexte dans les zones éloignées peut être différent et par conséquent, les valeurs du paramètre physique entre les deux zones peuvent présenter des écarts significatifs sans qu'il y ait forcément un défaut. Ainsi, pour éviter les fausses alarmes, il est avantageux de choisir un seuil plus grand pour une comparaison entre deux subdivisions éloignées que pour une comparaison entre deux subdivisions proches. Ensuite, les moyens de traitement 7 sont configurés pour calculer d'autres différentiels en réorganisant les subdivisions et/ou en affinant leurs tailles. En effet, à l'étape E10, les moyens de traitement 7 sont configurés pour requadriller une zone 215 recouvrant la subdivision 115a déclarée invalide (voir Fig. 3B). Ainsi, on forme de nouvelles subdivisions qui chevauchent la subdivision invalide. La nouvelle zone 215 est homothétique à la subdivision invalide par exemple de rapport strictement compris entre 1 et 2. L'exemple de la Fig. 3B illustre de manière schématique une réorganisation des subdivisions selon un simple décalage d'un demi-carreau horizontalement et d'un demi-carreau verticalement. Ainsi, cet exemple, montre que quatre nouveaux carreaux courants 215a-215d recouvrent le précédent carreau courant invalide 115a (représenté en pointillé). Chacun de ces quatre nouveaux carreaux 215a-215d recouvre une partie du précédent carreau 115a plus une partie du voisinage immédiat de ce dernier. Ceci permet de scruter tout le voisinage de la zone déclarée invalide. A nouveau, les moyens de traitement 7 calculent des nouveaux différentiels relatifs au nouveau découpage des zones de comparaisons.Step E7 is a test where the processing means 7 are configured to check whether the current subdivision has, with at least a second predetermined number of remote current subdivisions, second current differentials indicative of anomaly. We take neighbors far enough apart to leave the potentially invalid area. If the result of the test of step E7 is negative, then it is considered in step E8 that the offending subdivision is valid. Indeed, if a subdivision is different from its close neighbors but not distant neighbors, we can deduce that the subdivision in question is valid but not close neighbors. In this case, we can consider a particular status, but in any case, close neighbors will also be tested and detected by the algorithm. On the other hand, if the result of the test of step E7 is confirmed, then it is considered in step E9 that the incriminated subdivision is invalid. As before, an anomaly is detected when the differential is greater than a predetermined threshold. In addition, in order for the offending subdivision to be declared invalid, there must be at least a second specified number of neighboring subdivisions with which the differentials are indicative of anomaly. Fig. 3A also shows that the subdivision 115a in the center presents with respect to at least four of its remote neighbors (not shown) a differential indicative of anomaly. Comparing a given subdivision with its close neighbors and then with distant neighbors makes it possible to confirm the invalidity of the subdivision and to adapt the resolution of the subdivisions. Indeed, if the differentials between the given subdivision and the nearby neighbors are indicative of an anomaly and if the anomaly results from a real defect, then the differentials with the distant neighbors must also indicate an anomaly since away from the defective area. In particular, if the anomaly is due to a progressive defect, then the differentials with distant neighbors are inevitably greater than with close neighbors. On the other hand, if the fault is very punctual then the differentials with distant neighbors are at least as important as with nearby neighbors. Note that in order to avoid false alarms, we do not take the same thresholds for near and far comparisons. In fact, the remote subdivisions are normally sufficiently distant from the incriminated zone and therefore have relatively large differentials relative to the latter. However, the context in the remote areas may be different and therefore the values of the physical parameter between the two areas may be significantly different without necessarily having a fault. Thus, to avoid false alarms, it is advantageous to choose a larger threshold for a comparison between two distant subdivisions than for a comparison between two close subdivisions. Then, the processing means 7 are configured to calculate other differentials by rearranging the subdivisions and / or refining their sizes. Indeed, in step E10, the processing means 7 are configured to requadriller a zone 215 covering the subdivision 115a declared invalid (see Fig. 3B). Thus, new subdivisions are formed that overlap the invalid subdivision. The new zone 215 is homothetic to the invalid subdivision, for example with a ratio strictly between 1 and 2. The example of FIG. 3B schematically illustrates a reorganization of the subdivisions with a simple shift of half a tile horizontally and half a tile vertically. Thus, this example shows that four new current tiles 215a-215d cover the previous invalid current tile 115a (shown in dashed line). Each of these four new tiles 215a-215d covers a portion of the previous tile 115a plus part of the immediate vicinity of the latter. This makes it possible to scan the entire neighborhood of the zone declared invalid. Again, the processing means 7 calculate new differentials relating to the new division of the comparison areas.

En effet, les nouvelles subdivisions 215a-215d sont considérées comme les actuelles subdivisions courantes et pour chacune de ces nouvelles subdivisions on réalise les étapes E11-E17 qui sont équivalentes aux étapes E3-E9 respectivement. Ainsi, à l'étape E11 les moyens de traitement 7 sont configurés pour calculer des premiers différentiels courants entre chaque nouvelle subdivision courante 215a-215d et des subdivisions courantes voisines. L'étape E12 est un test où les moyens de traitement 7 sont configurés pour vérifier s'il existe une nouvelle subdivision courante pour laquelle des premiers différentiels courants avec au moins un premier nombre déterminé de subdivisions voisines sont indicatifs d'anomalie. Si le résultat du test de l'étape E12 est négatif, alors on considère à l'étape E13 que la subdivision est valide, sinon, on considère qu'elle est potentiellement invalide et on passe à l'étape E14. A l'étape E14, les moyens de traitement 7 sont configurés pour comparer la nouvelle subdivision potentiellement invalide avec des subdivisions éloignées. L'étape E15 est un test où les moyens de traitement 7 sont configurés pour vérifier si la nouvelle subdivision courante présente avec au moins un deuxième nombre déterminé de subdivisions courantes éloignées des seconds différentiels courants indicatifs d'anomalie. Si le résultat du test de l'étape E15 est négatif, alors on considère à l'étape E16 que la subdivision incriminée est valide. En revanche, si le résultat du test de l'étape E15 est confirmé, alors on considère à l'étape E17 que la nouvelle subdivision incriminée est invalide. Ainsi, à l'issue de l'étape E17, on a au moins une nouvelle subdivision invalide et une précédente subdivision invalide. L'exemple de la Fig. 3B montre un nouveau carreau courant invalide 215a et un précédent carreau invalide 115a. Le recoupement entre les actuel et précédent carreaux invalides donne plus de précision sur la localisation du défaut. En effet, à l'étape E18 les moyens de traitement 7 sont configurés pour faire un masque selon une opération logique ET entre les précédentes subdivisions invalides 115a et les nouvelles subdivisions 215a-215d dans la zone 215 de recouvrement. Ceci forme des subdivisions 315a-315d de tailles réduites comprenant au moins une subdivision invalide 315a de taille réduite (voir Fig. 3C). Ces nouvelles subdivisions 315a-315d de tailles réduites sont considérées comme les actuelles subdivisions courantes. A l'étape E19 les moyens de traitement 7 sont configurés pour vérifier si la taille de l'actuelle subdivision courante 315a-315d est plus grande que la résolution prédéterminée 100. Si oui, les moyens de traitement 7 sont configurés pour réitérer les étapes précédentes E3-E18 pour chaque actuelle subdivision courante, et sinon, on déclare à l'étape E20 la ou les subdivision(s) courante(s) invalide(s) comme subdivision(s) anormale(s).In fact, the new subdivisions 215a-215d are considered as current current subdivisions and for each of these new subdivisions, steps E11-E17 are carried out which are equivalent to steps E3-E9 respectively. Thus, in step E11, the processing means 7 are configured to calculate first current differentials between each new current subdivision 215a-215d and neighboring current subdivisions. Step E12 is a test where the processing means 7 are configured to check if there is a new current subdivision for which first current differentials with at least a first predetermined number of neighboring subdivisions are indicative of anomaly. If the result of the test of step E12 is negative, then it is considered in step E13 that the subdivision is valid, otherwise, it is considered to be potentially invalid and proceed to step E14. In step E14, the processing means 7 are configured to compare the new potentially invalid subdivision with remote subdivisions. Step E15 is a test where the processing means 7 are configured to check whether the new current subdivision has, with at least a second predetermined number of current subdivisions remote from the second current differentials indicative of anomaly. If the result of the test of step E15 is negative, then it is considered in step E16 that the offending subdivision is valid. On the other hand, if the result of the test of step E15 is confirmed, then it is considered in step E17 that the new incriminated subdivision is invalid. Thus, at the end of step E17, there is at least one new invalid subdivision and one previous invalid subdivision. The example of FIG. 3B shows a new invalid current tile 215a and a previous invalid tile 115a. The overlap between the current and previous invalid tiles gives more precision on the location of the defect. In fact, in step E18, the processing means 7 are configured to make a mask according to a logical operation AND between the previous invalid subdivisions 115a and the new subdivisions 215a-215d in the overlap zone 215. This forms subdivisions 315a-315d of reduced size comprising at least one invalid subdivision 315a of reduced size (see Fig. 3C). These new subdivisions 315a-315d of reduced size are considered current current subdivisions. In step E19 the processing means 7 are configured to check whether the size of the present current subdivision 315a-315d is greater than the predetermined resolution 100. If yes, the processing means 7 are configured to repeat the previous steps E3-E18 for each current current subdivision, and otherwise, in step E20, the at least one current subdivision (s) is declared as an abnormal subdivision (s).

La Fig. 3C montre que le masque ET affine la zone en diminuant la longueur et la largeur du carreau d'un facteur 2. Toutefois, la taille du carreau invalide 315a reste supérieure à la taille du petit carreau 100 correspondant à la résolution et par conséquent, on recommence les mêmes étapes comme illustré sur la Fig. 3D. Finalement, la Fig. 3E montre que la résolution 100 est atteinte et les petits carreaux invalides 100a- 100d sont localisés. L'exemple des Figs. 3A-3E montre que le procédé de détection selon l'invention permet de réduire fortement le nombre d'étapes de calculs. En effet, l'image selon l'exemple des Figs. 3A-3E comporte 18 x 18 = 324 petites cases 100. Ainsi, en faisant abstraction des effets de bords, si on comparait chaque case 100 avec ses huit cases voisines, on aurait 2592 comparaisons et la technique serait moins efficace car on ne détecterait que des anomalies très localisées sur une case 100. Avec la technique ci-dessus et en faisant toujours abstraction aux effets de bords, on réalise, à l'étape de la Fig. 5A, 9 x 8 = 72 comparaisons, à l'étape de la Fig. 5B, 4 x 8 = 32 comparaisons, à l'étape de la Fig. 5C, zéro comparaison, et finalement à l'étape de la Fig. 5D, 9 x 8 = 72 comparaisons, soit au total 176 comparaisons seulement. Ceci permet de réduire le temps de calcul et la sollicitation du calculateur. Plus généralement, pour une image d'un objet de 100cm x 20cm et de résolution de 1mm, si on prenait indépendamment chaque zone de 1mm et la comparait avec ses huit voisines, on aurait, sans compter les effets de bord 1600000 comparaisons et on ne peut détecter que des défauts de 1mm ou des défauts très marqués. Toutefois, en appliquant le procédé de détection selon l'invention, en prenant un quadrillage initial de 1cm et en supposant qu'il n'y a qu'un seul défaut, le nombre total de comparaisons est d'environ 16000. Ainsi, le procédé selon l'invention réduit considérablement le nombre de calculs en optimisant le nombre de comparaisons. De plus, il permet de détecter des défauts dont la taille est comprise entre les dimensions d'une subdivision initiale 115a et la résolution 100 sélectionnée.Fig. 3C shows that the AND mask refines the area by decreasing the length and width of the tile by a factor of 2. However, the size of the invalid tile 315a remains greater than the size of the small tile 100 corresponding to the resolution and therefore, repeat the same steps as shown in FIG. 3D. Finally, FIG. 3E shows that the resolution 100 is reached and the small invalid tiles 100a-100d are located. The example of Figs. 3A-3E shows that the detection method according to the invention makes it possible to greatly reduce the number of calculation steps. Indeed, the image according to the example of Figs. 3A-3E has 18 x 18 = 324 small boxes 100. Thus, ignoring edge effects, if we compared each box 100 with its eight neighboring cells, we would have 2592 comparisons and the technique would be less effective because we would only detect very localized anomalies on a box 100. With the above technique and always ignoring the effects of edges, it is realized, in the step of FIG. 5A, 9x8 = 72 comparisons, at the step of FIG. 5B, 4 x 8 = 32 comparisons, in the step of FIG. 5C, zero comparison, and finally at the step of FIG. 5D, 9x8 = 72 comparisons, for a total of only 176 comparisons. This reduces the calculation time and the solicitation of the computer. More generally, for an image of an object of 100cm x 20cm and resolution of 1mm, if we took independently each zone of 1mm and compared it with its eight neighbors, we would have, without counting the effects of edge 1600000 comparisons and we do not can detect only 1mm defects or very marked defects. However, by applying the detection method according to the invention, taking an initial grid of 1 cm and assuming that there is only one defect, the total number of comparisons is about 16,000. method according to the invention considerably reduces the number of calculations by optimizing the number of comparisons. In addition, it detects defects whose size is between the dimensions of an initial subdivision 115a and the selected resolution 100.

En effet, les Figs. 4A-4D illustrent la détection de défauts ponctuels et progressifs sur différents quadrillages. Les Figs. 4A et 4B montrent qu'un défaut ponctuel 21a peut être détecté sur un grand carreau 425 ou sur un petit carreau 525. Toutefois, les Figs. 4C et 4D montrent qu'un défaut progressif 21b peut être détecté sur un grand carreau 425 mais pas sur un petit carreau 525. En effet, le différentiel entre un petit carreau 525 et ses voisins est très faible et ainsi on ne détecterait pas un défaut progressif avec une méthode classique qui ne considère que des petits carreaux. La Fig. 5 est un algorithme de détection selon l'invention comprenant une phase de confirmation selon un premier mode de réalisation. La phase de confirmation comprend une comparaison des différentiels relatifs à une subdivision anormale appartenant à une dernière image avec des différentiels relatifs à une même subdivision anormale appartenant à chacune d'un nombre déterminé de précédentes images de l'objet, les données des précédentes subdivisions anormales étant enregistrées dans une base de données 17 associée aux moyens de traitement. L'étape E21 concerne la mesure ou l'acquisition d'un paramètre physique (e.g., champ optique, thermique ou sonore) relatif à l'objet 11 permettant la formation d'une image 13 de l'objet 11. A l'étape E22, les données concernant le paramètre physique sont envoyées aux moyens de traitement 7. A l'étape E23, les moyens de traitement 7 sont configurés pour traiter les données selon l'organigramme de la Fig. 2. En particulier, aux étapes E4 et E12 (Fig. 2), on vérifie si les premiers différentiels courants sont supérieurs à un premier seuil prédéterminé. De même, aux étapes E7 et E15 (Fig. 2), on vérifie si les seconds différentiels courants sont supérieurs à un deuxième seuil prédéterminé. On notera que les valeurs des premier et deuxième seuils peuvent être modifiées en fonction de la taille de la subdivision et donc du rang de l'itération. Par exemple, à la première itération, la détection est choisie assez sensible (i.e., seuils faibles) pour permettre d'identifier les subdivisions anormales. En effet, si la subdivision est grande, on va éventuellement moyenner des zones normales et anormales à l'intérieur de la subdivision. A l'issue de l'étape E23, si aucun défaut n'est constaté, alors à l'étape E24 on remet à zéro la base de données 17 concernant les dernières détections. En revanche, si à l'issue de l'étape E23, une ou des subdivision(s) anormale(s) est(sont) détectée(s), alors à l'étape E25 on enregistre dans la base de données 17 les informations concernant la ou les dernières subdivision(s) anormale(s) avant d'aller à l'étape E26.Indeed, Figs. 4A-4D illustrate the detection of point and progressive defects on different grids. Figs. 4A and 4B show that a point defect 21a can be detected on a large tile 425 or a small tile 525. However, Figs. 4C and 4D show that a progressive defect 21b can be detected on a large tile 425 but not on a small tile 525. Indeed, the differential between a small tile 525 and its neighbors is very small and thus one would not detect a defect progressive with a classic method that considers only small tiles. Fig. 5 is a detection algorithm according to the invention comprising a confirmation phase according to a first embodiment. The confirmation phase comprises a comparison of the differentials relating to an abnormal subdivision belonging to a last image with differentials relating to the same abnormal subdivision belonging to each of a predetermined number of previous images of the object, the data of the previous abnormal subdivisions. being stored in a database 17 associated with the processing means. Step E21 relates to the measurement or the acquisition of a physical parameter (eg, optical, thermal or sound field) relative to the object 11 allowing the formation of an image 13 of the object 11. At the step E22, the data relating to the physical parameter is sent to the processing means 7. In the step E23, the processing means 7 are configured to process the data according to the flowchart of FIG. 2. In particular, in steps E4 and E12 (Fig. 2), it is checked whether the first current differentials are greater than a first predetermined threshold. Similarly, in steps E7 and E15 (FIG.2), it is checked whether the second current differentials are greater than a second predetermined threshold. It should be noted that the values of the first and second thresholds can be modified according to the size of the subdivision and therefore the rank of the iteration. For example, at the first iteration, the detection is chosen quite sensitive (i.e., low thresholds) to identify abnormal subdivisions. Indeed, if the subdivision is large, one will eventually average normal and abnormal areas inside the subdivision. At the end of step E23, if no fault is found, then in step E24 the database 17 for the last detections is reset. On the other hand, if at the end of the step E23, one or more abnormal subdivision (s) is (are) detected, then in the step E25, the information 17 is stored in the database 17. concerning the last abnormal subdivision (s) before proceeding to step E26.

A l'étape E26, les moyens de traitement 7 sont configurés pour comparer les différentiels relatifs à la(les) subdivision(s) anormale(s) appartenant à la dernière image avec des différentiels relatifs à la(les) même(s) subdivision(s) anormale(s) appartenant à chacune des précédentes images de l'objet 11. S'il est constaté que l'image 13 présente une anomalie pour la première fois, alors aucune alerte n'est générée (étape E27). En revanche, s'il est constaté que les différentiels ont augmenté au cours de dernières images, alors une alerte d'importance haute est générée (étape E28). On peut ajouter un niveau d'alerte supplémentaire pour suivre la tendance des différentiels. Par exemple, une alerte d'importance très haute est générée si les différentiels augmentent et que l'extrapolation montre à échéance donnée (e.g. 10 vols) un dépassement d'un seuil limite prédéterminé. Finalement, s'il est constaté que les différentiels restent constants au cours de dernières images, alors une alerte d'importance moyenne est générée (étape E29). Par ailleurs, on peut attribuer différents niveaux de seuils correspondant à différents niveaux d'alertes. La Fig. 6 est un algorithme de détection selon l'invention comprenant une phase de confirmation selon un deuxième mode de réalisation. Les étapes de l'algorithme de la Fig. 6 sont identiques à celles de la Fig. 5 sauf pour les étapes E32 et E33. Comme précédemment, l'étape E31 concerne la mesure ou l'acquisition d'un paramètre physique (e.g., champ optique, thermique ou sonore) relatif à l'objet 11 permettant la formation d'une image 13 de l'objet. Si les données correspondent à une première image, alors on passe à l'étape E32 et sinon, à l'étape E33. L'étape E32 est une phase d'apprentissage au cours de laquelle une base de données d'apprentissage est construite en comparant les différentiels des subdivisions de la première image d'un objet sain. Ceci peut être réalisé selon les étapes de comparaisons entre des subdivisions voisines de l'organigramme de la Fig. 2.In step E26, the processing means 7 are configured to compare the differentials relating to the abnormal subdivision (s) belonging to the last image with differentials relating to the same subdivision (s). (s) abnormal (s) belonging to each of the previous images of the object 11. If it is found that the image 13 is abnormal for the first time, then no alert is generated (step E27). On the other hand, if it is found that the differentials have increased during the last images, then an alert of high importance is generated (step E28). An additional alert level can be added to track the differential trend. For example, an alert of very high importance is generated if the differentials increase and that the extrapolation shows at a given time (e.g. 10 flights) an exceedance of a predetermined limit threshold. Finally, if it is found that the differentials remain constant during the last images, then an alert of average importance is generated (step E29). In addition, different levels of thresholds can be assigned corresponding to different levels of alerts. Fig. 6 is a detection algorithm according to the invention comprising a confirmation phase according to a second embodiment. The steps of the algorithm of FIG. 6 are identical to those of FIG. Except for steps E32 and E33. As before, the step E31 concerns the measurement or the acquisition of a physical parameter (e.g., optical field, thermal or sound) relative to the object 11 allowing the formation of an image 13 of the object. If the data correspond to a first image, then we go to step E32 and if not, to step E33. Step E32 is a learning phase in which a learning database is constructed by comparing subdivision differentials of the first image of a healthy object. This can be done according to the steps of comparisons between neighboring subdivisions of the flowchart of FIG. 2.

Ainsi, on construit à l'étape E32 une base de données d'apprentissage enregistrant des différentiels sains entre différentes subdivisions de l'image saine d'origine sachant que cette dernière n'est pas forcément uniforme à cause des différences intrinsèques mais normales de l'objet. Si l'image de l'objet n'est pas une première image, alors on passe à l'étape E33 où les moyens de traitement 7 sont configurés pour traiter les données selon l'organigramme de la Fig. 2. Toutefois, aux étapes E4 et E12 (Fig. 2), on calcule les différences entre les premiers différentiels courants des subdivisons voisines et des différentiels sains correspondants pour vérifier si elles sont supérieures à un niveau prédéterminé. Aux étapes E7 et E15 (Fig. 2), on vérifie si les seconds différentiels courants entre des subdivisions éloignées et des différentiels sains correspondants sont supérieurs à un deuxième seuil prédéterminé. Le procédé de détection de la présente invention est peu coûteux en calcul et peut donc être facilement mis en oeuvre par des moyens de traitement embarqués dans un aéronef pour par exemple détecter des défauts ou prémices de panne d'un élément tournant d'un moteur d'aéronef. En effet, la Fig. 7 illustre de manière schématique un système de détection de défauts sur un élément tournant d'un moteur d'aéronef, selon un premier mode de réalisation du système de la Fig. 1. L'élément tournant 111 est visible de l'extérieur et correspond par exemple à une pale ou aube d'une roue aubagée 112 ou à un capot tournant du moteur 114. La roue aubagée 112 peut appartenir à un compresseur du moteur 114 et peut par exemple correspondre à une soufflante carénée ou non carénée du moteur d'aéronef. Selon le mode de réalisation de la Fig. 7, les signaux relatifs à l'élément tournant sont des signaux infrarouges provenant de l'élément et par conséquent, les moyens d'excitations sont des moyens chauffants 113 embarqués et les moyens d'acquisition sont des moyens thermographiques 115 embarqués.Thus, in step E32, a learning database is created recording healthy differentials between different subdivisions of the healthy original image, knowing that the latter is not necessarily uniform because of the intrinsic but normal differences of the original image. 'object. If the image of the object is not a first image, then proceed to step E33 where the processing means 7 are configured to process the data according to the flowchart of FIG. 2. However, in steps E4 and E12 (Fig. 2), the differences between the first current differentials of the neighboring subdivisions and the corresponding healthy differentials are calculated to check whether they are greater than a predetermined level. In steps E7 and E15 (Fig. 2), it is checked whether the second current differentials between remote subdivisions and corresponding healthy differentials are greater than a second predetermined threshold. The detection method of the present invention is inexpensive in calculation and can therefore easily be implemented by on-board processing means for, for example, detecting defects or the first stages of failure of a rotating element of a combustion engine. 'aircraft. Indeed, FIG. 7 schematically illustrates a defect detection system on a rotating element of an aircraft engine, according to a first embodiment of the system of FIG. 1. The rotating element 111 is visible from the outside and corresponds for example to a blade or blade of a bladed wheel 112 or to a rotating hood of the engine 114. The bladed wheel 112 can belong to a compressor of the engine 114 and can for example correspond to a streamlined or non-faired fan of the aircraft engine. According to the embodiment of FIG. 7, the signals relating to the rotating element are infrared signals from the element and therefore, the excitation means are onboard heating means 113 and the acquisition means are embedded thermographic means 115.

Les moyens chauffants 113 sont destinés à réchauffer l'élément tournant 111 du moteur 114 par une sollicitation thermique 119. Bien entendu, la chaleur pénètre dans le matériau de l'élément tournant 3. Ainsi, les températures locales vont varier d'une région à une autre car la chaleur va plus ou moins pénétrer en fonction de la présence ou non de défauts 121. A titre d'exemple, les moyens chauffants 113 peuvent être constitués d'un ou de plusieurs émetteur(s) thermique(s) fixé(s) sur le moteur 114 ou l'aéronef 116 au regard de l'élément tournant 111. Ainsi, chaque émetteur thermique 113 reste à demeure sur l'aéronef 116 et peut être réglé pour chauffer l'élément tournant 121 de manière périodique ou pulsationelle. Par ailleurs, les moyens thermographiques 115 sont destinés à acquérir au moins une image 113 infrarouge de l'élément tournant 111 traduisant, suite à la sollicitation thermique 119 du réchauffement, un champ thermique en phase transitoire. On notera que les moyens thermographiques 115 peuvent être constitués d'une ou de plusieurs caméra(s) thermique(s) fixée(s) sur le moteur 114 ou l'aéronef 116 au regard de l'élément tournant 111.The heating means 113 are intended to heat the rotating element 111 of the motor 114 by a thermal load 119. Of course, the heat penetrates into the material of the rotating element 3. Thus, the local temperatures will vary from one region to the other. another because the heat will more or less penetrate depending on the presence or absence of defects 121. For example, the heating means 113 may consist of one or more thermal transmitter (s) fixed ( s) on the engine 114 or the aircraft 116 with respect to the rotating element 111. Thus, each heat emitter 113 remains permanently on the aircraft 116 and can be set to heat the rotating element 121 periodically or pulsationally . Moreover, the thermographic means 115 are intended to acquire at least one infrared image 113 of the rotating element 111 reflecting, following the thermal stress 119 of the heating, a thermal field in transient phase. It will be noted that the thermographic means 115 may consist of one or more thermal camera (s) fixed (s) on the engine 114 or the aircraft 116 with respect to the rotating element 111.

Avantageusement, les éléments tournants 111 sont filmés lors d'une rotation à très faible régime (c'est-à-dire, en début de phase de démarrage, en fin de phase d'arrêt ou lors d'un fonctionnement en moulinet « wind milling » au sol). Ceci permet d'avoir une vue complète des éléments tournants 111 sans perturber l'acquisition des images 113. L'intérêt de filmer à faible régime est l'utilisation d'une seule caméra pour détecter des défauts sur toutes les aubes, les unes après les autres. On peut bien entendu filmer à l'arrêt mais dans ce cas, il faut une pluralité de caméras pour détecter les défauts sur toutes les aubes. On notera que le réchauffement et l'acquisition des images ont l'avantage de pouvoir se faire sans contact, ce qui permet d'une part de ne pas abîmer le matériau testé et, d'autre part, de ne pas avoir de capteurs à poser sur les pales 111 ou très près des pales, ce qui pourrait perturber leur aérodynamique. En outre, le fait que les moyens chauffants 113 et thermographiques 115 sont embarqués permet d'acquérir des images 113 à chaque vol, de manière automatique, et sans intervention humaine longue et coûteuse. Les moyens de traitement 107 sont configurés pour acquérir l'image infrarouge 113 depuis les moyens thermographiques 115 et pour mettre en oeuvre les étapes du procédé de détection selon les organigrammes des Figs. 2, 5 ou 6. Les différentiels peuvent être calculés relativement à une composante (par exemple, l'amplitude ou la phase) du champ thermique entre différentes subdivisions de l'image 113 infrarouge. La détection des variations de la composante du champ thermique est indicative de défauts ou prémices de rupture de l'élément tournant 111. Ainsi, on peut surveiller à chaque vol et de manière automatique les éléments tournants 111 du moteur 114 pour détecter les premiers signes de fatigue avant qu'une perte d'aube ne se produise. En particulier, le système de détection 101 est bien adapté pour surveiller les éléments tournants 111 en matériaux composites qui peuvent subir de la fatigue engendrant des défauts 121 non visibles sur leurs surfaces. On notera que le fait de réaliser l'analyse des données selon des mesures différentielles sur des phases thermiques transitoires permet de s'affranchir du contexte tel que la température extérieure ou l'éclairement par le soleil. En effet, les conditions extérieures agissent de la même manière sur une subdivision courante à deux instants successifs. Avantageusement, on peut exploiter les moyens de traitement 107 d'un calculateur 118 embarqué dans l'aéronef 116 ou dans un calculateur 118 intégré dans le moteur 114 d'aéronef de type EMU (Engine Monitoring Unit) pour exploiter le système de détection 101 selon l'invention. En particulier, le calculateur 118 peut être utilisé pour exécuter un programme d'ordinateur enregistré dans des moyens de stockage 117 du calculateur 118 et comportant des instructions de code pour la mise en oeuvre du procédé de détection selon l'invention. On notera que les données acquises peuvent être directement traitées pendant le vol de l'aéronef. En variante, le traitement des données peut être réalisé après l'atterrissage de l'aéronef afin de ne pas surcharger le calculateur 118 durant le vol. Selon encore une autre variante, les données acquises peuvent être transmises au sol pour être traitées par une station de calcul. La Fig. 8 est un schéma en bloc illustrant les étapes de détection de défauts sur une roue aubagée du moteur, selon le système de la Fig. 7. Selon cet exemple, l'élément tournant 111 correspond à chacune des pales de la roue aubagée 112.Advantageously, the rotating elements 111 are filmed during a rotation at a very low speed (that is to say, at the beginning of the start phase, at the end of the stopping phase or during windmill operation milling "on the ground). This makes it possible to have a complete view of the rotating elements 111 without disturbing the acquisition of the images 113. The advantage of filming at low speed is the use of a single camera to detect defects on all the blades, some after others. One can of course film while stopped but in this case, it is necessary a plurality of cameras to detect the defects on all the blades. It should be noted that the heating and the acquisition of the images have the advantage of being able to be made without contact, which allows on the one hand not to damage the tested material and, on the other hand, not to have sensors to put on the blades 111 or very close to the blades, which could disturb their aerodynamics. In addition, the fact that the heating means 113 and thermographic 115 are embedded allows to acquire images 113 at each flight, automatically, and without human intervention and expensive. The processing means 107 are configured to acquire the infrared image 113 from the thermographic means 115 and to implement the steps of the detection method according to the flow charts of FIGS. 2, 5 or 6. The differentials can be calculated relative to a component (e.g., amplitude or phase) of the thermal field between different subdivisions of the infrared image 113. The detection of the variations of the component of the thermal field is indicative of defects or premices of rupture of the rotating element 111. Thus, it is possible to monitor at each flight and automatically the rotating elements 111 of the engine 114 to detect the first signs of fatigue before a dawn loss occurs. In particular, the detection system 101 is well suited to monitor the rotating elements 111 of composite materials that can undergo fatigue causing non-visible defects 121 on their surfaces. It will be noted that the fact of performing the analysis of the data according to differential measurements on transient thermal phases makes it possible to dispense with the context such as the outside temperature or the illumination by the sun. Indeed, the external conditions act in the same way on a current subdivision at two successive instants. Advantageously, it is possible to exploit the processing means 107 of a computer 118 embedded in the aircraft 116 or in a computer 118 integrated in the engine 114 of the EMU type (Engine Monitoring Unit) to operate the detection system 101 according to the invention. In particular, the computer 118 may be used to execute a computer program stored in storage means 117 of the computer 118 and comprising code instructions for implementing the detection method according to the invention. It should be noted that the data acquired can be directly processed during the flight of the aircraft. Alternatively, the data processing can be performed after the landing of the aircraft so as not to overload the computer 118 during the flight. According to yet another variant, the acquired data can be transmitted to the ground for processing by a computing station. Fig. 8 is a block diagram illustrating the steps of detecting defects on a bladed wheel of the motor, according to the system of FIG. 7. According to this example, the rotating element 111 corresponds to each of the blades of the bladed wheel 112.

Au bloc B1, les moyens de traitement 107 reçoivent des données depuis le moteur 114 (représenté par le bloc B2), concernant le régime de rotation de la roue aubagée 112 à surveiller. Les moyens de traitement 107 déclenchent le procédé de détection lorsque la roue aubagée 112 commence à tourner à très faible régime. Au bloc B3, les moyens chauffants 113 réchauffent les pales 111 de la roue aubagée 112 du moteur 114 (bloc B2) par une sollicitation thermique 119 générant un champ thermique qui évolue selon des phases de chauffe et de refroidissement. On notera que la sollicitation thermique (une pulsation thermique ou une onde thermique périodique) pénètre dans le matériau de la pale 111 de sorte que si le matériau présente un défaut 121 (en surface ou en profondeur), l'amplitude et/ou la phase du champ thermique à la surface sera différente. Ensuite, pendant que le champ thermique est dans sa phase transitoire de chauffe ou de refroidissement, la ou les caméra(s) thermique(s) 115 filme(nt) les pales 111 de la roue aubagée 112 du moteur (bloc B2) pour acquérir au moins une image 113 infrarouge des pales 111.At block B1, the processing means 107 receive data from the engine 114 (represented by the block B2), concerning the rotational speed of the bladed wheel 112 to be monitored. The processing means 107 trigger the detection process when the bladed wheel 112 begins to rotate at a very low speed. At block B3, the heating means 113 heat the blades 111 of the bladed wheel 112 of the engine 114 (block B2) by a thermal load 119 generating a thermal field that evolves in the heating and cooling phases. It will be noted that the thermal stress (a thermal pulsation or a periodic thermal wave) penetrates the material of the blade 111 so that if the material has a defect 121 (at the surface or at depth), the amplitude and / or the phase from the thermal field to the surface will be different. Then, while the thermal field is in its transient phase of heating or cooling, the thermal camera (s) 115 films (s) the blades 111 of the bladed wheel 112 of the engine (block B2) to acquire at least one infrared image 113 of the blades 111.

Ainsi, au bloc B4, au moins une image 113 infrarouge est générée. On notera que chaque caméra 115 thermique peut être configurée pour acquérir une image par pale ou une seule image pour toutes les pales de la roue aubagée 112. Au bloc B5, des moyens d'identification 122 des pales 111 sont utilisés pour distinguer les différentes pales de la roue aubagée 112. Ceci permet de faire un suivi au cours du temps des différentes pales et d'identifier celle(s) qui présente(nt) des défauts. Ces moyens d'identification sont par exemple, des moyens optiques de reconnaissance de forme. On peut par exemple utiliser la caméra thermique 115 elle-même couplée à un algorithme de reconnaissance de forme pour identifier les pales.Thus, at block B4, at least one infrared image 113 is generated. It should be noted that each thermal camera 115 can be configured to acquire an image per blade or a single image for all the blades of the bladed wheel 112. At block B5, identification means 122 of the blades 111 are used to distinguish the different blades of the bladed wheel 112. This makes it possible to follow the different blades over time and to identify which one (s) has defects. These identification means are, for example, optical form recognition means. One can for example use the thermal camera 115 itself coupled to a shape recognition algorithm to identify the blades.

En variante, les moyens d'identification sont des moyens d'individualisation par un marquage 122 ou étiquetage sur une ou deux pales 111 de la roue aubagée 112. On peut individualiser les pales 111 en les numérotant par de la peinture ou tout autre matériau inséré dans la pale ou disposé à sa surface. Au bloc B6, les moyens de traitement 107 réalisent les étapes de l'organigramme des Figs. 2, 5 ou 6. En particulier, les moyens de traitement 107 réalisent par exemple une analyse de Fourier pour calculer une composante (l'amplitude ou la phase) du champ thermique de chaque subdivision de l'image 113 infrarouge pour chacune des pales 111 et comparent entre elles les différentes subdivisions. Plus particulièrement, lorsqu'une pulsation thermique est utilisée pour chauffer les pales 111 de la roue aubagée 112, alors la composante du champ thermique correspond à l'amplitude du champ thermique (c'est-à-dire, la température). En revanche, lorsqu'une onde thermique périodique est utilisée pour chauffer les pales 111, alors la composante du champ thermique correspond à la phase du champ thermique. Si le matériau de la pale est uniforme, toute sa surface répond de façon identique à la sollicitation thermique 119 et par conséquent, la composante du champ thermique est constante sur toutes les zones. En revanche, si le matériau présente une aspérité en surface ou en profondeur, la composante du champ thermique à la surface suite à la sollicitation thermique 119 sera différente. Ainsi, en comparant les composantes sur différentes zones relativement proches, on peut détecter les défauts.In a variant, the identification means are means of individualization by a marking 122 or labeling on one or two blades 111 of the bladed wheel 112. The blades 111 can be individualized by numbering them with paint or any other material inserted. in the blade or disposed on its surface. In block B6, the processing means 107 perform the steps of the flowchart of Figs. 2, 5 or 6. In particular, the processing means 107 perform, for example, a Fourier analysis to calculate a component (the amplitude or the phase) of the thermal field of each subdivision of the infrared image 113 for each of the blades 111 and compare the different subdivisions among themselves. More particularly, when a thermal pulse is used to heat the blades 111 of the bladed wheel 112, then the thermal field component corresponds to the amplitude of the thermal field (i.e., the temperature). On the other hand, when a periodic thermal wave is used to heat the blades 111, then the component of the thermal field corresponds to the phase of the thermal field. If the material of the blade is uniform, its entire surface responds identically to the thermal stress 119 and therefore, the component of the thermal field is constant on all areas. On the other hand, if the material has a surface or depth roughness, the component of the thermal field at the surface following the thermal stress 119 will be different. Thus, by comparing the components on different relatively close areas, the defects can be detected.

Lorsqu'un défaut est détecté au bloc B7, alors avant d'envoyer l'alerte, les moyens de traitement 107 comparent au bloc B7 les résultats sur plusieurs vols, pour voir si l'anomalie est toujours détectée (voir aussi étapes E26-E29 et E36-E39 des Figs. 5 et 6). En effet, les moyens de traitement 107 sont configurés pour enregistrer à chaque vol les différentiels relatifs aux champs thermiques des différentes subdivisions afin d'analyser l'évolution de ces différentiels de vol en vol. Ainsi, on peut quantifier l'évolution des défauts pour chaque pale 111 en comparant les données issues du vol courant avec des données des vols précédents stockées dans une base de données 117a (bloc B8). Avantageusement, le système de détection 101 comporte une bibliothèque d'anomalies ou une base de données 117b (bloc B8) de signatures de dégradations représentatives de différentes formes de dégradations et de leurs états d'avancement. Ceci permet aux moyens de traitement 107 de comparer les différentiels relatifs aux champs thermiques des zones présentant des prémices de panne aux signatures caractéristiques de dégradations et ainsi de statuer sur le type de dégradation et sur l'état d'avancement de celle-ci. La Fig. 9 illustre de manière schématique un système de détection de défauts sur un élément tournant d'un moteur d'aéronef, selon un deuxième mode de réalisation du système de la Fig. 1. Selon ce mode de réalisation, les signaux relatifs à l'élément tournant sont des signaux ultrasonores provenant de l'élément tournant et par conséquent, les moyens d'excitations sont des moyens d'émission 213 d'ondes ultrasonores et les moyens d'acquisition sont des moyens de réception 215 d'ondes ultrasonores réfléchies par l'élément 211. Les moyens d'émission 213 et de réception 215 peuvent former un seul dispositif. Plus particulièrement, le dispositif peut comprendre une source ultrasonore de type électro-capacitive ou piezzo-électrique couplée à un récepteur de même type (i.e., électro-capacitif si la source est electro-capacitive). Les moyens d'émission 213 et de réception 215 sont embarqués et installés sur le moteur 214 par l'intermédiaire des moyens de pivotement et/ou de rotation 232. Ainsi, les moyens d'émission 213 et de réception 215 peuvent pivoter et/ou tourner pour balayer plusieurs zones de l'espace en scannant par exemple chaque élément tournant 211 d'une roue aubagée 212. Ainsi, il n'est pas nécessaire d'installer un dispositif émetteur/récepteur ultrasonore sur chaque aube. On notera que les éléments tournants 211 sont scannés lorsqu'ils sont à l'arrêt. Avantageusement, la source ultrasonore 213 produit des ultrasons dans la gamme basse (par exemple, [50kHz-1MHz]) pour éviter une trop forte atténuation qui est fonction du carré de la fréquence. La fréquence peut être adaptée en fonction de la résolution souhaitée (i.e., de la taille des défauts recherchés). Plus la fréquence est grande et plus la résolution est importante, mais plus le signal est atténué et donc un compromis doit être trouvé en fonction de l'application. Les moyens de traitement 207 sont configurés pour former une image 213 représentative de l'élément tournant 211 à partir des ondes ultrasonores 219 réfléchies par l'élément 211 et captées par les moyens de réception 215 et pour mettre en oeuvre les étapes du procédé de détection selon les organigrammes des Figs. 2, 5 ou 6. Les différentiels peuvent être calculés relativement à l'intensité ou la direction des ondes ultrasonores 219 réfléchies. On notera que les ondes ultrasonores pénètrent très peu dans le matériau et vont donc se refléter à plus de 99,9 % (du fait de la différence d'impédance acoustique entre l'air et des métaux ou des matériaux composites). Ainsi, en cas d'anomalie ou de défaut de surface, la réflexion sera différente en intensité et/ou en direction et on peut alors détecter des petits défauts de structure suite par exemple, à un impact d'un corps étranger. Ainsi, on peut surveiller à chaque vol et de manière automatique les éléments tournants 211 du moteur 214 pour détecter les premiers signes de fatigue avant qu'une perte d'aube ne se produise. On notera que le fait de réaliser l'analyse des données selon des mesures différentielles sur des intensités ou directions des ondes réfléchies permet de s'affranchir du contexte tel que le fait que l'élément surveillé peut ne pas être toujours à la même distance des moyens de réception.When a fault is detected in block B7, then before sending the alert, the processing means 107 compare the results on several flights to block B7, to see if the anomaly is still detected (see also steps E26-E29 and E36-E39 of Figs 5 and 6). Indeed, the processing means 107 are configured to record at each flight the differences relative to the thermal fields of the different subdivisions to analyze the evolution of these flight differentials in flight. Thus, it is possible to quantify the evolution of defects for each blade 111 by comparing the data from the current flight with data from previous flights stored in a database 117a (block B8). Advantageously, the detection system 101 comprises an anomaly library or a database 117b (block B8) of degradative signatures representing various forms of degradations and their states of progress. This enables the processing means 107 to compare the differentials relating to the thermal fields of the areas having the first signs of failure to the characteristic signatures of degradations and thus to decide on the type of degradation and on the state of progress thereof. Fig. 9 schematically illustrates a defect detection system on a rotating element of an aircraft engine, according to a second embodiment of the system of FIG. According to this embodiment, the signals relating to the rotating element are ultrasonic signals coming from the rotating element and consequently, the excitation means are means 21 for transmitting ultrasonic waves and the means for transmitting them. Acquisition are means 215 for receiving ultrasonic waves reflected by the element 211. The transmitting means 213 and receiving means 215 can form a single device. More particularly, the device may comprise an ultrasonic source of electro-capacitive or piezoelectric type coupled to a receiver of the same type (i.e., electro-capacitive if the source is electro-capacitive). The transmitting means 213 and receiving means 215 are on board and installed on the motor 214 by means of the pivoting and / or rotating means 232. Thus, the transmitting and receiving means 213 and 215 can rotate and / or rotate to scan several areas of the space by scanning for example each rotating element 211 of a bladed wheel 212. Thus, it is not necessary to install an ultrasonic transmitter / receiver device on each blade. It will be noted that the rotating elements 211 are scanned when they are stopped. Advantageously, the ultrasonic source 213 produces ultrasound in the low range (for example, [50kHz-1MHz]) to avoid too much attenuation which is a function of the square of the frequency. The frequency can be adapted according to the desired resolution (i.e., the size of the defects sought). The higher the frequency and the higher the resolution, but the more the signal is attenuated and therefore a compromise has to be found depending on the application. The processing means 207 are configured to form an image 213 representative of the rotating element 211 from the ultrasonic waves 219 reflected by the element 211 and picked up by the reception means 215 and to implement the steps of the detection method according to the flow charts of Figs. 2, 5 or 6. The differentials can be calculated with respect to the intensity or direction of reflected ultrasonic waves 219. It should be noted that the ultrasonic waves penetrate very little into the material and will therefore be reflected at more than 99.9% (due to the difference in acoustic impedance between air and metals or composite materials). Thus, in case of anomaly or surface defect, the reflection will be different in intensity and / or direction and can then detect small structural defects following, for example, an impact of a foreign body. Thus, it is possible to monitor at each flight and automatically the rotating elements 211 of the motor 214 to detect the first signs of fatigue before a dawn loss occurs. It will be noted that the fact of performing the analysis of the data according to differential measurements on intensities or directions of the reflected waves makes it possible to dispense with the context such that the fact that the monitored element may not always be at the same distance from the reception means.

La présente invention permet ainsi de surveiller les éléments tournants d'un moteur d'aéronef afin de détecter les premiers signes de fatigue à l'aide des moyens fixés sur le moteur ou l'aéronef, à chaque vol, de manière automatique, et de manière individuelle. Elle s'applique avantageusement au suivi des aubes de la soufflante d'un turbofan, aux hélices d'un turbopropulseur ou d'un open rotor ainsi qu'aux capots tournants de ce dernier.The present invention thus makes it possible to monitor the rotating elements of an aircraft engine in order to detect the first signs of fatigue using the means fixed on the engine or the aircraft, at each flight, automatically, and individual way. It is advantageously applied to the tracking of the turbofan fan blades, to the propellers of a turboprop or open rotor as well as to the rotating hoods of the latter.

Claims (12)

REVENDICATIONS1. Procédé de détection de défauts sur un objet, caractérisé en ce qu'il comporte les étapes suivantes : - une formation d'une image (13) représentative dudit objet (11) à partir de signaux (9) relatifs à l'objet, - une construction des subdivisions (15) de ladite image selon des résolutions auto-adaptatives, et - un calcul des différentiels entre différentes subdivisions pour détecter une subdivision anormale indicative de prémices de panne.REVENDICATIONS1. Method for detecting defects on an object, characterized in that it comprises the following steps: - forming an image (13) representative of said object (11) from signals (9) relating to the object, - a construction of the subdivisions (15) of said image according to self-adaptive resolutions, and - a calculation of the differentials between different subdivisions to detect an abnormal subdivision indicative of the first moments of failure. 2. Procédé selon la revendication 1, caractérisé en ce qu'il comporte une phase de confirmation comprenant une comparaison des différentiels relatifs à une subdivision anormale appartenant à une dernière image (13) avec des différentiels relatifs à une même subdivision anormale appartenant à chacune d'un nombre déterminé de précédentes images dudit objet.2. Method according to claim 1, characterized in that it comprises a confirmation phase comprising a comparison of the differentials relating to an abnormal subdivision belonging to a last image (13) with differentials relating to the same abnormal subdivision belonging to each of a predetermined number of previous images of said object. 3. Procédé selon la revendication 2, caractérisé en ce qu'il comporte : - une génération d'alerte d'importance haute ou très haute s'il est constaté que les différentiels ont augmenté au cours de dernières images, et - une génération d'alerte d'importance moyenne s'il est constaté que les différentiels restent constants au cours de dernières images.3. Method according to claim 2, characterized in that it comprises: a generation of high or very high importance alert if it is found that the differentials have increased in the last images, and a generation of alert of average importance if it is found that the differentials remain constant during the last images. 4. Procédé selon l'une quelconque des revendications 1 à 3, caractérisé en ce que les étapes de construction des subdivisions et de calcul des différentiels comportent les étapes suivantes : - (al) quadriller ladite image en une pluralité de subdivisions courantes,- (a2) calculer des premiers différentiels courants entre chaque subdivision courante et des subdivisions courantes voisines, - (a3) vérifier s'il existe une subdivision courante pour laquelle des premiers différentiels courants avec au moins un premier nombre déterminé de subdivisions voisines sont indicatifs d'anomalie, - (a4) calculer, au cas où l'étape précédente (a3) est confirmée, des seconds différentiels courants entre ladite subdivision courante et des subdivisions courantes éloignées, - (a5) vérifier si ladite subdivision courante présente avec au moins un deuxième nombre déterminé de subdivisions courantes éloignées des seconds différentiels courants indicatifs d'anomalie, - (a6) déclarer ladite subdivision courante comme étant invalide au cas où l'étape de vérification précédente (a5) est confirmée, - (a7) re-quadriller une zone recouvrant ladite subdivision courante invalide pour former de nouvelles subdivisions chevauchant la précédente subdivision invalide, les nouvelles subdivisions étant considérées comme les actuelles subdivisions courantes, - (a8) répéter les étapes (a2)-(a6) pour chacune des nouvelles subdivisions courantes de ladite zone de recouvrement, - (a9) faire un masque ET dans ladite zone de recouvrement entre les précédentes subdivisions invalides et les nouvelles subdivisions formant ainsi des subdivisions de tailles réduites, lesdites subdivisions de tailles réduites étant considérées comme les actuelles subdivisions courantes, - (a10) vérifier si la taille de l'actuelle subdivision courante est plus grande qu'une résolution prédéterminé, et - (a11) réitérer, au cas où l'étape de vérification précédente (a10) est confirmée, les étapes précédentes (a2)-(a10) pour chaque actuelle subdivision courante, sinon, déclarer la ou les subdivision(s) courante(s) invalide(s) comme subdivision(s) anormale(s).4. Method according to any one of claims 1 to 3, characterized in that the steps of construction of the subdivisions and calculation of the differentials comprise the following steps: - (a) squaring said image into a plurality of common subdivisions, - ( a2) calculating first current differentials between each current subdivision and neighboring current subdivisions, - (a3) verifying whether there is a current subdivision for which first current differentials with at least a first predetermined number of neighboring subdivisions are indicative of anomaly (a4) calculating, in the case where the preceding step (a3) is confirmed, second current differentials between said current subdivision and remote current subdivisions, - (a5) checking whether said current subdivision has with at least a second number determined from current subdivisions remote from second current differentials indicative of anomaly, - (a6) declassified arer said current subdivision to be invalid in case the previous verification step (a5) is confirmed, - (a7) re-squaring an area covering said invalid current subdivision to form new subdivisions overlapping the previous invalid subdivision, the new subdivisions being considered current current subdivisions, - (a8) repeating steps (a2) - (a6) for each of the new current subdivisions of said overlapping area, - (a9) forming an AND mask in said overlapping area between the preceding invalid subdivisions and new subdivisions thus forming smaller subdivisions, said reduced subdivisions being considered current current subdivisions, - (a10) checking whether the size of the present current subdivision is larger than a predetermined resolution, and - (a11) reiterate, in case the previous verification step (a10) e st confirmed, the previous steps (a2) - (a10) for each current current subdivision, otherwise, declare the current subdivision (s) invalid (s) as an abnormal subdivision (s). 5. Procédé selon la revendication 4, caractérisé en ce qu'à l'étape (a3) on vérifie si les premiers différentiels courants sont supérieurs à un premier seuil prédéterminé, et en ce qu'à l'étape (a5) on vérifie si les seconds différentiels courants sont supérieurs à un deuxième seuil prédéterminé.5. Method according to claim 4, characterized in that in step (a3) it is checked whether the first current differentials are greater than a first predetermined threshold, and that in step (a5) it is checked whether the second current differentials are greater than a second predetermined threshold. 6. Procédé selon l'une quelconque des revendications 1 à 4, caractérisé en ce qu'il comporte une construction d'une base de données d'apprentissage enregistrant des différentiels sains entre différentes subdivisions de l'image et en ce qu'à l'étape (a3) on calcule les différences entre les premiers différentiels courants et des différentiels sains correspondants pour vérifier si elles sont supérieures à un niveau prédéterminé, et en ce qu'à l'étape (a5) on calcule les différences entre les seconds différentiels courants et des différentiels sains correspondants pour vérifier si elles sont supérieures à un deuxième niveau prédéterminé.6. Method according to any one of claims 1 to 4, characterized in that it comprises a construction of a training database recording healthy differentials between different subdivisions of the image and in that step (a3) calculating the differences between the first current differentials and corresponding healthy differentials to check whether they are greater than a predetermined level, and that in step (a5) calculating the differences between the second differentials currents and corresponding healthy differentials to verify if they are above a second predetermined level. 7. Procédé selon l'une quelconque des revendications précédentes, caractérisé en ce que ledit objet est un élément tournant (111) d'un moteur (114) d'aéronef.7. Method according to any one of the preceding claims, characterized in that said object is a rotating element (111) of an engine (114) aircraft. 8. Procédé selon l'une quelconque des revendications précédentes, caractérisé en ce que les signaux relatifs audit objet sont des signaux infrarouges provenant de l'objet de sorte que ladite image représentative dudit objet est une image infrarouge traduisant un champ thermique en phase transitoire après le réchauffement de l'objet par une sollicitation thermique.8. Method according to any one of the preceding claims, characterized in that the signals relating to said object are infrared signals from the object so that said image representative of said object is an infrared image reflecting a thermal field in transient phase after the heating of the object by a thermal stress. 9. Procédé selon l'une quelconque des revendications précédentes, caractérisé en ce que les signaux relatifs audit objet sont des signaux ultrasonores provenant de l'objet de sorte que ladite image représentative dudit objet est une image traduisant des ondes ultrasonores réfléchies par l'objet.9. Method according to any one of the preceding claims, characterized in that the signals relating to said object are ultrasonic signals from the object so that said image representative of said object is an image reflecting ultrasonic waves reflected by the object. . 10. Système de détection de défauts sur au moins un élément tournant (111) d'un moteur (114) d'aéronef, caractérisé en ce qu'il comporte : -des moyens d'excitations embarqués pour provoquer l'émission de signaux par ledit élément tournant, -des moyens d'acquisition embarqués pour acquérir les signaux envoyés par ledit élément tournant, et -des moyens de traitement configurés pour réaliser les étapes du procédé selon l'une quelconque des revendications précédentes.10. System for detecting defects on at least one rotating element (111) of an aircraft engine (114), characterized in that it comprises: - onboard excitation means for causing the transmission of signals by said rotating element, on-board acquisition means for acquiring the signals sent by said rotating element, and processing means configured to carry out the steps of the method according to any one of the preceding claims. 11. Système selon la revendication 10, caractérisé en ce que les moyens d'excitations sont des moyens chauffants (113) pour réchauffer ledit élément tournant du moteur par une sollicitation thermique, et en ce que les moyens d'acquisition sont des moyens thermographiques (115) pour acquérir une image infrarouge traduisant un champ thermique en phase transitoire dudit élément tournant.11. System according to claim 10, characterized in that the excitation means are heating means (113) for heating said rotating element of the engine by a thermal stress, and in that the acquisition means are thermographic means ( 115) for acquiring an infrared image reflecting a transient phase thermal field of said rotating element. 12. Système selon la revendication 10, caractérisé en ce que les moyens d'excitations sont des moyens d'émission (213) d'ondes ultrasonores, et en ce que les moyens d'acquisition sont des moyens de réception (215) d'ondes ultrasonores réfléchies par l'objet.2012. System according to claim 10, characterized in that the excitation means are means for transmitting (213) ultrasonic waves, and in that the acquisition means are receiving means (215) for ultrasonic waves reflected by the object.20