FR3003952A1 - Systeme de detection de defauts sur un objet - 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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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 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.

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.

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).

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

Claims (12)

1. 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.
2. 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.
3. 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.
4. 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).
5. 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.
6. 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.
7. 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.
8. 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.
9. 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.
10. 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.
11. 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.
12. 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.20