FR3105527A1 - PROCEDE DE surveillance d’UNe structure par traitement d’imageS - Google Patents

PROCEDE DE surveillance d’UNe structure par traitement d’imageS Download PDF

Info

Publication number
FR3105527A1
FR3105527A1 FR1914894A FR1914894A FR3105527A1 FR 3105527 A1 FR3105527 A1 FR 3105527A1 FR 1914894 A FR1914894 A FR 1914894A FR 1914894 A FR1914894 A FR 1914894A FR 3105527 A1 FR3105527 A1 FR 3105527A1
Authority
FR
France
Prior art keywords
current
modal
image
displacement
monitoring
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
FR1914894A
Other languages
English (en)
Other versions
FR3105527B1 (fr
Inventor
Jordan CURT
Matteo CAPALDO
Stéphane Roux
François Hild
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electricite de France SA
Centre National de la Recherche Scientifique CNRS
Ecole Normale Superieure de Paris Saclay
Original Assignee
Electricite de France SA
Centre National de la Recherche Scientifique CNRS
Ecole Normale Superieure de Paris Saclay
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electricite de France SA, Centre National de la Recherche Scientifique CNRS, Ecole Normale Superieure de Paris Saclay filed Critical Electricite de France SA
Priority to FR1914894A priority Critical patent/FR3105527B1/fr
Publication of FR3105527A1 publication Critical patent/FR3105527A1/fr
Application granted granted Critical
Publication of FR3105527B1 publication Critical patent/FR3105527B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
    • G01M11/08—Testing mechanical properties
    • G01M11/081—Testing mechanical properties by using a contact-less detection method, i.e. with a camera
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0041—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining deflection or stress
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0091—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by using electromagnetic excitation or detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker
    • G06T2207/30208—Marker matrix
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Image Analysis (AREA)

Abstract

Procédé (P) de surveillance d’une structure par traitement d’images comprenant : (A) une phase d’apprentissage comprenant des étapes de : (A2) détermination pour des images d’apprentissage d’une surface de la structure d’un champ de déplacement d’apprentissage par une technique de corrélation d’images, (A3) construction d’une base de champs de déplacement modaux par une technique de réduction de modèle, (A4) détermination d’un seuil de résidu et d’une plage de valeurs attendues d’une amplitude modale, (S) une phase de surveillance comprenant des étapes de : (S1) acquisition d’une image courante de la portion, (S2) détermination d’un champ de déplacement courant, d’amplitudes modales courantes et d’un résidu courant, et (S3) génération d’une alerte lorsqu’une des amplitudes modales courantes prend une valeur à l’extérieur de la plage de valeurs attendues de l’amplitude modale ou lorsqu’une norme du résidu courant dépasse le seuil de résidu. Figure pour l’abrégé : Fig. 3

Description

PROCEDE DE surveillance d’UNe structure par traitement d’imageS
DOMAINE DE L'INVENTION
La présente invention concerne le domaine général de la surveillance d’une structure, et en particulier de la détection de l’apparition d’un défaut dans une structure. La structure peut par exemple, se situer au sein de ou comprendre un mât d’éolienne, un aérogénérateur de centrales nucléaires dans des structures de faible épaisseur ou encore des structures élancées soumises à des sollicitations répétées et/ou aléatoires dans le temps
La présente invention concerne également le domaine général du contrôle non destructif et du suivi de la santé des structures, notamment appliqués à l’industrie éolienne sur terre et en mer.
ETAT DE LA TECHNIQUE
Suite à leur déploiement lors des années passées, les parcs d’éoliennes commencent pour certains d'entre eux à subir l'outrage des ans. Le marché est également, avec le temps, devenu compétitif. La pression devient donc forte pour réduire les frais d'exploitation. Un levier pour diminuer les coûts d’exploitation des éoliennes réside dans l’optimisation de la maintenance des turbines.
La durée de vie d’une éolienne est influencée par des paramètres incertains liés à l’environnement comme le vent ou les tempêtes, ou des paramètres incertains liés aux matériaux comme un défaut de soudure ou la défaillance d’un boulon. Ceci rend très difficile la prévision certaine de la durée de vie d’un mât. Il est donc essentiel de revisiter les outils de prévision à partir de données de sites relatives à l’endommagement du mât d’éolienne et des structures les supportant.
Classiquement, pour le contrôle de l’état de santé des structures, deux techniques sont envisageables :
- le contrôle non destructif, ou en anglais Non Destructive Testing (NDT), qui consiste à aller contrôler à intervalles de temps réguliers la structure dans sa globalité pour détecter l’apparition de défauts.
- le contrôle de santé des structures, ou en anglais Structural Health Monitoring (SHM), consiste à relever en permanence des données afin de détecter tout changement dans le comportement de la structure symptôme d’un endommagement. Les techniques SHM sont, de fait, une sous-partie des techniques NDT.
Les techniques NDT comprennent notamment le contrôle visuel, le contrôle par ultrasons et le contrôle par courants de Foucault (pour les structures métalliques). Cependant ces techniques présentent le désavantage que leur utilisation peut impliquer:
- une immobilisation ou un arrêt de fonctionnement des dispositifs supportés par la structure pendant une longue durée,
- un coût prohibitif si l’on souhaite contrôler de manière exhaustive une partie importante de la structure,
- une complexité de mise en œuvre, possiblement une préparation des surfaces, et surtout
- le travail à plein temps de techniciens spécialisés.
Ainsi, les techniques NDT seront plutôt réservées aux situations où l’on suspecte un dommage, localisé en espace et en temps, pour réaliser un diagnostic plus fin et permettre de disqualifier l’alerte, ou bien d’y porter remède. Ceci appelle alors la mise en place d’un contrôle continu et automatisé des structures, SHM si possible avec des technologies de bas coûts, permettant la centralisation du contrôle.
Les techniques SHM comprennent par exemple la détection d’endommagement par suivi fréquentiel, dont un exemple pour les tours d’éoliennes a été publié dans “Monitoring resonant frequencies and damping values of an offshore wind turbine in parked conditions” Devriendt, C., Weijtjens, W., El-Kafafy, M., & De Sitter, G. (2014) IET Renewable Power Generation, 8(4), 433-441. Une variation de fréquence propre mesurée de la structure est le signe de l’apparition d’un défaut, mais d’une part il est nécessaire de réaliser des mesures à très faibles niveaux de bruit (délicates à obtenir dans un contexte de sollicitations aléatoires) et d’autre part les variations des propriétés de raideur ou d’inertie de la structure dues à l’environnement, comme la variation de modules élastiques avec la température ou le givre par exemple, peuvent fausser les variations de fréquences propres mesurées.
Il a également été suggéré dans la publication “Vibration analysis of 2.3 MW wind turbine operation using the discrete wavelet transform”. Bassett, K., Carriveau, R., & Ting, D. S. (2010).Wind Engineering,34(4), 375-388 de placer des jauges de déformations à intervalles d’espace réguliers autour des points chauds de la structure (zones de plus fortes déformations) afin de détecter des gradients localisés de déformations qui résulteraient de la présence de fissures. Cette technique a pour désavantage, d’une part qu’il faut une densité très importante de capteurs afin de détecter toute apparition de fissure, d’autre part que les jauges de déformations subissent des dérives de mesures au cours du temps et peuvent ne pas être localisées sur des endroits sensibles, rendant ainsi la mesure inopérante.
Il existe donc un besoin d’une technique de surveillance de l’état de santé de structures telles que des mâts d’éolienne, robuste dans le temps, ne nécessitant pas des appareils de mesure couteux, en quantité importante et à faible niveau de bruit. Plus encore, le désavantage commun de toutes ces techniques connues de l’art antérieur est d’extrapoler un état de santé d’une structure dans sa globalité à partir d’informations locales. Il existe un besoin d’une technique de surveillance de l’état de santé des mâts d’éolienne dont la mise en œuvre permet une détermination plus directe de la nature des endommagements mécaniques à partir des résultats obtenus.
Un but de l’invention est de proposer une technique de surveillance de l’état de santé de structures telles que des mâts d’éolienne, robuste dans le temps, ne nécessitant pas d’appareils de mesure couteux, en quantité importante et à faible niveau de bruit.
Un autre but de l’invention est de proposer une technique de surveillance de l’état de santé des mâts d’éolienne dont la mise en œuvre permet une détermination plus directe de la nature des endommagements mécaniques à partir des résultats obtenus.
Le but est atteint dans le cadre de la présente invention grâce à un procédé de surveillance d’une structure par traitement d’images numériques, comprenant:
(A) une phase d’apprentissage comprenant des étapes de:
(A2) à partir d’une pluralité d’images d’apprentissage d’une portion d’une surface de la structure, détermination pour chaque image d’un champ de déplacement d’apprentissage par une technique de corrélation d’images, le champ étant une estimation d’un déplacement de la matière au sein de la structure en chaque point de la portion à un instant d’acquisition de l’image,
(A3) à partir des champs, construction d’une base de champs de déplacement modaux caractéristiques de la pluralité d’images par une technique de réduction de modèle,
(A4) détermination d’un seuil de résidu caractérisant une erreur maximale admissible de l’estimation du déplacement et, pour chaque champ de déplacement modal, d’une plage de valeurs attendues d’une amplitude modale associée caractérisant une projection des champs de déplacement d’apprentissage sur le champ de déplacement modal,
(S) une phase de surveillance comprenant des étapes de:
(S1) acquisition d’une image courante de la portion,
(S2) à partir de l’image courante, détermination d’un champ de déplacement courant, d’amplitudes modales courantes caractérisant une projection du champ de déplacement courant sur la base de champs de déplacement modaux et d’un résidu courant, le champ de déplacement courant étant une estimation d’un déplacement de la matière au sein de la structure en chaque point de la portion à un instant d’acquisition de l’image courante, le résidu courant caractérisant une erreur de l’estimation du déplacement, et
(S3) génération d’une alerte lorsqu’une des amplitudes modales courantes associée à un des champs de déplacement modaux prend une valeur à l’extérieur de la plage de valeurs attendues de l’amplitude modale associée au champ de déplacement modal ou lorsqu’une norme du résidu courant dépasse le seuil de résidu.
L’évaluation de l’état de santé étant effectué par acquisition et traitement d’images, le matériel nécessaire à la mise en œuvre du procédé est composé d’appareils photographiques numériques et de calculateurs que l’on peut choisir de qualité moyenne ou basse, c’est-à-dire à moindre coût et sans nécessiter un faible niveau de bruit, tout en ayant une qualité satisfaisante du procédé. Par ailleurs, le procédé est robuste dans le temps grâce au suivi d’une projection du déplacement courant sur une base modale d’apprentissage, caractéristique d’un état de santé normal de la structure.
Un tel procédé de surveillance est avantageusement complété par les différentes caractéristiques ou étapes suivantes prises seules ou en combinaison:
- l’étape (S2) comprend une première sous-étape (S2A) de détermination du champ de déplacement courant par une technique de corrélation d’images globale et une deuxième sous-étape (S2B) de projection du champ de déplacement courant sur la base de champs de déplacement modaux;
- l’étape (S2) comprend la détermination du champ de déplacement courant par une technique de corrélation d’images intégrée, correspondant à une technique de corrélation d’images globale utilisant la base de champs de déplacement modaux;
-l’étape (S2) comprend :
une sous-étape (S21) de filtrage de l’image de référence et de l’image courante pour obtenir une image de référence filtrée et une image courante filtrée, par application d’un filtre spatial inhomogène de type passe bas, le filtre utilisant une pluralité de longueurs caractéristiques de filtrage pour une pluralité de pixels formant l’image, la longueur caractéristique pour un pixel dépendant d’un déplacement maximal observé associé au pixel dans les champs de déplacement d’apprentissage,
une sous-étape (S23) de détermination, pour chaque champ de déplacement modal, d’une amplitude modale courante du champ de déplacement courant, à partir d’un produit scalaire entre un champ extracteur associé au champ de déplacement modal et une différence entre l’image courante filtrée et l’image de référence filtrée, le champ extracteur étant une image associée au champ de déplacement modal construit à partir de l’ensemble des champs de déplacement modaux et de l’image de référence filtrée, et
une sous-étape (S24) de détermination du résidu courant à partir de l’image courante filtrée, de l’image de référence filtrée, des amplitudes modales courantes et des champs de déplacement modaux;
- la structure comprend un mât d’éolienne;
- la surface se situe à l’intérieur du mât;
- la zone intérieure du mât s’étend de part et d’autre d’une soudure entre deux viroles du mât;
- on met en œuvre la phase d’apprentissage sur différentes portions de la surface puis on met en œuvre la phase de surveillance sur ces portions;
L’invention porte également sur un dispositif de surveillance d’une structure par traitement d’images numériques, comprenant un appareil d’acquisition d’images et une unité de traitement d’images reliée à l’appareil et adaptée pour conserver en mémoire des images et mettre en œuvre un procédé de surveillance tel qu’on a pu le présenter plus haut.
L’invention porte également sur une éolienne comprenant un dispositif de surveillance comme mentionné plus haut, ou une pluralité de dispositifs de surveillance de ce type pour mettre en œuvre le procédé de surveillance où on met en œuvre la phase d’apprentissage sur différentes portions de la surface puis on met en œuvre la phase de surveillance sur ces portions comme mentionné plus haut.
L’invention porte en outre sur un programme d’ordinateur comprenant des instructions adaptées à la mise en œuvre d’au moins une des étapes du procédé tel qu’on a pu le présenter plus haut lorsque ledit programme est exécuté sur un ordinateur.
L’invention porte enfin sur une base de données comprenant la pluralité d’images d’apprentissage, l’image de référence, les champs de déplacement d’apprentissage, la base de champs de déplacement modaux, le seuil de résidu, les plages de valeurs attendues des amplitudes modales, les images courantes, les amplitudes modales courantes et les résidus courants déterminés lors de la mise en œuvre d’un procédé de surveillance tel qu’on a pu le présenter plus haut.
Une telle base de données est avantageusement complétée par l’image de référence filtrée, les images courantes filtrées, le filtre spatial inhomogène de type passe-bas et les champs extracteurs déterminés lors de la mise en œuvre d’un procédé de surveillance comprenant une sous-étape (S21) de filtrage tel qu’on a pu le présenter plus haut.
DESCRIPTION DES FIGURES
D'autres caractéristiques et avantages de l'invention ressortiront encore de la description qui suit, laquelle est purement illustrative et non limitative, et doit être lue en regard des dessins annexés sur lesquels :
la figure 1 est une représentation schématique d’un dispositif de surveillance d’une structure par traitement d’images selon l’invention.
La figure 2 est un exemple d’image acquise au cours d’un procédé de surveillance d’une structure selon l’invention.
La figure 3 est une représentation schématique d’un procédé de surveillance d’une structure selon l’invention.
DESCRIPTION DETAILLEE DE L'INVENTION
Dispositif de mesure
La figure 1 représente un dispositif de surveillance 1 d’une structure 9par traitement d’images conforme à un mode de réalisation de l’invention.
Le dispositif de surveillance 1 comprend un appareil d’acquisition d’images numériques 3, un dispositif d’éclairage 5, une architecture de maintien 7 adaptée pour accueillir et fixer l’appareil d’acquisition d’images numériques 3 et le dispositif d’éclairage 5 sur la structure 9 à surveiller. L’appareil d’acquisition d’images numériques 3 peut notamment être un appareil photographique numérique ou une caméra numérique. Il est à noter que les appareils d’acquisition d’images numériques utilisées peuvent être de qualité moyenne ou basse. L’appareil d’acquisition d’images numériques 3 est associé à une horloge pour horodater les clichés pris.
Le dispositif de surveillance 1 comprend également une unité de traitement d’images 8 reliée à l’appareil d’acquisition d’images numériques 3. L’unité de traitement comprend une mémoire pour enregistrer des données et des moyens de calcul type processeur pour traiter des images.
Le dispositif d’éclairage 5 est placé et orienté de façon à éclairer une surface 15 de la structure 9.
L’appareil d’acquisition d’images numériques 3 est placé et orienté de sorte à prendre des clichés d’une portion de surface 11 de la structure 9, la portion de surface 11 étant comprise dans la surface 15. La surface visée sera choisie comme centrée sur des zones sensibles définies selon le domaine d’application.
Dans le cas où la structure 9 est une éolienne ou un mât d’éolienne, la portion de surface 11 peut être une zone intérieure du mât d’éolienne. Dans ce cas, la portion de surface 11 de la structure 9 peut être choisie comme une surface intérieure s’étendant de part et d’autre d’une soudure. En effet, un mât d’éolienne est traditionnellement formé de plusieurs sections fixées les unes aux autres par des boulons. Chaque section est elle-même formée de plusieurs viroles qui sont soudées entre elles. Une zone intéressante à surveiller pour suivre l’état de santé du mât d’éolienne s’étend de part et d’autre d’une soudure entre deux viroles, et plus particulièrement une zone située entre le matériau de soudure et le matériau de la virole, en général de l’acier. La portion de surface 11 peut en particulier comprendre une zone s’étendant à partir d’une soudure 17 entre deux viroles.
En fonctionnement, le dispositif d’éclairage 5 illumine la surface 15, et l’appareil d’acquisition d’images acquiert des images de la portion de surface 11.
Cette image acquise est transmise et enregistrée dans l’unité de traitement d’images 8.
L’unité de traitement d’images 8 est programmée pour mettre en œuvre un procédé de surveillance de la structure par traitement des images acquises.
La portion de surface 11 de la structure 9 peut être recouverte d’un revêtement présentant par exemple un mouchetis formé de taches noires 13 sur un fond blanc, tel qu’habituellement pratiqué lors de la mise œuvre de la Corrélation d’Images Numériques (cf. par exemple M.A. Sutton et coll., «Image correlation for shape, motion and deformation measurements : basic concepts, theory and applications», Springer, 2009).
La résolution de l’appareil d’acquisition 3 peut être adaptée au contraste de la portion de surface 11.
La figure 2 présente un cliché d’une portion de surface intérieure d’un mât d’éolienne 29. Le cliché montre une soudure 17 entre deux viroles. Un revêtement présentant un mouchetis formé de taches noires 23 sur un fond blanc a été apposé sur la surface interne du mât 29.
Dans un autre mode de réalisation, il est possible d’utiliser une pluralité de dispositifs de surveillance peuvent être installés pour imager différentes portions de surface de la structure 9.
Le nombre de dispositifs de surveillance à utiliser dépend du nombre de zones que l’on souhaite surveiller dans le temps. En se limitant à prendre des images des zones les plus sensibles de la structure, il est possible de surveiller l’ensemble de la structure avec un nombre réduit d’appareils d’acquisition d’images numériques, ou de limiter la surveillance à des zones particulières, comme par exemple, si la structure surveillée est un mât d’éolienne, les soudures entre deux viroles.
Chaque appareil d’acquisition d’images du dispositif peut être associé à un dispositif d’éclairage et maintenu sur une architecture de maintien adaptée pour s’étendre à l’intérieur ou au moins à proximité de la structure surveillée. Une architecture de maintien est placée et configurée pour accueillir et fixer au moins un jeu d’appareils d’acquisition d’images et un jeu de dispositifs d’éclairage.
La structure à surveiller peut être une éolienne, un ou plusieurs dispositif de surveillance étant installé à l’intérieur de l’éolienne, par exemple dans le mât d’éolienne. Dans le cas d’une pluralité de dispositifs de surveillance, les différentes portions d’observation sont imagées. Elles peuvent en particulier correspondre à la zone entournant une soudure entre deux viroles du mât d’éolienne.
La figure 3 illustre les étapes du procédé de surveillance mis en œuvre par l’unité de traitement 8 à partir d’images acquises de la structure surveillée.
Le procédé comprend une première phase (ou phase d’apprentissage) permettant de déterminer une base modale caractérisant les déplacements attendus au sein de la portion de surface de la structure surveillée et une deuxième phase (ou phase de surveillance) permettant d’évaluer si des déplacements mesurés au sein de la portion de surface de la structure surveillée correspondent à des déplacements attendus.
Le procédé tire profit du fait qu’au cours du temps, la structure surveillée évolue de sorte que deux images successivement acquises avec le dispositif de mesure utilisant le même appareil d’acquisition d’images numériques placé dans les mêmes conditions sont différentes.
L’évolution de l’état de santé de la structure surveillée peut être évaluée en suivant l’évolution au cours du temps des images et plus particulièrement des déplacements de matière sur la surface surveillée. La surveillance consiste à vérifier si les déplacements observés sont acceptables ou non.
Phase d’apprentissage (A)
La phase d’apprentissage (A) comprend les étapes suivantes:
Selon une étape A1, l’appareil d’acquisition d’images numériques 3 acquiert une image de référence et une pluralité d’images d’apprentissage. L’image de référence et la pluralité d’images d’apprentissage sont acquises au cours d’une période pour laquelle l’état de santé de la structure surveillée est jugé «normal» ou «satisfaisant».
L’image de référence et les images d’apprentissage acquises sont enregistrées dans la mémoire de l’unité de traitement. De plus, pour l’image de référence et pour chaque image d’apprentissage acquise, un instant d’acquisition associé est également enregistré dans la mémoire. L’instant d’acquisition de l’image d’apprentissage n’est pas exploité durant l’étape A2 de la phase d’apprentissage, aussi cette dimension temporelle n’apparaît pas dans la description de cette phase. Cependant, la dimension temporelle est importante dans l’étape A3 de la phase d’apprentissage de sorte qu’elle y réapparaît.
Selon une étape A2, l’unité de traitement d’images 8 détermine pour chaque image d’apprentissage, un champ de déplacement d’apprentissage par une technique de corrélation d’images numériques. Les champs de déplacement d’apprentissage constituent un échantillonnage statistique des déplacements de la matière sur la structure surveillée observés au cours de la phase d’acquisition des images d’apprentissage.
Présentation succincte de la corrélation d’images numériques (CIN).
Le champ de déplacement peut être mesuré de la manière suivante.
La positionxcorrespond à un vecteur de dimension deux permettant de situer le pixel au sein de l’image numérique. Dans l’ensemble du texte, les termes en gras désignent des grandeurs qui sont des vecteurs à deux dimensions. L’image de référence est représentée par une fonction f(x), qui au pixel de positionxassocie le niveau de gris associé f(x). Chaque image d’apprentissage est représentée par une fonction g(x), qui au pixel de positionxassocie le niveau de gris associé g(x).
Pour étudier les déplacements, les images d’apprentissage sont comparées à l’image de référence par CIN.
Le champ de déplacement entre l’image d’apprentissage, g(x), et l’image de référence, f(x), peut être représenté par un champ à deux dimensionsu(x);u(x) est le vecteur de déplacement dans le plan des images qui permet de passer de la positionxdans l’image de référence à laquelle est situé un élément de la surface photographiée, à la positionx+u(x) dans l’image d’apprentissage à laquelle est situé le même élément matériel de la surface, soit idéalement f(x) = g(x+u(x)).
En réalité cette égalité n’est jamais satisfaite. Du bruit vient nécessairement entacher les images, ne serait-ce que le bruit de l’appareil d’acquisition d’images numériques et plus particulièrement le bruit intrinsèque aux capteurs d’intensité de lumière de l’appareil d’acquisition d’images numériques. Le bruit intrinsèque peut être caractérisé par une valeur numérique ou niveau de bruit.
Il est utile de considérer un résidu η(x) qui traduit la non conservation des niveaux de gris sous la forme η(x) = g(x+u(x)) - f(x) en chaque pixel, et une norme |η|, par exemple la norme euclidienne qui est la racine carrée de la somme des carrés de η(x) sur tous les pixelsx. D’autres normes peuvent être utilisées. Idéalement le résidu η(x) se confond avec le bruit présent dans l’image de référence et l’image d’apprentissage. Lorsque la norme du résidu |η| prend une valeur qui est notablement supérieure au niveau de bruit estimé au-préalable, alors ce résidu signale une erreur commise dans l’estimation des déplacements ou bien une violation de l’hypothèse de conservation des niveaux de gris ce qui peut arriver lorsque la luminosité varie.
Le champ de déplacement d’apprentissageu(x) est obtenu par la minimisation de la somme des différences quadratiques en termes de niveaux de gris entre l’image de référence et l’image d’apprentissage corrigée du champ de déplacement d’apprentissage.
Il est possible également d’utiliser une technique de CIN dite «globale», également désignée ici comme une technique de corrélations d’images globale. Ce type de technique est connue de la personne du métier. La caractéristique «globale» désigne l’utilisation dans la technique de CIN d’une base de champs de déplacement dont chacun est défini sur l’ensemble du domaine d’étude. Le domaine d’étude désigner ici la portion de la surface de la structure considérée lors de l’utilisation du procédé de CIN. Une telle technique met en œuvre une décomposition du champ de déplacement d’apprentissageu(x) sur une base de champs de déplacement ou fonctions de formen i (x) selon
Les coefficientsa i sont des inconnus à déterminer pour obtenir le champ de déplacement d’apprentissageu(x).
Cette méthode de CIN globale est détaillée dans Besnard, G., Hild, F., & Roux, S. (2006). “Finite-element” displacement fields analysis from digital images: application to Portevin–Le Châtelier bands.Experimental Mechanics,46(6), 789-803.
Suite à l’application de la technique CIN globale, il est déterminé en fin d’étape A2:
- un champ de déplacement d’apprentissage u(x),
- un résidu d’apprentissage η(x) vérifiant η(x) = g(x+u(x)) - f(x).
Dans des conditions courantes, l’incertitude dans la détermination du champ de déplacement est d’environ 10-2pixel. Cette incertitude de détermination est suffisamment basse pour permettre par exemple de détecter des fissures invisibles à l’œil nu.
Selon une étape A3 de la phase d’apprentissage, l’unité de traitement 8 extrait des champs de déplacement d’apprentissage une base de champs de déplacement modaux caractéristiques de ces champs de déplacement d’apprentissage par une technique de réduction de modèle
Il est possible de tirer parti du fait qu’il existe seulement un nombre fini de types de déplacements au sein de la structure. Cela signifie que, pour un certain nombre d’images d’apprentissage de la structure surveillée, les champs de déplacement d’apprentissage déterminés peuvent être décrits par un nombre plus faible de champ de déplacements particuliers. On appelle ces champs de déplacement particuliers, des champs de déplacement modaux qui forment ensemble une base modale.
Les champs de déplacement modaux permettent d’analyser les différents types de déplacements contenus dans les images d’apprentissage qui sont caractéristiques de la structure surveillée et de son état de santé au cours de la période où les images d’apprentissage ont été acquises.
Si les images d’apprentissage correspondent toutes à un état de santé jugé «normal» ou «satisfaisant» de la structure surveillée, les champs de déplacement modaux sont alors caractéristiques des déplacements attendus au sein de la portion de surface de la structure surveillée lorsque la structure surveillée présente un état de santé «normal» ou «satisfaisant».
Pour déterminer les champs de déplacement modaux, une écriture des champs de déplacement d’apprentissageu(x,t) indexé par l’instant d’acquisition t est recherchée sous la forme d’une somme de termes, chaque terme étant le produit d’une partie temporelle et d’une partie spatiale:
ψ i (x) est le champ de déplacements modal et correspond à la partie spatiale.b i(t) est l’amplitude correspondante deψ i (x) dans le champ d’apprentissageu(x,t),b i(t) est une amplitude modale d’apprentissage et correspond à la partie temporelle.
Les modesψ i (x) peuvent être déterminés grâce à des techniques de réduction de modèle connues de l’art antérieur comme par exemple la technique dite SVD (pour «Singular Value Decomposition» en anglais connue en français comme la «décomposition aux valeurs singulières»).
Les champs de déplacement modaux sont déterminés dans un ordre décroissant d’importance qui est quantifié par une valeur propre du mode. Cet ordre de détermination permet de ne déterminer que les modes plus importants qu’un certain seuil d’importance arbitrairement choisi. Lorsque l’importance associée au dernier mode déterminé passe sous le seuil d’importance, la méthode de détermination peut être arrêtée. Il est possible d’utiliser comme seuil d’importance l’incertitude de détermination du champ de déplacement par la technique CIN utilisée précédemment.
Les champs de déplacement modaux caractérisent la cinématique de déformation de la structure surveillée sur la région visée par le dispositif de mesure. Ils caractérisent aussi le mouvement banal de l’appareil d’acquisition d’images numériques dû, par exemple, à une vibration de l’architecture de maintien du dispositif de mesure. Les champs de déplacement modaux de déplacement associés aux mouvements de l’appareil d’acquisition d’images numériques sont appelés modes de corps rigide. Ces modes de corps rigide ne portent pas d’information intéressante concernant les déformations locales de la structure surveillée. Il est cependant essentiel de limiter leur influence au maximum afin qu’ils ne masquent pas les autres modes. En prétraitement de la recherche de modes cinématiques, il est possible de soustraire les translations rigides moyennes dans les directions principales en utilisant la CIN par transformée de Fourier rapide (FFT). De plus, si des rotations apparaissent au niveau de l’architecture de maintien du dispositif de mesure des techniques existent également pour limiter leur influence.
A la fin de l’étape A3, l’unité de traitement 8 a déterminé une base comprenant un certain nombre de champs de déplacement modauxψ i (x). Une fois cette base fixée, l’unité de traitement 8 réactualise pour chaque image d’apprentissage g(x) le champ de déplacement d’apprentissage, de sorte que le champ de déplacement d’apprentissage actualisé ua(x,t) s’écrit
avecb i(t) l’amplitude modale d’apprentissage, et le résidu d’apprentissage actualisé ηa(x) vérifie ηa(x,t) = g(x+ua(x,t),t) - f(x).
Selon une étape A4 de la phase d’apprentissage, l’unité de traitement 8 détermine une plage de valeurs attendues d’amplitudes modales caractérisant une projection des champs de déplacement d’apprentissage sur la base de champs de déplacement modaux et un seuil de résidu caractérisant une erreur maximum admissible.
La détermination de la plage de valeurs attendues d’amplitudes modales s’effectue à partir des amplitudes modales d’apprentissageb i(t) obtenus lors de l’étape A3.
Lors de l’étape A3, il est déterminé pour chaque champ de déplacement modalψ i (x) une amplitude modale d’apprentissage)b i(t) par image d’apprentissage. Il est possible de caractériser l’ensemble des amplitudes modales d’apprentissageb i(t) du champ de déplacement modalψ i (x) par des paramètres de position (valeur moyenne, médiane, etc..) et des paramètres de dispersion (écart type, intervalle interquartile, etc…). Il est possible en particulier de construire une plage de valeurs attendues de l’amplitude modaleb i(t) comme par exemple l’intervalle interquartile représentant 50% des amplitudes modales d’apprentissageb i(t) réparties symétriquement autour de la médiane des amplitudes modales d’apprentissage. La plage de valeurs attendues peut aussi être déterminée comme un intervalle représentant 30%, 60% ou tout autre pourcentage des amplitudes modales d’apprentissageb i(t) réparties symétriquement autour de la médiane ou de la moyenne des amplitudes modales d’apprentissage. D’autres manières de déterminer une plage de valeurs attendues peuvent également être utilisées.
Le seuil de résidu caractérisant une erreur maximum admissible peut être calculé à partir des résidus d’apprentissage actualisés ηa(x,t). Une méthode possible de calcul est d’utiliser les normes de ces résidus d’apprentissage actualisés et d’extraire de ces normes une valeur moyenne, un écart-type, un dernier quartile ou un autre quantile. A partir de ces paramètres, il est possible de calculer un seuil de résidu égal à une valeur suffisamment importante de la norme de résidu pour qu’une majorité des résidus d’apprentissage présentent une norme inférieure ou égale au seuil de résidu.
Il est obtenu à la fin de l’étape A3:
- un seuil de résidu caractérisant une erreur maximum admissible à partir des résidus d’apprentissage actualisés,
- pour chaque champ de déplacement modalψ i (x), une plage de valeurs attendues de l’amplitude modale associée.
Phase de surveillance
La phase de surveillance comprend les étapes suivantes:
Selon une étape S1 de la phase de surveillance, l’appareil d’acquisition d’images numériques 3 acquiert à un instant d’acquisition t une image courante de la portion de surface 11 de la structure.
Cette image courante est prise par le même dispositif de mesure 1 qui a permis l’acquisition des images d’apprentissage, et dans les mêmes conditions. Cela permet de comparer de manière pertinente les déplacements mesurés dans la phase d’apprentissage et ceux mesurés dans la phase de surveillance.
L’image courante est représentée par une fonction h(x,t), qui au pixel de positionxassocie le niveau de gris h(x, t).
Selon une étape S2 de la phase de surveillance, l’unité de traitement 8 détermine, à partir de l’image courante, un champ de déplacement courant sur la base modale sélectionnée lors de la phase d’apprentissage et caractérisé, pour chaque champ de déplacement modal, par une amplitude modale courante et un résidu courant caractérisant une erreur.
Le champ de déplacement courant est une estimation du déplacement de la matière au sein de la structure en chaque point de la zone d’observation à l’instant d’acquisition de l’image courante, et le résidu courant caractérise une erreur de l’estimation de ce déplacement.
L’unité de traitement 8 cherche à déterminer, à partir de l’image courante h(x,t), un champ de déplacement courantv(x,t) qui est un vecteur de déplacement dans le plan des images qui permet de passer de la positionxdans l’image de référence à laquelle est situé un élément de la surface photographiée, à la positionx+v(x,t) dans l’image courante à laquelle est situé le même élément matériel de la surface, avec une erreur dans la détermination représentée par le résidu courant ε(x,t) soit f(x) = h(x+v(x,t),t) + ε(x,t).
Le champ de déplacement courant est une estimation de déplacements au sein de la structure entre l’image courante et l’image de référence. Le résidu courant ε(x,t) est caractéristique d’une erreur de l’estimation
Le champ de déplacement courant est cherché sous la forme d’une combinaison linéaire des champs de déplacement modauxψ i (x) déterminés lors de la phase d’apprentissage, l’amplitude du modeψ i (x) dans le champ de déplacement courantv(x,t) étant notéec i(t). L’amplitudec i(t) est une amplitude modale courante de sorte que
Pour réaliser l’étape S2 il existe plusieurs méthodologies possibles donnant théoriquement le même résultat. Elles sont présentées ci-après selon l’ordre croissant de leur efficacité.
Selon une première méthodologie, l’étape S2 comprend une première sous-étape S2A de détermination du champ de déplacement courant par une technique de corrélation d’images numériques et une deuxième sous-étape S2B de projection du champ de déplacement courant sur la base de champs de déplacement modaux.
L’unité de traitement 8 réalise la première sous-étape S2A en suivant par exemple une technique de corrélation d’images numériques CIN «globale» comme présentée précédemment et utilisant une base de fonctionsn i (x).
A la fin de cette première sous étape S2A, un champ de déplacement intermédiairevi(x,t) est déterminé ainsi qu’un résidu intermédiaire εi(x,t).
Au cours de la deuxième sous-étape S2B, le champ de déplacement intermédiaire est projeté sur la base de champs de déplacement modaux de sorte à déterminer le champ de déplacement finalvf(x,t):
A partir du champ de déplacement final, du champ de déplacement intermédiaire, du résidu intermédiaire, et d’un gradient de l’image de référence, l’unité de traitement 8 détermine le résidu final εf(x,t) selon:
gradreprésentant la fonction gradient. L’étoile * représentant le produit matriciel de Schur. Le produit matriciel de Schur est une opération binaire qui, à deux matrices initiales de mêmes dimensions, associe une matrice finale de même dimension dont chaque coefficient est le produit terme à terme des deux matrices initiales.
Selon une deuxième méthodologie, l’étape S2 comprend la détermination du champ de déplacement courant par une technique de corrélation d’images numériques dite «intégrée», également désignée ici comme une technique de corrélations d’images intégrée, utilisant la base de champs de déplacement modaux. La technique de corrélation d’images numériques dite «intégrée» est une méthode de type CIN globale, dans laquelle la base de fonctionsn i (x) utilisée pour déterminer le champ de déplacement courant est la base de champs de déplacement modauxψ i (x) déterminés lors de la phase d’apprentissage. Aucune sous-étape postérieure à l’application de la méthode de CIN globale n’est alors nécessaire.
L’approche dite «intégrée» a fait l’objet de publications dans la littérature comme par exemple dans H. Leclerc, Jean-Noël Périé, F. Hild, S. Roux. Corrélation d’Images Numériques Intégrée pour l’identification de propriétés mécaniques.CFM 2009 - 19e Congrès Français de Mécanique, Marseille (France), 2009, Marseille, France [https://hal.archives-ouvertes.fr/hal-02194355].
Selon une troisième méthodologie, l’étape S2 comprend
- une première sous étape S21 de filtrage de l’image de référence et de l’image courante par application d’un filtre spatial inhomogène de type passe bas, le filtre comprenant une pluralité de longueurs caractéristiques de filtrage pour une pluralité de pixels formant l’image, la longueur caractéristique pour un pixel dépendant du déplacement maximal observé au pixel dans les champs de déplacement d’apprentissage.
Un filtrage d’une image par un filtre spatial passe-bas désigne ici un traitement de l’image qui modifie les niveaux de gris composant l’image de sorte à effacer les variations de niveaux de gris de plus hautes fréquences spatiales, c’est-à-dire les fortes variations de niveaux de gris sur de faibles distances dans l’image. Cela permet de lisser les variations de niveaux de gris sur une certaine distance caractéristique de filtrage ou longueur caractéristique de filtrage.
Un filtrage d’une image par un filtre spatial passe-bas inhomogène désigne ici un traitement de l’image où la longueur caractéristique de filtrage varie d’un pixel à un autre de l’image.
L’unité de traitement 8 construit, à partir des champs de déplacement d’apprentissage, une fonction |umax|(x) qui à un pixel de positionxassocie la distance maximale de déplacement, égal à une norme du vecteur de déplacement, au pixel de positionxparmi tous les champs de déplacement d’apprentissage.
L’unité de traitement 8 extrait de la fonction |umax|(x) une distance λmax qui est le maximum de la fonction |umax|(x), et une pluralité de distances λi comprises entre 1 et λmax. En particulier, l’unité de traitement 8 peut déterminer N distances λi avec i=1…N vérifiant λ1=q, λ2=q^2, λ3=q^3, …, λN=q^N=λmax.
L’unité de traitement 8 génère N images relais qui sont des images filtrées de l’image de référence f(x). Pour générer une de ces N images relais, l’unité de traitement 8 applique à l’image de référence un filtre spatial homogène de type passe bas caractérisé par une seule longueur caractéristique de filtrage pour tous les pixels, la longueur caractéristique étant égale à une des distances λi. Ce filtre spatial peut par exemple utiliser une convolution avec une fonction gaussienne.
L’unité de traitement 8 génère de même N images relais de l’image courante h(x).
L’application du filtre spatial homogène de longueur caractéristique λi génère une image relais fi(x) de l’image de référence f(x) et une image relais hi(x,t) de l’image courante h(x,t).
L’unité de traitement 8 applique à l’image de référence le filtre spatial inhomogène de type passe bas pixel par pixel pour produire une image filtrée f!(x). Au pixelx, l’unité de traitement recherche l’entier p compris entre 1 et N, tel que λ(p-1) ≤ |umax|(x) ≤ λp. On utilise λ0=1.
Le niveau de gris f!(x) de l’image filtrée au pixelxest obtenu à partir des niveaux de gris au pixelxdes images relais f(p-1)(x) et fp(x). Plus précisément le niveau de gris f!(x) est construit par interpolation linéaire des niveaux de gris f(p-1)(x) et fp(x).
De même l’unité de traitement 8 applique à l’image courante le filtre spatial inhomogène de type passe bas pixel par pixel pour produire une image filtrée h!(x,t) en utilisant cette fois les images relais hi(x,t).
- une deuxième sous-étape S22 de détermination de champs extracteurs ξi(x) à partir des champs de déplacement modauxψ i (x)∙et de l’image de référence filtrée f!(x).
A partir des modes spatiauxψ i (x), tels qu’on les a décrits plus haut, il est possible de déterminer les champs de sensibilité si(x) =ψ i (x)*grad(f!(x)).
En introduisant la matrice [M] dont les coefficients Mij sont définis par
il est possible de définir des champs extracteurs ξi(x), chaque champ extracteur étant associé à un champ de déplacement modalψ i (x),
où
est le coefficient ij de la matrice inverse de [M].
- une troisième sous-étape S23 de détermination des amplitudes modales courantec i(t),
Les champs extracteurs présentent la propriété suivante : dans une image courante h(x,t) acquise à un instant d’acquisitiont, l’amplitude modalec i(t) associée au champ de déplacement modalψ i (x), est directement déterminée par
où ρ(x,t) = h!(x,t) – f!(x) est la différence entre l’image courante filtrée h!(x,t) et l’image de référence filtrée f!(x).
Ainsi le simple «produit scalaire» du champ extracteur ξi(x) associé à un champ de déplacement modalψ i (x), avec la différence d’images filtrée donne directement la mesure de l’amplitude modale courantec i(t) du champ de déplacement modalψ i (x).
- une quatrième sous-étape S24 de détermination du résidu courant ε(x,t).
Une fois les amplitudes modales courantesc i(t) déterminées, il est possible d’estimer un résidu courant ε(x,t) selon le calcul :
Ce calcul est une opération élémentaire qui peut être effectuée de manière simple en réalisant des opérations directement sur les images.
Il est à noter que, dans toutes les méthodologies présentées plus haut, l’étape S2 est robuste car elle est fondée sur une base de champs de déplacements modaux qui sont extraits d’une pluralité d’images d’apprentissage. Plus le nombre d’images d’apprentissage est important et plus la base de champs de déplacements modaux caractérise de manière complète et précise la cinématique de la structure durant la phase d’apprentissage. La décomposition d’un champ de déplacement courant sur cette base est alors d’autant plus pertinente pour comparer la cinématique de la structure à l’instant d’acquisition, à la cinématique de la structure durant la phase d’apprentissage. In fine, cette comparaison permet de caractériser un état de santé de la structure à l’instant d’acquisition de l’image courante.
Selon une étape S3 de la phase de surveillance, l’unité de traitement génère une alerte de défaut
- lorsqu’une des amplitudes modales courantesc i(t) associée à un champ de déplacement modalψ i (x) prend une valeur à l’extérieur de la plage de valeurs attendues associée au champ de déplacement modal ou
- lorsqu’une norme du résidu courant dépasse le seuil de résidu.
La plage de valeurs attendues et le seuil du résidu ont été déterminés à l’issue de la phase d’apprentissage comme discuté précédemment.
Pour l’image courante, chaque amplitude modale courante associée à un champ de déplacement modal donne la pondération d’un déplacement attendu et le résidu courant quantifie la partie de l’information contenue dans l’image courante qui ne correspond à aucun déplacement attendu.
Si une amplitude modale courante se situe en dehors de sa plage de valeurs attendues ou si le résidu courant dépasse significativement le seuil de résidu, alors une anomalie est détectée ce qui peut signifier un état de santé dégradé de la structure surveillée.
Les champs de déplacement modaux permettent en effet d’analyser les différents types de déplacements qui sont caractéristiques de la structure surveillée et de son état de santé. Si l’état de santé de la structure surveillée est stable, les amplitudes modales courantes se situent dans les plages de valeur attendues. Cela signifie que de nouvelles images acquises de la structure doivent pouvoir être décomposées de manière similaire aux images d’apprentissage.
Deux cas d’alerte peuvent donc se présenter:
- si le résidu courant dépasse significativement le seuil de résidu alors le résidu courant calculé s’écarte significativement du résidu attendu et cela peut signifier l’apparition d’un nouveau déplacement dont la signature n’a pas été intégrée dans la base des déplacements attendus ou encore une amplitude du déplacement attendu trop importante pour être traitée comme un déplacement attendu. Dans ces deux cas, cela peut correspondre à l’apparition d’un défaut dans la structure surveillée;
- si une ou plusieurs amplitudes modales courantes prennent une valeur en dehors de sa ou leurs plages attendues, cela peut signifier l’apparition ou l’aggravation d’un endommagement de la structure dans la zone observée. Par exemple, si une fissure était initialement présente sur la structure surveillée, son expression dans la décomposition de l’écart sur la base des champs de déplacement modaux est intégrée dans un ou plusieurs déplacements attendus. Sa propagation ou son approfondissement au cours du temps conduit à une augmentation de l’amplitude du ou des mode(s) concerné(s).
Chaque image acquise renseigne sur les déplacements au sein de la structure et la surveillance permet de détecter tout écart aux déplacements normalement constatés au sein de la structure. Les déplacements inhabituels détectés sont en lien direct avec la dégradation de la structure surveillée.
L’alerte de défaut peut servir à déclencher le lancement d’investigations complémentaires pour caractériser plus avant l’anomalie ou le défaut détecté. A noter qu’une analyse par CIN (sans restriction aux modes) des images ayant motivé l’alerte peut permettre, par rapport à l’art antérieur, un diagnostic plus fin et déterminer plus directement la nature des endommagements mécaniques à partir des résultats obtenus et des images acquises. Une telle analyse peut également écarter de fausses alarmes par exemple due à une sollicitation excessive n’ayant pas donné lieu à un endommagement de la structure.
Le procédé de surveillance peut être adapté pour utiliser une pluralité de dispositifs de surveillance. Chaque dispositif surveille une portion particulière de la surface de la structure 9. Il est alors possible de caractériser plus précisément un état de santé de la structure fondé sur toutes les informations données par tous les dispositifs de surveillance. En particulier, si la structure surveillée est un mât d’éolienne, il peut être déployé des dispositifs de surveillance pour surveiller la zone entourant une soudure entre deux viroles.
Il est à noter que le procédé de surveillance ne nécessite pas de faibles niveaux de bruit dans les images acquises. En effet, la détermination du champ de déplacement comme une combinaison des champs de déplacement modaux donne des résultats satisfaisants même avec l’utilisation d’un appareil d’acquisition d’images numériques de qualité moyenne ou basse. Cela vient du fait que l’identification des déplacements attendus s’effectueglobalementsur l’ensemble de la région d’étude (soit un ensemble de très nombreux pixels) car il s’agit de Corrélation d’Images NumériquesGlobale; c’est-à-dire que la quantité d’informations traitée pour réaliser la décomposition s’apprécie à l’échelle d’une grande partie d’image voire de l’image entière.
Le procédé de surveillance ne nécessite pas non plus une importante quantité de matériel couteux. Les appareils d’acquisition d’images numériques utilisées peuvent être de qualité moyenne ou basse. Le nombre d’appareils d’acquisition d’images numériques à utiliser dépend du nombre de zones que l’on souhaite surveiller dans le temps. Par exemple si la structure surveillée est un mât d’éolienne, il n’est pas nécessaire que tout l’intérieur du mât d’éolienne soit surveillé. Il est possible de limiter la surveillance à des zones particulières, comme les soudures entre deux viroles.
Enfin il est proposé un programme d’ordinateur comprenant des instructions adaptées à la mise en œuvre d’au moins une des étapes du procédé de surveillance tel qu’on a pu le présenter plus haut, lorsque ledit programme est exécuté sur un ordinateur.
Dans le cas où la structure surveillée est un mât d’éolienne, une alerte générée au niveau de l’unité de traitement peut être relayée au centre de contrôle d’une pluralité d’éoliennes. A cette fin, l’unité de traitement est reliée par une voie de communication au centre de contrôle.

Claims (12)

  1. Procédé (P) de surveillance d’une structure par traitement d’images numériques, comprenant:
    (A) une phase d’apprentissage comprenant des étapes de:
    (A2) à partir d’une pluralité d’images d’apprentissage d’une portion d’une surface de la structure, détermination pour chaque image d’un champ de déplacement d’apprentissage par une technique de corrélation d’images, le champ étant une estimation d’un déplacement de la matière au sein de la structure en chaque point de la portion à un instant d’acquisition de l’image,
    (A3) à partir des champs, construction d’une base de champs de déplacement modaux caractéristiques de la pluralité d’images par une technique de réduction de modèle,
    (A4) détermination d’un seuil de résidu caractérisant une erreur maximale admissible de l’estimation du déplacement et, pour chaque champ de déplacement modal, d’une plage de valeurs attendues d’une amplitude modale associée caractérisant une projection des champs de déplacement d’apprentissage sur le champ de déplacement modal,
    (S) une phase de surveillance comprenant des étapes de:
    (S1) acquisition d’une image courante de la portion,
    (S2) à partir de l’image courante, détermination d’un champ de déplacement courant, d’amplitudes modales courantes caractérisant une projection du champ de déplacement courant sur la base de champs de déplacement modaux et d’un résidu courant, le champ de déplacement courant étant une estimation d’un déplacement de la matière au sein de la structure en chaque point de la portion à un instant d’acquisition de l’image courante, le résidu courant caractérisant une erreur de l’estimation du déplacement, et
    (S3) génération d’une alerte lorsqu’une des amplitudes modales courantes associée à un des champs de déplacement modaux prend une valeur à l’extérieur de la plage de valeurs attendues de l’amplitude modale associée au champ de déplacement modal ou lorsqu’une norme du résidu courant dépasse le seuil de résidu.
  2. Procédé de surveillance selon la revendication 1, dans lequel l’étape (S2) comprend une première sous-étape (S2A) de détermination du champ de déplacement courant par une technique de corrélation d’images globale et une deuxième sous-étape (S2B) de projection du champ de déplacement courant sur la base de champs de déplacement modaux.
  3. Procédé de surveillance selon la revendication 1, dans lequel l’étape (S2) comprend la détermination du champ de déplacement courant par une technique de corrélation d’images intégrée, correspondant à une technique de corrélation d’images globale utilisant la base de champs de déplacement modaux.
  4. Procédé de surveillance selon la revendication 1 dans lequel l’étape (S2) comprend:
    - une sous-étape (S21) de filtrage de l’image de référence et de l’image courante pour obtenir une image de référence filtrée et une image courante filtrée, par application d’un filtre spatial inhomogène de type passe bas, le filtre utilisant une pluralité de longueurs caractéristiques de filtrage pour une pluralité de pixels formant l’image, la longueur caractéristique pour un pixel dépendant d’un déplacement maximal observé associé au pixel dans les champs de déplacement d’apprentissage,
    - une sous-étape (S23) de détermination, pour chaque champ de déplacement modal, d’une amplitude modale courante du champ de déplacement courant, à partir d’un produit scalaire entre un champ extracteur associé au champ de déplacement modal et une différence entre l’image courante filtrée et l’image de référence filtrée, le champ extracteur étant une image associée au champ de déplacement modal construit à partir de l’ensemble des champs de déplacement modaux et de l’image de référence filtrée, et
    - une sous-étape (S24) de détermination du résidu courant à partir de l’image courante filtrée, de l’image de référence filtrée, des amplitudes modales courantes et des champs de déplacement modaux.
  5. Procédé de surveillance selon l’une des revendications 1 à 4, dans lequel la structure comprend un mât d’éolienne.
  6. Procédé de surveillance selon la revendication 5, dans lequel la surface se situe à l’intérieur du mât.
  7. Procédé de surveillance selon la revendication 6, dans lequel la zone intérieure du mât s’étend de part et d’autre d’une soudure entre deux viroles du mât.
  8. Procédé de surveillance selon l’une des revendications 1 à 7 dans lequel on met en œuvre la phase d’apprentissage sur différentes portions de la surface puis on met en œuvre la phase de surveillance sur ces portions.
  9. Dispositif (1) de surveillance d’une structure par traitement d’images numériques, comprenant un appareil (3) d’acquisition d’images et une unité de traitement d’images (8) reliée à l’appareil (3) et adaptée pour conserver en mémoire des images et mettre en œuvre un procédé de surveillance selon l’une des revendications 1 à 8.
  10. Eolienne comprenant un dispositif de surveillance selon la revendication précédente.
  11. Eolienne comprenant une pluralité de dispositifs de surveillance selon la revendication 9 agencés pour mettre en œuvre le procédé de surveillance selon la revendication 8.
  12. Programme d’ordinateur comprenant des instructions adaptées à la mise en œuvre d’une des étapes du procédé selon l’une quelconque des revendications 1 à 8 lorsque ledit programme est exécuté sur un ordinateur.
FR1914894A 2019-12-19 2019-12-19 PROCEDE DE surveillance d’UNe structure par traitement d’imageS Active FR3105527B1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR1914894A FR3105527B1 (fr) 2019-12-19 2019-12-19 PROCEDE DE surveillance d’UNe structure par traitement d’imageS

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1914894 2019-12-19
FR1914894A FR3105527B1 (fr) 2019-12-19 2019-12-19 PROCEDE DE surveillance d’UNe structure par traitement d’imageS

Publications (2)

Publication Number Publication Date
FR3105527A1 true FR3105527A1 (fr) 2021-06-25
FR3105527B1 FR3105527B1 (fr) 2022-01-07

Family

ID=72088162

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1914894A Active FR3105527B1 (fr) 2019-12-19 2019-12-19 PROCEDE DE surveillance d’UNe structure par traitement d’imageS

Country Status (1)

Country Link
FR (1) FR3105527B1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117146727A (zh) * 2023-10-30 2023-12-01 北京通泰恒盛科技有限责任公司 基于机器视觉的塔筒焊缝监测方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109900712A (zh) * 2019-04-17 2019-06-18 中国人民解放军国防科技大学 基于摄像测量的风电叶片机械故障在线检测***及其方法
CN109918614A (zh) * 2019-03-14 2019-06-21 合肥工业大学 一种基于模态学习的全局动应变测量方法
CN110146024A (zh) * 2019-06-06 2019-08-20 重庆大学 基于自适应搜索的双精度位移测量方法
US20190271537A1 (en) * 2018-03-02 2019-09-05 Drexel University Multiscale Deformation Measurements Leveraging Tailorable and Multispectral Speckle Patterns

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190271537A1 (en) * 2018-03-02 2019-09-05 Drexel University Multiscale Deformation Measurements Leveraging Tailorable and Multispectral Speckle Patterns
CN109918614A (zh) * 2019-03-14 2019-06-21 合肥工业大学 一种基于模态学习的全局动应变测量方法
CN109900712A (zh) * 2019-04-17 2019-06-18 中国人民解放军国防科技大学 基于摄像测量的风电叶片机械故障在线检测***及其方法
CN110146024A (zh) * 2019-06-06 2019-08-20 重庆大学 基于自适应搜索的双精度位移测量方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
BASSETT, K.CARRIVEAU, R.TING, D. S.: "Vibration analysis of 2.3 MW wind turbine opération using the discrète wavelet transform", WIND ENGINEERING, vol. 34, no. 4, 2010, pages 375 - 388
BESNARD, G.HILD, F.ROUX, S.: "Finite-element'' displacement fields analysis from digital images: application to Portevin-Le Châtelier bands", EXPÉRIMENTAL MECHANICS, vol. 46, no. 6, 2006, pages 789 - 803, XP019468934, DOI: 10.1007/s11340-006-9824-8
DEVRIENDT, C.WEIJTJENS, W.EL-KAFAFY, M.DE SITTER, G.: "Monitoring résonant frequencies and damping values of an offshore wind turbine in parked conditions", IET RENEWABLE POWER GENERATION, vol. 8, no. 4, 2014, pages 433 - 441, XP006048068, DOI: 10.1049/iet-rpg.2013.0229
H. LECLERCJEAN-NOËL PÉRIÉF. HILDS. ROUX.: "Corrélation d'Images Numériques Intégrée pour l'identification de propriétés mécaniques", CFM 2009 - 19E CONGRÈS FRANÇAIS DE MÉCANIQUE, MARSEILLE (FRANCE), 2009, Retrieved from the Internet <URL:https://hal.archives-ouvertes.fr/hal-02194355>
KAWAMURA M ET AL: "Spatiotemporal characteristics of the displacement field revealed with principal component analysis and the mode-rotation technique", TECTONOPHYSICS, ELSEVIER, AMSTERDAM, NL, vol. 419, no. 1-4, 12 June 2006 (2006-06-12), pages 55 - 73, XP025001300, ISSN: 0040-1951, [retrieved on 20060612], DOI: 10.1016/J.TECTO.2006.03.019 *
MYRIAM BERNY ET AL: "Mode-enhanced space-time DIC: applications to ultra-high-speed imaging", MEASUREMENT SCIENCE AND TECHNOLOGY, IOP, BRISTOL, GB, vol. 29, no. 12, 6 November 2018 (2018-11-06), pages 125008, XP020332357, ISSN: 0957-0233, [retrieved on 20181106], DOI: 10.1088/1361-6501/AAE3D5 *
WU RONG ET AL: "Health monitoring of wind turbine blades in operation using three-dimensional digital image correlation", MECHANICAL SYSTEMS AND SIGNAL PROCESSING, vol. 130, 22 May 2019 (2019-05-22), pages 470 - 483, XP085717090, ISSN: 0888-3270, DOI: 10.1016/J.YMSSP.2019.05.031 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117146727A (zh) * 2023-10-30 2023-12-01 北京通泰恒盛科技有限责任公司 基于机器视觉的塔筒焊缝监测方法及***
CN117146727B (zh) * 2023-10-30 2024-01-30 北京通泰恒盛科技有限责任公司 基于机器视觉的塔筒焊缝监测方法及***

Also Published As

Publication number Publication date
FR3105527B1 (fr) 2022-01-07

Similar Documents

Publication Publication Date Title
Sarrafi et al. Vibration-based damage detection in wind turbine blades using Phase-based Motion Estimation and motion magnification
EP2979082B1 (fr) Procédé et système de détection de défauts sur un objet
US8781210B2 (en) Method and system for automated defect detection
Hwang et al. Continuous line laser thermography for damage imaging of rotating wind turbine blades
EP2434280B1 (fr) Contrôle non destructif d&#39;une structure dans un aéronef
FR3105527A1 (fr) PROCEDE DE surveillance d’UNe structure par traitement d’imageS
EP4200604A1 (fr) Procédé de caractérisation d&#39;une pièce par contrôle non destructif
FR3071611A1 (fr) Procede et dispositif de controle non destructif d&#39;une piece aeronautique
Sabato et al. Advancements in structural health monitoring using combined computer-vision and unmanned aerial vehicles approaches
Kulkarni et al. Time-Inferred Autoencoder: A noise adaptive condition monitoring tool
EP3087444B1 (fr) Procédé d&#39;estimation quantitative du colmatage des plaques d&#39;un générateur de vapeur
Ehtisham et al. Predicting the defects in wooden structures by using pre-trained models of Convolutional Neural Network and Image Processing
FR3057357A1 (fr) Procede et dispositif de detection et de caracterisation d&#39;un element reflecteur dans un objet
EP0392937A1 (fr) Procédé permettant l&#39;établissement d&#39;un diagnostic d&#39;état de conduite ou galerie et appareillage pour sa mise en oeuvre
FR3058220A1 (fr) Procede de determination du comportement mecanique d&#39;un materiau metallique
Wang et al. A force-adaptive percussion method for bolt looseness assessment
FR3085095A1 (fr) Procede et dispositif d&#39;imagerie ameliore pour imager un objet
Malik et al. Implementation of Information Entropy in an Industrial Internet of Things Approach for Structural Health Monitoring Applications
WO2024074379A1 (fr) Procédé d&#39;optimisation bi-niveau de la localisation de capteurs de détection de défaut(s) dans une structure par tomographie à ondes élastiques guidées
FR3141527A1 (fr) Procédé de contrôle non destructif d’une pluralité d’éléments
EP4118616A1 (fr) Procédé et système de contrôle non destructif d&#39;une pièce aéronautique
Ho Advanced digital signal processing technique for asset health monitoring
Geara Structural Health Monitoring Optimization
Liu et al. Practical guided wave SHM of pipes processing multiple data sets to give reliable defect detection
FR3141245A1 (fr) Procédé d’analyse tomographique

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20210625

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4

PLFP Fee payment

Year of fee payment: 5