La présente invention concerne un procédé de détection d’anomalie(s) dans une structure et de contrôle de santé SHM de ladite structure, une anomalie correspondant à des modifications des propriétés physiques et/ou géométriques de la structure, ladite structure portant au moins un capteur de mesure d’au moins une caractéristique de ladite structure, le procédé comprenant au moins une phase d’apprentissage et au moins une phase opérationnelle.

L’invention concerne également un programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre un tel procédé de détection d’anomalie(s) dans une structure.

L’invention concerne également un dispositif électronique de détection d’anomalie(s) dans une structure, ladite structure portant au moins un capteur configuré pour générer et recevoir des ondes guidées, le dispositif comprenant une unité d’apprentissage et une unité de test.

L’invention concerne également un système de détection d’anomalie(s) dans une structure.

La présente invention concerne le domaine du contrôle de santé de structure ou SHM (de l’anglais Structural Health Monitoring) visant à détecter et à caractériser des dommages (i.e. anomalies) de structures/infrastructures. De telles anomalies de structure correspondent à des modifications des propriétés physiques et/ou géométriques de la structure considérée propre à en affecter les performances et/ou la fiabilité.

Un tel contrôle santé de structures est mis en œuvre à l’aide de capteurs intégrés, par exemple des capteurs piézoélectriques propres à émettre et recevoir des ondes élastiques guidées ultrasonores.

L'intégration permanente de capteurs sur ou au sein de structures/infrastructures pour surveiller leur état permet notamment de garantir la sécurité des structures porteuses correspondant à des composants mécaniques fin et/ou long, tels que des pâles d’éoliennes, les fuselages ou composants de moteurs d'avion, des tuyaux métalliques ou composite, des câbles de tension, les câbles de suspension de pont, des rails de train, etc.

En particulier, les ondes ultrasonores élastiques guidées, émises par de tels capteurs, permettent de détecter les défauts structurels menant à des discontinuités ou à des variations de géométrie, tels que des fissures, des délaminages dans des fuselages composites, de la corrosion menant notamment à une perte d’épaisseur dans des métaux, etc., et ce à un stade précoce et ainsi de les surveiller pendant des décennies. Une telle détection est généralement bien maitrisée en laboratoire où les effets extérieurs sont limités, maitrisés et calibrés.

Le principal challenge associé à un tel diagnostic de structure, est, en conditions réelles, lié d’une part à la présence d'incertitudes épistémiques sur la structure ou l’instrumentation telles que les positions des capteurs, les propriétés des capteurs, les propriétés élastiques ou géométriques de la structure, et d’autre part lié à la présence d'effets externes d'influence non supervisés (i.e. inconnus) évoluant avec des dynamiques temporelles distinctes.

A noter que par « incertitudes épistémiques » on entend les incertitudes dues à un manque de connaissances propres à être réduites en essayant d’acquérir davantage de connaissances via par exemple un recueil de données, l’assistance d'experts, des essais accélérés, etc. Notons que dans le contexte SHM, la réduction de ces incertitudes est en général prohibitive en termes de coût, d’où l’utilisation du terme incertitudes.

De tels effets externes d’influence non supervisés sont classables d’une part en effets dits « rapides », présentant une variation sur une échelle de temps allant de l’heure à la journée, telle que la variation de température, d’humidité et de stress (i.e. de contraintes exercée sur un matériau), et d’autre part d’effets dits « lents », », présentant une variation sur une échelle de temps de l’ordre du mois, d’années, etc., tels que le vieillissement des capteurs, la modification des propriétés de matériau, de la structure ou du couplage entre capteurs et structure, et dus à des cycles thermomécaniques ou autre.

En pratique, les signatures des défauts précoces sont beaucoup plus petites que les perturbations sur les mesures associées à la présence de telles incertitudes épistémiques et/ou à la présence de tels effets d'influence non supervisés. Autrement dit, les ondes guidées, notamment élastiques et ultrasonores, propres à détecter des défauts structurels, via leur signature, sont non seulement sensibles aux défauts, mais également aux effets extérieurs et opérationnels tels que la température, l’humidité, les incertitudes sur les capteurs, le vieillissement, etc.

Une solution classique vise à compenser les incertitudes épistémiques au moyen d’un état de référence, c’est-à-dire une mesure en l’absence de défaut puis en comparant l’état courant à l’état de référence, notamment par soustraction, corrélation, etc. tout en supposant que la seule différence entre états de référence et courant ne peut être attribuée qu’à la présence d’un défaut, mais que tous les autres paramètres d’utilisation, hormis au mieux un seul paramètre d’effet rapide tel que la température, sont égaux entre ces deux états de référence et courant.

Pour compenser les effets rapides, tels qu’une variation de température, un traitement de signal est généralement utilisé. Une telle solution classique est limitante, souvent prohibitive en termes de plan expérimental, et propre à mener à la détection d’un faux positif ou d’un faux négatif. En effet, une telle solution de l’état de la technique implique tout d’abord une instrumentation « parfaite » de la structure avant la présence d’un défaut dans des conditions d’utilisation identiques ou au mieux à un facteur près tel que la température.

La compensation de la température est par ailleurs limitée en termes de fourchette maximale compensable qui est à l’heure actuelle de l’ordre d’une différence de température maximale de 15°.

De plus, d’autres effets que la température, tels que les efforts extérieurs, sont plus délicats à reproduire en laboratoire, et la présence simultanée de plusieurs effets n’a pas réellement été explorée jusqu’ici, de même que l’évolution de l’état de référence au cours du temps, état de référence qui est propre à changer malgré l’absence de défaut.

Autrement dit, les solutions classiques ne prennent pas en compte les effets lents précités, et sont mises en œuvre en faisant l’hypothèse que le système se comporte de manière nominale sur des durées longues, ce qui n’est bien sûr pas satisfaisant lorsqu’on évoque l’instrumentation d’une structure sur plusieurs décennies durant lesquelles le vieillissement du capteur de mesure et de son couplage à la structure est inévitable et engendre une dérive lente des signaux reçus par le capteur de mesure, propre à être interprétée à tort comme un défaut, ou à en cacher.

Le but de cette invention est donc de proposer un procédé et un dispositif propres à fournir un diagnostic précoce et fiable de défaut structurel en conditions réelles d’utilisation en présence d'incertitudes épistémiques et d'effets externes non supervisés à la fois à dynamique rapide (i.e. de l’ordre de l’heure à plusieurs jours) et lente (i.e. de l’ordre du mois à plusieurs années).

A cet effet, l’invention a pour objet un procédé de détection d’anomalie(s) dans une structure et de contrôle de santé SHM de ladite structure, une anomalie correspondant à des modifications des propriétés physiques et/ou géométriques de la structure, ladite structure portant au moins un capteur configuré pour générer et recevoir des ondes guidées, le procédé comprenant au moins une phase d’apprentissage et au moins une phase opérationnelle, la phase d’apprentissage comprenant les étapes suivantes :

- obtention d’un ensemble de données saines représentatives de N états sains de ladite structure respectivement associés à N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure, N étant un entier, deux ensembles distincts présentant au moins une condition d’utilisation distincte d’un ensemble à un autre, ladite obtention d’un ensemble de données saines étant mise en œuvre via une pluralité de Q capteurs de mesure portés par ladite structure formant un réseau de capteurs, Q étant un entier supérieur à un, au moins un desdits Q capteurs étant configuré pour générer et recevoir des ondes élastiques ultrasonores guidées ;

- projection dudit ensemble de données saines dans un espace latent de dimension réduite par rapport à la dimension dudit ensemble de données saines ;

- détermination du contour dudit ensemble de données saines projeté dans ledit espace latent ; la phase opérationnelle comprenant les étapes suivantes :

- obtention, par mesure préalable via ledit au moins un capteur, d’un ensemble de données test représentatives de l’état courant de ladite structure ;

- projection dudit ensemble de données test dans ledit espace latent ;

- détection d’au moins une anomalie courante de ladite structure dès qu’un élément dudit ensemble de données test est en dehors dudit contour.

Ce procédé vise ainsi à quantifier dans quelle mesure les données des signaux, corrompus sur diverses échelles de temps, peuvent être utilisées pour l'analyse des états de structure. Un tel procédé permet ainsi de compenser l'influence des effets externes supervisés et/ou non supervisés précités sans effacer la signature des petits défauts que l’on cherche à détecter.

Plus précisément, l’invention consiste à obtenir l’ensemble des données des signaux susceptibles d’être mesurés en conditions réelles saines, lesdites données étant par la suite appelées données saines, c’est-à-dire en l’absence de défaut, dans le but de détecter un défaut par son absence de cet ensemble. Autrement dit, une telle obtention revient à construire un jumeau numérique décrivant l’ensemble des signaux sains pour ensuite détecter une anomalie comme au-delà du contour de l’espace « sain » décrit par ce jumeau. Un tel espace « sain » obtenu selon la présente invention est un élément important et différenciant par rapport aux solutions classiques. En effet selon la présente invention, on ne cherche pas à modéliser des défauts, car ceux-ci seront détectés par leur absence de cet ensemble de données saines. Ne pas modéliser les défauts est un avantage significatif car cela revient à ne pas faire d’hypothèses liés à la typologie, position ou taille des défauts.

Comme il existe une infinité de signaux sans défaut, la présente invention propose en outre de passer par une réduction de dimensionnalité, via un espace latent, pour décrire les caractéristiques des signaux en état sain. Suivant d’autres aspects avantageux de l’invention, le procédé de détection d’anomalie(s) dans une structure comprend une ou plusieurs des caractéristiques suivantes, prises isolément ou suivant toutes les combinaisons techniquement possibles :

- ledit ensemble de données saines est obtenu suite à une phase préalable de calibration de ladite structure pour les N ensembles distincts deux à deux de conditions d’utilisation de ladite structure ;

- ledit ensemble de données saines est obtenu suite à une phase préalable de simulation de ladite structure pour les N ensembles distincts deux à deux de conditions d’utilisation de ladite structure ;

- ledit ensemble de données saines est obtenu suite à une phase préalable hybride de calibration et/ou de simulation de ladite structure pour les N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure ;

- le procédé comprend, au cours de ladite phase préalable hybride, une étape de compensation par apprentissage par transfert en cas d’écart entre calibration et simulation pour un même ensemble de conditions d’utilisation de ladite structure ;

- ledit espace latent de dimension réduite est obtenu par réduction dimensionnelle supervisée ou non supervisée ;

- ladite réduction dimensionnelle non supervisée est mise en œuvre au moyen d’un des éléments appartenant au groupe comprenant au moins :

- une analyse par composantes principales,

- un auto-encodeur entrainé au préalable pour compresser puis décompresser les signaux issus de l’ensemble de données saines, et dont seul la partie dédiée à la compression est utilisée pour mettre en œuvre ladite réduction dimensionnelle.

- un processus autorégressif ;

- ladite réduction dimensionnelle supervisée est mise en œuvre au moyen d’un réseau de neurones ;

- ledit réseau de neurones est un réseau de neurones dont le type appartient au groupe comprenant :

- un réseau de neurones convolutifs ;

- un réseau de neurones récurrents ;

- un perceptron multicouche ;

- ladite détermination de contour consiste à :

- rechercher, dans ledit espace latent, l’enveloppe sphérique ou elliptique de rayon(s) minimal(aux) englobant les points dudit ensemble de données saines projeté dans ledit espace latent, ou - rechercher dans l’espace latent de l’hyperplan le plus éloigné de l’origine qui sépare, de l’origine, les points dudit ensemble de données saines projeté dans ledit espace latent, ou

- utiliser d’autre types de détection d’anomalie tels que l’estimation robuste de la matrice de covariance, la forêt d’isolement connue, ou encore avec une détection des valeurs aberrantes avec un facteur local d'aberration.

L’invention a également pour objet un programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre un procédé de détection d’anomalie(s) dans une structure tel que défini ci-dessus.

L’invention a aussi pour objet un système de détection d’anomalie(s) dans une structure et de contrôle de santé SHM de ladite structure, une anomalie correspondant à des modifications des propriétés physiques et/ou géométriques de la structure, ledit système comprenant une pluralité de Q capteurs de mesure d’au moins une caractéristique de ladite structure portés par ladite structure et formant un réseau de capteurs, Q étant un entier supérieur à un, au moins un desdits Q capteurs étant configuré pour générer et recevoir des ondes élastiques ultrasonores guidées, ledit système comprenant un dispositif dans ladite structure et comprenant une unité d’apprentissage et une unité de test, l’unité d’apprentissage comprenant :

- un premier module d’obtention configuré pour obtenir, via ladite pluralité de Q capteurs de mesure, un ensemble de données saines représentatives de N états sains de ladite structure respectivement associés à N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure, N étant un entier, deux ensembles distincts présentant au moins une condition d’utilisation distincte d’un ensemble à un autre ;

- un premier module de projection configuré pour projeter ledit ensemble de données saines dans un espace latent de dimension réduite par rapport à la dimension dudit ensemble de données saines ;

- un module de détermination configuré pour déterminer un contour dudit ensemble de données saines projeté dans ledit espace latent ; l’unité de test comprenant :

- un deuxième module d’obtention configuré pour obtenir, par mesure via ledit au moins un capteur, un ensemble de données test représentatives de l’état courant de ladite structure ;

- un deuxième module de projection configuré pour projeter ledit ensemble de données test dans ledit espace latent fourni par le module de projection de ladite unité d’apprentissage ;

- un module de détection configuré pour détecter au moins une anomalie courante de ladite structure dès qu’un élément dudit ensemble de données test est en dehors dudit contour fourni par ledit module de détermination de ladite unité d’apprentissage Ces caractéristiques et avantages de l’invention apparaîtront plus clairement à la lecture de la description qui va suivre, donnée uniquement à titre d’exemple non limitatif, et faite en référence aux dessins annexés, sur lesquels :

[Fig 1 ] la figure 1 illustre l’effet d’un défaut de structure sur la propagation des ondes guidées à la surface d’une structure.

[Fig 2] la figure 2 est une vue schématique d’un dispositif électronique de détection d’anomalie(s) dans une structure selon la présente invention ;

[Fig 3] la figure 3 est un organigramme d’un procédé de détection d’anomalie(s) dans une structure selon la présente invention ;

[Fig 4] [Fig 5] les figures 4 et 5 illustrent respectivement la phase d’apprentissage et la phase opérationnelle du procédé selon la présente invention.

Sur la figure 1 , un exemple de propagation des ondes guidées à la surface d’une structure 10 est illustrée pour la structure dépourvue de défaut sur la vue A et en présence d’un défaut sur la vue B.

Plus précisément, sur la vue A de cet exemple, la structure 10 dépourvue de défaut correspond à un tuyau cylindrique dépourvu de défaut, de longueur L, et portant en surface au moins un capteur de mesure dans un environnement non maitrisé, par exemple configuré pour générer, via l’élément 12 et recevoir via l’élément 14 des ondes guidées 16, notamment élastiques et ultrasonores. Par exemple, un tel capteur appartient au groupe comprenant au moins : les capteurs piézoélectriques, un transducteur électro-magnéto- acoustique EMAT (de l’anglais Electro magneto acoustic transducer), un capteur polyfluorure de vinylidène PVDF (de l’anglais Polyvinylidene fluoride), etc. Selon une instrumentation hybride, la réception via l’élément 14 peut également être assurée par un des réseaux de Bragg sur fibre optique.

D’autres types de capteurs sont propres à être utilisés dès lors qu’ils sont aptes à réaliser une mesure dans un environnement non maitrisé, par exemple des capteurs basés sur l’utilisation d’ultrasons en général, y compris tel que cité ci-dessus des capteurs propres à générer et recevoir des ondes guidées, mais également des capteurs de mesure de courants de Foucault ou de mesure vibratoire, etc. Sur la vue B, la présence d’un défaut 18 à la surface du tuyau modifie la propagation des ondes guidées en générant notamment des ondes guidées réfléchies 20.

La figure 2 est une vue schématique d’un dispositif électronique 30 de détection d’anomalie(s) dans une structure selon la présente invention. Un tel dispositif 30 comprend une unité d’apprentissage automatique 32 comprenant un premier module 34 d’obtention configuré pour obtenir un ensemble de données saines représentatives de N états sains de ladite structure respectivement associés à N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure, N étant un entier, deux ensembles distincts présentant au moins une condition d’utilisation distincte d’un ensemble à un autre.

L’unité d’apprentissage 32 comprend en outre un premier module 36 de projection configuré pour projeter ledit ensemble de données saines (également appelé base saine comprenant N échantillons, chaque échantillon étant de dimension P) dans un espace latent E de dimension réduite par rapport à la dimension dudit ensemble de données saines.

Selon un aspect optionnel, un tel espace latent E est configuré pour décrire de manière aussi simple que possible les effets perturbateurs précités, et est idéalement linéaire, sinon monotone.

L’unité d’apprentissage 32 comprend également un module 38 de détermination configuré pour déterminer un contour C, notamment multidimensionnel, dudit ensemble de données saines projeté dans ledit espace latent.

Par ailleurs, le dispositif électronique 30 comprend une unité de test 40, propre à recevoir en entrée la sortie S de l’unité d’apprentissage 32, et comprenant un deuxième module 42 d’obtention configuré pour obtenir, par mesure via ledit au moins un capteur, un ensemble de données test représentatives de l’état courant de ladite structure 10.

L’unité de test 40 comprend en outre un deuxième module 44 de projection configuré pour projeter ledit ensemble de données test dans ledit espace latent fourni par le premier module 36 de projection de ladite unité d’apprentissage 32.

L’unité de test 40 comprend également un module 46 de détection configuré pour détecter au moins une anomalie courante de ladite structure dès qu’un élément dudit ensemble de données test est en dehors dudit contour fourni par ledit module 38 de détermination de ladite unité d’apprentissage 32.

Autrement dit, l’unité d’apprentissage 32 est propre à construire par entrainement un jumeau numérique décrivant l’ensemble des données saines pour détecter une anomalie comme au-delà de l’espace sain décrit par ce jumeau numérique.

Dans l’exemple de la figure 2, le dispositif électronique 30 de détection d’anomalie(s) dans une structure comprend une unité de traitement d’informations 50 formée par exemple d’une mémoire 52 et d’un processeur 54 associé à la mémoire 52.

Dans l’exemple de la figure 2, le premier module 34 d’obtention, le premier module 36 de projection, le module 38 de détermination, le deuxième module 42 d’obtention, le deuxième module 44 de projection et le module 46 de détection sont réalisés chacun sous forme d’un logiciel, ou d’une brique logicielle, exécutable par le processeur 54. La mémoire 52 du dispositif électronique 30 de détection d’anomalie(s) dans une structure est alors apte à stocker pour mettre en œuvre une phase d’apprentissage un premier logiciel d’obtention, un premier logiciel de projection, et un logiciel de détermination, et pour mettre en œuvre une phase de test un deuxième logiciel d’obtention, un deuxième logiciel de projection, et un logiciel de détection. Le processeur 54 est alors apte à exécuter chacun des logiciels parmi le premier logiciel d’obtention, le premier logiciel de projection, le logiciel de détermination pour une phase d’apprentissage, et pour une phase de test, un deuxième logiciel d’obtention, un deuxième logiciel de projection, et un logiciel de détection.

En variante non représentée, le premier module 34 d’obtention, le premier module 36 de projection, le module 38 de détermination, le deuxième module 42 d’obtention, le deuxième module 44 de projection et le module 46 de détection sont réalisés chacun sous forme d’un composant logique programmable, tel qu’un FPGA (de l’anglais Field Programmable Gate Array), ou un processeur graphique GPU (de l'anglais Graphics Processing Unit), ou encore sous forme d’un circuit intégré, tel qu’un ASIC (de l’anglais Application Specific Integrated Circuit).

Lorsque le dispositif électronique 30 de détection d’anomalie(s) dans une structure est réalisé sous forme d’un ou plusieurs logiciels, c’est-à-dire sous forme d’un programme d’ordinateur, également appelé produit programme d’ordinateur, il est en outre apte à être enregistré sur un support, non représenté, lisible par ordinateur. Le support lisible par ordinateur est par exemple un medium apte à mémoriser des instructions électroniques et à être couplé à un bus d’un système informatique. A titre d’exemple, le support lisible est un disque optique, un disque magnéto-optique, une mémoire ROM, une mémoire RAM, tout type de mémoire non-volatile (par exemple EPROM, EEPROM, FLASH, NVRAM), une carte magnétique ou une carte optique. Sur le support lisible est alors mémorisé un programme d’ordinateur comprenant des instructions logicielles.

De manière non représentée, l’invention porte également sur un système de détection d’anomalie(s) dans une structure, ledit système comprenant un tel dispositif électronique 30 de détection d’anomalie(s) dans une structure, illustré par la figure 2, et comprenant en outre une pluralité de Q capteurs portés par ladite structure, configurés pour générer et recevoir des ondes guidées et formant un réseau de capteurs, Q étant un entier supérieur à un. Selon un aspect particulier, au moins un desdits Q capteurs est configuré pour générer et recevoir des ondes guidées élastiques ultrasonores guidées.

L’information est donc, dans ce cas, traitée au niveau réseau de capteurs en exploitant Q ² -Q signaux correspondant aux trajets entre les Q capteurs, ou Q ² signaux si l’on exploite les signaux émis et reçus par un même capteur. Le réseau de capteurs Q est le cas échéant complété par une chaine d’acquisition non représentée et configurée pour traiter les mesures capturées via ledit réseau de Q capteurs. En effet, il n’est pas exclu qu’un signal acquis par un élément 14 de capteur tel qu’illustré sur la figure 1 , en présence d’un défaut dans des conditions d’utilisations Ui soit identique à un signal acquis en l’absence de défaut dans des conditions Us- Pour lever cette ambiguïté, la présente invention propose alors de se baser sur les données issues d’un réseau de capteurs. En effet, en raison de l’asymétrie des défauts, la contribution d’un défaut donné est variable selon les chemins parcourus par les ondes, ce qui n’est pas le cas pour les conditions opérationnelles. Les données sont donc traitée au niveau réseaux de capteurs, Q ² -Q signaux correspondant aux trajets entre les Q capteurs.

Le fonctionnement du dispositif électronique 30 de détection d’anomalie(s) dans une structure va maintenant être décrit en référence à la figure 3 qui illustre schématiquement un exemple de mise en œuvre, selon la présente invention, d’un procédé 60 de détection d’anomalie(s) dans une structure, telle que par exemple la structure 10 de la figure 1 .

Le procédé 60 selon la présente invention comprend tout d’abord une phase d’apprentissage automatique 62, illustrée également plus en détails sur la figure 4 décrite par la suite.

Selon une première étape 64 de la phase d’apprentissage 62, le dispositif électronique 30 de détection d’anomalie(s), via son premier module d’obtention 34, obtient OBT A un ensemble de données saines représentatives de N états sains de ladite structure respectivement associés à N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure, N étant un entier, deux ensembles distincts présentant au moins une condition d’utilisation distincte d’un ensemble à un autre.

Les N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure visent notamment à couvrir les principaux paramètres d’exploitation susceptibles d’influencer les mesures, à savoir ceux associés aux effets épistémiques précités, tels que le placement de capteurs, les propriétés et géométrie de la structure, les propriétés des capteurs, ceux associés aux effets rapides précités, tels que la température, l’humidité, la pression, les efforts appliqués à la structure considérée, ceux associés aux effets lents tels que le vieillissement du ou des capteurs, de la structure et du couplage entre la structure et le ou les capteurs.

Comme illustré par la figure 2, une telle obtention 64 succède à l’une des trois phases préalables optionnelles 642, 644, 646, mises en œuvre par ledit dispositif électronique 30 de détection d’anomalie(s) ou par un dispositif distinct, la première phase préalable optionnelle 642 correspondant à une phase préalable de calibration CAL de ladite structure pour les N ensembles distincts deux à deux de conditions d’utilisation de ladite structure. Autrement dit, selon cette première option, l’ensemble de données saines est déterminé au préalable par l’expérience au cours d’une phase de calibration 642, souvent propre à être prohibitive en termes de coûts/durée, et consistant à instrumenter des structures saines et à acquérir des données sur de longues périodes. Une telle phase de calibration 642 impliquant à la fois la supervision des données mesurées pour s’assurer qu’il n’y a pas de défaut, et leur exhaustivité afin de s’assurer qu’un nombre statistiquement suffisant de combinaisons des paramètres sont explorées. Selon l’application, une telle calibration est disponible et effectuée au préalable par exemple lors d’une phase de recherche et développement de la structure considérée, l’étape d’obtention 64 consistant alors à récupérer l’ensemble de données saines issu de la phase 642 de calibration CAL.

Selon une deuxième option préférentielle, ledit ensemble de données saines est obtenu à l’issue d’une phase préalable 644 de simulation SIM de ladite structure pour les N ensembles distincts deux à deux de conditions d’utilisation de ladite structure, l’étape d’obtention 64 consistant alors à récupérer l’ensemble de données saines issu de la phase 644 de simulation SIM.

Cette deuxième option est une approche privilégiée, selon la présente invention, la simulation préalable 644 permettant d’établir, rapidement et à moindre coût que la première option expérimentale, des modèles (i.e. simulations) des signaux soumis aux paramètres perturbateurs correspondant aux incertitudes épistémiques et aux effets externes non supervisés précités, et ainsi de générer les données saines à la volée.

En effet, selon l’application, il peut s’avérer prohibitif selon la première d’acquérir l’ensemble des signaux sains possibles en expérience, en particulier d’une part car les effets de vieillissement ne sont visibles qu’après plusieurs années, et d’autre part car il faudrait instrumenter beaucoup de structures pour constater toutes les variabilités de structures/instrumentation.

Une telle deuxième option par simulation implique par ailleurs d’avoir à disposition des modèles de l’ensemble des phénomènes influant les ondes guidées, de tels modèles étant propres à être appris/calibrés/testés/validés sur des échantillons représentatifs de la structure et de l’application considérée, limitant grandement le coût par rapport à la solution expérimentale associée à la première option précité. Avantageusement, les modèles (i.e. simulations) de défauts ne sont pas nécessaires, car la présente invention propose de se focaliser sur les données saines

Selon une troisième option, ledit ensemble de données saines est obtenu suite à une phase préalable 646 hybride de calibration et/ou de simulation de ladite structure pour les N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure, l’étape d’obtention 64 consistant alors à récupérer l’ensemble de données saines issu de la phase 646 hybride HYB.

Selon un aspect particulier optionnel de cette troisième option, ladite phase préalable hybride, comprend une étape, non représentée, de compensation par apprentissage par transfert (de l’anglais transfer learning) en cas d’écart entre calibration et simulation pour un même ensemble de conditions d’utilisation de ladite structure. Autrement dit, un tel aspect optionnel est notamment mis en œuvre dans le cas où les modèles (i.e. simulations) ne seraient pas parfaits, c’est-à-dire sans superposition rigoureuse entre les signaux simulés et expérimentaux à paramètres identiques, et propose de compenser l’écart par apprentissage par transfert (de l’anglais transfer learning) dont un exemple est décrit dans la demande de brevet FR 3 1 13 530, un tel « transfer learning » permettant de manière hybride de recalibrer les modèles à l’aide d’un nombre abordable d’expériences.

Indépendamment de l’option mise en œuvre préalablement à l’étape d’obtention 64, comme indiqué précédemment, il est à noter que pour chaque option, on considère un système de détection d’anomalie(s) dans une structure, ledit système comprenant le dispositif électronique 30 de détection d’anomalie(s) dans une structure, illustré par la figure 2, et comprenant en outre une pluralité de Q capteurs portés par ladite structure, configurés pour générer et recevoir des ondes guidées et formant un réseau de capteurs, Q étant un entier supérieur à un, et N étant tel que N=Q ² -Q. Le réseau de Q capteurs permet en effet de s’assurer que l’ensemble de données récupéré lors de l’étape d’obtention 64 est sain.

En effet, les effets externes sont relativement homogènes et perçus par tous les capteurs. C’est le cas par exemple de la température qui est propre à affecter de manière relativement homogène tous les capteurs de mesure. En revanche, un défaut n’influencera que certains capteurs et de manière assez différente, en raison de sa taille limitée et de son asymétrie naturelle.

De plus, indépendamment de l’option mise en œuvre préalablement à l’étape d’obtention 64, la phase d’apprentissage 62 du procédé 60 selon la présente invention comprend en outre une étape 66 de projection P-A dudit ensemble de données saines dans un espace latent E de dimension réduite par rapport à la dimension dudit ensemble de données saines. En effet, l’ensemble des données saines est généralement de grande dimension, notamment de l’ordre de 10 ³ à 10 ⁵ ce qui est propre à ralentir la détection d’anomalie durant la phase opérationnelle de test.

L’étape 66 de projection vise donc à réduire les dimensions des données d’apprentissage saines, en les décrivant (i.e. projetant) dans un espace latent de dimension réduite, par exemple de l’ordre de 10 à 10 ² pour des dimensions d’origine respectivement de 10 ³ à 10 ⁵ .

Ledit espace latent de dimension réduite est obtenu par réduction dimensionnelle supervisée ou non supervisée

Il est à noter que comme les données saines ne contiennent pas de défaut, une réduction dimensionnelle 66 non supervisée permet de ne pas faire d’a priori défavorable à la détection de défauts. Autrement dit, une réduction dimensionnelle 66 non supervisée est propre à être mise en œuvre pour éviter de créer un biais allant à l’encontre de la signature des défauts, absent de l’ensemble initial de données saines.

Selon une première option, lorsque la réduction dimensionnelle 66 est non supervisée, elle est mise en œuvre au moyen d’un des éléments appartenant au groupe comprenant au moins :

- une analyse par composantes principales PCA (de l’anglais Principal Component Analysis),

- un auto-encodeur entrainé au préalable pour compresser puis décompresser les signaux issus de l’ensemble de données saines, et dont seul la partie dédiée à la compression est utilisée pour mettre en œuvre ladite réduction dimensionnelle.

- un processus autorégressif

Autrement dit, le premier module de projection 36 est propre à mettre en œuvre une analyse par composantes principales en s’assurant notamment que la perte de variance est inférieure à l’influence d’un défaut recherché par la suite lors de la phase opérationnelle. Dans le cas de la mise en œuvre d’un auto-encodeur, le premier module de projection 36 est configuré pour entraîner la première moitié dudit auto-encodeur pour compresser/décompresser les signaux, et la réduction dimensionnelle est obtenue en ne conservant que le composant central de l’auto-encodeur communément appelé « embedding ».

Selon une deuxième option, lorsque la réduction dimensionnelle 66 est supervisée, notamment pour adapter au mieux un ensemble de donnée saines issue d’une simulation préalable, dont la physique est bien maitrisée, et pour favoriser la détection de défauts, une telle réduction dimensionnelle 66 supervisée est mise en œuvre au moyen d’un réseau de neurones, dont le type appartient par exemple au groupe comprenant :

- un réseau de neurones convolutifs ;

- un réseau de neurones récurrents ;

- un perceptron multicouche. Un tel réseau de neurones est notamment propre à modéliser les données et effets perturbateurs tels que la température, l’humidité, etc., l’espace latent de dimension réduite correspondant alors à l’ensemble des sorties du réseau de neurones.

De plus, tel qu’illustré par la figure 2, la phase d’apprentissage 62 du procédé 60 selon la présente invention comprend en outre une étape 68 de détermination du contour C, mise en œuvre automatiquement via ledit module de détermination 38 ou manuellement, dudit ensemble de données saines projeté dans ledit espace latent E. Autrement dit, au cours de ladite étape 68, on cherche, par entrainement, à décrire les contours de l’ensemble des données saines, pour par la suite, lors d’une phase opérationnelle, détecter une anomalie en dehors dudit contour.

Pour ce faire, tel que notamment décrit par V. Chandola et al. dans la publication intitulée « Anomaly detection : A survey », ACM Computing Surveys Volume 41 Issue 3 Juillet 2009 Article No.: 15pp 1-58, ladite détermination 68 de contour est par exemple propre à comprendre :

- la recherche, dans ledit espace latent E, l’enveloppe, notamment sphérique ou elliptique, de rayon(s) minimal(aux) englobant les points dudit ensemble de données saines projeté dans ledit espace latent, selon la technique connue sous le nom anglais de « support vector data description », ou

- la recherche dans l’espace latent E de l’hyperplan le plus éloigné de l’origine qui sépare, de l’origine, les points dudit ensemble de données saines projeté dans ledit espace latent, selon la technique connue sous le nom anglais de « one class support vector machine », ou

- utiliser d’autre types de détection d’anomalie tels que l’estimation robuste de la matrice de covariance connue sous le nom anglais « robust covariance », la forêt d’isolement connue sous le nom anglais « isolation forest », ou encore avec une détection des valeurs aberrantes avec le facteur local d'aberration LOF connue sous le nom anglais « local outlier factor ».

Une fois la phase d’apprentissage 62 effectuée, les sorties S, comprenant l’espace latent E et le contour C, de l’unité d’apprentissage 32, sont transmises à l’unité de test 40 propre à mettre en œuvre une phase opérationnelle 70, réitérée après chaque étape 72 de mesure M d’un état courant de la structure considérée. Comme indiqué précédemment, chaque mesure 72 est notamment obtenue à l’aide d’une pluralité de Q capteurs portés par ladite structure, configurés pour générer et recevoir des ondes guidées et formant un réseau de capteurs, Q étant un entier supérieur à un, et N étant tel que N=Q ² -Q.

Il est à noter que la phase d’apprentissage 62 est propre à être réitérée notamment pour prendre en compte des paramètres supplémentaires propre à influer la propagation des ondes guidées en fonction de l’application de la structure souhaitée, par exemple en cas de changement de zone climatique d’exploitation de ladite structure.

De plus, selon un aspect non représenté, la présente invention, permet de prendre en compte la connaissance d’un paramètre physique de condition d’utilisation au moment de la mesure 72, un tel paramètre physique correspondant notamment à la température, pour réduire l’ensemble des données saines issu de l’apprentissage 62 à un ensemble de données saines restreint d’une dimension du fait de ce paramètre physique connu.

Autrement dit, dans ce cas l’apprentissage 62 est réitéré pour obtenir ledit ensemble de données saines restreint, et son contour C’ dans un espace latent E’ associé à cette réduction de dimension liée à la connaissance parfaite d’une paramètre d’utilisation tel que la température lors de la mesure 72. Une tel contour C’ est nécessairement plus restreint que le contour C associé à l’ensemble de données saines obtenu pour une pluralité de températures distinctes d’exploitation de la structure. Un tel contour C’ plus restreint rend l’approche plus fiable, et dans le cas extrême où tous les paramètres influents seraient connus, ce qui ne semble pas possible en pratique, en raison des incertitudes épistémiques, l’ensemble des données saines contiendrait alors un unique jeu de données.

Une telle phase opérationnelle 70, également illustrée et décrite par la suite en relation avec la figure 5, comprend une première étape 74 d’obtention OBT_T, via le deuxième module d’obtention 42 de la figure 2, d’un ensemble de données test représentatives de l’état courant de ladite structure considérée, dans laquelle la présence d’un défaut est inconnue.

Puis, au cours d’une étape 76, mise en œuvre par le deuxième module de projection 44 de la figure 2, l’ensemble de données test représentatives de l’état courant de ladite structure considérée est projeté, via une projection P_T, dans l’espace latent E, utilisé lors de la phase d’apprentissage 62.

Ensuite, au cours d’une étape 78, mise en œuvre automatiquement par le module de détection 46 de la figure 2 ou manuellement, au moins une anomalie courante de ladite structure est détectée dès qu’un élément dudit ensemble de données test est en dehors dudit contour C.

De manière non représentée, le procédé 60 est également propre à comprendre une évaluation des biais et des erreurs dus à la modélisation et à l'apprentissage automatique afin de fournir une mesure de la confiance dans le diagnostic de défaut (i.e. la détection d’anomalie) proposée selon la présente invention.

La figure 4 illustre, de manière schématique, plus en détails la phase d’apprentissage 62 précédemment décrite, avec l’étape 64 d’obtention d’un ensemble de données saines représentatives de N états sains de ladite structure respectivement associés à N ensembles, distincts deux à deux, de conditions d’utilisation de ladite structure, N étant un entier, deux ensembles distincts présentant au moins une condition d’utilisation distincte d’un ensemble à un autre.

Plus précisément, tel qu’illustré sur la figure 4, lors de cette étape d’obtention 64, les données saines associées à autant de signaux N que de jeux distincts de conditions d’utilisations d’une structure saine sans défaut sont obtenues. Autrement dit, chacun des N signaux représentés est obtenu avec une variation d’au moins un paramètre d’utilisation tel que la position d’au moins un capteur, la température et/ou le vieillissement dudit au moins un capteur.

L’étape 66 de projection dudit ensemble de données saines dans un espace latent de dimension réduite M par rapport à la dimension N dudit ensemble de données saines est illustrée sur la figure 4 par M ² représentations bidimensionnelles des données saines représentées par des croix.

Il est à noter que de telles représentations bidimensionnelles sont ici utilisées uniquement à des fins illustratives et explicatives de l’aspect multidimensionnel de l’espace latent, dont la représentation multidimensionnelle est complexe.

L’étape 68 de détermination du contour dudit ensemble de données saines (également appelé base saine comprenant N échantillons, chaque échantillon étant de dimension P) projeté dans ledit espace latent est illustrée sur la figure 4 par les contours Ci et C2, le contour Ci entourant les croix de données saines projetée lors de l’étape 66 dans une partie bidimensionnelle avec la dimension 1 en abscisse et la dimension 2 en ordonnée de l’espace latent de M dimensions (i.e. de taille M<P nécessairement du fait de la réduction de dimension), le contour C2 entourant les croix de données saines projetée lors de l’étape 66 dans une partie bidimensionnelle avec la dimension 1 en abscisse et la dimension 3 en ordonnée de l’espace latent à M dimensions.

La figure 5 illustre, de manière schématique, plus en détails la phase opérationnelle précédemment décrite, avec l’étape 74 d’obtention, par mesure préalable via ledit au moins un capteur, d’un ensemble de données test représentatives de l’état courant de ladite structure.

L’étape 76 de projection dudit ensemble de données test dans ledit espace latent, issu de l’apprentissage 62 illustrée par la figure 4, est représentée sur la figure 5 par M ² représentations bidimensionnelles des données test T1 et T ₂ représentées par une croix dans chaque représentation bidimensionnelle.

L’étape 78 de détection d’anomalie compare, dans chaque représentation bidimensionnelle, que la croix de donnée test est dans le contours de données saines associé, dans le cas contraire une anomalie 82 est détectée dès qu’une croix est en dehors d’un contour bidimensionnel, ce qui est le cas pour la croix T 1 qui est en dehors du contour Ci dans l’espace bidimensionnel des dimensions 1 et 2, alors que lorsque les dimension 1 et 3 sont considérés la croix T2 est dans le contour C2. Autrement dit, dès qu’une position de donnée test en dehors du contour multidimensionnel est détecté, notamment ici à des fins explicatives et de simplicité de représentation au sein des M ² représentations bidimensionnelles, une anomalie est détectée, et le cas échéant de manière non représentée, une alerte non représentée est levée et/ou une requête de maintenance de ladite structure.

Autrement dit, une telle détection 78 est certes grossière mais efficace, et consiste à considérer que si la représentation dans l’espace latent de l’ensemble de données test est trop éloignée du contour C de l’ensemble des données saines, un défaut est présent.

Selon un aspect particulier, très dépendant du cas d’usage considéré, la distance de la donnée test représentative d’une anomalie (ici la croix T1) au contour ici Ci pourrait être propre à traduire la criticité du défaut détecté.

L’homme du métier comprendra que l’invention ne se limite pas aux modes de réalisation décrits, ni aux exemples particuliers de la description, les modes de réalisation et les variantes mentionnées ci-dessus étant propres à être combinés entre eux pour générer de nouveaux modes de réalisation de l’invention.

Ainsi, la présente invention propose un procédé et un dispositif de détection d’anomalie(s) dans une structure qui permettent de construire, par entrainement, un jumeau numérique décrivant l’ensemble des données saines associé à un état sain de la structure considéré pour ensuite détecter une anomalie comme au-delà de l’espace sain décrit par ce jumeau numérique.

Autrement dit, la présente invention permet de s’affranchir de la création de défauts que ce soit de manière expérimentale ou par simulation, en passant par apprentissage par la modélisation uniquement des états sains.

Selon un aspect de l’invention mettant en œuvre l’obtention de données saines au moins en partie par simulation au préalable, il est possible de s’affranchir d’une phase préalable de calibration sur des structures réelles et dans des conditions d’utilisations réelles, ou de grandement la limiter dans le cas d’un traitement préalable hybride impliquant au moins en partie de la simulation.

De plus, la présente invention, est générique par rapport aux paramètres influents, car une fois l’ensemble de données saines obtenu par apprentissage, il est possible de le faire évoluer rapidement pour prendre en compte des conditions supplémentaires d’utilisation de la structure et en recalculer le contour multidimensionnel dans l’espace latent. Ainsi, la détection d’anomalie obtenue via la présente invention présente une robustesse intrinsèque aux paramètres extérieurs en les intégrant dès le départ dans l’apprentissage de données saines, si bien que le diagnostic (i.e. la détection) ne fait pas d’a priori sur les conditions extérieures au moment de son application à la mesure d’un état courant de la structure.

Une telle détection d’anomalie est propre à réduire l'empreinte environnementale des structures instrumentées grâce à la maintenance préventive et à l'allongement de la durée de vie par la détection d’anomalie (i.e. défaut) à un stade précoce.