30/04/2019 - 13H45 - Salle IRIS de la bibliothèque Ingénieur, 2 avenue de la forêt de Haye, 54518 Vandoeuvre-lès-Nancy.

"Surveillance d'intégrité des structures par apprentissage statistique. Application aux structures tubulaires"

Résumé :
Les approches de surveillance de l'intégrité des structures ont été proposées pour permettre un contrôle continu de l'état des structures en intégrant à celle-ci des capteurs intelligents. En effet, ce contrôle continu doit être effectué pour s'assurer du bon fonctionnement de celles-ci car la présence d'un défaut dans la structure peut aboutir à un accident catastrophique. Cependant, la variation des conditions environnementales et opérationnelles (CEO) dans lesquelles la structure évolue, impacte sévèrement les signaux collectés ce qui induit parfois une mauvaise interprétation de la présence du défaut dans la structure. Dans ce travail de thèse, l'application des méthodes d'apprentissage statistiques classiques utilisées en détection de défaut a été envisagée dans le cas des structures tubulaires. Ici, les effets des paramètres de mesures sur la robustesse de ces méthodes ont été analysées. Ensuite, deux approches ont été proposées pour remédier aux effets des CEO. La première approche suppose que la base de données des signaux de référence est suffisamment riche en variation des CEO. Dans ce cas, une estimation parcimonieuse du signal mesuré est calculée. Puis, l'erreur d'estimation est utilisée comme indicateur de défaut. Tandis que la deuxième approche est utilisée dans le cas où la base de données des signaux des références contient une variation limitée des CEO mais on suppose que celles-ci varient lentement. Dans ce cas, une mise à jour du modèle de l'état sain est effectuée en appliquant l'analyse en composante principale (PCA) par fenêtre mobile. Dans les deux approches, la localisation du défaut a été assurée en utilisant une fenêtre glissante sur le signal provenant de l'état endommagé.
Jury :
- Rapporteurs : Nazih Mechbal, Professeur, Art et Métiers ParisTech (PIMM)
Moamar Sayed-Mouchaweh, Professeur, IMT Lille Douai (URIA)
- Autres membres : Examinateurs :
- Maan El Badaoui El Najjar, Professeur, Lille (CRIStAL)
- Slah Yaacoubi, Dr., Responsable équipe R&D Monitoring et Intelligence Artificielle, (Institut de Soudure)
- Gilles Mourot, Ingénieur de Recherche, Université de Lorraine (CRAN)
Directeur de thèse :
- Didier Maquin, Professeur, Université de Lorraine (CRAN)