Conception assistée par simulation d’une IA pour la classification d’indications ultrasonores lors d’un contrôle TFM de soudures

Abstract

Les techniques d’intelligence artificielle, et en particulier à base de Machine Learning, ouvrent des perspectives d’avancées significatives pour l’assistance au diagnostic, que ce soit pour la détection ou la caractérisation de défauts. Cependant la conception d’une nouvelle solution basée sur l'IA est une tâche qui peut s’avérer complexe en raison de la multiplicité et la variabilité des paramètres du contrôle, combinées à des données souvent insuffisamment représentatives bien qu’indispensables aux phases d'apprentissage et de validation. Dans cette communication nous présentons une étude pour le développement d’un algorithme de diagnostic par IA pour l'inspection de soudures par ultrasons (TFM). Le cas traité est celui d’une soudure en V et l’objectif visé est la détection et l’identification de défauts de différents types (fissure, manque de fusion, inclusion, manque de pénétration…). Sont ainsi comparées plusieurs stratégies de détection et de caractérisation, exploitant différentes approches (corrélation, algorithmes type SVM, réseaux de neurones), utilisant et combinant des données simulées et expérimentales pour la phase d'apprentissage. Les performances des algorithmes sont évaluées sur des données expérimentales, en tenant compte des incertitudes dues au procédé. Les résultats sont comparés entre les différentes approches, avec pour référence une analyse d'expert. L'ensemble de l'étude a été réalisée à l'aide du logiciel CIVA DS (Data Science), nouveau module de la plateforme CIVA, qui a pour vocation d’accompagner l’utilisateur dans sa démarche de conception et de démonstration de performance de son processus de diagnostic par IA, et qui permet dans un environnement unique de combiner simulation, acquisition, traitements du signal et Machine Learning.