Chaque élément majeur, des panneaux de fuselage et des espars d'ailes aux pales de turbines et aux trains d'atterrissage, doit être inspecté sans être modifié ou endommagé. Si les méthodes traditionnelles de NDT, comme les essais ultrasoniques, la radiographie, les essais de courant de Foucault et la thermographie, sont bien établies, elles exigent une main-d'oeuvre intensive et des inspecteurs hautement qualifiés pour interpréter des signaux subtils. L'avènement d'un apprentissage profond — un sous-ensemble de l'intelligence artificielle — a introduit un changement de paradigme.

Les principes fondamentaux de l'apprentissage approfondi dans la TDN

Comment l'apprentissage profond diffère de l'apprentissage traditionnel de la machine

Les modèles traditionnels d'apprentissage automatique reposent sur des caractéristiques artisanales — les ingénieurs définissent des paramètres tels que l'amplitude du signal, la netteté des bords ou les gradients de texture. En revanche, l'apprentissage profond, en particulier les réseaux neuronaux convolutionnels (CNNs), apprend automatiquement les caractéristiques pertinentes à partir des données brutes d'entrée.

Exigences en matière de données et prétraitement

Pour la TDN aérospatiale, cela implique la collecte de milliers d'images, souvent de dizaines de milliers, ou de signaux provenant de composants connus défectueux et non défectueux. Les techniques d'augmentation des données telles que la rotation, l'échelle et l'injection de bruit aident à simuler diverses conditions réelles. L'apprentissage du transfert, où un modèle pré-entraînement sur un ensemble de données génériques (p. ex. ImageNet) est affiné sur les données de TND, réduit le besoin d'énormes ensembles de données spécifiques à l'aérospatiale.

Apprentissage approfondi dans les modalités de la TDN

Essais à ultrasons (UT)

Les modèles d'apprentissage approfondi peuvent traiter des images de câbloscan entières et classer les régions comme des défauts ou des non-défectuosités avec une grande précision. Les CNN ont été formés sur des réseaux de phasor ultrasoniques pour détecter les fissures de fatigue dans la peau du fuselage d'aéronef et les décollages dans des panneaux composites en nids d'abeilles. Une étude menée en 2023 par des chercheurs de l'Université de Bristol a révélé qu'un système basé sur CNN a obtenu un taux de détection de 97 % des vides de surface dans les laminats de fibres de carbone, dépassant le taux de 85 % des techniciens expérimentés.

Essais radiographiques (RT)

Les radiographies à rayons X et gamma sont utilisées pour inspecter les joints soudés, les pièces moulées et les composants assemblés. L'interprétation manuelle des radiographies est subjective et peut être incohérente. Les algorithmes d'apprentissage profond mettent automatiquement en évidence les régions suspectes, réduisant ainsi le temps d'inspection. Par exemple, un modèle déployé par Airbus analyse les radiographies numériques des lames des ventilateurs moteurs et identifie la microporosité, les inclusions et les fissures.

Thermographie (essais infrarouges)

La thermographie infrarouge détecte les défauts de surface et de surface proche en surveillant la diffusion de chaleur. La thermographie active, où une source de chaleur est appliquée, est courante pour les composites aérospatials. Les modèles d'apprentissage approfondi analysent des séquences d'images thermiques pour localiser les disbonds, les dommages causés par les chocs et l'infiltration d'humidité. L'utilisation de 3D de réseaux neuronaux convolutionnels qui prennent l'historique de la température en tant qu'entrée, permettant la détection de défauts invisibles dans n'importe quel cadre.

Essais de courant de Eddy (ECT)

Les essais de courant de la boue sont largement utilisés pour détecter les fissures de surface et de surface proche des matériaux conducteurs, en particulier sur les peaux d'aéronef et les composants du moteur. L'ECT traditionnel exige une analyse par balayage de sonde et par plan d'impédance. Les modèles d'apprentissage approfondi peuvent traiter directement les signaux d'impédance brute ou les images de la canne à sucre et classer les types de défauts, par exemple, en distinguant les fissures de corrosion par contrainte des fissures de fatigue.

Essais d'émission acoustique (AE)

Contrairement à d'autres méthodes NDT, l'AE est passive et peut être utilisée lors des essais d'épreuve ou de la surveillance en vol. Des modèles d'apprentissage approfondi, en particulier des longs réseaux de mémoire à court terme (LSTM) et des transformateurs, analysent les caractéristiques de la forme acoustique des ondes pour localiser les sources et classifient les mécanismes de défaillance. Par exemple, un système développé pour surveiller les récipients sous pression dans les systèmes hydrauliques d'aéronef utilise un LSTM pour prédire la durée de vie utile restante en fonction des profils de signaux AE, ce qui permet une maintenance basée sur l'état plutôt que sur le calendrier.

Au-delà de la détection des défauts : entretien prédictif et gestion du cycle de vie

En intégrant les données NDT de plusieurs inspections au fil du temps, les modèles peuvent prédire comment un défaut va croître et estimer la durée de vie utile restante du composant. Ceci est essentiel pour les opérateurs aérospatials qui veulent retirer des pièces seulement lorsque la sécurité est assurée, plutôt qu'à des intervalles de calendrier arbitraires. Par exemple, un modèle d'apprentissage profond formé à des mesures séquentielles de courants de Foucault des trous d'attache peut prévoir les taux de propagation des fissures, permettant aux équipes de maintenance de planifier les réparations avant que la fissure n'atteigne une taille critique.

Jumelles numériques et surveillance continue

Le concept de jumeau numérique, une réplique virtuelle d'un atout physique, est de plus en plus associé à un NDT d'apprentissage profond. Les capteurs sur les données du flux d'avion (ultrasonique, acoustique, température, souche) à un jumeau numérique qui met à jour en permanence son état de détérioration. Les algorithmes d'apprentissage profond qui fonctionnent dans le jumeau numérique peuvent déclencher des alertes lorsque les patrons anormaux dépassent les seuils.

Avantages de l'apprentissage approfondi dans le TDN aérospatial

  • Précision de détection plus élevée:[ Des modèles d'apprentissage approfondi peuvent identifier des signatures subtiles de défauts qui ne se distinguent pas de l'œil humain, en particulier dans les données bruyantes.
  • Analyse de grille :[ Un CNN formé peut classer des milliers d'images par seconde, réduisant le temps d'inspection d'heures à minutes.Cette vitesse est critique pour les lignes de production à volume élevé ou le redressement rapide des installations de MRO (entretien, réparation et révision).
  • Consistance:[ Les inspecteurs humains varient en fonction de la performance en raison de la fatigue, de la formation et du jugement subjectif.
  • Fondation réduite de l'opérateur :[ En automatisant le dépistage préliminaire, le modèle ne peut indiquer que les régions suspectes pour un examen détaillé, permettant aux techniciens de se concentrer sur des décisions complexes.
  • Écalorité:[ Une fois formé, un modèle peut être déployé dans plusieurs postes d'inspection ou même dans différentes installations, en standardisant les niveaux de qualité à l'échelle mondiale.

Ces avantages ont amené les grands fabricants de produits aérospatiales comme Boeing, Airbus et Rolls‐Royce à investir massivement dans des systèmes NDT alimentés par l'IA. Par exemple, BoeingS Automated Visual Inspection System utilise un CNN pour inspecter l'application de scellants sur les panneaux d'ailes, permettant ainsi de détecter 99,7 % des défauts tout en éliminant la nécessité d'une planche à ombre manuelle.

Défis et limites

La rareté des données sur les défauts étiquetés

Les défauts sont rares par leur conception — les fabricants ne cherchent pas de défauts — il est difficile de recueillir des exemples suffisamment positifs. La production de données synthétiques, à l'aide d'outils de simulation basés sur la physique, offre une solution prometteuse. Par exemple, un modèle à éléments finis peut simuler les réponses ultrasoniques de diverses géométries de fissures et les injecter dans des signaux de fond réalistes. Cependant, l'écart sim-to-real reste un défi de recherche.

Interprétation et certification

Les ingénieurs et les autorités de certification (FAA, EASA) doivent comprendre pourquoi un modèle a signalé un défaut — la nature -box noire de réseaux neuraux profonds est problématique. Les techniques comme la cartographie d'activation de classe pondérée par gradient (Grad-CAM), SHAP et LIME peuvent mettre en évidence quels pixels ou échantillons de temps ont contribué à la décision, fournissant une certaine interprétabilité. Pourtant, les organismes de certification ne sont pas encore à l'aise avec des modèles qui ne peuvent pas être expliqués pleinement.

Intégration aux flux de travail existants

L'intégration d'un modèle d'apprentissage profond nécessite non seulement des interfaces logicielles, mais aussi des modifications aux instructions de travail, une formation des opérateurs et une validation par rapport aux protocoles NDT existants. Le modèle doit également gérer les variations d'équipement, les types de sonde et les paramètres de balayage entre différentes installations. Un CNN formé sur les données d'un modèle de détecteur de défauts ultrasoniques peut fonctionner mal sur un autre, nécessitant une adaptation de domaine ou un recyclage.Les entreprises commencent à offrir des solutions de plug-and-play : par exemple, Viso.ai fournit une plateforme qui peut être connectée à n'importe quel instrument NDT basé sur l'image et déploie des modèles formés sur site ou à la périphérie.

La robustesse aux défauts nouveaux

Si un nouveau mécanisme de défaut apparaît — comme la croissance des fissures dans un nouvel alliage ou une faille de fabrication jusqu'alors invisible —, le modèle peut être mal classé. L'apprentissage continu, où le modèle est mis à jour avec de nouvelles données, peut atténuer cette situation, mais les cycles de recyclage doivent être gérés avec soin pour éviter les oublis catastrophiques. Certains programmes aérospatials maintiennent un ensemble de tests --golden---qui est utilisé pour valider le modèle après chaque mise à jour.

Orientations futures

Détection en temps réel en cours de fabrication

Par exemple, lors du placement automatisé de fibres de section de fuselage composite, un système de caméra peut utiliser un CNN léger pour détecter les trous de remorquage, les chevauchements ou les débris d'objets étrangers en temps réel, ce qui permet des corrections immédiates plutôt qu'une inspection post-cure. De même, pendant le soudage par frottement d'alliages d'aluminium, un modèle d'apprentissage approfondi peut analyser les signaux acoustiques ou de force pour détecter les vides ou les liaisons de baiser au fur et à mesure que progresse la soudure.

Déploiement des bords sur les drones et les robots

L'inspection de grandes structures aérospatiales, comme le fuselage ou les ailes d'un jet jumbo, prend du temps. Les drones équipés de capteurs thermographiques ou ultrasoniques, combinés à des modèles d'apprentissage profonds légers, peuvent scanner de façon autonome les surfaces et classer les défauts de vol. Le matériel informatique d'Edge (p. ex. NVIDIA Jetson, Google Coral) permet d'inférencer à bord, évitant la latence des données en streaming vers le nuage. Airbus a démontré un système basé sur un drone qui utilise un CNN pour détecter les dommages par éclair sur la peau des avions, réduisant ainsi le temps d'inspection de 8 heures à 30 minutes.

fédéré apprentissage pour partager des points de vue

Les entreprises de l'aérospatiale sont souvent réticentes à partager des données sur les défauts de propriété. L'apprentissage fédéré permet à plusieurs organisations (p. ex. Boeing, Airbus, leurs fournisseurs de niveau 1) de former en collaboration un modèle d'apprentissage profond sans échanger de données brutes. Chaque installation forme un modèle local et ne partage que des mises à jour chiffrées de modèles sur un serveur central.

Modèles hybrides combinant physique et intelligence artificielle

Les modèles hybrides — souvent appelés réseaux neuronaux éclairés par la physique (PINN) — intègrent les équations de régulation connues dans la perte ou l'architecture d'entraînement. Pour NDT, un PINN pourrait, par exemple, imposer que la réponse ultrasonore prédite satisfait à l'équation d'onde, ce qui conduirait à des résultats plus cohérents physiquement et à une généralisation plus poussée avec des données limitées.

Conclusion

L'apprentissage profond consiste à remodeler les tests non destructifs pour les composants aérospatiaux, offrant une vitesse, une précision et une cohérence inégalées dans la détection des défauts. Des inspections ultrasoniques et radiographiques à la thermographie et aux émissions acoustiques, les réseaux neuronaux convolutionnels et récurrents permettent une analyse automatisée qui complète ou même surpasse l'expertise humaine.

La voie de l'adoption complète n'est pas sans obstacles : la rareté des données, les exigences en matière d'interprétation et les exigences de certification exigent une attention particulière. Pourtant, les progrès continus dans la production de données synthétiques, l'IA explicable, l'apprentissage fédéré et la modélisation en connaissance de cause en physique sont en train de surmonter ces défis.