Résumé:
This thesis presents a novel approach that integrates NDT techniques, with advanced ML-based methods to enhance defect detection and diagnosis. The specific NDT technique employed in this study is Acoustic-Emission (AE) testing. The development of the ML-based defect diagnosis system involves two main phases. The first phase was the acquisition of experimental database, which included the collection and creation of AE data to form a comprehensive and accurate database. The second phase was the processing under Python, by implementing of a Random Forest algorithm, declining from ML- based methods. The algorithm is used to locate and classify defects. This work combines NDT techniques with advanced ML methods to improve defect detection and diagnosis, by providing innovative and effective solutions for quality control in various industrial applications, particularly in the aeronautics industry.
Résumé:
L'objectif de ce projet de fin d'étude est d'utiliser le ML pour diagnostiquer les défauts, à base de traitement de signaux EA expérimentaux, sous le CND. Le développement d'une approche ML pour le diagnostic des défauts passe par deux étapes principales. La première est l'obtention d'une BDD expérimentale, comprenant la collecte et la construction de données EA, pour former une base de données riche et précise. La seconde est le traitement de BDD sous Python, qui implique l'implémentation d'un algorithme de RF basé sur les méthodes de ML. Cet algorithme est utilisé pour localiser et classifier les défauts. Ce mémoire combine entre les techniques de contrôle non destructif avec les méthodes avancées de ML, pour améliorer la détection et le diagnostic des défauts, offrant ainsi des solutions innovantes et efficaces pour le contrôle de qualité dans diverses applications industrielles, particulièrement dans le secteur aéronautique.
ملخص:
تقدم هذه الأطروحة نهجا جديدًا يدمج تقنيات
NDT مع طرق التعلم الآلي ML المتقدمة، لتعزيز اكتشاف العيوب وتصنيفها. تقنية NDT
المحددة المستخدمة في هذه الدراسة هي اختبار الانبعاثات الصوتية.
يتضمن تطوير نظام تصنيف العيوب القائم على EA
مرحلتين رئيسيتين. الأولى هي إنشاء قاعدة بيانات تجريبية ML
يشمل جمع وبناء بيانات اختبار BDD
لتشكيل قاعدة بيانات غنية ودقيقة. اما المرحلة الثانية هو المعالجة باستخدام EA
، تنفذ بخوارزمية Python
، التابعة لطرق RF
تستخدم هذه الخوارزمية لتصنيف وتحديد العيوب. تجمع هذه الأطروحة بين تقنيات الاختبار غير المدمرة وطرق ML
المتقدمة، لتحسين اكتشاف العيوب وتصنيفها، مما يقدم حلولاً مبتكرة وفعالة لمراقبة الجودة في مختلف التطبيقات الصناعيةML
