thesis

Parametrisation et classification des signaux en controle non destructif. Application a la reconnaissance des defauts de rails par courants de foucault

Defense date:

Jan. 1, 1997

Edit

Institution:

Paris 11

Disciplines:

Directors:

Abstract EN:

Pas de résumé disponible.

Abstract FR:

Ce memoire traite d'un dispositif embarque de detection et de reconnaissance des defauts debouchants sur rail ferroviaire. Une structure multicapteur a courants de foucault permettant le controle sans contact dans des conditions d'exploitation commerciale, est tout d'abord detaillee. Les principales options de conception y sont decrites, et validees a posteriori par des essais sur site dans des conditions de mesure reelles. Une liste des classes de defauts detectables par le capteur a ete etablie (fissures, ecaillages. . . ) ainsi qu'une base de donnees representative du site pour la mise au point des traitements haut-niveau. La premiere phase des traitements concerne le mode de representation des signaux complexes issus du capteur. Cette parametrisation doit posseder un fort potentiel descriptif tout en restant insensible a certaines operations sur les signaux definies comme des invariants du probleme (retournement, homotheties, lift-off). Une procedure originale de parametrisation des signatures denommee descripteurs de fourier modifies, a ete mise au point et comparee a des parametrisations de type autoregressive. Sur l'ensemble des parametres d'une signature, une selection doit ensuite etre effectuee en termes de pertinence a la discrimination entre classes. Une methode d'ordonnancement par orthogonalisation associee a un critere d'arret original a ete mise en oeuvre sur la base de donnees et a ete comparee a d'autres methodes sous-optimale. Le dernier chapitre traite de la classification neuronale supervisee a l'aide de reseaux de type perceptron multicouche ou de reseaux a fonctions radiales de base. L'approche globale de classification est comparee a des approches analytiques ou le probleme de classification initial est decompose en sous-problemes. Des performances de classification sont donnees montrant la superiorite de l'approche analytique dans notre application en relation avec la faible dimension de la base de donnees.