Détection de petites fissures dans les éoliennes

Tu vois les fissures sur ces images ? Les petites fissures sont difficiles à remarquer et peuvent facilement être prises pour des taches de poussière ou de graisse. Mais si on les ignore, elles peuvent causer des dégâts énormes sur les éoliennes. Cet article parle d'un nouveau dataset qui nous aide à détecter ces petites fissures, qu'on a récoltées lors des inspections d'éoliennes dans le monde entier. On utilise ces données pour entraîner notre système à repérer les fissures dans les éoliennes, qui sont essentielles pour produire de l'énergie renouvelable.

L'énergie éolienne est super importante pour un futur durable et pour réduire l'utilisation des combustibles fossiles. Garder les éoliennes en bon état pour produire de l'énergie coûte cher et prend beaucoup de temps, nécessitant des vérifications et de l'entretien réguliers. Les drones ont rendu ce boulot plus rapide, mais les méthodes actuelles pour trouver des problèmes cachés comme les petites fissures n'ont pas suivi. La plupart des recherches se concentrent sur les fissures bien visibles, laissant un vide dans notre capacité à repérer les très petites fissures dangereuses qui peuvent causer des problèmes graves.

Les éoliennes subissent plusieurs types de dommages, et les fissures dans la structure sont parmi les menaces les plus sérieuses. Ces fissures peuvent survenir pour diverses raisons, y compris des impacts d'objets, l'usure au fil du temps ou des problèmes lors du processus de fabrication. Une fois qu'une fissure se forme, il est difficile de prédire à quelle vitesse elle va grandir. Les risques peuvent varier largement, certaines fissures provoquant une défaillance en quelques heures, tandis que d'autres peuvent prendre des années à devenir un problème.

Dans la plupart des cas, ces fissures apparaissent comme des lignes sombres sur une pale blanche, mais elles peuvent être très petites, rendant leur détection difficile. Même si la pale est propre, repérer les fissures peut être compliqué. De plus, les marques de saleté ou de graisse peuvent perturber les systèmes de détection, entraînant de nombreuses fausses alertes dans l'identification des fissures.

#Niveaux de gravité des fissures

Il n'y a pas vraiment de standard unique dans l'industrie pour catégoriser les défauts des pales, mais il y a des pratiques communes. Les dommages sont généralement classés de faible risque à haut risque, répartis sur cinq niveaux. Les petits problèmes esthétiques tombent dans les catégories de gravité les plus basses, tandis que les problèmes structurels sérieux obtiennent une note plus élevée. Les petites fissures, connues sous le nom de fissures capillaires, se situent souvent dans la plage de gravité la plus basse mais peuvent entraîner des problèmes beaucoup plus importants.

Bien que de nombreuses études essaient de détecter les défauts dans les pales d'éoliennes, peu se concentrent sur ces fissures à peine visibles. Certains chercheurs utilisent la technologie infrarouge pour trouver des fissures, mais cet équipement est généralement plus cher que les caméras classiques, ce qui freine son adoption dans l'industrie. La plupart des recherches existantes ne se concentrent que sur les fissures visibles, ce qui signifie qu'on n'a pas assez d'attention sur ces petites fissures capillaires dangereuses qui peuvent causer des gros problèmes.

#Notre nouveau dataset : ZVCD

Pour attaquer ces problèmes, on a créé un nouveau dataset qui inclut des images de fissures capillaires à peine visibles trouvées lors des inspections des éoliennes. On appelle ça le dataset Zeitview Crack Detection (ZVCD). Ce dataset comprend des images réelles collectées de divers endroits et Modèles d'éoliennes, permettant à nos modèles d'apprendre mieux à repérer les fissures dans des conditions réelles.

Ces fissures capillaires viennent dans plein de tailles et de formes, des fissures plus longues qui sont un peu visibles aux très courtes qui sont presque invisibles. Comme les éoliennes diffèrent par type et construction, les modèles de machine learning qu’on développe doivent s'adapter à ces différences tout en se concentrant sur les caractéristiques des pales qui comptent.

#Le processus de détection des fissures

Pour détecter les fissures, on a décidé d'utiliser une approche par Classification au lieu de méthodes comme la segmentation et la détection d'objets. C'est parce que les images des éoliennes sont souvent très grandes, ce qui rend difficile l'utilisation de modèles complexes. Au lieu de ça, on découpe les images en sections plus petites, ce qui facilite la concentration sur la présence d'une fissure sans suivre des emplacements spécifiques.

Classifier les images plutôt que d'utiliser des méthodes plus compliquées nous permet de réduire le nombre de faux positifs-où le système pense qu'une fissure est présente alors qu'elle ne l'est pas-tout en gardant le processus assez simple pour être utilisé sur des drones ou des serveurs.

#Types de modèles utilisés

Dans notre recherche, on a entraîné différents types de classificateurs en utilisant le dataset ZVCD. On a choisi divers modèles qui correspondent à nos objectifs d'efficacité et qui pourraient bien fonctionner sur le matériel de drone qu'on prévoit d'utiliser. Tous les modèles ont été initialement entraînés sur des données d'ImageNet, qui est une approche courante en machine learning.

Le dataset qu'on a préparé impliquait de labelliser la position et la gravité de chaque fissure, puis de découper les images en plus petits morceaux. On a divisé notre dataset pour qu'aucune image ne soit utilisée à la fois dans les parties d'entraînement et de validation. Cela nous permet de garder nos résultats précis et significatifs.

#Entraînement et résultats

On a gardé le processus d'entraînement cohérent sur tous les modèles. On a utilisé une technique d'apprentissage spécifique et veillé à traiter les fissures identifiées et les non-fissures de manière équilibrée pendant l'entraînement. Tous les essais de modèle ont été réalisés sur un système de cloud computing puissant.

On a constaté que nos modèles fonctionnaient bien, atteignant une bonne précision dans la détection des fissures. Cependant, on a noté que certains modèles avancés pourraient nécessiter trop d'ajustements pour atteindre des niveaux de performance similaires à ceux des modèles qu'on a utilisés.

#Implication humaine dans le processus de révision

Après avoir identifié des zones potentielles de fissures, on utilise des analystes humains pour confirmer la gravité de ces fissures et proposer des réparations. Ce processus assure l'exactitude avant toute action d'entretien. Au fur et à mesure qu'on améliore nos systèmes, on espère les rendre entièrement automatisés, supprimant ainsi le besoin de vérifications humaines.

#Conclusion

Ce travail met en lumière le besoin de meilleures méthodes de détection pour les fissures capillaires à peine visibles dans les éoliennes. Notre recherche a conduit à un nouveau dataset diversifié qui fournit une base plus solide pour entraîner des modèles à repérer ces défauts difficiles. Notre modèle vise non seulement une haute précision mais fonctionne aussi dans les limites de la technologie moderne des drones.

Alors qu'on développe encore ce système, on espère qu'il pourra évoluer pour répondre à la demande croissante d'énergie éolienne et garantir que nos éoliennes restent sûres et efficaces. On reconnaît aussi que comparer différentes méthodes de détection, comme l'infrarouge versus les caméras standard, est un domaine qui nécessite plus de recherche.

En résumé, les petites fissures dans les éoliennes représentent un risque significatif, et une détection précoce est cruciale. Notre objectif est d'affiner notre approche pour protéger les éoliennes de gros dommages, soutenant finalement la production d'énergie durable dans le monde entier.