HAL Id: tel-01022823https://tel.archives-ouvertes.fr/tel-01022823
Submitted on 11 Jul 2014
HAL is a multi-disciplinary open accessarchive for the deposit and dissemination of sci-entific research documents, whether they are pub-lished or not. The documents may come fromteaching and research institutions in France orabroad, or from public or private research centers.
Lâarchive ouverte pluridisciplinaire HAL, estdestinĂ©e au dĂ©pĂŽt et Ă la diffusion de documentsscientifiques de niveau recherche, publiĂ©s ou non,Ă©manant des Ă©tablissements dâenseignement et derecherche français ou Ă©trangers, des laboratoirespublics ou privĂ©s.
Conception de multicapteurs à courants de Foucault etinversion des signaux associés pour le contrÎle non
destructifCyril Ravat
To cite this version:Cyril Ravat. Conception de multicapteurs à courants de Foucault et inversion des signaux associéspour le contrÎle non destructif. Instrumentations et Détecteurs [physics.ins-det]. Université Paris Sud- Paris XI, 2008. Français. tel-01022823
No dâordre
THĂSE
présentée pour obtenir
Le GRADE de DOCTEUR EN SCIENCESDE LâUNIVERSITĂ PARIS-SUD 11
par
Cyril RAVAT
SpĂ©cialitĂ© : PhysiqueĂcole Doctorale « Sciences et Technologies de lâInformation
des Télécommunications et des SystÚmes »
Sujet :
Conception de multicapteurs à courants de Foucaultet inversion des signaux associéspour le contrÎle non destructif
ThÚse soutenue le 15 décembre 2008 devant les membres du jury :
Mme Danielle Nuzillard Présidente du jury
M. Jean-Marc Decitre Invité
M. Mouloud Feliachi Rapporteur
M. Pierre-Yves Joubert Examinateur
M. Yann Le Bihan Examinateur
M. Jean-Yves Le Huerou Rapporteur
M. Claude Marchand Directeur de thĂšse
Remerciements
Le travail prĂ©sentĂ© dans ce document a Ă©tĂ© rĂ©alisĂ© au sein de deux laboratoires du sud de lâĂle deFrance, le Laboratoire de GĂ©nie Ălectrique de Paris (LGEP) et le laboratoire SystĂšmes et Applicationsdes Technologies de lâInformation et de lâĂnergie (SATIE). Je remercie MM. Alain Kreisler et FrĂ©dĂ©-ric Bouillault, directeurs successifs du LGEP et MM. Sylvain Allano et Pascal Larzabal, directeurssuccessifs du SATIE pour mâavoir accueilli dans leur laboratoire.
Je remercie particuliĂšrement MM. Pierre-Yves Joubert et Yann Le Bihan pour mâavoir proposĂ© cesujet intĂ©ressant et encadrĂ© dans ces travaux, pour leurs conseils souvent pour ne pas dire toujoursavisĂ©s. Mes remerciements sâadressent aussi Ă M. Claude Marchand pour sa direction clairvoyante etses remarques toujours utiles. Je suis trĂšs reconnaissant pour le temps que vous avez passĂ© tous lestrois Ă me faire avancer dans ce projet.
Je remercie Mme Danielle Nuzillard, Professeur des UniversitĂ©s Ă lâUniversitĂ© de Reims pour avoirprĂ©sidĂ© le jury de soutenance et pour les corrections quâelle a apportĂ©es Ă ce mĂ©moire.
Je remercie M. Jean-Yves Le Huerou, Professeur des UniversitĂ©s Ă lâUniversitĂ© de Cergy-Pontoiseet M. Mouloud Feliachi, Professeur des UniversitĂ©s Ă lâInstitut Universitaire de Technologie de Saint-Nazaire pour avoir acceptĂ© dâĂ©valuer mon travail en tant que rapporteurs.
Je souhaite aussi signifier toute ma plus grande reconnaissance Ă Mlle Marion Woytasik, MaĂźtrede ConfĂ©rence Ă lâInstitut Universitaire de Technologie dâOrsay, pour les capteurs que jâai utilisĂ©smais surtout pour toutes les discussions, conseils, articles, retours en RER et pour les Doctoriales.Je remercie aussi Mme Ălisabeth Dufour-Gergam, Professeur des UniversitĂ© Ă lâUniversitĂ© Paris-Sud,pour avoir permis cette collaboration fructueuse avec lâInstitut dâĂlectronique Fondamentale.
Je remercie trĂšs chaleureusement lâensemble des personnes qui mâont croisĂ© pendant ces troisannĂ©es, et avant tout les compagnons dâinfortune : Yohan, LĂ©a, Vincent, Belkacem, Yahya, Alejandro,Nicolas, JĂ©rĂ©my, Romain, Zatar, Hala, LĂ©na, et ceux que jâoublie. Lâensemble de lâĂ©quipe pĂ©dagogiqueĂ lâInstitut Universitaire de Technologie de Cachan oĂč jâai effectuĂ© mon monitorat, et plus parti-culiĂšrement Christophe, Florence, Fabien, Yves, Anthony, Antony, Demba, RenĂ© mais aussi tous ceuxque jâoublie ici aussi, a Ă©tĂ© dâune grande aide et dâune extrĂȘme sympathie, particuliĂšrement dans lesmoments oĂč le travail de thĂšse Ă©tait plus incertain. Je me suis senti trĂšs favorisĂ© par les excellentesconditions de travail et cette expĂ©rience mâa confirmĂ© que mon avenir professionnel se trouve danslâenseignement.
Avant de conclure, je souhaite remercier de façon anonyme les initiateurs des outils que jâai utilisĂ©savec abondance : Mark Shuttleworth, Leslie Lamport et Mitchell Baker sont entre beaucoup dâautresdes personnalitĂ©s importantes qui font lâinformatique dâaujourdâhui et de demain.
Le dernier remerciement est pour quelquâun qui le mĂ©rite cent fois, au moins pour mon caractĂšrequi sâest peu Ă peu dĂ©tĂ©riorĂ© entre mai et dĂ©cembre 2008, pour lâĂ©tĂ© peu trĂ©pidant que je lui ai faitpasser et pour ma faible disponibilitĂ© depuis la rentrĂ©e scolaire. Merci Ă toi AmĂ©lie pour le soutien quetu mâas apportĂ©, et ce jusquâĂ ce sacrĂ© week-end avant la soutenance. Merci de supporter avec autantde courage mon perfectionnisme maladif. Je te promets que lâon se rattrapera lâĂ©tĂ© prochain et tousles suivants...
ii
Abréviations
ACP Analyse en composantes principales
CF Courants de Foucault
CI Circuit imprimé
CND ContrĂŽle non destructif
COR Caractéristique opérationnelle de résultat
DC DĂ©tection correcte
DSP Densité spectrale de puissance
ED Erreur de détection
EMCO Estimateur des moindres carrés ordinaires
FA Fausse alarme
NC Non détection correcte
PDC Probabilité de détection correcte
PFA Probabilité de fausse alarme
RSB Rapport signal sur bruit
TF Transformée de Fourier
TFD Transformée de Fourier discrÚte
AR CritÚre « aire du rectangle inscrit »
ASC CritÚre « aire sous la courbe »
DA CritÚre « distance au point antagoniste »
DO CritÚre « distance au point optimal »
MA CritÚre « moyenne des probabilités de DC et de NC »
MO CritĂšre « moyenne des probabilitĂ©s dâED et de FA »
iii
Table des matiĂšres
Abréviations iii
Introduction générale 1
1 Contexte du contrÎle non destructif et des sondes multiéléments 51.1 Le contrÎle non destructif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Les objectifs du CND . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51.1.2 Les différentes techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Les types de sondes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91.2.1 Les sondes, les émetteurs et les récepteurs . . . . . . . . . . . . . . . . . . . . . 101.2.2 Les sondes à fonction double ou à fonctions séparées . . . . . . . . . . . . . . . 101.2.3 Les sondes à mesure absolue ou différentielle . . . . . . . . . . . . . . . . . . . 11
1.3 Le CND par courants de Foucault . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111.3.1 Le principe du CND par CF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111.3.2 Les avantages du CND par CF . . . . . . . . . . . . . . . . . . . . . . . . . . . 141.3.3 Les inconvénients du CND par CF . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 Les capteurs magnétiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151.4.1 Les capteurs inductifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151.4.2 Les GMI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161.4.3 Les GMR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161.4.4 Les fluxgates . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.5 Les principaux avantages et inconvénients des microbobines . . . . . . . . . . . . . . . 18
2 Mise en Ćuvre expĂ©rimentale 212.1 Pourquoi des sondes multiĂ©lĂ©ments ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.1 Augmenter la rapiditĂ© . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212.1.2 RĂ©duire lâinfluence des paramĂštres perturbateurs . . . . . . . . . . . . . . . . . 222.1.3 AcquĂ©rir davantage dâinformations . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 Les deux technologies de microbobines . . . . . . . . . . . . . . . . . . . . . . . . . . . 222.2.1 Les microbobines sur circuit imprimé . . . . . . . . . . . . . . . . . . . . . . . . 232.2.2 Les microbobines micromoulées . . . . . . . . . . . . . . . . . . . . . . . . . . . 262.2.3 Comparaison des deux technologies . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3 Le matĂ©riel utilisĂ© . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302.3.1 LâimpĂ©dancemĂštre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312.3.2 Le bras robotisĂ© . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 332.3.3 Le contrĂŽleur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4 LâĂ©chantillon de test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342.5 Les stratĂ©gies dâĂ©mission-rĂ©ception . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.5.1 La stratégie à mesure absolue « E/R » . . . . . . . . . . . . . . . . . . . . . . . 352.5.2 La stratégie émission-réception « ER » . . . . . . . . . . . . . . . . . . . . . . . 362.5.3 La stratégie à mesure différentielle « RER » . . . . . . . . . . . . . . . . . . . . 36
v
vi TABLE DES MATIĂRES
2.5.4 La stratĂ©gie Ă Ă©mission additive « ERE+ » . . . . . . . . . . . . . . . . . . . . . 362.5.5 La stratĂ©gie Ă Ă©mission diffĂ©rentielle « EREâ » . . . . . . . . . . . . . . . . . . 36
3 Signaux et prétraitements 373.1 Les représentations des signaux CF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.1.1 Une premiĂšre reprĂ©sentation : le C-scan . . . . . . . . . . . . . . . . . . . . . . 373.1.2 Une deuxiĂšme reprĂ©sentation : la signature complexe . . . . . . . . . . . . . . . 433.1.3 Une (presque-)troisiĂšme reprĂ©sentation : lâamplitude principale . . . . . . . . . 44
3.2 Lâorientation des dĂ©fauts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 483.2.1 Les diffĂ©rentes orientations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 483.2.2 La combinaison dâimages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3 Dâautres prĂ©traitements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 503.4 La dĂ©cimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4.1 Pourquoi la décimation ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 523.4.2 Le critÚre de Nyquist-Shannon . . . . . . . . . . . . . . . . . . . . . . . . . . . 523.4.3 Le problÚme du positionnement . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.5 Le surĂ©chantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 553.5.1 Lâinterpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 563.5.2 Influence du facteur de dĂ©cimation . . . . . . . . . . . . . . . . . . . . . . . . . 573.5.3 Influence du facteur de surĂ©chantillonnage . . . . . . . . . . . . . . . . . . . . . 58
3.6 Le rapport signal sur bruit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 583.6.1 Pourquoi quantifier la qualitĂ© dâun signal ? . . . . . . . . . . . . . . . . . . . . . 593.6.2 Le calcul du rapport signal sur bruit . . . . . . . . . . . . . . . . . . . . . . . . 593.6.3 Comparaison des conditions de mesure . . . . . . . . . . . . . . . . . . . . . . . 603.6.4 Influence de lâorientation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 613.6.5 Influence de la dĂ©cimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.7 SynthÚse des traitements effectués et des résultats obtenus . . . . . . . . . . . . . . . . 63
4 DĂ©tection 654.1 Lâalgorithme de dĂ©tection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.1.1 Quâest-ce quâune dĂ©tection ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 664.1.2 Un premier algorithme : le seuillage simple . . . . . . . . . . . . . . . . . . . . 674.1.3 Un deuxiĂšme algorithme : le seuillage moyennĂ© . . . . . . . . . . . . . . . . . . 67
4.2 Les caractĂ©ristiques opĂ©rationnelles de rĂ©ception . . . . . . . . . . . . . . . . . . . . . 694.2.1 La sensibilitĂ© et la spĂ©cificitĂ© . . . . . . . . . . . . . . . . . . . . . . . . . . . . 694.2.2 Lâespace des COR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 714.2.3 Les critĂšres de qualitĂ© . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 714.2.4 Prise en compte du coĂ»t . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 754.2.5 Conclusion sur la comparaison des courbes COR . . . . . . . . . . . . . . . . . 77
4.3 Les performances de dĂ©tection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 784.3.1 Comparaison des technologies de microbobines . . . . . . . . . . . . . . . . . . 784.3.2 Comparaison des stratĂ©gies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 784.3.3 Influence du pas dâĂ©chantillonnage spatial . . . . . . . . . . . . . . . . . . . . . 804.3.4 Influence de lâorientation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 814.3.5 SynthĂšse des rĂ©sultats et conclusion . . . . . . . . . . . . . . . . . . . . . . . . 83
5 Inversion des signaux, caractĂ©risation des dĂ©fauts 875.1 Les difficultĂ©s de lâinversion dâimage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.1.1 Les problĂšmes « mal posĂ©s » et la rĂ©gularisation . . . . . . . . . . . . . . . . . 885.1.2 Une solution : lâinversion paramĂ©trique . . . . . . . . . . . . . . . . . . . . . . . 89
5.2 Les mĂ©thodes dâinversion paramĂ©trique . . . . . . . . . . . . . . . . . . . . . . . . . . . 895.2.1 Lâinversion itĂ©rative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
TABLE DES MATIĂRES vii
5.2.2 Lâinversion directe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 905.2.3 Le choix entre les mĂ©thodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.3 La paramétrisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 915.3.1 Le but de la paramétrisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 915.3.2 Les paramÚtres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.4 Lâinversion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 935.4.1 Les caractĂ©ristiques Ă estimer . . . . . . . . . . . . . . . . . . . . . . . . . . . . 935.4.2 SĂ©lection des paramĂštres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 945.4.3 Estimation de lâorientation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 985.4.4 Estimation de la profondeur et de la longueur . . . . . . . . . . . . . . . . . . . 995.4.5 Utilisation dâinformations a priori . . . . . . . . . . . . . . . . . . . . . . . . . 1025.4.6 Le schĂ©ma global de lâalgorithme . . . . . . . . . . . . . . . . . . . . . . . . . . 1045.4.7 RĂ©glage des coefficients . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.5 Erreurs dâestimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1065.5.1 Les mĂ©thodes pour quantifier la qualitĂ© de lâinversion . . . . . . . . . . . . . . . 1065.5.2 Erreur de classification de lâorientation . . . . . . . . . . . . . . . . . . . . . . . 1065.5.3 Erreur dâestimation des dimensions . . . . . . . . . . . . . . . . . . . . . . . . . 107
Conclusion générale 111
Bibliographie 121
Le véritable voyage de découverte ne consiste pas à chercher de nouveaux paysages,mais à avoir de nouveaux yeux.
Marcel Proust
Une civilisation sans la Science, ce serait aussi absurde quâun poisson sans bicyclette.
Pierre Desproges
Introduction générale
Le travail prĂ©sentĂ© dans ce document a Ă©tĂ© rĂ©alisĂ© au sein de deux laboratoires du sud de lâĂle deFrance, le Laboratoire de GĂ©nie Ălectrique de Paris (LGEP) et le laboratoire SystĂšmes et Applicationsdes Technologies de lâInformation et de lâĂnergie (SATIE), respectivement dans les Ă©quipes ContrĂŽle,Commande, Diagnostic (CoCoDi) et Traitements dâInformation et Multicapteurs (TIM). Ce travailsâinscrit dans le cadre du pĂŽle SPEE Labs (Sud de Paris Ănergie Ălectrique), nĂ© en fĂ©vrier 2005 durapprochement du LGEP, du SATIE, du Laboratoire des Technologies Nouvelles (LTN, INRETS) etdu DĂ©partement « Ălectrotechnique et SystĂšmes dâĂnergie » de SupĂ©lec.
LâĂ©tude porte sur la conception et lâutilisation de nouvelles structures de sondes Ă courants deFoucault (CF) pour le contrĂŽle non destructif (CND). Une mĂ©thodologie a Ă©tĂ© Ă©tablie afin de mettreau point des structures multiĂ©lĂ©ments et de comparer leurs performances dans le cadre de la recherchede fissures submillimĂ©triques dĂ©bouchantes. Des algorithmes originaux de dĂ©tection et dâinversion ontĂ©tĂ© conçus et mis en Ćuvre afin dâutiliser la structure la plus efficace, de quantifier la qualitĂ© dedĂ©tection des fissures et dâestimer les caractĂ©ristiques gĂ©omĂ©triques de ces dĂ©fauts.
Les processus industriels et les piĂšces fabriquĂ©es sont devenus de plus en plus complexes tout au longdu siĂšcle dernier. Le CND, derniĂšre Ă©tape du processus industriel, vise Ă contrĂŽler sans endommager laqualitĂ© des piĂšces, en particulier mĂ©canique. Le CND est devenu une nĂ©cessitĂ© industrielle, la dĂ©faillancede ces piĂšces pouvant entraĂźner des consĂ©quences plus ou moins importantes. Par exemple, dans lesdomaines aĂ©ronautique et nuclĂ©aire, ces consĂ©quences sâexpriment souvent en termes de sĂ©curitĂ© despersonnes ou de dĂ©gĂąts environnementaux. Lâenjeu du CND est aussi dâordre Ă©conomique : la rapiditĂ©et la fiabilitĂ© des techniques employĂ©es sont capitales pour la rĂ©duction des coĂ»ts de maintenance etlâoptimisation de la durĂ©e de vie des installations.
La recherche de dĂ©fauts peut ĂȘtre opĂ©rĂ©e soit lors de la fabrication des piĂšces, soit lors de leurmaintenance en cours de vie. Dans le premier cas, il sâagit souvent de dĂ©tecter les problĂšmes et detrier les piĂšces dĂ©fectueuses en vue dâune Ă©ventuelle Ă©limination ou dâun ajustement. Dans le secondcas, il est prĂ©fĂ©rable de prĂ©ciser la nature et les dimensions des dĂ©fauts, dans le but de dĂ©terminer sila piĂšce peut ĂȘtre remise en service ou non. Dans les deux cas, lâinspection des dĂ©fauts doit ĂȘtre fiable,reproductible, relativement rapide et avec un coĂ»t aussi faible que possible.
La technique des courants de Foucault (CF) est largement utilisĂ©e dans le domaine du CND, dĂšslors quâil sâagit de matĂ©riaux Ă©lectriquement conducteurs. Elle reprĂ©sente par exemple la moitiĂ© descontrĂŽles dans le domaine de lâaĂ©ronautique. Cette mĂ©thode est en effet sensible Ă des dĂ©fauts danslâĂ©tat gĂ©omĂ©trique ou Ă©lectromagnĂ©tique dâune piĂšce, comme des inclusions, des fissures ou les effetsde la corrosion. De plus, elle est aisĂ©e Ă mettre en Ćuvre, robuste dans le cadre des applicationsindustrielles et relativement peu coĂ»teuse. Cependant, le besoin grandissant de fiabilitĂ© et de rapiditĂ©pour les opĂ©rations dâinspection requiert le dĂ©veloppement de nouveaux systĂšmes de contrĂŽle.
Dans ce contexte, des systĂšmes dâimagerie par courants de Foucault ont Ă©tĂ© rĂ©cemment dĂ©veloppĂ©safin de produire des images CF obtenues par des procĂ©dures de balayage mĂ©canique rĂ©duites et prĂ©-
1
2 INTRODUCTION GĂNĂRALE
sentant malgrĂ© cela de bonnes performances en termes de caractĂ©risation des dĂ©fauts. Leur principeest basĂ© sur lâutilisation simultanĂ©e dâun large Ă©metteur CF pour exciter la structure Ă contrĂŽler etdâun systĂšme dâacquisition pour mesurer le champ magnĂ©tique de rĂ©action Ă la surface de la structure.Le systĂšme dâacquisition est conçu spĂ©cifiquement pour fournir une haute sensibilitĂ© et/ou rĂ©solutionspatiale, afin que les dĂ©fauts puissent ĂȘtre efficacement caractĂ©risĂ©s.
Par exemple, un systĂšme imageur magnĂ©to-optique CF a Ă©tĂ© dĂ©crit dans [JP06]. Cet appareil utiliseun grenat magnĂ©to-optique linĂ©aire au sein dâun montage optique dĂ©diĂ© Ă la mesure de la distributionspatiale 2-D de la densitĂ© de flux magnĂ©tique. Les images CF obtenues offrent une haute rĂ©solutionspatiale (100 Ă 100 ”m2) sur une large surface dâinspection (disque de diamĂštre 60 mm) pour uneposition donnĂ©e de lâimageur.
Dâautres imageurs CF matriciels utilisant des multicapteurs Ă haute sensibilitĂ© comme les magnĂ©to-rĂ©sistances gĂ©antes ont aussi Ă©tĂ© dĂ©veloppĂ©s. Ces appareils permettent dâobtenir des images CF avec unehaute sensibilitĂ©[PLHDB04] ou une haute rĂ©solution[VGPD+06], tout en rĂ©duisant les procĂ©dures debalayage mĂ©canique, particuliĂšrement coĂ»teuses en temps. En effet, lâutilisation de matrices de capteurspermet de rĂ©aliser plusieurs mesures adjacentes de façon quasi-simultanĂ©e, et donc dâaugmenter larapiditĂ© de mesure. La fiabilitĂ© et la reproductibilitĂ© peuvent aussi ĂȘtre aussi augmentĂ©es par desacquisitions redondantes ou multivues.
Ces techniques utilisent cependant un inducteur de grandes dimensions pour lâexcitation dâune largezone, ce qui prĂ©sente un certain nombre dâinconvĂ©nients (uniformitĂ© des courants induits, consomma-tion Ă©lectrique, taille, effets de bord...). Au contraire de ces sondes Ă capteurs magnĂ©tiques, lâutilisationde microbobines en tant quâĂ©lĂ©ments de sonde permet Ă chaque Ă©lĂ©ment de jouer le double rĂŽle dâĂ©met-teur et/ou de rĂ©cepteur. Il devient alors possible de supprimer lâinducteur et dâĂ©laborer diffĂ©rentesstratĂ©gies opĂ©ratoires dâĂ©mission-rĂ©ception afin dâenrichir les donnĂ©es CF.
Cette Ă©tude se place dans le cadre de la recherche des fissures submillimĂ©triques dĂ©bouchantes. Cesfissures sont extrĂȘmement dangereuses car elles constituent souvent le point de dĂ©part de dĂ©fauts plusgrands comme les fissures de fatigue, qui peuvent sâavĂ©rer fatals Ă la piĂšce. La technique de ressuage,souvent utilisĂ©e, est appelĂ©e Ă disparaĂźtre du fait de nouvelles normes en termes de pollution. Parmiles solutions de remplacement envisageables, la technique des CF, souvent utilisĂ©e pour des fissures detaille moyenne ou grande et enfouies au sein des matĂ©riaux, est aussi trĂšs bien adaptĂ©e Ă ces dĂ©fauts,en particulier lorsque les Ă©lĂ©ments sensibles des sondes sont de faibles dimensions.
Lâacquisition des signaux CF nâest quâune premiĂšre Ă©tape dans le processus du CND. Il faut ensuitetraiter les signaux acquis de façon Ă en extraire les informations utiles et les transformer en donnĂ©esqualifiant les Ă©ventuels dĂ©fauts recherchĂ©s. Deux types de traitements ont une importance majeure etont fait lâobjet dâune Ă©tude approfondie : la dĂ©tection des dĂ©fauts et leur caractĂ©risation.
La dĂ©tection a pour but dâestimer si un signal CF correspond ou non Ă un dĂ©faut recherchĂ©. CetteĂ©tape est au plus simple rĂ©alisĂ©e par seuillage : lâamplitude du signal infĂ©rieure Ă une valeur donnĂ©esignifie que le matĂ©riau est intact ; dans le cas contraire, une inhomogĂ©nĂ©itĂ© est considĂ©rĂ©e dĂ©tectĂ©e.La dĂ©tection peut ĂȘtre affinĂ©e en prenant en compte des paramĂštres supplĂ©mentaires, comme le bruitde mesure ou la ressemblance avec des signaux canoniques.
Lâinversion des signaux, ou caractĂ©risation des dĂ©fauts, permet dâestimer les caractĂ©ristiques desdĂ©fauts Ă partir des signaux CF acquis : il sâagit de rĂ©soudre le « problĂšme inverse ». Cette procĂ©durepeut ĂȘtre rĂ©alisĂ©e Ă lâaide dâun grand nombre dâalgorithmes diffĂ©rents, provenant du domaine destraitements dâimages (reconnaissance de forme, inversion dâimage), ou du domaine des traitements dedonnĂ©es (rĂ©seaux de neurones, maximum de vraisemblance).
Le travail de cette thĂšse sâinscrit dans ce cadre gĂ©nĂ©ral du CND appliquĂ© aux processus industriels.Les sondes CF conçues ont Ă©tĂ© utilisĂ©es sur une cible reprĂ©sentative possĂ©dant des dĂ©fauts de typefissures parallĂ©lĂ©pipĂ©diques dĂ©bouchantes. Ces sondes sont Ă considĂ©rer comme des Ă©lĂ©ments dâune
INTRODUCTION GĂNĂRALE 3
structure de taille plus importante Ă deux dimensions, qui prĂ©sentera de grands avantages en termesde rapiditĂ© dâacquisition et de facilitĂ© dâexploitation.
Plan de la thĂšse
Le travail de cette thĂšse consiste en la mise en Ćuvre de sondes multiĂ©lĂ©ments Ă microbobinespour le CND par CF. Le plan gĂ©nĂ©ral de ce document, sous la forme du fonctionnement du systĂšmedâinspection de dĂ©fauts rĂ©alisĂ©, est prĂ©sentĂ© Ă la figure 1.
Classification
Oui / Non
Longueur
...
Profondeur
Orientation
Inversion
Signal (si oui)
Caractérisation
DĂ©tectionSignal
PrétraitementsSignal
brutAcquisition
inspecterPiĂšce Ă
Chapitre 4
Chapitre 5
Chapitre 3Chapitre 2
Fig. 1 â Fonctionnement du systĂšme dâinspection de dĂ©fauts rĂ©alisĂ©
Le chapitre 1 dĂ©crit le contexte actuel de ces recherches, et plus particuliĂšrement les diffĂ©rentesmĂ©thodes de CND, leurs intĂ©rĂȘts et leurs dĂ©fauts. Sâattardant davantage sur le CND par CF, il dĂ©taillele principe de cette technique et les principales technologies existantes.
Le chapitre 2 prĂ©sente le matĂ©riel utilisĂ© et les conditions de lâexpĂ©rimentation. Les Ă©lĂ©ments dessondes sont des microbobines. Deux technologies ont Ă©tĂ© choisies, reprĂ©sentatives des possibilitĂ©s issuesde lâindustrie et dâun laboratoire de recherche. Ces microbobines sont caractĂ©risĂ©es gĂ©omĂ©triquementet Ă©lectriquement. Les stratĂ©gies opĂ©ratoires dâĂ©mission-rĂ©ception conçues sont explicitĂ©es.
Le chapitre 3 montre des exemples de signaux CF acquis autour de dĂ©fauts calibrĂ©s. Lâinfluence dupas dâĂ©chantillonnage spatial des acquisitions sur la qualitĂ© des signaux est quantifiĂ©e. Ce pas corres-pond Ă la discrĂ©tisation inhĂ©rente aux sondes matricielles. Des rapports signal sur bruit sont calculĂ©set utilisĂ©s pour comparer les stratĂ©gies dâĂ©mission-rĂ©ception et les technologies de microbobines.
Le chapitre 4 explique le fonctionnement de lâalgorithme de dĂ©tection qui a Ă©tĂ© spĂ©cialement conçu.Une mĂ©thode de quantification statistique de la capacitĂ© de dĂ©tection des sondes est ensuite mise enĆuvre sur lâensemble des acquisitions. Lâinfluence des conditions expĂ©rimentales sur les performancesde dĂ©tection est examinĂ©e, les stratĂ©gies dâĂ©mission-rĂ©ception et les technologies de microbobines Ă nouveau comparĂ©es. Des performances maximales sont dĂ©gagĂ©es.
Le chapitre 5 rĂ©alise lâestimation des caractĂ©ristiques gĂ©omĂ©triques des dĂ©fauts inspectĂ©s, Ă partirdes signaux CF correspondants et ayant donnĂ© lieu Ă une dĂ©tection. Un algorithme dâinversion est Ă©tabliet mis en place. Une paramĂ©trisation des signaux CF, câest-Ă -dire lâextraction de paramĂštres au seindes signaux CF acquis, est opĂ©rĂ©e. Ces paramĂštres sont insĂ©rĂ©s dans un modĂšle rĂ©glable permettantdâen dĂ©duire les caractĂ©ristiques Ă estimer. Les erreurs des estimations sont enfin quantifiĂ©es. Uneattention particuliĂšre est portĂ©e sur le cas dâun pas dâĂ©chantillonnage spatial assez grand, permettantpotentiellement de supprimer tout dĂ©placement mĂ©canique de la sonde.
Chapitre 1
Contexte du contrÎle non destructif etdes sondes multiéléments
Le contrĂŽle non destructif (CND) a pour but dâĂ©valuer lâintĂ©gritĂ© dâune piĂšce sans la dĂ©tĂ©riorer.Cette Ă©tape du processus industriel est destinĂ©e Ă garantir la sĂ©curitĂ© dâutilisation des piĂšces contrĂŽlĂ©es.Elle joue aussi un rĂŽle Ă©conomique non nĂ©gligeable, dans le sens oĂč elle permet une gestion optimisĂ©ede la maintenance. Ă ces deux titres, le contrĂŽle non destructif est trĂšs important pour lâindustrie etparticuliĂšrement utilisĂ©, par exemple dans lâindustrie automobile, pĂ©troliĂšre, navale, aĂ©ronautique etnuclĂ©aire[DF, Wika]. AprĂšs avoir prĂ©sentĂ© les principales mĂ©thodes de CND et en particulier celle descourants de Foucault, ce chapitre rĂ©alise une description rapide des capteurs magnĂ©tiques utilisablesdans ce cadre, en dĂ©taillant les spĂ©cificitĂ©s des Ă©lĂ©ments sensibles inductifs utilisĂ©s dans ces travaux.
1.1 Le contrĂŽle non destructif
1.1.1 Les objectifs du CND
Le contrĂŽle non destructif a pour objectif, comme son nom lâindique, de contrĂŽler lâĂ©tat des piĂšces in-dustrielles sans pour autant que les examens correspondants ne puissent nuire Ă leur utilisation future.Ceci peut correspondre Ă deux types de contrĂŽles : lâestimation dâun paramĂštre constitutif de la piĂšcecomme par exemple lâĂ©paisseur dâune paroi[YLLL06], la distance Ă un objet[DCH04], les propriĂ©tĂ©s Ă©lec-tromagnĂ©tiques constitutives du matĂ©riau ; la recherche dâune rupture de ces paramĂštres[LBLCT+96].Dans le deuxiĂšme cas, il sâagit en gĂ©nĂ©ral de dĂ©fauts, qui peuvent ĂȘtre par exemple des fissures, desinclusions, des porositĂ©s, des effets de la corrosion ou de la fatigue mĂ©canique. Cette procĂ©dure decontrĂŽle se produit souvent plusieurs fois au cours de la vie dâune piĂšce et doit satisfaire au mieux lescritĂšres suivants :
â la rapiditĂ© dâexĂ©cutionIl faut que le contrĂŽle soit rapide pour quâil ne soit pas trop pĂ©nalisant Ă la fois en termesdâimmobilisation physique de chaque piĂšce, mais aussi au niveau des coĂ»ts que sont le temps detravail de la main-dâĆuvre ou les frais de fonctionnement de lâusine.
â le coĂ»tLe contrĂŽle qualitĂ© reprĂ©sente sur les piĂšces complexes un coĂ»t non nĂ©gligeable et qui doit ĂȘtreminimisĂ© dans la mesure du possible.
â la reproductibilitĂ©La mesure ne doit pas souffrir des circonstances extĂ©rieures : une mĂȘme piĂšce contrĂŽlĂ©e plusieursfois doit toujours donner le mĂȘme rĂ©sultat.
â la fiabilitĂ©
5
6 CHAPITRE 1. CONTEXTE DU CND
Le contrĂŽle doit remplir son cahier des charges, et par exemple dĂ©tecter tous les dĂ©fauts quâil estcensĂ© ĂȘtre capable de dĂ©tecter, indĂ©pendamment des conditions dâinspection.
â la sensibilitĂ©La sensibilitĂ© est le rapport des variations de la mesure et du mesurande. Plus la sensibilitĂ©est grande, plus les petites variations du mesurande sont dĂ©tectables, comme par exemple lesdĂ©fauts de faibles dimensions.
â la rĂ©solutionLa rĂ©solution est la plus petite variation de signal pouvant ĂȘtre dĂ©tectĂ©, par exemple la dimensiondu plus petit dĂ©faut. Usuellement est dĂ©fini le pouvoir de rĂ©solution, ici la dimension du pluspetit dĂ©faut visible. Le pouvoir de rĂ©solution est fort si cette dimension est petite.
Parmi ces six critÚres, il est naturel de penser que la rapidité, la reproductibilité et la sensibilité sontrespectivement fortement liées au coût, à la fiabilité et à la résolution. Il est trÚs souvent nécessairede consentir à des compromis entre les trois groupes ainsi définis.
1.1.2 Les différentes techniques
La diversitĂ© des piĂšces Ă inspecter, de leurs gĂ©omĂ©tries, de leurs matĂ©riaux et des conditions dâins-pection, interdit Ă une mĂ©thode de CND dâĂȘtre universelle. Un certain nombre de techniques existeet chacune prĂ©sente certains avantages et inconvĂ©nients. Il nâest pas question ici dâĂ©tablir une listeexhaustive des techniques utilisĂ©es dans le domaine du CND[DF], mais de donner un aperçu globaldes techniques les plus rĂ©pandues industriellement.
1.1.2.1 Procédés optiques
Les procĂ©dĂ©s optiques constituent un type de techniques quâil convient de sĂ©parer en deux ca-tĂ©gories, selon que le contrĂŽle soit automatisĂ© ou non. Lâexamen visuel, contrĂŽle ancestral le plusĂ©lĂ©mentaire, est la base des contrĂŽles optiques non automatiques. Il peut ĂȘtre aidĂ©, par un Ă©clairagelaser ou classique, une loupe binoculaire, ou un systĂšme de tĂ©lĂ©vision1. Il reste cependant sujet auxinconvĂ©nients liĂ©s Ă lâĆil humain, câest-Ă -dire une faible productivitĂ© et une certaine subjectivitĂ©,entraĂźnant un manque de fiabilitĂ©. De façon automatique, sont rĂ©alisĂ©es en gĂ©nĂ©ral des acquisitionsdâimages par balayage laser[SWW+07] ou par utilisation de barrettes de capteurs optiques[HMN07],suivies de traitement dâimages tel que le seuillage ou la reconnaissance de formes. Ce type de contrĂŽle,beaucoup plus efficace, est cependant beaucoup plus complexe Ă mettre en Ćuvre et par consĂ©quentrestreint Ă des applications trĂšs particuliĂšres[HH05].
1.1.2.2 Ressuage
Le ressuage consiste Ă appliquer sur la surface de la piĂšce Ă contrĂŽler, prĂ©alablement nettoyĂ©e etsĂ©chĂ©e, un liquide dâimprĂ©gnation colorĂ© ou fluorescent[BAL06]. Ce liquide pĂ©nĂštre, par capillaritĂ©,dans les ouvertures des dĂ©fauts. AprĂšs un certain temps correspondant Ă la pĂ©nĂ©tration du liquidedâimprĂ©gnation dans les dĂ©fauts, lâexcĂšs de liquide prĂ©sent Ă la surface de la piĂšce est Ă©liminĂ© parlavage. La surface est ensuite recouverte dâun rĂ©vĂ©lateur qui attire le liquide dâimprĂ©gnation retenudans les dĂ©fauts, ce que dĂ©signe le terme « ressuage ». Il donne ainsi une indication renforcĂ©e de ceux-ci,dont lâobservation est alors gĂ©nĂ©ralement rĂ©alisĂ©e visuellement.
Le ressuage est une technique rapide et peu coĂ»teuse, mais qui connaĂźt les mĂȘmes inconvĂ©nientsque les procĂ©dĂ©s optiques, Ă cause de la nature visuelle de lâinformation utile. De plus, le liquide utilisĂ©est souvent un liquide toxique ou polluant[KW06], dâautant plus dangereux sâil sâagit du contrĂŽle de
1Câest-Ă -dire un systĂšme constituĂ© par exemple de camĂ©ras et de moniteurs.
1.1. LE CONTRĂLE NON DESTRUCTIF 7
lampe UV
nettoyage
piĂšce
liquide fluorescent
Fig. 1.1 â Principe du ressuage
piĂšces de lâindustrie nuclĂ©aire. Les normes environnementales de plus en plus contraignantes tendentĂ dĂ©courager lâemploi de cette technique, au profit des autres techniques existantes.
1.1.2.3 Radiographie
La radiographie industrielle est comparable Ă la radiographie mĂ©dicale : elle consiste Ă faire tra-verser par un rayonnement Ă©lectromagnĂ©tique de trĂšs courte longueur dâonde, comme les rayons Xou les rayons Îł, la matiĂšre Ă inspecter. Lors de leur passage Ă lâintĂ©rieur de la piĂšce, les photonsvoient leur Ă©nergie absorbĂ©e totalement ou partiellement par la matiĂšre, selon sa densitĂ©. Un filmplacĂ© derriĂšre la piĂšce est irradiĂ© par les photons qui ont encore suffisamment dâĂ©nergie. Il rĂ©cupĂšreainsi le radiogramme, oĂč les zones avec des dĂ©fauts sont reprĂ©sentĂ©es par une variation de la densitĂ©optique[TNB00].
filmsensible
piĂšce (coupe)
source
Fig. 1.2 â Principe de la radiographie
Si la radiographie rĂ©ussit Ă produire des images prĂ©cises, fiables et interprĂ©tables, lâutilisation detels dispositifs reste complexe, en particulier Ă cause de la mise en place nĂ©cessaire de procĂ©dures deprotection du personnel et de la faible productivitĂ© qui engendrent un coĂ»t de contrĂŽle important. Laradiographie est utilisĂ©e notamment dans le domaine de la fonderie[Chi00] ou pour la recherche dedĂ©fauts dans les soudures[DSSDS+05].
1.1.2.4 Ultrasons
La technique des ultrasons repose sur la propagation dans la piĂšce dâune onde ultrasonore gĂ©nĂ©rĂ©eĂ lâaide dâun transducteur Ă©metteur[Sil84]. Un transducteur rĂ©cepteur gĂ©nĂ©ralement situĂ© du mĂȘmecĂŽtĂ© que lâĂ©metteur reçoit les ondes rĂ©flĂ©chies avec un certain retard dĂ» Ă la propagation des ondes Ă travers la piĂšce. Connaissant la vitesse v de propagation sonore dans le matĂ©riau, il est alors possiblede distinguer lâĂ©cho correspondant au fond de la piĂšce, dâun Ă©ventuel Ă©cho correspondant Ă un dĂ©fautsituĂ© Ă lâintĂ©rieur de la piĂšce. En effet, le temps de propagation ÎŽt de lâonde rĂ©flĂ©chie sur le dĂ©fautsâexprime
ÎŽt =d1 + d2v
8 CHAPITRE 1. CONTEXTE DU CND
d2d1
Ă©metteurtransducteur transducteur
récepteurcouplant
piĂšce (coupe)
Fig. 1.3 â Principe du CND par ultrasons
Le CND par ultrasons est une technique trĂšs utilisĂ©e, parce que relativement flexible et simplepour dĂ©tecter des dĂ©fauts enfouis[BB86]. La mesure dâĂ©paisseur est aussi souvent effectuĂ©e par cettetechnique[PBEH06]. Des sondes multiĂ©lĂ©ments sont dĂ©veloppĂ©es depuis quelques annĂ©es[MRBR02], etpermettent la mise en place de techniques complexes comme la focalisation des ondes Ă©mises[DBP91]ou encore la « dĂ©composition de lâopĂ©rateur retournement temporel » (mĂ©thode DORT[KPCF02]).Cependant, lâusage presque obligatoire dâun couplant peut ĂȘtre gĂȘnant, et les frontiĂšres entre deuxmatĂ©riaux engendrent des Ă©chos parasites. De plus, la recherche des dĂ©fauts de dimensions submillimĂ©-triques requiert lâutilisation de frĂ©quences relativement Ă©levĂ©es, pour lesquelles lâattĂ©nuation devientgrande.
1.1.2.5 Flux de fuite magnétique
Le contrĂŽle par flux de fuite magnĂ©tique consiste Ă soumettre la piĂšce ou une partie de celle-ciĂ un champ magnĂ©tique constant. Les dĂ©fauts superficiels provoquent, par lâimportante variation derĂ©luctance quâils reprĂ©sentent, une dĂ©viation des lignes de champ[ANHM06]. Des flux de fuite ma-gnĂ©tique sont engendrĂ©s localement. Ils sont ensuite gĂ©nĂ©ralement visualisĂ©s soit Ă lâaide dâun produitindicateur porteur de limaille de fer (magnĂ©toscopie[Goe90]), soit Ă lâaide dâun film magnĂ©tisable(magnĂ©tographie[KHH+03]), soit Ă lâaide dâappareils de mesure de champ magnĂ©tique[HUBB02].
limaille de fer concentrĂ©eautour dâune fissure
lignes de champ
piĂšce
ferromagnétiquebobine émettricenoyau
Fig. 1.4 â Principe de la magnĂ©toscopie
Le CND par flux de fuite magnĂ©tique nâest utilisable que pour les matĂ©riaux ferromagnĂ©tiques.Cette technique est particuliĂšrement efficace pour les dĂ©fauts de surface de trĂšs petites dimensions,mais donne difficilement de bons rĂ©sultats pour les dĂ©fauts enfouis. La mise en Ćuvre technique peutĂȘtre complexe, Ă cause de la magnĂ©tisation originelle des matĂ©riaux et de la dĂ©magnĂ©tisation souventnĂ©cessaires.
1.1.2.6 Courants de Foucault
Cette derniĂšre technique utilise des courants induits Ă lâintĂ©rieur de la piĂšce, appelĂ©s courants deFoucault. Pour ce faire, un excitateur externe est employĂ©, souvent constituĂ© dâune bobine parcouruepar un courant alternatif. Les courants induits, parce quâils forment des boucles et sont Ă la mĂȘme
1.2. LES TYPES DE SONDES 9
frĂ©quence que le courant dâexcitation, engendrent un champ magnĂ©tique alternatif de rĂ©action sortantde la piĂšce Ă inspecter. Les dĂ©fauts superficiels dĂ©vient les lignes des courants de Foucault, et parsuite modifient le champ magnĂ©tique rĂ©sultant[Lib79]. La variation du champ magnĂ©tique est enfinmesurĂ©e au moyen dâun Ă©lĂ©ment sensible au champ magnĂ©tique alternatif, qui peut ĂȘtre une bobineou un capteur de champ magnĂ©tique.
vr
inductricebobine bobine
de mesure
piĂšce
ie
champ magnétiquede réactionde Foucault
courants
Fig. 1.5 â Principe du CND par courants de Foucault
Lâutilisation des courants de Foucault dans les applications de CND est limitĂ©e aux piĂšces Ă©lectri-quement conductrices. Elle sâĂ©tend de lâinspection des tubes (Ă©changeurs, gĂ©nĂ©rateurs de vapeurs decentrales nuclĂ©aires[YCM00]) Ă la recherche des dĂ©fauts dĂ©bouchants[HOB+06] sur des surfaces plusou moins planes. Il est aussi possible de mesurer des Ă©paisseurs de paroi[LBJP01] ou la permĂ©abilitĂ©magnĂ©tique du matĂ©riau[ZWG+03]. La principale difficultĂ© est la faible pĂ©nĂ©tration des courants in-duits, selon lâeffet dit « de peau », qui rend difficile la dĂ©tection de dĂ©fauts enfouis. Câest une techniquesans contact et la rapiditĂ© dâĂ©tablissement des courants induits donne la possibilitĂ© de dĂ©placer trĂšsrapidement la sonde.
1.1.2.7 Méthodes couplées
De plus en plus de dispositifs utilisent conjointement plusieurs mĂ©thodes parmi celles qui viennentdâĂȘtre prĂ©sentĂ©es. Il existe ainsi des mĂ©thodes laser-ultrasons[KFKA00], Ă©lectromagnĂ©tiques ultraso-nores[DEP01] ou encore magnĂ©to-optiques[JLDP07]. Ces techniques tentent de sâaffranchir des dif-fĂ©rents dĂ©fauts des mĂ©thodes utilisĂ©es tout en en conservant les avantages. Par exemple, la mĂ©thodelaser-ultrasons permet de rĂ©aliser des contrĂŽle par ultrason sans contact, et donc sans couplant[Zan01].Il sâagit le plus souvent de techniques en cours de dĂ©veloppement Ă lâheure actuelle.
1.1.2.8 SynthĂšse
La prĂ©sentation de ces mĂ©thodes ne serait pas complĂšte sans une synthĂšse comparative selon lescritĂšres Ă©noncĂ©s Ă la sous-section 1.1.1. Ainsi, le tableau 1.1 prĂ©sente une vue dâensemble des qualitĂ©set dĂ©fauts de chacune de ces techniques.
1.2 Les types de sondes
La plupart des techniques prĂ©sentĂ©es prĂ©cĂ©demment utilisent des sondes pour lâacquisition desmesures. Pour le CND par courants de Foucault comme pour dâautres techniques, plusieurs types desondes et de mesures sont utilisables : la conception de la sonde doit dĂ©terminer ceux Ă employer.
10 CHAPITRE 1. CONTEXTE DU CND
Rapidité Coût Reproductibilité Fiabilité Sensibilité Résolution
Optique automatisĂ© ââ + â ââ ââ âOptique non automatisĂ© ++ â + â â +
Ressuage ++ ++ â â ââ âRadiographie ++ â + + â â
Ultrasons + + â â ++ +
Flux magnĂ©tique de fuite + + â â ++ +
Courants de Foucault + + ++ + + â
Tab. 1.1 â Comparatif des principales techniques de CND
1.2.1 Les sondes, les émetteurs et les récepteurs
Le principe des courants de Foucault nĂ©cessite lâemploi de deux « fonctions » :
â lâĂ©mission (E) dâun champ Ă©lectromagnĂ©tique alternatif ;â la rĂ©ception (R) dâun autre champ Ă©lectromagnĂ©tique, alternatif lui aussi.
Ces deux fonctions de base peuvent ĂȘtre individuellement rĂ©alisĂ©es par un ou plusieurs Ă©lĂ©ments. Unesonde comprend par consĂ©quent un ou plusieurs Ă©lĂ©ments, dont certains sont Ă©metteurs ou « excita-teurs » et dâautres rĂ©cepteurs ou « capteurs ». En pratique, certaines technologies entraĂźnent quâunĂ©lĂ©ment ne peut ĂȘtre quâĂ©metteur, ou seulement rĂ©cepteur, ou encore assurer les deux fonctions. Ledispositif de mesure intĂšgre la sonde ainsi que son Ă©lectronique associĂ©e, comme le montre la figure 1.6,et produit les signaux de mesure.
E RĂ©lectronique
sonde
dispositif
Fig. 1.6 â DĂ©finition dâun dispositif de mesure
1.2.2 Les sondes à fonction double ou à fonctions séparées
Certains Ă©lĂ©ments peuvent rĂ©aliser simultanĂ©ment ces deux fonctions E et R, tandis que dâautresne peuvent en assurer quâune. Deux possibilitĂ©s existent ainsi pour rĂ©aliser ces fonctions au sein dâunemĂȘme sonde :
â les sondes Ă fonction doubleCe sont des sondes dans lesquelles le mĂȘme Ă©lĂ©ment rĂ©alise les deux fonctions. Dans le cas duCND par courants de Foucault, la sonde Ă©lĂ©mentaire composĂ©e dâune seule bobine est le pluscommun exemple de ce qui peut ĂȘtre une sonde Ă fonction double. La grandeur mesurĂ©e est alorslâimpĂ©dance de la bobine, comme expliquĂ© ci-aprĂšs dans la sous-section 1.3.1.2.
â les sonde Ă fonctions sĂ©parĂ©esDeux Ă©lĂ©ments ou groupes dâĂ©lĂ©ments y assurent sĂ©parĂ©ment les deux fonctions. La grandeurmesurĂ©e est une image de la variation du champ Ă©lectromagnĂ©tique. Il peut sâagir dâun capteurinductif bobinĂ© ou dâun autre type de capteur de champ (cf. section 1.4).
1.3. LE CND PAR COURANTS DE FOUCAULT 11
Les sondes Ă fonctions sĂ©parĂ©es sont habituellement plus efficaces que les sondes Ă fonction double.Elle permettent dâaugmenter indĂ©pendamment dâune part lâintensitĂ© du signal Ă©mis en modifiant parexemple la gĂ©omĂ©trie de lâĂ©metteur, dâautre part la sensibilitĂ© au signal reçu et la rĂ©solution spatialeen modifiant par exemple la gĂ©omĂ©trie du rĂ©cepteur. Enfin, elles sont en gĂ©nĂ©ral moins sensibles auxperturbations externes[LB00].
1.2.3 Les sondes à mesure absolue ou différentielle
IndĂ©pendamment de la sĂ©paration des fonctions, le type de mesure doit ĂȘtre dĂ©terminĂ©. Deux typesde mesures existent :
â les mesures absoluesLes sondes absolues sont constituĂ©es de un ou plusieurs Ă©lĂ©ments sensibles, Ă fonctions sĂ©parĂ©esou non, dont le signal est exploitĂ© individuellement. La grandeur mesurĂ©e est donc absolue, sansrĂ©fĂ©rence.
â les mesures diffĂ©rentiellesLes sondes diffĂ©rentielles sont composĂ©es de plusieurs Ă©lĂ©ments, les signaux mesurĂ©s Ă©tant re-tranchĂ©s deux Ă deux. Cela permet de ne mesurer par exemple quâune variation locale de lâĂ©tatde la piĂšce entre deux points. Dans le cas des sondes CF, lorsque les deux Ă©lĂ©ments sensiblesconcernĂ©s sont assez proches lâun de lâautre, la soustraction permet aussi de minimiser en grandepartie lâinfluence du dĂ©collement de la sonde et de tous les problĂšmes de mesures qui concernentune Ă©tendue Ă inspecter relativement grande, comme une variation de permĂ©abilitĂ© du matĂ©riau.
Parmi les appareils pour le CND par courants de Foucault commercialisĂ©s et utilisĂ©s actuellement, lessondes absolues sont souvent utilisĂ©es pour dĂ©tecter des variations graduelles comme les dĂ©gradationsdues Ă la corrosion ou lâusure de contact. Au contraire, les sondes diffĂ©rentielles sont avant toutprĂ©fĂ©rĂ©es pour la dĂ©tection des dĂ©fauts abruptes et soudains, comme les bords ou les fissures. Il estĂ©ventuellement possible de disposer des deux types de mesures sur une seule sonde.
1.3 Le CND par courants de Foucault
Le fonctionnement dâune sonde pour le CND par courants de Foucault (CF) est rĂ©gi par desphĂ©nomĂšnes physiques complexes et non linĂ©aires, quâil convient dâexpliciter avant dâexposer en dĂ©tailles avantages et inconvĂ©nients de cette technique.
1.3.1 Le principe du CND par CF
1.3.1.1 Création des courants induits
Une sonde CF peut ĂȘtre divisĂ©e en deux parties. LâĂ©metteur est en gĂ©nĂ©ral constituĂ© dâune bobineparcourue par un courant dâexcitation Iexc, qui produit un champ Ă©lectromagnĂ©tique dĂ©terminĂ© parles Ă©quations de Maxwell :
~⠷ ~B = 0 (équation de conservation du flux magnétique)
~â · ~D = Ï (Ă©quation de Maxwell-Gauss)
~ââ ~E = ââ~B
ât(Ă©quation de Maxwell-Faraday)
~ââ ~H = ~J +â ~D
ât(Ă©quation de Maxwell-AmpĂšre)
12 CHAPITRE 1. CONTEXTE DU CND
~E et ~H sont respectivement les champs Ă©lectrique et magnĂ©tique, ~D et ~B les inductions Ă©lectriqueet magnĂ©tique, ~J la densitĂ© surfacique de courant Ă©lectrique et Ï la densitĂ© volumique de chargesĂ©lectriques.
Ici, les courants de dĂ©placement reprĂ©sentĂ©s par la quantitĂ© â ~Dât dans lâĂ©quation de Maxwell-AmpĂšresont nĂ©gligeables. En effet, lâApproximation des RĂ©gimes Quasi-Statiques (ARQS) Ă©nonce quâil estpossible de nĂ©gliger le temps de propagation des ondes Ă©lectromagnĂ©tiques si les dimensions considĂ©rĂ©essont faibles devant la longueur dâonde. Les frĂ©quences utilisĂ©es gĂ©nĂ©ralement pour le CND par courantsde Foucault et plus particuliĂšrement dans ces travaux ne sont pas supĂ©rieures Ă 20 MHz, ce quicorrespond Ă une longueur dâonde
λ =cf
= 15 m
car la vitesse de propagation des ondes dans le matĂ©riau est assimilable Ă celle c = 3 · 105 km · sâ1 dela lumiĂšre dans le vide. Cette longueur dâonde peut ĂȘtre considĂ©rĂ©e trĂšs grande devant les longueursde propagation des ondes, infĂ©rieures au centimĂštre.
Les matériaux considérés dans cette étude étant des milieux linéaires isotropes, les relations consti-tutives
~B = ” ~H
~D = Δ ~E
~J = Ï ~E
se vĂ©rifient, avec ” la permĂ©abilitĂ© magnĂ©tique, Δ la permittivitĂ© Ă©lectrique et Ï la conductivitĂ© Ă©lec-trique du matĂ©riau.
En prenant en compte lâabsence de charges Ă©lectriques dans ce cas de figure et en supposant les mi-lieux non diĂ©lectriques (Δ constante, Ă©gale Ă la permittivitĂ© du vide Δ0) et non saturĂ©s (” indĂ©pendantede la valeur de H), les quatre Ă©quations de Maxwell deviennent
~â · ” ~H = 0 (1.1)~â · ~E = 0 (1.2)~ââ ~H = ~J = Ï ~E (1.3)
~ââ ~E = â” â~H
ât(1.4)
Ces Ă©quations entraĂźnent la crĂ©ation, par le champ magnĂ©tique ayant pĂ©nĂ©trĂ© Ă lâintĂ©rieur de lapiĂšce, de courants induits au sein de cette piĂšce. En rĂ©gime harmonique, ces courants sont Ă la mĂȘmefrĂ©quence que le champ et donc Ă la mĂȘme frĂ©quence que le courant inducteur. Ces courants sontreprĂ©sentĂ©s sur la figure 1.7 dans lâexemple dâune bobine excitatrice.
y z
x0
ie
ââ
B
Fig. 1.7 â Distribution des courants de Foucault gĂ©nĂ©rĂ©s par une bobine excitatrice
Dans le cas canonique dâune piĂšce conductrice Ă surface plane, oĂč lâinduction est rĂ©alisĂ©e parun champ dâexcitation uniformĂ©ment orientĂ© de type onde plane transverse Ă©lectromagnĂ©tique, la
1.3. LE CND PAR COURANTS DE FOUCAULT 13
résolution de ces équations est possible analytiquement[PCS89]. Elle indique que les lignes de courantssont situées dans des plans parallÚles à la surface de la piÚce. La densité de ces courants varie en fonctionde la profondeur z à laquelle ils se trouvent. Si la piÚce est semi-infinie ou suffisamment épaisse, cettedensité est donnée par
J(z,t) = Js exp(âz
âÏ Ï Â”
2
)cos
(Ï t+
Ï
4â z
âÏ Ï Â”
2
)(1.5)
oĂč Js est lâamplitude de la densitĂ© des courants induits au niveau de la surface de la piĂšce et Ï lapulsation associĂ©e au courant excitateur, comme montrĂ© par la figure 1.8. Cette Ă©quation montre quelâamplitude de la densitĂ© des courants induits varie de façon exponentielle en fonction de la profondeur,avec une grandeur caractĂ©ristique
ÎŽ =1â
Ï f Ï Â”(1.6)
correspondant à la distance au-delà de laquelle les courants induits ont perdu 63% de leur amplitude.Cette longueur est appelée « profondeur de pénétration » ou « épaisseur de peau », et est essentielledans la compréhension du fonctionnement du CND par CF.
Js
Js/e
ÎŽ
|J(z)|
Profondeur z
Fig. 1.8 â Distribution des courants de Foucault en fonction de la profondeur, dans le cas dâuneexcitation en onde plane
Pour la plupart des autres configurations, calculer la densitĂ© J(z,t) des courants de Foucaultdemande des dĂ©veloppements analytiques[DD68] ou numĂ©riques consĂ©quents, comme par exemple lecalcul par Ă©lĂ©ments finis[CSLBM07a] ou par intĂ©grales de volume[BSS89]. Dans le cas de courantscrĂ©Ă©s par un solĂ©noĂŻde, les courants induits sont des boucles qui peuvent ĂȘtre au mieux situĂ©es dansdes plans parallĂšles Ă la surface de la piĂšce (cf. figure 1.7). Ils ne peuvent pas exactement ĂȘtre explicitĂ©spar lâĂ©quation 1.5. Cependant, la dĂ©croissance de lâamplitude des courants induits existe toujours etlâĂ©paisseur de peau, en tant que grandeur caractĂ©ristique, est habituellement encore exprimĂ©e parlâĂ©quation 1.6[Mot90].
De plus, lâĂ©quation 1.5 dĂ©crit le dĂ©phasage entre le courant dâexcitation et le courant induit Ă laprofondeur z comme une fonction affine de cette profondeur. Ceci reste aussi globalement vrai avecun inducteur solĂ©noĂŻde.
1.3.1.2 CrĂ©ation dâun champ magnĂ©tique de rĂ©action et mesure
Les courants ainsi crĂ©Ă©s suivent des chemins Ă lâimage de spires virtuelles situĂ©es Ă lâintĂ©rieur dumatĂ©riau conducteur. Ils engendrent donc Ă leur tour un champ Ă©lectromagnĂ©tique de rĂ©action, quisâoppose au champ dâexcitation. Ce champ est prĂ©sent au niveau de la sonde. Son amplitude dĂ©penden particulier de la circulation des courants de Foucault dans la piĂšce.
Dans le cas dâune sonde Ă fonction double, lâimpĂ©dance de la bobine est perturbĂ©e dĂšs lors quecelle-ci est traversĂ©e par ce champ Ă©lectromagnĂ©tique de rĂ©action[BJSS91]. Il existe alors une valeurdâimpĂ©dance « hors dĂ©faut », autour de laquelle sont mesurĂ©es les variations par un impĂ©dancemĂštrebranchĂ© aux bornes de la bobine. Il mesure la tension Ă ses bornes et la divise par le courant dâexcitationqui la traverse.
14 CHAPITRE 1. CONTEXTE DU CND
Dans le cas dâune sonde Ă fonctions sĂ©parĂ©es oĂč lâĂ©lĂ©ment rĂ©cepteur est une bobine, le champĂ©lectromagnĂ©tique total crĂ©e une diffĂ©rence de potentiel entre les bornes de cette bobine. Il sâagitdâune force Ă©lectromotrice gĂ©nĂ©rĂ©e par la loi de Lenz-Faraday, qui peut sâĂ©crire
E = âdΊdt
(1.7)
pour une spire, oĂč Ί est le flux de lâinduction magnĂ©tique ~B Ă travers la surface de la spire. Il est alorspossible de mesurer la transimpĂ©dance de la sonde qui est le rapport de la tension de rĂ©ception sur lecourant dâexcitation. Ainsi, les deux mĂ©thodes sont Ă©quivalentes en termes de grandeur mesurĂ©e.
1.3.1.3 Perturbation des courants induits
Les courants induits satisfont les Ă©quations de Maxwell, simplifiĂ©es selon des hypothĂšses dâho-mogĂ©nĂ©itĂ© des conductivitĂ©, permĂ©abilitĂ© et permittivitĂ© du matĂ©riau. Si une inhomogĂ©nĂ©itĂ© commeune inclusion est prĂ©sente, la conductivitĂ© Ă©lectrique et/ou la permĂ©abilitĂ© magnĂ©tique sont modifiĂ©es.DâaprĂšs les Ă©quations 1.1 Ă 1.4, ceci entraĂźne une dĂ©viation des lignes des courants et par suite unevariation du champ Ă©lectromagnĂ©tique de rĂ©action. En rĂ©alitĂ©, la grandeur dâintĂ©rĂȘt est la variationde lâimpĂ©dance ou de la transimpĂ©dance par rapport Ă sa valeur hors dĂ©faut. Soit, Ă la pulsationdâexcitation Ï
Signal = âZ(Ï) =âVmesure(Ï)Iexcitation(Ï)
Ceci permet de dĂ©tecter des dĂ©fauts au sein de la piĂšce. Si le but du contrĂŽle est lâestimation dâunparamĂštre constitutif de la piĂšce, il convient de rĂ©aliser un Ă©talonnage de la sonde Ă lâaide de piĂšcesĂ©talons parfaitement connues ou de simulations numĂ©riques.
1.3.2 Les avantages du CND par CF
â la simplicitĂ©Le principal avantage des sondes Ă CF est leur facilitĂ© de mise en Ćuvre. Le contrĂŽle est rĂ©alisĂ©sans contact, et par consĂ©quent sans utilisation de couplant. Le signal CF est obtenu directementet instantanĂ©ment.
â lâintĂ©grationLa nature Ă©lectrique du signal CF mesurĂ© permet aussi de bĂ©nĂ©ficier fortement des avancĂ©es rĂ©-centes au niveau de lâintĂ©gration des composants Ă©lectroniques, en termes de rĂ©duction de volumecomme dâaugmentation des performances. Le signal CF est en effet directement utilisable pourdâĂ©ventuels traitements Ă©lectroniques analogiques, suivis dâune numĂ©risation et de traitementsnumĂ©riques ou informatiques. Cela permet dâenvisager des appareils de contrĂŽle Ă la fois pluspetits, plus lĂ©gers et plus rapides.
â le coĂ»tUn dispositif CF trĂšs simple est une unique bobine avec un gĂ©nĂ©rateur, un voltmĂštre et unampĂšremĂštre. Il sâagit dâun dispositif trĂšs bon marchĂ©, qui mĂȘme en augmentant la complexitĂ©de la technologie ou de lâinstrumentation (utilisation de multiplexeur, de dĂ©tection synchrone, decapteurs de haute technologie), reste abordable et ne demande pas un investissement primordialtrop important.
1.3.3 Les inconvénients du CND par CF
â la non-linĂ©aritĂ©Les Ă©quations diffĂ©rentielles 1.1 Ă 1.4 ne sont pas linĂ©aires par rapport aux paramĂštres constitutifsdu matĂ©riau. Leurs solutions, comme la densitĂ© de courant dĂ©finie par lâĂ©quation 1.5, ne le sont
1.4. LES CAPTEURS MAGNĂTIQUES 15
pas non plus. Cela entraĂźne une forte non-linĂ©aritĂ© entre la gĂ©omĂ©trie des dĂ©fauts situĂ©s dans lapiĂšce Ă inspecter et la rĂ©ponse obtenue avec une sonde CF. Lâanalyse des signaux produits estdonc relativement complexe et lâopĂ©rateur doit ĂȘtre habituĂ© Ă cette technique pour ĂȘtre efficace,câest-Ă -dire rĂ©alisant un contrĂŽle rapide et fiable.
â la rĂ©solutionUn dĂ©faut ponctuel de dimensions micromĂ©triques dĂ©vie toutes les lignes de courants qui sâap-prochent de lui. Si lâĂ©metteur fait une surface de lâordre du millimĂštre carrĂ©, les courants induitsparcourent une surface au moins Ă©gale voire plus grande que celle-ci. Par consĂ©quent, le dĂ©-faut micromĂ©trique correspond Ă une rĂ©ponse qui sâĂ©tend sur plusieurs millimĂštres carrĂ©s, cequi a pour consĂ©quence de dĂ©tĂ©riorer nettement la rĂ©solution spatiale dâune sonde Ă courant deFoucault.
â lâeffet de peauLâĂ©quation 1.5 fait apparaĂźtre une dĂ©croissance exponentielle sur lâamplitude des courants :ceux-ci sont localisĂ©s Ă une faible profondeur. Ce phĂ©nomĂšne, appelĂ© effet de peau, a pourconsĂ©quence la difficultĂ© voire lâimpossibilitĂ© de dĂ©tecter un dĂ©faut situĂ© Ă une distance trĂšssupĂ©rieure Ă lâĂ©paisseur de peau ÎŽ. En effet, les courants induits ont une amplitude infĂ©rieure Ă 95% de lâamplitude maximale au-delĂ dâune profondeur supĂ©rieure Ă 3 ÎŽ.
â le positionnementLâinduction des courants de Foucault est fonction du couplage entre la sonde et la piĂšce. Si celuici-varie au cours de la mesure ou nâest pas celui attendu, la mesure sera faussĂ©e. Un dĂ©collementou une inclinaison de la sonde par rapport Ă la surface de la piĂšce sont les deux principauxproblĂšmes de positionnement rencontrĂ©s, qui conduisent Ă une variation parasite de lâimpĂ©dancemesurĂ©e[NWFN94]. En particulier, le contrĂŽle des surfaces non planes peut ainsi poser problĂšmesi la sonde ne se conforme pas Ă la surface.
1.4 Les capteurs magnétiques
Toute sonde CF mesure un champ Ă©lectromagnĂ©tique alternatif et comporte nĂ©cessairement descapteurs magnĂ©tiques. Plusieurs technologies existent, quatre parmi les principales sont prĂ©sentĂ©esci-aprĂšs2. Les trois derniers types dâĂ©lĂ©ments sont des capteurs de champs magnĂ©tiques, ne pouvanteffectuer que des mesures. LâĂ©mission du champ magnĂ©tique alternatif doit alors ĂȘtre rĂ©alisĂ©e par unautre Ă©lĂ©ment Ă cĂŽtĂ© ou au-dessus du capteur.
1.4.1 Les capteurs inductifs
Historiquement, les capteurs inductifs ont Ă©tĂ© les premiers Ă©lĂ©ments sensibles au champ magnĂ©tiqueconnus. Les capteurs inductifs sont des bobines, qui peuvent ĂȘtre de diffĂ©rentes gĂ©omĂ©tries, plates ousolĂ©noĂŻdes, et Ă©ventuellement contenir un noyau ferromagnĂ©tique afin de concentrer le champ magnĂ©-tique et augmenter la sensibilitĂ©[CET+99].
Un capteur inductif transforme un champ magnĂ©tique qui le traverse en tension grĂące au phĂ©nomĂšnedâinduction par la loi de Lenz-Faraday (Ă©quation 1.7). Cette loi montre que la force Ă©lectromotricecrĂ©Ă©e est proportionnelle Ă la dĂ©rivĂ©e temporelle de lâinduction : la composante continue du champmagnĂ©tique est rejetĂ©e. Pour la mĂȘme raison, la sensibilitĂ© en hautes frĂ©quences est relativementgrande.
Les capteurs inductifs ont été les premiers utilisés pour des raisons historiques, mais restent encore
2La technologie des SQUID (Superconducting QUantum Interference Device, dispositifs supraconducteurs Ă interfĂ©-rences quantiques) nâest pas prĂ©sentĂ©e dans ce document, car ces capteurs sont encore trop complexes et contraignantsĂ mettre en Ćuvre.
16 CHAPITRE 1. CONTEXTE DU CND
intĂ©ressants grĂące Ă leur prĂ©cision et leur robustesse. De plus, les bobines sont bon marchĂ© et faciles Ă rĂ©aliser industriellement, du moins dans des dimensions raisonnables. Lâinductance dâune bobine Ă©tantdirectement fonction de son nombre de spires[Bry55, Ter43] et donc de sa taille, les bobines de petitesdimensions prĂ©sentent en gĂ©nĂ©ral une sensibilitĂ© moindre. NĂ©anmoins, des techniques Ă©voluĂ©es per-mettent aujourdâhui la rĂ©alisation de bobines de faibles dimensions avec une grande sensibilitĂ©, grĂąceĂ des formes complexes ou un grand nombre de spires[WGDG+06]. Le domaine frĂ©quentiel dâutilisa-tion dâun capteur inductif dĂ©pend grandement de son impĂ©dance, mais la frĂ©quence dâutilisation estrarement infĂ©rieure Ă la dizaine de kHz.
1.4.2 Les GMI
Le phĂ©nomĂšne dĂ©couvert en 1935 par Harrison[HTR35] ayant permis lâutilisation des magnĂ©toim-pĂ©dances gĂ©antes (giant magneto-impedances, GMI) repose sur lâeffet de peau dĂ©crit prĂ©cĂ©demmentpar lâĂ©quation 1.6 et sur la courbe dâaimantation B = f(H) que montre la figure 1.9.
Induction B (T)
Champ magnĂ©tique H (A ·mâ1)
Fig. 1.9 â Exemple de courbe dâaimantation B = f(H)
Une GMI peut ĂȘtre un simple fil ferromagnĂ©tique, traversĂ© par un courant alternatif. Si la frĂ©quenceest assez Ă©levĂ©e, les courants ne traversent le fil quâen surface, la profondeur de pĂ©nĂ©tration ÎŽ devenantplus faible que lâĂ©paisseur du fil. LâimpĂ©dance du fil est alors inversement proportionnelle Ă ÎŽ selonlâĂ©quation
Z = (1 + ı)Ra
ÎŽ
oĂč R est la rĂ©sistance en basses frĂ©quences du fil et a son rayon. ı est le nombre complexe. Lâexpres-sion 1.6 de ÎŽ montre que Z dĂ©pend de la permĂ©abilitĂ© ” du matĂ©riau. Or selon la courbe dâaimantation,le rapport ” = B/H dĂ©pend de la valeur de H. LâimpĂ©dance varie en fonction du champ magnĂ©tiqueexterne[KP02].
La recherche sur les GMI dans le domaine du CND par CF a beaucoup progressĂ© ces derniĂšresannĂ©es. Cette technologie permet de mesurer des champs magnĂ©tiques faibles sur une bande passanteallant en gĂ©nĂ©ral du continu Ă environ 10 kHz[VAGP07]. Il faut cependant que le champ magnĂ©tiqueextĂ©rieur soit supĂ©rieur au champ de saturation du matĂ©riau utilisĂ©. Les dimensions classiques sont delâordre de quelques millimĂštres[JS04].
1.4.3 Les GMR
Les magnĂ©torĂ©sistances gĂ©antes (giant magneto-resistances, GMR) ont Ă©tĂ© dĂ©couvertes Ă la fin desannĂ©es 1980, simultanĂ©ment par les deux rĂ©cents prix Nobel Fert[BBF+88] Ă lâUniversitĂ© Paris-Sud etGrĂŒnberg[BGSZ89]. Le domaine physique utilisĂ© est lâĂ©lectronique de spin, et plus particuliĂšrement lefait que les Ă©lectrons dâun spin donnĂ©, qui peut ĂȘtre up ou down, ne se dĂ©placent pas Ă la mĂȘme vitesse
1.4. LES CAPTEURS MAGNĂTIQUES 17
selon lâorientation de lâaimantation du matĂ©riau traversĂ©. La conductivitĂ© mesurĂ©e dâun matĂ©riau estdirectement reliĂ©e Ă la vitesse des Ă©lectrons le traversant par la relation
Ï = n q ”n
oĂč n est la densitĂ© des Ă©lectrons, q la charge Ă©lĂ©mentaire et ”n la mobilitĂ©, Ă©gale au rapport de lavitesse des Ă©lectrons par le champ Ă©lectrique qui crĂ©e leur mouvement.
Typiquement, une GMR est composĂ©e de plusieurs couches, deux couches ferromagnĂ©tiques sĂ©pa-rĂ©es par une couche de matĂ©riau conducteur. Lâorientation de lâune des deux couches ferromagnĂ©tiques,la « couche dure », est forcĂ©e. Lâautre couche, la « couche douce », a son aimantation variable : lors-quâun champ magnĂ©tique externe est prĂ©sent, elle sâaligne Ă ce champ ; sinon, elle sâaligne parallĂšlementĂ lâaimantation de la couche dure, par couplage ferromagnĂ©tique indirect, Ă travers la couche conduc-trice. La mesure de rĂ©sistance est effectuĂ©e par passage dâun courant Ă travers lâensemble des couches.Le courant peut alors ĂȘtre dĂ©composĂ© en deux courants Ă©lĂ©mentaires[HMS], celui des Ă©lectrons de spinup et celui des Ă©lectrons de spin down. Comme indiquĂ© sur la figure 1.10, lorsque les deux aimantationssont parallĂšles, le courant up voit deux rĂ©sistances r faibles et le courant down deux rĂ©sistances Rfortes. La rĂ©sistance totale est, si r âȘ R,
Rp = 2Rr
R+ râ 2 r
Au contraire, si les deux aimantations sont opposées ou antiparallÚles, chaque courant traverse suc-cessivement une résistance r et une résistance R. Il vient alors
Ro =R+ r
2â R
2
La rĂ©sistance de la GMR varie ainsi entre ces deux valeurs extrĂȘmes, en fonction du champ magnĂ©tiqueexterne au capteur[Vac07].
coucheconductrice
AimantationsparallĂšles
R
r r
R
Aimantationsopposées
R
r R
r
Fig. 1.10 â Principe de fonctionnement des GMR
MĂȘme si les GMR sont avant tout connues en tant que tĂȘte de lecture dans tous les disques dursactuels[DTN+05], elle sont aussi utilisĂ©es dans le domaine du CND. Les premiĂšres GMR offraient desrĂ©sultats infĂ©rieurs Ă ceux des GMI, mais la recherche sur ce type de capteur est trĂšs active depuisvingt ans. Pour une dimension active de quelques dizaines de micromĂštres, un champ magnĂ©tique faiblepeut ĂȘtre mesurĂ©[YCH+05]. Son amplitude doit ĂȘtre infĂ©rieure Ă une valeur maximale pour laquelleles aimantations des deux couches ferromagnĂ©tiques seront opposĂ©es.
On peut enfin signaler lâexistence dâautres types de magnĂ©torĂ©sistances, comme les magnĂ©torĂ©sis-tances anisotropes (anisotropic magneto-resistances, AMR)[MVR08] ou les magnĂ©torĂ©sistances Ă effettunnel (tunnel magneto-resistances, TMR)[YNF+04]. Toutes ces magnĂ©torĂ©sistances sont en gĂ©nĂ©ralutilisĂ©es pour dĂ©tecter un champ magnĂ©tique de frĂ©quence infĂ©rieure au kHz.
18 CHAPITRE 1. CONTEXTE DU CND
1.4.4 Les fluxgates
Un dernier type de capteur de champ magnĂ©tique, dâune technologie assez rĂ©cente, est reprĂ©sentĂ©par les capteurs fluxgates. Il sâagit de capteurs formĂ©s autour dâun noyau magnĂ©tique, pouvant avoirdes formes relativement diverses[Rip03]. La figure 1.11 montre trois exemples de gĂ©omĂ©tries possibles.Le matĂ©riau du noyau doit avoir une courbe dâaimantation B = f(H) (cf. figure 1.9) comportant uneforte saturation de lâinduction lorsque le champ magnĂ©tique est Ă©levĂ©. Le permalloy est par exempleun matĂ©riau trĂšs utilisĂ© dans ce type dâapplication.
Bobine dâexcitationBobine de mesure
Fig. 1.11 â Exemples de gĂ©omĂ©tries de fluxgates
Un enroulement excitateur entourant au plus proche le noyau est parcouru par un courant alter-natif non nĂ©cessairement sinusoĂŻdal, crĂ©ant un champ magnĂ©tique alternatif dans le noyau, localementparallĂšle Ă lâaxe de lâenroulement. Lâinduction correspondante subit une saturation, symĂ©trique parrapport Ă zĂ©ro. Un autre enroulement est disposĂ© autour du noyau, son axe Ă©tant rectiligne. Il nâestpas alimentĂ©, et la force Ă©lectromotrice crĂ©Ă©e Ă ses bornes est, selon la loi de Lenz, proportionnelleĂ la dĂ©rivĂ©e du flux de lâinduction magnĂ©tique dans la ou les parties du noyau entourĂ©es. Lorsquâunchamp magnĂ©tique extĂ©rieur sâajoute au champ dâexcitation Ă lâendroit oĂč est bobinĂ© lâenroulementde rĂ©ception, la saturation de lâaimantation nâest plus symĂ©trique et la tension est dĂ©formĂ©e. CettedĂ©formation est en gĂ©nĂ©ral visible dans lâamplitude des harmoniques paires de la tension[Rip03]. Selonla fonction dâonde de lâexcitation, il peut aussi sâagir des harmoniques impaires[PHMN+96].
Les fluxgates ont une grande sensibilitĂ©, en particulier pour les champs magnĂ©tiques continus. Ilssont ainsi trĂšs employĂ©s dans les boussoles, car ils sont capables de dĂ©tecter le champ magnĂ©tiqueterrestre. Dans les applications CND, leur mise en Ćuvre demande une miniaturisation importante,ce qui leur confĂšre une rĂ©putation de technologie relativement coĂ»teuse.
1.5 Les principaux avantages et inconvénients des microbobines
â lâinductionLes bobines sont les seuls Ă©lĂ©ments Ă pouvoir rĂ©aliser les deux fonctions dâĂ©mission et de rĂ©cep-tion. En effet, une bobine traversĂ©e par un courant crĂ©e un champ Ă©lectromagnĂ©tique et rĂ©aliseune fonction dâĂ©mission. Au contraire, une bobine non alimentĂ©e transforme le champ Ă©lectroma-gnĂ©tique externe en tension Ă ses bornes, rĂ©alisant par consĂ©quent la fonction de rĂ©ception. Lâundes intĂ©rĂȘts de cette double possibilitĂ© est pour lâutilisation dâune matrice dâĂ©lĂ©ments. Il est alorsenvisageable de dĂ©placer virtuellement lâĂ©mission et la rĂ©ception Ă travers la trame de la sondeĂ lâaide dâun multiplexage temporel. Cela permet de gagner beaucoup de temps en supprimantles dĂ©placements mĂ©caniques.
â les basses frĂ©quencesLe principal inconvĂ©nient des bobines en rĂ©ception est la diminution de lâamplitude utile enbasses frĂ©quences. En effet, elles ne mesurent non pas le champ magnĂ©tique, mais sa dĂ©rivĂ©etemporelle : Ă amplitude du champ magnĂ©tique externe constante, lâamplitude du signal reçu estproportionnelle Ă la frĂ©quence du champ. Dans les basses frĂ©quences, lâamplitude du signal estfaible et le rapport signal sur bruit diminue. Cela devient trĂšs pĂ©nalisant lorsque sont recherchĂ©sdes dĂ©fauts enfouis profondĂ©ment dans le matĂ©riau, car il est est alors nĂ©cessaire dâaugmenter
1.5. LES PRINCIPAUX AVANTAGES ET INCONVĂNIENTS DES MICROBOBINES 19
lâĂ©paisseur de peau, câest-Ă -dire diminuer la frĂ©quence.â la facilitĂ© de mise en Ćuvre
La mise en Ćuvre de microbobines est trĂšs souvent plus aisĂ©e que celle dâautres capteurs de champmagnĂ©tique. En effet, la mesure de champ par lâintermĂ©diaire dâune bobine consiste simplementĂ la mesure dâune tension en gĂ©nĂ©ral supĂ©rieure au millivolt. Il nây a pas de polarisation ni decompensation de flux Ă opĂ©rer ; la tempĂ©rature nâinflue que trĂšs peu sur la valeur de cette tension.Il nâest donc pas utile, au moins dans un premier temps, de mettre en place une instrumentationĂ©lectronique complexe.
Chapitre 2
Mise en Ćuvre expĂ©rimentale
Lâobjet du travail exposĂ© dans ce mĂ©moire a pour but lâĂ©tude de la conception dâune sonde mul-tiĂ©lĂ©ments Ă courants de Foucault et de sa mise en Ćuvre dans le cadre de la recherche de fissuressubmillimĂ©triques dĂ©bouchantes. Ce chapitre dĂ©crit la premiĂšre partie du travail effectuĂ©. Il exposeles diverses motivations pour lâutilisation des sondes multiĂ©lĂ©ments, puis dĂ©crit les deux technologiesde bobines qui ont Ă©tĂ© choisies pour ĂȘtre utilisĂ©es expĂ©rimentalement. Il dĂ©taille ensuite les conditionsdâexpĂ©rimentation, le matĂ©riel employĂ© et lâĂ©chantillon de test, cible comportant des fissures calibrĂ©es.Enfin, 5 stratĂ©gies dâĂ©mission-rĂ©ception pour une sonde Ă trois microbobines sont proposĂ©es.
2.1 Pourquoi des sondes multiéléments ?
Le chapitre 1 explique pourquoi la technique CF prĂ©sente de grands avantages Ă ĂȘtre appliquĂ©eau CND. En particulier, la rapiditĂ© de la prise de mesure et le fait que la mesure soit directement unsignal Ă©lectrique permet de limiter lâinstrumentation au minimum et par suite de limiter les erreurs demesure. Cela permet aussi de bĂ©nĂ©ficier des avancĂ©es modernes de lâĂ©lectronique et de lâinformatique entermes de traitements et de logiciels embarquĂ©s. Ainsi, il est possible de miniaturiser suffisamment lessondes et leur instrumentation tout en faisant des traitements relativement complexes sur les mesuresavant lâaffichage Ă lâutilisateur pour interprĂ©tation.
Lâapplication visĂ©e par cette Ă©tude est la recherche de fissures submillimĂ©triques dĂ©bouchantes. Ac-tuellement, une des techniques les plus utilisĂ©es est le ressuage, prĂ©sentĂ© Ă la sous-section 1.1.2.2. Cettetechnique prĂ©sente un inconvĂ©nient majeur dans lâutilisation de liquides particuliĂšrement polluants etde moins en moins tolĂ©rĂ©s par les normes environnementales rĂ©centes et Ă venir. Il est donc nĂ©cessairede trouver une technique de remplacement pour cette application. Dans ce contexte, des systĂšmesdâimagerie par CF ont Ă©tĂ© rĂ©cemment dĂ©veloppĂ©s, parmi lesquels les sondes multiĂ©lĂ©ments tiennentune place importante. Ces systĂšmes ont pour avantage dâamĂ©liorer sur trois points les performancesde la mĂ©thode de CND par CF.
2.1.1 Augmenter la rapidité
Avec une sonde classique disposant dâun seul Ă©lĂ©ment, et plus particuliĂšrement dans le cadre delâinspection des surfaces planes, le mĂ©canisme dâĂ©mission-rĂ©ception utilisĂ© la plupart du temps entraĂźnenĂ©cessairement la conception dâune sonde de type « stylo »[UMS02]. AmĂ©liorer la rĂ©solution signifietypiquement augmenter la durĂ©e dâinspection, qui peut devenir relativement longue. Lâutilisation desondes multiĂ©lĂ©ments peut pallier ce problĂšme. En effet, une matrice dâĂ©lĂ©ments sensibles permetdâeffectuer un nombre multiple de mesures simultanĂ©ment, sans mouvement de la sonde. Une telle
21
22 CHAPITRE 2. MISE EN ĆUVRE EXPĂRIMENTALE
matrice permet donc dâĂ©conomiser autant de dĂ©placements, en remplaçant le balayage mĂ©canique parun balayage Ă©lectronique, ce qui peut reprĂ©senter un gain de temps non nĂ©gligeable.
2.1.2 RĂ©duire lâinfluence des paramĂštres perturbateurs
En outre, la prise de mesures diffĂ©rentielles permet en gĂ©nĂ©ral de sâaffranchir dâun grand nombrede perturbations extĂ©rieures. En effet, si un paramĂštre perturbateur (dĂ©collement, variation lentede permĂ©abilitĂ© magnĂ©tique, variation lente dâĂ©paisseur...) intervient de façon uniforme dans une zonecontenant plusieurs Ă©lĂ©ments sensibles, il les affecte tous identiquement. En retranchant les mesures lesunes aux autres, il est alors possible de rĂ©duire fortement lâinfluence de ces paramĂštres. Lâutilisation destratĂ©gies complexes dâĂ©mission-rĂ©ception doit ainsi permettre dâaugmenter globalement la sensibilitĂ©aux paramĂštres dâinfluence, notamment grĂące Ă la prise de mesures diffĂ©rentielles.
La mesure diffĂ©rentielle a cependant quelques dĂ©fauts, comme la mauvaise dĂ©tection des varia-tions lentes. Selon le cahier des charges, il peut ĂȘtre alors utile de combiner les mesures absolues etdiffĂ©rentielles.
2.1.3 AcquĂ©rir davantage dâinformations
Enfin, il est important de noter quâune sonde Ă plusieurs Ă©lĂ©ments en ligne peut avoir une directionde dĂ©tection privilĂ©giĂ©e, notamment Ă cause de la direction des courants induits. Par exemple, lafigure 2.1 montre deux dĂ©fauts, perpendiculaire et parallĂšle aux lignes des courants induits. Le dĂ©fautparallĂšle a beaucoup moins dâinfluence sur ces lignes et, par consĂ©quent, est a priori beaucoup plusdifficile Ă dĂ©tecter. LâintĂ©rĂȘt dâune matrice multiĂ©lĂ©ments est alors de pouvoir effectuer des mesuresavec des courants induits successivement dans plusieurs sens. Il est ensuite possible de combiner lesdiffĂ©rentes mesures, afin dâaboutir Ă des informations plus complĂštes permettant de dĂ©tecter les dĂ©fautsindĂ©pendamment de leur orientation dans le plan dâinspection.
courants induits
déviations descourants induits
défauts
lignes de
Fig. 2.1 â DĂ©viation des lignes de courants de Foucault en fonction de lâorientation du dĂ©faut
2.2 Les deux technologies de microbobines
Cette expérimentation a été effectuée avec des microbobines carrées de deux technologies diffé-rentes :
â des microbobines sur circuit imprimĂ© multicouches et de largeur Ă©gale Ă 2,6 mm, compor-tant des pistes larges sur un faible nombre de spires par couche ;
â des bobines micromoulĂ©es de largeur Ă©gale Ă 1 mm, aux pistes beaucoup plus fines sur ungrand nombre de spires pour une couche unique.
Ces deux technologies ont été choisies pour leur complémentarité et leur représentativité des alterna-tives actuelles : si la premiÚre est intéressante car largement éprouvée et de faible coût, la deuxiÚme
2.2. LES DEUX TECHNOLOGIES DE MICROBOBINES 23
représente une technologie en cours de développement, à la fois plus chÚre et aux perspectives deperformances renouvelées.
2.2.1 Les microbobines sur circuit imprimé
Les premiÚres microbobines utilisées sont de type circuit imprimé (CI) huit couches, fabriquées in-dustriellement par la société Linea Connect. Elles représentent les meilleures caractéristiques couram-ment obtenues pour cette technologie standard. Le matériel utilisé est une ligne de huit microbobinesindépendantes, visibles sur la figure 2.2.
2.2.1.1 Caractérisation géométrique
Chaque microbobine est constituĂ©e en fait de huit bobines plates superposĂ©es, reliĂ©es en sĂ©rie,rĂ©parties sur une Ă©paisseur totale de 1,25 mm. Chaque couche a un cĂŽtĂ© de longueur c = 2,6 mm, despistes de largeur âp = 100 ”m et dâĂ©paisseur ep = 25 ”m, et comporte n = 5 spires distribuĂ©es surtoute sa surface avec un espacement de e = 100 ”m. La figure 2.3 montre une vue schĂ©matique dâunemicrobobine obtenu par le logiciel de conception Orcad ainsi quâune une vue de coupe. Les connexionssont effectuĂ©es par deux plots ronds de 1 mm de diamĂštre.
2, 8 mm
Fig. 2.2 â Barrette de 8 microbobines CI
Vue en coupe aprÚs réalisationVue schématique de conception
2, 6 mm
200 ”m
âp + e =
Fig. 2.3 â Vues dâune microbobine CI
Il est intĂ©ressant pour la suite de la caractĂ©risation de calculer aussi les deux grandeurs gĂ©omĂ©triquesque sont la longueur dĂ©veloppĂ©e de piste et la surface totale effective. La longueur dĂ©veloppĂ©e oulongueur totale de piste peut ĂȘtre calculĂ©e par la formule
â = 8nâ1â
i=0
4 (câ 2 (e+ âp) i) (2.1)
(dans laquelle le 8 correspond aux 8 couches). La surface totale effective, qui est la surface Ă©quivalentede lâensemble des spires, sâĂ©crit
Stotale = 8nâ1â
i=0
(câ 2 (e+ âp) i)2 (2.2)
Pour cette gĂ©omĂ©trie, â vaut 288 mm et Stotale vaut 142 mm2.
24 CHAPITRE 2. MISE EN ĆUVRE EXPĂRIMENTALE
2.2.1.2 Caractérisation électrique
Cette gĂ©omĂ©trie confĂšre Ă ces bobines une impĂ©dance fortement inductive. Le diagramme de Bodede lâimpĂ©dance mesurĂ©e dâune microbobine CI avec la connectique de lâexpĂ©rimentation (dĂ©crite ci-aprĂšs Ă la sous-section 2.3.1) est prĂ©sentĂ© Ă la figure 2.4. Il montre en effet un dĂ©phasage compris entre70 et 90Ë entre 500 kHz et 12 MHz. Cette figure prĂ©sente aussi lâĂ©volution mesurĂ©e de la rĂ©sistance Ren fonction de la frĂ©quence f , ainsi que la partie imaginaire X et lâinductance L telle que
X = LÏ = 2 Ï f L
106
107
20
40
60Module (en dB)
106
107
70
80
90Phase
106
107
0
5
10RĂ©el
106
107
0
100
200Imag
106
107
0
2
4x 10
â6 Inductance
Fréquence (MHz)
40
Module (dB)
Partie réelle (Ω)
Fréquence (MHz) Fréquence (MHz)0
100
200
Fréquence (MHz)
Inductance (”H)
Fréquence (MHz) 10
10
Argument (degrés)
60
20
90
80
7011
1 1
10
2
4
0
5
10
Partie imaginaire (Ω)
10
10
10
Fig. 2.4 â ImpĂ©dance dâune microbobine CI
ModĂšle thĂ©orique Un modĂšle macroscopique thĂ©orique largement admis dâune microbobine estprĂ©sentĂ© Ă la figure 2.5. L est lâinductance de la bobine, R la rĂ©sistance des pistes et C reprĂ©sentelâensemble des capacitĂ©s parasites, comprenant en particulier les capacitĂ©s inter-spires. La rĂ©sistancevaut expĂ©rimentalement environ 5 Ω et lâinductance L est comprise expĂ©rimentalement entre 2,5 ”Het 1,5 ”H. Une approximation1 de la valeur de C peut ĂȘtre calculĂ©e grĂące Ă lâexpression de la capacitĂ©entre deux conducteurs de surface S, sĂ©parĂ©s par la distance e :
C = Δ0S
e= Δ0â epe
(2.3)
Ici, il vientC = 637 fF
1Les valeurs de R et L Ă prendre en compte sont celles mesurĂ©es en basse frĂ©quence. Leur valeur est par consĂ©quentpeu influencĂ©e par la connectique. La valeur de C ne peut pas ĂȘtre obtenue en basse frĂ©quence, il est nĂ©cessaire de lacalculer de façon approchĂ©e. Lâinfluence de la connectique sur cette valeur est par ailleurs bien plus importante.
2.2. LES DEUX TECHNOLOGIES DE MICROBOBINES 25
Le modĂšle est un dipĂŽle RLC dont lâimpĂ©dance sâĂ©crit
Z =R+ jLÏ
1 + jRC Ï â LC Ï2
ou, sous forme normalisée,
Z = R1 + j QÏÏ0
1 + j ÏQÏ0â(ÏÏ0
)2 avec Ï0 =1âLC
et Q =1R
âL
Câ 350
En supposant le facteur de qualité Q grand, le calcul de la fréquence de résonance fr la donne prochede la fréquence propre f0 du dipÎle. Il vient
fr â f0 =1
2 ÏâLC
= 353 MHz (2.4)
Cette valeur, trÚs supérieure aux fréquences utilisées pour ces travaux, justifie que le phénomÚne derésonance ne soit pas visible dans les graphes de la figure 2.4.
C
R L
Fig. 2.5 â ModĂšle thĂ©orique dâune microbobine
Le calcul de C et fr est effectuĂ© pour la bobine seule, câest-Ă -dire sans prendre en compte laconnectique associĂ©e qui est utilisĂ©e pour lâobtention du diagramme de Bode de lâimpĂ©dance. Lâin-fluence de cette connectique est forte, comme le prouve la diminution des valeurs de lâinductance etde la rĂ©sistance mesurĂ©es lorsque la frĂ©quence est supĂ©rieure Ă 8 MHz. Ce phĂ©nomĂšne, qui nâest pasdĂ» Ă la capacitĂ© parasite des microbobines mais Ă lâensemble des connexions et des cĂąbles, entraĂźneune limitation dans la plage des frĂ©quences utilisables.
2.2.1.3 CaractĂ©risation de lâĂ©lĂ©ment sensible
En tant quâĂ©lĂ©ment de sonde, les caractĂ©ristiques gĂ©omĂ©triques et Ă©lectriques ne suffisent pas Ă qualifier complĂštement le comportement physique. Un Ă©lĂ©ment peut ĂȘtre soit rĂ©cepteur soit Ă©metteur.Dans le premier cas, il est utile de dĂ©terminer sa sensibilitĂ© et son bruit. Dans le second cas, le calculdu pouvoir dâĂ©mission est nĂ©cessaire.
La sensibilitĂ© dâun capteur est le rapport des variations respectives de la grandeur de sortie ducapteur et du mesurande. Dans le cas dâune bobine utilisĂ©e comme capteur magnĂ©tique, un champmagnĂ©tique est transformĂ© en tension. La sensibilitĂ© sâĂ©crit, dâaprĂšs la loi 1.7 de Lenz-Faraday, Ă lafrĂ©quence f
S =âŁâŁâŁâŁdVdB
âŁâŁâŁâŁ = 2 Ï f Stotale (2.5)
oĂč Stotale est la surface totale de lâensemble des spires de la bobine. Pour les microbobines CI, lasensibilitĂ© Ă f = 1 MHz vaut
S = 0,89 V·mTâ1
Le bruit dâune bobine lorsquâelle nâest pas parcourue par un courant est uniquement un bruitdâagitation thermique. Cette tension efficace sâĂ©crit, Ă la tempĂ©rature T et sur une plage de frĂ©quencesde mesure âf
vb =â
4 k T Râf (2.6)
26 CHAPITRE 2. MISE EN ĆUVRE EXPĂRIMENTALE
oĂč k = 1,38 · 10â23 J·Kâ1 est la constante de Boltzmann. La bande passante âf Ă prendre en compteest celle sur laquelle est faite la mesure : il sâagit en gĂ©nĂ©ral de lâintersection de la bande passantede lâĂ©ventuel dernier filtre de lâinstrumentation et de celle de lâappareil de mesure. Sans a priori surlâinstrumentation, il est raisonnable de poser au maximum âf = 10 MHz2, ce qui donne Ă T = 298 K
vb = 0,91 ”V
Il est possible de rapporter cette grandeur au mesurande. Il suffit pour cela de la diviser par lasensibilité, obtenant alors la valeur efficace de bruit magnétique équivalent, qui vaut ici
Bb = 1,01 nT
Le pouvoir dâĂ©mission, dans le cas dâun Ă©lĂ©ment Ă©metteur, est le rapport entre le champ Ă©mis etle courant nĂ©cessaire Ă son Ă©mission. Son expression sâobtient Ă lâaide de celle du flux magnĂ©tique Ίproduit par un Ă©lĂ©ment dâinductance L traversĂ© par un courant I, qui sâĂ©crit avec B supposĂ© uniformesur lâensemble de la surface effective de la bobine
Ί = LI = B Stotale
ce qui donne
Pe =B
I=L
Stotale(2.7)
Ainsi apparaĂźt la notion de densitĂ© surfacique dâinductance. Cela signifie que plus lâinductance dâunebobine est « concentrĂ©e », plus son pouvoir dâĂ©mission est grand. Ici, avec les valeurs donnĂ©es prĂ©cĂ©-demment,
Pe = 14 mT·Aâ1
2.2.2 Les microbobines micromoulées
La seconde technologie de microbobines est issue des techniques de rĂ©alisation de microsystĂšmes,plus complexes que les techniques de CI. Il sâagit de microbobines rĂ©alisĂ©es par micromoulage decuivre sur un substrat de silicium. Ces microbobines ont Ă©tĂ© dĂ©veloppĂ©es par lâInstitut dâĂlectroniqueFondamentale (IEF, Orsay), laboratoire de lâUniversitĂ© Paris-Sud, avec lequel depuis plusieurs annĂ©esune collaboration est en cours[RWJ+07].
Le substrat sur lequel sont gravĂ©es les microbobines peut ĂȘtre de deux types, en silicium (supportrigide, 280 ”m dâĂ©paisseur) ou en kapton (support souple, 50 ”m dâĂ©paisseur). Seul le premier type desubstrat est utilisĂ© dans ces travaux, mais il est utile de noter que le second donnera la possibilitĂ© dansun futur proche dâamĂ©liorer les performances des microbobines pour le CND : le dĂ©collement sera plusfaible et ce substrat souple permettra de se conformer Ă des gĂ©omĂ©tries de piĂšces non planes[CD07].
2.2.2.1 Procédé de fabrication
Le procédé de fabrication de ces microbobines se découpe en 6 grandes étapes[Woy05, WGDG+06].La figure 2.6 montre schématiquement ces étapes.
1. La premiĂšre Ă©tape est une Ă©tape de mĂ©tallisation. AprĂšs nettoyage de la surface du substrat Ă lâaide de solvants, une sous-couche mĂ©tallique de cuivre, dâune Ă©paisseur de 100 nm, est dĂ©posĂ©epar Ă©vaporation sous vide. Cela consiste Ă bombarder un fil de cuivre avec un faisceau dâĂ©lectronsĂ©nergĂ©tiques, ce qui entraĂźne lâarrachage des atomes de cuivre. Ils viennent alors se dĂ©poser surle substrat situĂ© en face du dispositif. Cette sous-couche sert uniquement Ă rendre possible ledĂ©pĂŽt Ă©lectrolytique de lâĂ©tape 5.
2Cette plage de frĂ©quence est fortement surestimĂ©e, car le signal est « filtrĂ© » par une dĂ©tection synchrone (cf. lasous-section 2.2.3 pour davantage dâinformations).
2.2. LES DEUX TECHNOLOGIES DE MICROBOBINES 27
Ătape 1 : MĂ©tallisation Ătape 2 : EnrĂ©sinement Ătape 3 : Photolithographie UV
Ătape 4 : DĂ©veloppement Ătape 5 : DĂ©pĂŽt Ă©lectrolytique Ătape 6 : Ălimination du mouleet gravure de la sous-couche mĂ©tallique
Substrat CuivreRĂ©sine photorĂ©sistanteCouche dâamorçage
Fig. 2.6 â ProcĂ©dĂ© de fabrication des bobines micromoulĂ©es
2. La deuxiĂšme Ă©tape est une enduction de rĂ©sine, Ă lâaide dâune tournette atmosphĂ©rique. CetenrĂ©sinement est suivi dâun recuit thermique. LâĂ©paisseur de rĂ©sine aprĂšs enduction et recuit estde 18,5 ”m. Cette Ă©tape et les deux suivantes font partie de la technique de lithographie UV.
3. La troisiĂšme Ă©tape, lâinsolation, consiste Ă Ă©clairer lâĂ©chantillon pendant une durĂ©e dĂ©terminĂ©e,avec une lumiĂšre monochromatique. Lâinsolation est rĂ©alisĂ©e Ă travers un masque sur lequel sontinscrites les pistes en nĂ©gatif. Ainsi seule la rĂ©sine situĂ©e Ă lâendroit des pistes subit lâattaque dela lumiĂšre.
4. Pour terminer la lithographie UV, un dĂ©veloppement est opĂ©rĂ©, pendant lequel la rĂ©sine insolĂ©eest dissoute par un bain dans un liquide dĂ©veloppeur. Les Ă©chantillons sont ensuite rincĂ©s etsĂ©chĂ©s sous flux dâazote.
5. Le dĂ©pĂŽt Ă©lectrolytique de cuivre est lâĂ©tape la plus importante et la plus critique. LâopĂ©rationest effectuĂ©e en mode galvanostatique : un courant dâintensitĂ© constante traverse une solutionĂ©lectrolytique trĂšs acide, de pH infĂ©rieur Ă 1, par lâintermĂ©diaire dâune anode et dâune cathoderespectivement constituĂ©es dâune plaque de cuivre et de lâĂ©chantillon. Une rĂ©action dâoxydationa lieu Ă lâanode, libĂ©rant un ion Cu2+ qui rĂ©agira ensuite dans une rĂ©duction au niveau de lacathode, selon les rĂ©actions suivantes :
Oxydation Ă lâanode : Cu ââ Cu2+ + 2 eâ
RĂ©duction Ă la cathode : Cu2+ + 2 eâ ââ Cu
ce qui entraĂźne le dĂ©pĂŽt dâun atome de cuivre sur la piĂšce. La rĂ©duction ne pouvant avoir lieuque sur une surface conductrice (dont des Ă©lectrons sont arrachĂ©s), seule la partie de la piĂšcenon protĂ©gĂ©e par la rĂ©sine rĂ©agit : les pistes se dessinent ainsi lors de cette rĂ©action. Toute ladifficultĂ© de cette Ă©tape rĂ©side dans la nĂ©cessaire constance de dĂ©pĂŽt en termes de section toutau long de la piste.
6. Enfin, la gravure de la sous-couche mĂ©tallique est la derniĂšre Ă©tape du procĂ©dĂ©. Assez dĂ©licateelle aussi, elle est essentielle puisquâelle sert Ă isoler les spires des microbobines. AprĂšs avoirdissout le moule en rĂ©sine par immersion dans lâacĂ©tone, puis rincĂ© lâĂ©chantillon Ă lâĂ©thanol, ilfaut supprimer les zones de la sous-couche anciennement protĂ©gĂ©es. Pour ce faire, lâĂ©chantillonest plongĂ© dans un bain acide commercial qui grave le cuivre restant de façon uniforme encommençant par les bords : au bout de quelques minutes la sous-couche de 100 nm dâĂ©paisseura disparu sans que les pistes ne soient encore trop dĂ©formĂ©es.
28 CHAPITRE 2. MISE EN ĆUVRE EXPĂRIMENTALE
2.2.2.2 Caractérisation géométrique
Les bobines micromoulĂ©es sont des microbobines carrĂ©es, dont la largeur c dâun cĂŽtĂ© vaut 1 mm etqui comportent n = 40 spires. La largeur et lâespacement des pistes valent cette fois âp = e = 5 ”m,tandis que lâĂ©paisseur des pistes de cuivre a Ă©tĂ© fixĂ©e Ă ep = 20 ”m. La figure 2.7 montre une photo-graphie traditionnelle (appareil photo numĂ©rique montĂ© sur une loupe binoculaire) dâune des barrettesde quatre microbobines utilisĂ©es. La figure 2.8 montre une photographie provenant dâun microscopeĂ©lectronique Ă balayage dâune de ces microbobines. Les plots de connexion sont des carrĂ©s de 100 ”mde cĂŽtĂ©.
1 bobine
1 mm
Fig. 2.7 â Barrette de quatre bobines micromoulĂ©es
Fig. 2.8 â Photographie au microscope Ă balayage Ă©lectronique dâune bobine micromoulĂ©e
Les formules 2.1 et 2.2 appliquĂ©es ici donnent â = 98 mm et Stotale = 17 mm2.
2.2.2.3 Caractérisation électrique
Contrairement Ă la technologie CI, le micromoulage permet dâobtenir des pistes trĂšs fines. Celaa pour effet dâaugmenter lâinductance grĂące Ă lâaugmentation possible du nombre de spires, les deuxĂ©tant fortement liĂ©s[Bry55, Ter43]. Afin dâobtenir la plus grande inductance possible, le nombre despires est maximisĂ© par le remplissage complet de la surface disponible.
Ceci a pour consĂ©quence dâaugmenter fortement la rĂ©sistance. En effet, pour un conducteur ohmiqueclassique, la rĂ©sistance sâĂ©crit
R =Ï â
s
oĂč Ï est la rĂ©sistivitĂ© du conducteur, â sa longueur dĂ©veloppĂ©e et s sa section. Pour un encombrementdonnĂ©, plus la bobine comportera de spires, plus la longueur dĂ©veloppĂ©e de conducteur sera importante
2.2. LES DEUX TECHNOLOGIES DE MICROBOBINES 29
et, surtout, plus la section sera faible : ces deux paramĂštres tendent Ă augmenter la rĂ©sistance. Le dĂ©fautde ces bobines est donc dâavoir une forte rĂ©sistance, ce qui est relativement perturbateur pour nosmesures : augmentation du bruit thermique Ă la rĂ©ception, augmentation des dissipations thermiquespar effet Joule Ă lâĂ©mission...
Le diagramme de Bode de lâimpĂ©dance prĂ©sentĂ© Ă la figure 2.9 confirme le fait quâĂ une frĂ©quenceinfĂ©rieure Ă 5,5 MHz, la partie rĂ©sistive (rĂ©elle) de lâimpĂ©dance est plus grande que la partie inductive(imaginaire), et la phase est infĂ©rieure Ă 45Ë.
106
35
40
45Module (en dB)
106
0
50
100Phase
106
20
40
60RĂ©el
106
0
100
200Imag
106
107
1
1.5
2x 10
â6 Inductance
Fréquence (MHz)1
1.5
2
20
40
60
40
45
Module (dB)
Partie réelle (Ω)
Fréquence (MHz) Fréquence (MHz)0
100
0
200
50
100
Fréquence (MHz)
Partie imaginaire (Ω)
Inductance (”H)
Fréquence (MHz)0,5
0,5
0,5
10
10 10
100,5
0,5
Argument (degrés)
1 10
35
Fig. 2.9 â ImpĂ©dance dâune bobine micromoulĂ©e
Les graphes reprĂ©sentant la rĂ©sistance R et lâinductance L ont globalement la mĂȘme allure que pourles microbobines CI, comme lâindique la figure 2.4). R est ici beaucoup plus Ă©levĂ©e et vaut environ55 Ω, tandis que la valeur de lâinductance L est assez proche Ă 1,7 ”H. Ceci est possible grĂące au grandnombre de spires, augmentant la surface effective totale. Les Ă©quations 2.3 et 2.4 ont ici pour rĂ©sultat
C = 3,45 pF et fr = 165 MHz
La valeur de C est cependant largement sous-estimĂ©e, car la capacitĂ© interspires considĂ©rĂ©e pour lesmicrobobines CI (cf. sous-section 2.2.1.2) est maintenant en parallĂšle dâune capacitĂ© bobine - substrat.Cette capacitĂ© est de lâordre de quelques centaines de pF[Woy05] et sâajoute Ă C. Il vient alors que lafrĂ©quence de rĂ©sonance fr est plus proche de quelques dizaines de MHz.
Le phĂ©nomĂšne capacitif dĂ» Ă lâinstrumentation et Ă la connectique associĂ©es est observĂ© de la mĂȘmefaçon quâil lâavait Ă©tĂ© dans le cas des microbobines CI.
30 CHAPITRE 2. MISE EN ĆUVRE EXPĂRIMENTALE
2.2.2.4 CaractĂ©risation de lâĂ©lĂ©ment sensible
De mĂȘme que pour les microbobines CI, il est possible dâutiliser les dĂ©finitions 2.5 Ă 2.7 pourdĂ©terminer les caractĂ©ristiques de lâĂ©lĂ©ment de mesure. Il vient dans les mĂȘmes conditions
S = 0,11 V·mTâ1
vb = 3,0 ”V
Bb = 28 nT
Pe = 118 mT·Aâ1
2.2.2.5 Intégration
La soudure Ă lâĂ©tain Ă©tant impossible sur les plots de 100 ”m de cĂŽtĂ©, le substrat de silicium aĂ©tĂ© collĂ©, aprĂšs un clivage au plus prĂšs des bobines, sur un support constituĂ© dâun circuit imprimĂ©intermĂ©diaire oĂč ont Ă©tĂ© gravĂ©es des pistes en cuivre dâune largeur de 0,8 mm de large pour 5 mm delong. Les connexions ont alors Ă©tĂ© rĂ©alisĂ©es par microsoudage par ultrasons dâun fil dâaluminium de25 ”m de diamĂštre.
2.2.3 Comparaison des deux technologies
Les valeurs des caractĂ©ristiques gĂ©omĂ©triques, Ă©lectroniques et de lâĂ©lĂ©ment sensible sont rĂ©sumĂ©espour les deux technologies utilisĂ©es dans le tableau 2.1. La miniaturisation des microbobines micro-moulĂ©es est dĂ©favorable sur deux points : la sensibilitĂ© est 8 fois plus faible et le bruit est 28 foisplus grand. Cependant, ces inconvĂ©nients sont limitĂ©s par le fait que le niveau de bruit est trĂšs faibledans les deux cas, infĂ©rieur au bruit apportĂ© en gĂ©nĂ©ral par lâinstrumentation, donc peu perturbateur.De plus, le calcul de bruit thermique est rĂ©alisĂ© sur une plage Ă©tendue de frĂ©quences et par consĂ©-quent trĂšs fortement surestimĂ© : en pratique pour cette Ă©tude, une dĂ©tection synchrone dĂ©crite Ă lasous-section 2.3.1 rĂ©duit la plage âf Ă quelques dizaines de hertz.
En outre, la rĂ©solution est a priori nettement amĂ©liorĂ©e par les bobines micromoulĂ©es : en effet,elle est grossiĂšrement proportionnelle Ă la surface dâencombrement, qui est 8 fois plus faible pourcette technologie. Le pouvoir dâĂ©mission est lui inversement proportionnel Ă la surface effective totale,ce qui signifie quâune bobine CI Ă©mettra un champ plus faible Ă courant Ă©gal. Cependant, grĂące Ă une Ă©paisseur de piste plus grande, un courant plus important peut physiquement circuler dans lesmicrobobines CI. En pratique, Ă des niveaux de tension et des frĂ©quences comparables, le courant estenviron deux fois plus important dans les microbobines CI.
2.3 Le matériel utilisé
Lâensemble du matĂ©riel utilisĂ© dans cette expĂ©rimentation est pris en photographie dans la fi-gure 2.10. Il est composĂ© de
â un impĂ©dancemĂštre qui mesure lâimpĂ©dance de la sonde ;â un bras robotisĂ© qui effectue les mouvements de la sonde ;â un contrĂŽleur qui gĂšre les deux autres appareils ;â la sonde composĂ©e des microbobines et de la connectique associĂ©e ;â un Ă©chantillon de test, prĂ©sentĂ© Ă la section suivante.
2.3. LE MATĂRIEL UTILISĂ 31
Microbobines CI Bobines micromoulées
Caractéristiques
Longueur de cÎté c 2,6 mm 1 mm
géométriques
Nombre de spires n 5 40
Espacement interpiste e 100 ”m 5 ”m
Largeur de piste âp 100 ”m 5 ”m
Ăpaisseur de piste ep 25 ”m 5 ”m
Longueur dĂ©veloppĂ©e â 288 mm 98 mm
Surface dâencombrement 7,8 mm2 1 mm2
Surface effective totale Stotale 142 mm2 17 mm2
Caractéristiques
Résistance moyenne mesurée R 5 Ω 55 Ω
Ă©lectriques
Inductance moyenne mesurée L 2 ”H 1,7 ”H
Capacité estimée C 0,64 pF 3,45 pF
Fréquence de résonance estimée fr 353 MHz 165 MHz
Caractéristiques
SensibilitĂ© S (pour f = 1 MHz) 0,89 V·mTâ1 0,11 V·mTâ1
sensibles
Tension de bruit vb (âf = 10 MHz) 0,91 ”V 3,0 ”V
Champ Ă©quivalent de bruit Bb 1,0 nT 28 nT
Pouvoir dâĂ©mission Pe 14 mT·Aâ1 118 mT·Aâ1
Tab. 2.1 â Tableau comparatif des caractĂ©ristiques pour les deux technologies de microbobines
2.3.1 LâimpĂ©dancemĂštre
La sous-section 1.3.1.2 explique que les mesures faites pour le CND par CF sont des mesuresdâimpĂ©dance pour une sonde Ă fonction double, ou de transimpĂ©dance pour une sonde Ă fonctionssĂ©parĂ©es. Ces mesures sont faites ici grĂące Ă un impĂ©dancemĂštre Hewlett Packard HP4192-A, ayant unebande passante de 5 Hz Ă 13 MHz. Les frĂ©quences utilisĂ©es sont en pratique comprises entre 500 kHzet 12 MHz. Ce sont des mesures « 4 voies », parmi lesquelles deux voies servent Ă lâĂ©tablissement dâuncourant dâĂ©mission et les deux autres voies Ă la mesure dâune tension de rĂ©ception. La mesure CF estle rapport complexe, prenant en compte rapport dâamplitudes et dĂ©phasage, de ces deux grandeurs.La figure 2.11 montre une photographie du montage et de lâimpĂ©dancemĂštre.
Le cĂąblage est assurĂ© par quatre cĂąbles coaxiaux de diamĂštre 1,2 mm. LâĂąme de chaque cĂąbleest utilisĂ©e pour une des deux bornes de chaque microbobine, ce qui permet de rĂ©aliser un blindagetotal entre lâimpĂ©dancemĂštre et les microbobines, en dĂ©portant au plus prĂšs dâelles les quatre pointsde mesure. Pour que cela fonctionne, il faut que les gaines soient toutes reliĂ©es cĂŽtĂ© sonde : un plande masse est rĂ©alisĂ© sur un deuxiĂšme circuit imprimĂ© contenant de plus les connecteurs des cĂąblescoaxiaux. Ainsi le montage est isolĂ© des perturbations Ă©lectromagnĂ©tiques externes sur lâespace allantphysiquement de lâimpĂ©dancemĂštre au plan de masse, et seules les perturbations existant entre le plande masse et les microbobines interviennent. Un schĂ©ma de la mesure effectuĂ©e, dans le cas dâune sondeĂ fonctions sĂ©parĂ©es, est prĂ©sentĂ© Ă la figure 2.123.
LâimpĂ©dancemĂštre rĂ©alise une dĂ©tection synchrone du signal de mesure. Il sâagit dâun systĂšme defiltrage dans lequel le signal de mesure s(t), composĂ© dâun signal utile et dâun bruit alĂ©atoire
s(t) = Ames cos (2 Ï f t+ Ï) +B(t)
3Le fait que le voltmĂštre et lâampĂšremĂštre soient vectoriels permet de mesurer des amplitudes vectorielles, accĂ©dantainsi Ă leur dĂ©phasage.
32 CHAPITRE 2. MISE EN ĆUVRE EXPĂRIMENTALE
bras robotisé
sonde et Ă©chantillon de test
inpédancemÚtre
contrĂŽleur
Fig. 2.10 â ExpĂ©rimentation
Fig. 2.11 â Montage et impĂ©dancemĂštre
est multipliĂ© par le signal dâexcitation, Ă la mĂȘme frĂ©quence f
sexc(t) = Aexc cos (2 Ï f t)
ainsi que par le signal en quadrature de mĂȘme amplitude
sq(t) = Aexc sin (2 Ï f t)
Le résultat de ses deux multiplications est
M(t) =AmesAexc
2(cos (4 Ï f t+ Ï) + cos (Ï)) +B(t)Aexc cos (2 Ï f t)
Mq(t) =AmesAexc
2(sin (4 Ï f t+ Ï)â sin (Ï)) +B(t)Aexc cos (2 Ï f t)
M et Mq sont alors filtrĂ©s Ă basse frĂ©quence par un filtre de frĂ©quence de coupure fc trĂšs infĂ©rieure Ă f , ce qui Ă©limine la partie sinusoĂŻdale des premiers termes et une grande partie du spectre de B. Il estalors possible dâobtenir les valeurs de Ames et Ï par les expressions
Ames = 2
âM2 +Mq
2
Aexc
Ï = â arctanM
Mq
2.3. LE MATĂRIEL UTILISĂ 33
Plan de masse
A
V Vmes
iexcAmpĂšremĂštre
VoltmĂštre
Bobine
Bobine
vectoriel
vectoriel
ImpédancemÚtre Cùbles coaxiaux
réceptrice
Ă©mettrice
Fig. 2.12 â SchĂ©ma de cĂąblage « 4 voies »
Ainsi, la seule influence du bruit est celle de son spectre prÚs de f , plus précisément celle de laplage
[f â fc,f + fc]
Pour le bruit thermique considĂ©rĂ© aux sous-sections 2.2.1.3 et 2.2.2.4, prendre en compte lâutilisationde la dĂ©tection synchrone signifie
âf = 2 fc
Ici, la documentation de lâimpĂ©dancemĂštre annonce une frĂ©quence de coupure infĂ©rieure Ă 50 Hz, cequi diminue de façon trĂšs significative les valeurs de tension de bruit calculĂ©es.
2.3.2 Le bras robotisé
Afin dâeffectuer les mouvements de la sonde par rapport Ă la piĂšce, un bras robotisĂ© 3 axes aubout duquel est fixĂ©e la sonde est utilisĂ©. Il est commandĂ© par une liaison sĂ©rie. Sur chaque axe, lemouvement est effectuĂ© Ă lâaide dâun moteur pas Ă pas, de façon discrĂ©tisĂ©e. Le pas de dĂ©placementminimal est 1/80 mm soit 12,5 ”m.
2.3.3 Le contrĂŽleur
Lâensemble de lâexpĂ©rimentation est contrĂŽlĂ© par un ordinateur et plus particuliĂšrement par lâin-termĂ©diaire du logiciel Matlab, aidĂ© par une librairie pilote4. Pour ce faire, des scripts Matlab ont Ă©tĂ©Ă©crits, afin de rĂ©aliser plusieurs fonctions :
â interface avec lâimpĂ©dancemĂštreEnvoi des rĂ©glages (frĂ©quence, tension dâexcitation, mode de mesure), prise de mesure (ordrede prise de mesure, rĂ©cupĂ©ration de lâimpĂ©dance complexe, courant dâexcitation, tension derĂ©ception).
â interface avec le bras robotisĂ©Envoi dâordre de dĂ©placement absolu ou relatif, attente de retour dâĂ©tat sans temporisation, miseĂ zĂ©ro des coordonnĂ©es. Optimisations fortes en termes de rapiditĂ© dâexĂ©cution et de gestion dela mĂ©moire.
â gestion des dĂ©placementsGestion des zones Ă contrĂŽler en fonction des positionnements et des dimensions des diffĂ©rentsdĂ©fauts. Gestion des pas de dĂ©placement et de plusieurs modes de balayage. Optimisation dutemps de dĂ©placement.
4Les quatre fonctions dĂ©crites ci-aprĂšs sont entiĂšrement gĂ©rĂ©es par Matlab et ses mĂ©thodes natives, sans lâemploi dâunlogiciel externe tel que Labview ni de toolbox particuliĂšre. La librairie de pilotage de lâinterface gpib a Ă©tĂ© installĂ©e auniveau du systĂšme.
34 CHAPITRE 2. MISE EN ĆUVRE EXPĂRIMENTALE
â gestion des donnĂ©esFormatage et enregistrement des mesures sous forme de matrices. PossibilitĂ© dâaffichage simul-tanĂ©ment avec la mesure.
Ces scripts, spĂ©cialement Ă©crits pour ces travaux, constituent une nette avancĂ©e dans lâinstrumentationutilisĂ©e prĂ©cĂ©demment dans les deux laboratoires de co-tutelle. En particulier, lâaccent a Ă©tĂ© mis sur lalisibilitĂ© du code et lâajout prolifique de commentaires permettant une rĂ©utilisation ultĂ©rieure la plusaisĂ©e possible. Tous scripts crĂ©Ă©s sont des fonctions autonomes attendant les ordres en argument etpossĂ©dant des ordres par dĂ©faut. Tels quels, ils sont extrĂȘmement versatiles et utilisables pour dâautresapplications de dĂ©placement de sonde avec acquisition simultanĂ©e.
2.4 LâĂ©chantillon de test
Afin de pouvoir comparer diffĂ©rentes mesures effectuĂ©es sous des conditions dâexpĂ©rimentation dif-fĂ©rentes (sonde, frĂ©quence...), il est nĂ©cessaire dâutiliser un jeu de dĂ©fauts calibrĂ©s. Une piĂšce Ă©chantillonen alliage paramagnĂ©tique de nickel, ayant une permĂ©abilitĂ© magnĂ©tique
” â ”0 = 4 Ï 10â7 H ·mâ1
et une conductivitĂ© Ă©lectrique Ï = 0,76 MS · mâ1, a Ă©tĂ© fabriquĂ©e. Ce matĂ©riau a Ă©tĂ© choisi pourson importante utilisation dans le domaine aĂ©ronautique, grĂące Ă sa rĂ©sistance Ă la corrosion et auxconditions dâutilisation difficiles[Wikb, Key]. La gamme de frĂ©quences utilisĂ©e dans la suite de lâĂ©tudea Ă©tĂ© fixĂ©e Ă [500 kHz, 12 MHz], frĂ©quences pour lesquelles lâĂ©paisseur de peau varie entre 160 ”m et820 ”m comme indiquĂ© dans le tableau 2.2.
Fréquence (MHz) 0,5 1 2 4 6 8 10 12
Ăpaisseur de peau (”m) 816 577 408 289 236 204 183 167
Tab. 2.2 â Variation de lâĂ©paisseur de peau en fonction de la frĂ©quence au sein de lâĂ©chantillon
Sur cette piÚce échantillon ont été usinées des fissures rectangulaires par décharges électriques. Cesdéfauts, représentés sur la figure 2.13, sont débouchants et représentatifs des défauts recherchés surles piÚces aéronautiques telles que tubes et disques de turbines. Ils ont des dimensions précisémentdéfinies :
â longueur Ă©gale Ă 100 ”m, 200 ”m, 400 ”m, 600 ”m ou 800 ”m ;â profondeur Ă©gale Ă 100 ”m, 200 ”m ou 400 ”m ;â largeur Ă©gale Ă 100 ”m ;â orientation parallĂšle Ă lâaxe ~i ou parallĂšle Ă lâaxe ~j du bras robotisĂ©.
Ils sont au nombre de 30, soit 15 couples de dĂ©fauts aux mĂȘmes dimensions. Chaque couple de dĂ©fautscontient un dĂ©faut de chaque orientation.
2.5 Les stratĂ©gies dâĂ©mission-rĂ©ception
Lâutilisation de microbobines est particuliĂšrement utile si elles sont agencĂ©es dans des sondesmultiĂ©lĂ©ments, en particulier grĂące Ă leur possibilitĂ© de remplir indiffĂ©remment et alternativement lafonction dâĂ©metteur ou de rĂ©cepteur. Cependant, cette facultĂ© entraĂźne un choix nĂ©cessaire : de trĂšsnombreuses stratĂ©gies sont possibles. Pour ces travaux, une limite Ă lâĂ©tude des stratĂ©gies dâĂ©mission-rĂ©ception possibles pour trois microbobines en ligne a permis le dĂ©veloppement de considĂ©rations etlâobtention de rĂ©sultats gĂ©nĂ©ralisables Ă des structures plus importantes. Il est possible de considĂ©rer ces
2.5. LES STRATĂGIES DâĂMISSION-RĂCEPTION 35
~i
~j
5 mm
6 mm
10 mm
(1,4)(2,1)
(4,2)
(6,4)
(4,1)
(6,2)
(8,4) (8,2)
(6,1)
(2,4)
(1,2) (1,1)
(2,2)
(4,4)
(8,1)
(a,b) : (longueur,profondeur)
en dixiĂšmes de mm
Fig. 2.13 â SchĂ©ma de la piĂšce Ă©chantillon avec la localisation des dĂ©fauts
stratĂ©gies comme des structures Ă©lĂ©mentaires dâune matrice de neuf microbobines, elle-mĂȘme structureĂ©lĂ©mentaire dâune matrice plus grande.
On peut considérer cinq stratégies différentes, constituées de une, deux ou trois bobines. Elles sontschématisées dans la figure 2.14.
i
ii
i i
v
v
v
Mesure différentielle RER
Ămission diffĂ©rentielle EREâv
v
Ămission additive ERE+
Mesure absolue E/R Ămission-rĂ©ception ER
Fig. 2.14 â StratĂ©gies dâĂ©mission-rĂ©ception conçues dans le cadre de cette Ă©tude
2.5.1 La stratégie à mesure absolue « E/R »
Avec une unique bobine, il nây a quâune seule stratĂ©gie possible, celle de la sonde Ă fonctionsdoubles. Le signal mesurĂ© est lâimpĂ©dance de la bobine, qui joue Ă la fois le rĂŽle dâĂ©metteur et derĂ©cepteur. La mesure est absolue. Cette stratĂ©gie est trĂšs largement utilisĂ©e Ă lâheure actuelle, grĂąceĂ sa simplicitĂ© de mise en Ćuvre et Ă sa flexibilitĂ© pour la dĂ©tection des variations lentes ou rapidesdâĂ©tat. Cependant, cette sensibilitĂ© Ă toutes les variations est parfois dĂ©favorable Ă la recherche dedĂ©fauts particuliers ou Ă la discrimination entre diffĂ©rents dĂ©fauts.
36 CHAPITRE 2. MISE EN ĆUVRE EXPĂRIMENTALE
2.5.2 La stratégie émission-réception « ER »
Avec deux bobines existe la stratĂ©gie classique Ă fonctions sĂ©parĂ©es, elle aussi largement utilisĂ©epour sa simplicitĂ© et malgrĂ© son manque de sensibilitĂ© au dĂ©faut. Une des deux bobines est parcouruepar un courant dâexcitation, et la tension de rĂ©ception aux bornes de lâautre bobine est mesurĂ©e.
2.5.3 La stratégie à mesure différentielle « RER »
Cette stratĂ©gie, plus complexe que les deux prĂ©cĂ©dentes, utilise trois bobines : la bobine centralejoue le rĂŽle dâĂ©metteur tandis que les deux bobines latĂ©rales effectuent une mesure diffĂ©rentielle duchamp magnĂ©tique. En effet, elles sont connectĂ©es en sĂ©rie de façon Ă ce quâun champ magnĂ©tiquealternatif vertical engendre deux tensions sinusoĂŻdales en opposition de phase dans les deux bobinesrĂ©ceptrices. En absence de dĂ©faut, le signal CF est ainsi idĂ©alement nul.
2.5.4 La stratégie à émission additive « ERE+ »
Pour les quatriĂšme et cinquiĂšme stratĂ©gies, lâidĂ©e est de rĂ©aliser lâĂ©mission par les deux bobineslatĂ©rales et la rĂ©ception par la bobine centrale. Deux possibilitĂ©s sont alors possibles pour lâĂ©mission.Cette stratĂ©gie exploite deux bobines latĂ©rales connectĂ©es de telle façon que le mĂȘme courant lestraverse et produit deux champs magnĂ©tiques qui sâajoutent au niveau de la bobine centrale. Celarevient à « ajouter » deux stratĂ©gies ER, dĂ©calĂ©es sur lâaxe ~i dâune distance Ă©gale Ă la largeur dâunebobine.
2.5.5 La stratĂ©gie Ă Ă©mission diffĂ©rentielle « EREâ »
La derniĂšre stratĂ©gie utilise comme la prĂ©cĂ©dente une bobine centrale rĂ©ceptrice et deux bobineslatĂ©rales Ă©mettrices. Cependant, ici le courant traversant une bobine Ă©mettrice est en opposition dephase par rapport Ă celui de lâautre bobine Ă©mettrice. Les flux des deux champs magnĂ©tiques sâopposentau niveau de la bobine centrale, et idĂ©alement sâannulent en absence de dĂ©faut. Il sâagit de ce quipourrait ĂȘtre dĂ©signĂ© comme une « excitation diffĂ©rentielle », ce qui a priori devrait conduire au mĂȘmecomportement que la mesure diffĂ©rentielle de la stratĂ©gie RER.
Chapitre 3
Signaux et prétraitements
Les travaux expĂ©rimentaux menĂ©s dans cette Ă©tude ont donnĂ© lieu Ă lâacquisition de donnĂ©esspĂ©cifiques, correspondant Ă un balayage surfacique de la piĂšce Ă©valuĂ©e (rĂ©alisĂ© Ă lâaide du matĂ©rieldĂ©crit dans la section 2.3, page 30). Ce chapitre prĂ©sente tout dâabord les signaux obtenus, une premiĂšreinterprĂ©tation et une discussion sur la reprĂ©sentation de ces signaux CF. Ensuite, la dĂ©cimation et lesurĂ©chantillonnage des signaux CF sont Ă©tudiĂ©es. Enfin, le rapport signal sur bruit est dĂ©fini et calculĂ©,dans le but de comparer les diffĂ©rentes conditions de mesure.
3.1 Les représentations des signaux CF
Les signaux CF sont obtenus par balayage de la surface de la piĂšce. La sonde effectue de faiblesdĂ©placements, suivant les deux axes ~i et ~j, dĂ©finis Ă la section 2.4, du plan de la surface, de 100 ”mdans le cas des bobines micromoulĂ©es (dĂ©crites Ă la sous-section 2.2.2) ou de 200 ”m dans le cas desmicrobobines CI (dĂ©crites Ă la sous-section 2.2.1). Ă chaque position de la sonde, une mesure complexede la transimpĂ©dance de la sonde est rĂ©alisĂ©e, comme expliquĂ© Ă la sous-section 1.3.1.2, câest-Ă -dire lerapport en amplitude et en phase de la tension de rĂ©ception sur le courant dâĂ©mission. Une cartographieest ainsi constituĂ©e, appelĂ©e « signal CF ». Cette cartographie de valeurs complexes est Ă©chantillonnĂ©edans lâespace, avec un pas correspondant aux distances de dĂ©placement, pas ici relativement faiblepar rapport Ă la taille des microbobines, dâun facteur de division respectif 10 ou 15 pour les bobinesmicromoulĂ©es ou les microbobines CI.
Cette section dĂ©crit les diffĂ©rentes reprĂ©sentations possibles pour des signaux CF. LâĂ©tude portesur 30 dĂ©fauts calibrĂ©s ; les acquisitions ont Ă©tĂ© faites par deux sondes comportant des microbobinesde deux technologies diffĂ©rentes, avec 5 stratĂ©gies dâĂ©mission-rĂ©ception, pour une dizaine de frĂ©quencesdiffĂ©rentes, selon deux positionnements de la piĂšce (cf. ci-aprĂšs, section 3.2). La base de donnĂ©es acquisecompte environ 30 Ă 2 Ă 5 Ă 10 Ă 2 = 6000 signaux CF : il est Ă la fois inutile et impossible de tousles reprĂ©senter. Les figures suivantes montreront des exemples obtenus Ă partir dâun unique dĂ©faut,de dimensions 200 ”m Ă 400 ”m Ă 100 ”m en profondeurĂlongueurĂlargeur. Ce dĂ©faut sera nommĂ©ci-aprĂšs dĂ©faut « exemple ».
3.1.1 Une premiÚre représentation : le C-scan
3.1.1.1 Exemples de C-scan
Une premiĂšre façon de visualiser les signaux CF mesurĂ©s est la reprĂ©sentation en tant que carto-graphie complexe. Il sâagit, afin de prendre en compte la nature complexe du signal, dâun ensemble
37
38 CHAPITRE 3. SIGNAUX ET PRĂTRAITEMENTS
de deux images. Elles affichent soit le couple module / argument, soit le couple partie rĂ©elle / partieimaginaire. Cette reprĂ©sentation est souvent appelĂ©e C-scan (cf. encadrĂ©). Chaque image reprĂ©sentela valeur de la grandeur correspondante suivant une Ă©chelle de couleurs qui peut ĂȘtre ou non notĂ©eĂ cĂŽtĂ©, continue ou discrĂšte. En gĂ©nĂ©ral lâĂ©chelle de couleurs fait correspondre les valeurs par ordrecroissant Ă une Ă©chelle allant des couleurs froides aux couleurs chaudes, ou bien sâĂ©claircissant dansune mĂȘme teinte. Les axes des images sont les axes ~i et ~j de balayage de la surface inspectĂ©e (vuesuivant lâaxe ~k).
Les dĂ©nominations A-scan, B-scan et C-scan (de lâanglais to scan, lire rapide-ment un document pour y trouver une information) viennent du domaine du CNDpar ultrasons. Avec cette technologie, il est possible de reprĂ©senter lâamplitude dusignal en fonction du temps Ă un endroit donnĂ©, afin de visualiser le phĂ©nomĂšnedâĂ©cho propre Ă lâĂ©mission-rĂ©ception dâultrasons. Cela constitue la forme A-scan.Un graphe de type B-scan trace la dynamique (le maximum de lâamplitude aubout dâun temps assez long) dâun signal en fonction de son abscisse le long dâuneligne. Il sâagit en quelque sorte dâune vue en coupe le long de cette ligne. UnC-scan est une image Ă part entiĂšre qui reprĂ©sente la dynamique en tout point dela surface, selon une Ă©chelle de couleurs qui peut ĂȘtre continue ou binaire. Ceci estpar consĂ©quent Ă©quivalent Ă une « vue de dessus ». La figure 3.1 schĂ©matise cestrois types de reprĂ©sentations dans le cas dâune Ă©valuation par sonde Ă ultrasons.
t
A-scan B-scan C-scan
Ăcho de fond
DéfautdéfautDeuxiÚmedéfaut
Premier
t
s(t)
x x
y
S(x, y) = 0
S(x) = max(s(t))
Sonde Ă ultrasons(fixe) DĂ©placement x
y
DĂ©placement x
S(x, y) = 1
Fig. 3.1 â DĂ©nominations A-scan, B-scan, C-scan pour le CND par ultrasons
Avec la technique CF, les A-scans nâexistent quâen «courants pulsĂ©s», fonc-tionnement peu utilisĂ© en pratique et non exposĂ© prĂ©cĂ©demment. En rĂ©gime har-monique, la mesure effectuĂ©e Ă chaque point nâest pas un signal dĂ©pendant dutemps (le rĂ©gime transitoire dâĂ©tablissement de la mesure nâapporte a priori au-cune information). Par contre, les reprĂ©sentations B-scan et C-scan de lâamplitudedu signal existent et sont largement utilisĂ©es. Pour les travaux prĂ©sentĂ©s dans cemĂ©moire, lâimportance de balayer des surfaces Ă©limine de fait la pertinence desB-scans.
Les figures 3.2 et 3.31 montrent les signaux CF acquis autour du dĂ©faut « exemple » pour les deuxtechnologies de microbobines prĂ©sentĂ©es aux sections 2.2.1 et 2.2.2. Ces acquisitions sont effectuĂ©esavec la stratĂ©gie dâĂ©mission-rĂ©ception EREâ et Ă une frĂ©quence des courants dâĂ©mission de 4 MHz.Les contours du dĂ©faut sont superposĂ©s en pointillĂ©s, Ă lâĂ©chelle. Chaque figure est composĂ©e de quatre
1On notera que les deux sondes nâont pas Ă©tĂ© connectĂ©es de façon strictement identique : les deux bornes de lamicrobobine centrale de rĂ©ception sont inversĂ©es entre les deux sondes, ce qui provoque une opposition sur la tensionmesurĂ©e, par suite sur la transimpĂ©dance (les lobes bleus deviennent rouges et inversement Ă la fois sur la partie rĂ©elleet sur la partie imaginaire).
3.1. LES REPRĂSENTATIONS DES SIGNAUX CF 39
images, dont deux suffisent à représenter entiÚrement le signal CF. Le pas spatial de balayage choisiest 200 ”m dans le cas des microbobines CI et 100 ”m dans le cas des bobines micromoulées.
MalgrĂ© le caractĂšre diffĂ©rentiel des mesures faites par la stratĂ©gie EREâ utilisĂ©e ici, la valeur dusignal CF loin du dĂ©faut nâest pas nulle. Des paramĂštres perturbateurs, comme les dissymĂ©tries entreles bobines ou la connectique, engendrent aux frĂ©quences de mesure (entre 1 et 10 MHz) des tensionstrĂšs faibles qui, divisĂ©es par la valeur du courant dâexcitation lui aussi trĂšs faible, produisent cettevaleur « Ă vide » non nulle. Ceci engendre visuellement une diffĂ©rence trĂšs nette entre les modulesdes figures 3.2 et 3.3. Cependant, cette valeur Ă vide est sans effet sur la suite des traitements, carretranchĂ©e juste aprĂšs lâacquisition.
3.1.1.2 Interprétation
La premiĂšre chose remarquable Ă la vue de ces images est leur trĂšs faible correspondance avec lagĂ©omĂ©trie du dĂ©faut. Le dĂ©faut originel, vu selon lâaxe ~k, a la forme dâun rectangle horizontal. Pourtantsur ces images, ce sont deux lobes de forme ellipsoĂŻdale qui sont visibles. De plus, la dimension desellipses nâa aucun rapport avec celle du dĂ©faut, car les acquisitions sur dâautres dĂ©fauts donnentdes lobes de dimensions similaires, mais tend Ă se rapprocher davantage de la longueur du cĂŽtĂ© dechaque type de microbobine (environ 2,5 mm pour les acquisitions issues des microbobines CI, environ0,9 mm pour celles issues des bobines micromoulĂ©es). Les zones contenant les lobes seront dans la suitenommĂ©es « zones de signal utile ».
La prĂ©sence de ces lobes signifie que le signal CF subit une variation non seulement lorsque le dĂ©fautest situĂ© sous le rĂ©cepteur, mais aussi lorsquâil est situĂ© sous lâun des deux Ă©metteurs. La figure 3.4schĂ©matise quelques positions des trois microbobines composant la sonde par rapport au dĂ©faut, pourquelques exemples repĂ©rĂ©s sur un C-scan. Lorsque le dĂ©faut se situe sous la partie gauche de lâĂ©metteurde droite (position a), les lignes de courants induits de cet inducteur sont dĂ©viĂ©es vers la microbobinecentrale de rĂ©ception. Les courants induits par lâinducteur de gauche ne sont par contre pas dĂ©viĂ©s,lâĂ©quilibre est rompu et la tension aux bornes de la microbobine centrale nâest pas nulle. Si le dĂ©fautse trouve sous la partie droite de la microbobine rĂ©ceptrice (position b), une variation Ă©quivalente dusignal CF est observĂ©e, pour la mĂȘme raison. Cette variation est situĂ©e de part et dâautre de la frontiĂšreentre la microbobine centrale et la microbobine de droite. Le maximum de cette variation est atteintlorsque le dĂ©faut se situe entre les centres de chacune des deux microbobines (position c). Sur la droitede symĂ©trie de la sonde parallĂšle Ă lâaxe ~j (positions d et e), lâinfluence du dĂ©faut est identique pour lesCF induits par les deux Ă©metteurs et le signal CF est nul. Aux limites des microbobines parallĂšlementĂ lâaxe ~j (position f ), le signal sâattĂ©nue trĂšs fortement, car les dĂ©viations sont trop Ă©loignĂ©s pourengendrer une variation importante de la tension aux bornes de la microbobine de rĂ©ception. Enfin,dans les parties externes des microbobines Ă©mettrices (position g), les courants induits sont dĂ©viĂ©s verslâextĂ©rieur de la sonde, ce qui ne produit aucun signal.
Ainsi, la zone dâinfluence du dĂ©faut est situĂ©e autour des frontiĂšres entre chaque microbobineĂ©mettrice et la microbobine rĂ©ceptrice (et non uniquement la surface de la zone rĂ©ceptrice commeil pourrait ĂȘtre attendu). Ceci est une consĂ©quence des petites dimensions des dĂ©fauts considĂ©rĂ©s,comparativement Ă celles des microbobines. Dans ce cas, les dĂ©viations des CF sont en effet localisĂ©esĂ lâendroit oĂč se trouve le dĂ©faut. Dans le cas dâun dĂ©faut de plusieurs millimĂštres de long, le C-scanCF produit ressemble davantage Ă lâimage gĂ©omĂ©trique du dĂ©faut, avec des bordures relativementĂ©paisses.
3.1.1.3 Traitement des images
Lâinfluence des faibles dimensions des dĂ©fauts peut aussi ĂȘtre expliquĂ©e par la thĂ©orie des filtres.En posant ni et nj les indices des points de lâimage selon les axes ~i et ~j, il est possible de considĂ©rer
40 CHAPITRE 3. SIGNAUX ET PRĂTRAITEMENTS
Module (Ω)
Partie réelle (Ω)
Argument (degrés)
Partie imaginaire (Ω)
axe ~i (mm)0-2 -1 1 2
axe~ j
(mm
)
-2
2
0
1
-1
axe ~i (mm)-2 -1 1 20
axe~ j
(mm
)-2
2
0
1
-1
axe ~i (mm)0-2 -1 1 2
axe~ j
(mm
)
-2
2
0
1
-1
axe ~i (mm)0-2 -1 1 2
axe~ j
(mm
)
-2
2
0
1
-1
0,05
0,06
0,07
0,8
0,09
0,1
-0,06
-0,05
-0.055
-0,065
-0,07-0,07
-0,06
-0,05
-0,04
-0,03
-0,02
-145
-160
-155
-150
-140
Fig. 3.2 â Signal CF complexe obtenu avec la sonde Ă microbobines CI connectĂ©es selon la stratĂ©-gie EREâ, Ă 4 MHz, pour le dĂ©faut « exemple », dâune longueur de 200 ”m suivant lâaxe ~i, dâuneprofondeur de 400 ”m et dâune largeur de 100 ”m suivant lâaxe ~j (superposĂ© en pointillĂ©s)
1
0,5
-0,5
-1
axe~ j
(mm
)
0
0,5-0,5 1-1axe ~i (mm)
0
-0,06
-0,04
-0,02
0,02
0
Partie réelle (Ω)
1
0,5
-0,5
-1
axe~ j
(mm
)
0
0,5-0,5 1-1axe ~i (mm)
0
Module (Ω)0,08
0,75
0,07
0,065
0,06
1
0,5
-0,5
-1
axe~ j
(mm
)
0
0,5-0,5 1-1axe ~i (mm)
0
Partie imaginaire (Ω)
0,04
0,05
0,06
0,07
1
0,5
-0,5
-1
axe~ j
(mm
)
0
0,5-0,5 1-1axe ~i (mm)
0
Argument (degrés)150
130
110
90
70
Fig. 3.3 â Signal CF complexe obtenu avec la sonde Ă bobines micromoulĂ©es connectĂ©es selon lastratĂ©gie EREâ, Ă 7 MHz, pour le dĂ©faut « exemple », dâune longueur de 200 ”m suivant lâaxe~i, dâuneprofondeur de 400 ”m et dâune largeur de 100 ”m suivant lâaxe ~j (superposĂ© en pointillĂ©s)
3.1. LES REPRĂSENTATIONS DES SIGNAUX CF 41
DĂ©faut
d
e
f
b
c g
a
~j
~i
Bobine Bobine Bobineémettriceémettrice réceptrice
Bobine Bobine Bobineémettriceémettrice réceptrice
Bobine Bobine Bobineémettriceémettrice réceptrice
Bobine Bobine Bobineémettriceréceptriceémettrice
Bobine Bobine Bobineémettriceémettrice réceptrice
Bobine Bobine Bobineémettriceémettrice réceptrice
Bobine Bobine Bobineémettriceémettrice réceptrice
0,5-0,5 1-1 01
0,5
-0,5
-1
0
Fig. 3.4 â SchĂ©ma reprĂ©sentant pour quelques points de mesure la position de la sonde par rapportau dĂ©faut
la sonde comme un filtre de traitement bidimensionnel discret
(ni,nj) 7â h (ni,nj)
qui transforme une image binaire e (ni,nj) contenant le dĂ©faut vu selon lâaxe ~k en lâimage constituĂ©epar le module du signal CF s (ni,nj) montrĂ©e par exemple dans les figures 3.2 ou 3.3. Un tel filtrelinĂ©aire2 permet alors dâĂ©crire, sans prendre en compte le bruit extĂ©rieur
s (ni,nj) = (h â e) (ni,nj) =â
p
â
q
(h (ni â p,nj â q) e (p,q)) (3.1)
oĂč â est lâopĂ©rateur de convolution. Il vient alors que les dĂ©fauts dont les dimensions sont trĂšs faiblespar rapport Ă celles de la sonde constituent des impulsions de Dirac de lâensemble des dĂ©fauts, câestĂ dire des images dâentrĂ©e dont lâimage de sortie correspondante est proportionnelle Ă la rĂ©ponseimpulsionnelle du filtre h. Cela correspond bien Ă la ressemblance des rĂ©ponses engendrĂ©es par tousces dĂ©fauts.
La rĂ©ponse impulsionnelle de la sonde Ă©tant ainsi connue grĂące Ă lâacquisition autour dâun dĂ©faut defaibles dimensions, il est possible de calculer a priori ce que sera le signal CF pour un dĂ©faut de tailleimportante grĂące Ă la formule prĂ©cĂ©dente. La figure 3.5 montre lâexemple dâun dĂ©faut rĂ©ellement Ă©valuĂ©Ă lâaide de la sonde Ă microbobines CI et de la convolution de lâimage binaire du dĂ©faut par la rĂ©ponseimpulsionnelle de la sonde. Le dĂ©faut en question est composĂ© de deux fissures perpendiculaires delongueur 4,5 et 5 mm et de largeur 1 mm, espacĂ©es par un isthme large de 1,5 mm : le dĂ©faut nâa
2La sous-section 1.3.1 explique que le phĂ©nomĂšne des courants de Foucault nâest pas linĂ©aire et que les amplitudesdes grandeurs dâintĂ©rĂȘt ne varient pas linĂ©airement en fonction des perturbations. Cela ne signifie pas quâil est impossibledâutiliser la thĂ©orie des filtres linĂ©aires : il suffit que les thĂ©orĂšmes de superposition et dâinvariance par translationsoient vĂ©rifiĂ©s. Si la vĂ©rification du deuxiĂšme thĂ©orĂšme est Ă©vidente, lâhypothĂšse de superposition est souvent faite, parexemple dans le cas de lâhypothĂšse de Born[Zor90]. En pratique, cette hypothĂšse est valable dans un domaine de validitĂ©restreint[LDJ07].
42 CHAPITRE 3. SIGNAUX ET PRĂTRAITEMENTS
pas une forme triviale. Cette convolution donne une image assez proche de lâimage correspondant aumodule du signal CF rĂ©ellement obtenue : les arĂȘtes suivant lâaxe ~j sont trĂšs visibles, tandis que lesarĂȘtes suivant lâaxe ~i sont presque invisibles. Seuls les contours des dĂ©fauts peuvent ĂȘtre dĂ©tectĂ©s, carla structure de la sonde est diffĂ©rentielle.
-2
0
-4
2
4
axe~ j
(mm
)
0-4 -2 2 4axe ~i (mm)
Image binaire
du défaut considéré
axe~ j
(mm
)
axe ~i (mm)
RĂ©ponse impulsionnelle
de la sonde CF
0
0
-2
-1
2
1
-1-2 21
0
axe~ j
(mm
)
0axe ~i (mm)
Convolution de lâimage binaire
et de la réponse impulsionnelle
-3-6 3 6
-6
6
-3
3
0
axe~ j
(mm
)
0axe ~i (mm)
Signal CF
réellement acquis
-6 6
6
-6
-3
3
-3 3
Fig. 3.5 â Correspondance entre le rĂ©sultat de la thĂ©orie des filtres et lâacquisition rĂ©elle : exempledâun dĂ©faut de forme non triviale
Ces signaux peuvent encore ĂȘtre utilisĂ©s Ă des fins de traitement du signal par les algorithmesdâinversion ou de dĂ©convolution. Ces algorithmes ont pour but de rĂ©aliser le traitement inverse decelui effectuĂ© par la sonde, câest-Ă -dire revenir Ă lâimage originale du dĂ©faut. Il est souvent questiondâutiliser la transformĂ©e de Fourier discrĂšte (TFD) de h, notĂ©e H. Cette matrice doit ĂȘtre inversĂ©e,et la transformĂ©e inverse de Fourier de la matrice ainsi obtenue correspond au filtre inverse hâ1. Lamatrice H est rarement inversible, et plusieurs mĂ©thodes dâinversion approchĂ©e existent. Parmi cesmĂ©thodes se trouvent
â le calcul de la matrice pseudo-inverse, obtenu par la fonction Matlab pinv Ă lâaide de la mĂ©thodede Moore-Penrose[Moo20, Pen55], par dĂ©composition en valeurs singuliĂšres ;
â le calcul du filtre inverse de Wiener[PAC90], qui fait intervenir les densitĂ©s spectrales de puissance(DSP) ÏB du bruit et ÏS du signal et qui sâĂ©crit pour chaque couple de frĂ©quences spatiales (fi,fj)
W (fi,fj) = Hâ1 (fi,fj) =conj (H (fi,fj))
(H (fi,fj))2 +
(ÏB(fi,fj)ÏS(fi,fj)
)2
Il est par consĂ©quent nĂ©cessaire dâĂ©valuer ces DSP, câest-Ă -dire souvent de les supposer a priori.
Ces deux mĂ©thodes ont Ă©tĂ© mises en Ćuvre sur les acquisitions effectuĂ©es. Les faibles dimensions desdĂ©fauts considĂ©rĂ©s ont eu pour consĂ©quence des rĂ©sultats peu concluants. NĂ©anmoins, trois observationsont pu ĂȘtre dĂ©gagĂ©es au sujet de ces deux mĂ©thodes :
â Elles donnent des rĂ©sultats assez proches. Si les DSP dans lâexpression du filtre de Wiener sontcorrectement estimĂ©es, le rĂ©sultat de cette mĂ©thode de dĂ©convolution est normalement meilleur,en termes de rapport signal sur bruit, car la pseudo-inversion produit une amplification du bruitdue Ă lâinversion des plus faibles valeurs singuliĂšres de H.
â Le calcul de la pseudo-inverse devient extrĂȘmement coĂ»teux en temps de calcul lorsque la taillede h devient importante. Ce nâest pas le cas du filtre de Wiener, qui est un simple calcul pointpar point de matrices.
â En termes de simplicitĂ© de mise en Ćuvre, le filtre de Wiener a lâinconvĂ©nient majeur de ne pasĂȘtre universel : au contraire de la matrice de Moore-Penrose, il faut le recalculer pour chaqueimage s. De plus, le rĂ©glage consistant Ă lâestimation des DSP est relativement sensible. Si laquantitĂ© ÏB/ÏS dĂ©terminĂ©e est trop faible, le rĂ©sultat nâest que trĂšs peu amĂ©liorĂ© par rapportĂ la pseudo-inversion. Si la quantitĂ© ÏB/ÏS dĂ©terminĂ©e est surestimĂ©e, lâapparition de lobessecondaires latĂ©raux constitue une baisse sensible de la qualitĂ© de dĂ©convolution.
3.1. LES REPRĂSENTATIONS DES SIGNAUX CF 43
En conclusion, cette approche linĂ©aire permet dans certains cas de proposer efficacement des prĂ©-traitements de dĂ©convolution favorisant lâinterprĂ©tabilitĂ© des images CF, mais reste dans le cas gĂ©nĂ©ralinsuffisante pour la caractĂ©risation quantitative des dĂ©fauts. Il faut alors mettre en Ćuvre des modĂšlesinverse plus Ă©laborĂ©s, qui font actuellement lâobjet dâune recherche active.
3.1.2 Une deuxiÚme représentation : la signature complexe
Une deuxiĂšme reprĂ©sentation des signaux CF est trĂšs utilisĂ©e dans le domaine du CND par CF.Il sâagit de la reprĂ©sentation dans le plan complexe de chaque valeur mesurĂ©e de la transimpĂ©dance.Lâabscisse et lâordonnĂ©e correspondent respectivement aux parties rĂ©elle et imaginaire de cette grandeurcomplexe.
Lorsque lâĂ©valuation est effectuĂ©e le long dâune ligne uniquement, Ă©valuation qui peut ĂȘtre reprĂ©-sentĂ©e sous forme de B-scan, il est dâusage de relier les points de mesure entre eux, afin de garderune information spatiale sur lâordre des points complexes. Ce genre de graphe est alors appelĂ© courbeou figure de Lissajous. Dans le cas des acquisitions effectuĂ©es ici, il est prĂ©fĂ©rable de ne pas lier lespoints entre eux, afin de garder une certaine lisibilitĂ© des graphes. La figure 3.6 montre les signaturesobtenues pour le dĂ©faut « exemple » avec les deux technologies de microbobines. Chaque croix cor-respond Ă un point de mesure (les points de mesure sont espacĂ©s sur les deux axes ~i et ~j de 200 ”mpour les acquisitions faites avec la sonde Ă microbobines CI et de 100 ”m dans le cas des bobinesmicromoulĂ©es).
-0,05-0,06-0,07
-0,03
-0,02
-0,04
-0,05
-0,07
-0,06
-0,02-0,06 -0,04 0 0,02
0,07
0,04
0,06
0,05
(a) Microbobines CI
(b) Bobines micromoulées
Part
ieim
agin
air
e(Ω
)
Part
ieim
agin
air
e(Ω
)
Partie réelle (Ω)
Partie réelle (Ω)
Fig. 3.6 â Signatures complexes obtenues avec le dĂ©faut « exemple »
Sur chacune de ces deux signatures, les points centraux correspondent aux mesures hors de la zonede signal utile, loin du dĂ©faut. Comme avec la reprĂ©sentation C-scan, cette valeur centrale moyenneest non nulle. Une variation complexe constituĂ©e dâun grand nombre de points, symĂ©trique de part etdâautre de cette valeur moyenne, correspond aux lobes des figures 3.2 et 3.3.
MalgrĂ© la perte des informations spatiales comme la forme du signal utile, cette reprĂ©sentation offredes nouvelles informations. En particulier, elle permet de mieux visualiser les tendances gĂ©nĂ©rales devariation de lâimpĂ©dance de la sonde, en module et en phase. Ce mode de reprĂ©sentation est souvent
44 CHAPITRE 3. SIGNAUX ET PRĂTRAITEMENTS
choisi comme point de dĂ©part pour paramĂ©triser3 lâacquisition, câest-Ă -dire rĂ©duire Ă quelques valeursune signature CF entiĂšre[KSK+04]. Une paramĂ©trisation des signatures CF est par exemple lâobjet duchapitre 5. Elle y sert Ă obtenir les dimensions des dĂ©fauts dĂ©tectĂ©s.
3.1.3 Une (presque-)troisiĂšme reprĂ©sentation : lâamplitude principale
3.1.3.1 IntĂ©rĂȘt de la transformation
La derniĂšre possibilitĂ© pour la reprĂ©sentation des signaux CF nâen est pas vraiment une. Il sâagitdes mesures complexes, projetĂ©es sur lâaxe de plus grande variation de la signature CF et reprĂ©sentĂ©esen tant quâimage spatiale. Cela reste une sorte de C-scan, appelĂ©e par la suite « image CF ».
LâintĂ©rĂȘt de cette reprĂ©sentation est de simplifier la visualisation des images CF des dĂ©fauts, auprix dâune perte si possible minime dâinformations. En effet, comme cela est visible sur les figures 3.2et 3.3, se contenter dâune image unique par signal CF signifie nĂ©cessairement faire un choix entremodule, partie rĂ©elle et partie imaginaire. Choisir le module pose le problĂšme de lâopposition desvaleurs des deux lobes : le module Ă©tant toujours positif, lâopposition ne peut ĂȘtre conservĂ©e. Les deuxderniĂšres grandeurs ne sont pas prĂ©fĂ©rables lâune Ă lâautre et il est par consĂ©quent difficile dâen choisirarbitrairement une. La plus intĂ©ressante des deux serait, dâaprĂšs les signatures CF des figures 3.6-aet 3.6-b, plutĂŽt la partie imaginaire pour la premiĂšre, plutĂŽt la partie rĂ©elle pour la seconde. LâidĂ©eest alors de choisir une combinaison linĂ©aire des deux, qui maximise lâĂ©nergie du signal CF conservĂ©e.Plusieurs techniques existent pour ce faire.
3.1.3.2 PremiĂšre mĂ©thode : lâanalyse en composantes principales
Le terme « amplitude principale » peut ĂȘtre rapportĂ© Ă la mĂ©thode de lâanalyse en composantesprincipales (ACP), qui effectue une comparaison des diffĂ©rentes composantes dâun signal, aprĂšs pro-jection dans un sous-espace de reprĂ©sentation engendrĂ© par une nouvelle base orthogonale[Sap78,MKB79]. Cette base orthogonale peut ĂȘtre indiffĂ©remment dĂ©terminĂ©e Ă lâaide de la dĂ©composition envaleurs singuliĂšres[Bjo96] de la matrice de covariance des deux vecteurs partie rĂ©elle et partie imagi-naire, ou de la matrice dont les colonnes sont ces deux vecteurs. Lâeffet produit est la maximisation desprojections orthogonales des points sur chacun des axes dĂ©finis. La premiĂšre composante produite parlâACP est a priori lâamplitude principale recherchĂ©e, du moins pour le type de signaux CF considĂ©rĂ©sici.
3.1.3.3 DeuxiĂšme mĂ©thode : lâestimateur des moindres carrĂ©s ordinaires
Une autre mĂ©thode est le calcul de lâestimateur des moindres carrĂ©s ordinaires (EMCO). CettemĂ©thode permet de minimiser la somme des carrĂ©s des erreurs entre les valeurs mesurĂ©es et les valeursestimĂ©es[VHV91]. Il sâagit souvent de mesures y rĂ©alisĂ©es pour un paramĂštre de mesure x connu : lebut est alors de minimiser lâerreur y â y dâestimation. Ces erreurs sont par consĂ©quent les distancesverticales entre les points de mesure et la droite trouvĂ©e, comme indiquĂ© par la figure 3.7-a.
Dans le cas de cette Ă©tude, lâutilisation de lâEMCO est sensiblement diffĂ©rente, car le but est dedĂ©terminer lâexistence dâune relation entre deux grandeurs mesurĂ©es. Il nây a aucune lĂ©gitimitĂ© Ă donnerun sens physique diffĂ©rent aux parties rĂ©elle ou imaginaire de lâimpĂ©dance, qui jouent respectivement
3Comme beaucoup de termes techniques, le verbe paramĂ©triser est un anglicisme (de lâanglais to parameterize). Ilnâest pas correct et il serait prĂ©fĂ©rable en français classique de lui prĂ©fĂ©rer le verbe paramĂ©trer. NĂ©anmoins, lâaction enquestion ici est bien diffĂ©rente de paramĂ©trer au sens rĂ©gler des paramĂštres, mais signifie trouver comment dĂ©finir cesparamĂštres et Ă©tudier comment il est possible de sâen servir. Câest pourquoi utiliser un terme diffĂ©rent nâest pas aberrant.
3.1. LES REPRĂSENTATIONS DES SIGNAUX CF 45
le rÎle de x et y. Il convient donc de minimiser ici la distance orthogonale à la droite recherchée, commele montre la figure 3.7-b.
y
x0
Droite estimée
Points de mesure
(b) Distances orthogonales(a) Distances verticales
0
y = Partie imaginaire
x = Partie réelle
Fig. 3.7 â Distances ou erreurs pouvant ĂȘtre considĂ©rĂ©es pour lâestimateur des moindres carrĂ©s ordi-naires
Le calcul de cette droite prend en compte les n points de mesure de coordonnées (xi,yi). La moyennedes x, la variance des x et la covariance des (x,y) sont respectivement notées
x =1n
nâ
i=1
xi
V(x) =1n
nâ
i=1
(xi â x)2
cov(x,y) =1n
nâ
i=1
(xi â x) (yi â y)
Pour une droite affine quelconque, dâĂ©quation
a x+ b y + c = 0 (3.2)
oĂč a, b et c sont les paramĂštres Ă dĂ©terminer, la distance algĂ©brique depuis un point de coordonnĂ©es(xi,yi) est dĂ©finie par
di =a xi + b yi + câa2 + b2
(3.3)
La somme des carrĂ©s des distances entre les n points de mesure et la droite sâĂ©crit
ÎŁ(a,b,c) =1
a2 + b2
nâ
i=1
(a xi + b yi + c)2
=1
a2 + b2
[nâ
i=1
(a xi + b yi)2 + 2
nâ
i=1
(a xi + b yi) c+ n c2]
Sa dérivée partielle par rapport à c vaut
âÎŁ
âc=
2a2 + b2
[nâ
i=1
(a xi + b yi) + n c
]
et sâannule si et seulement si
c = â 1n
nâ
i=1
(a xi + b yi) = âa xâ b y
46 CHAPITRE 3. SIGNAUX ET PRĂTRAITEMENTS
Cela signifie que la droite minimisant lâerreur orthogonale passe par le barycentre (x,y) de lâensembledes points de mesure. AprĂšs substitution, la somme Ă minimiser sâĂ©crit
ÎŁ(a,b) =1
a2 + b2
[nâ
i=1
(a (xi â x) + b (yi â y))2
]
=1
a2 + b2
[a2
nâ
i=1
(xi â x)2 + b2nâ
i=1
(yi â y)2 + 2 a bnâ
i=1
(xi â x) (yi â y)]
=n
a2 + b2(a2 V(x) + b2 V(y) + 2 a b cov(x,y)
)(3.4)
Pour minimiser cette somme, ses dérivées partielles par rapport à a et b sont calculées :
âÎŁ
âa=
n
(a2 + b2)2
[2 a b2 (V(x)âV(y)) + 2
(b3 â a2 b
)cov(x,y)
]
âÎŁ
âb=
n
(a2 + b2)2
[2 a2 b (V(y)âV(x)) + 2
(a3 â a b2
)cov(x,y)
]
Lâannulation de ces deux dĂ©rivĂ©es engendre la mĂȘme Ă©quation
a b (V(y)âV(x)) +(a2 â b2
)cov(x,y) = 0 (3.5)
En fixant b, il est possible de calculer la valeur de a par la rĂ©solution de lâĂ©quation du second degrĂ©4,soit
a = bV(x)âV(y)±
â(V(x)âV(y))2 + 4 cov2(x,y)
2 cov(x,y)
La symĂ©trie de lâĂ©quation 3.5 donne au calcul Ă©quivalent pour b en fixant a un rĂ©sultat identique. Ilest alors envisageable de choisir, par exemple, dâavoir un couple (a,b) normalisĂ© tel que
a2 + b2 = 1 et b â„ 0
Les deux solutions trouvĂ©es correspondent Ă deux extrema de la somme S. La solution minimalecorrespond Ă une dĂ©rivĂ©e seconde de S par rapport Ă a positive. La valeur de cette dĂ©rivĂ©e seconde,lorsque la dĂ©rivĂ©e premiĂšre sâannule, est positive si et seulement si
2 a cov(x,y) †b (V(x)âV(y))
Cette inéquation permet de choisir la solution correcte, qui est
a = b
V(x)âV(y)â
â(V(x)âV(y))2 + 4 cov2(x,y)
2 cov(x,y)
= bK
ce qui conduit Ă la solution
a =Kâ
1 +K2et b =
1â1 +K2
4Si la quantitĂ© cov(x,y) est nulle, lâĂ©quation 3.5 est une Ă©quation du premier degrĂ© Ă deux variables. Deux cas sontalors possibles :
â V(x) = V(y) : lâĂ©quation 3.5 est toujours vĂ©rifiĂ©e, nâimporte quels a et b la satisfont. Pour satisfaire la symĂ©trie delâĂ©quation 3.4, il est logique de choisir a = b.
â V(x) 6= V(y) : lâĂ©quation 3.5 est vĂ©rifiĂ©e si et seulement si a = 0 ou b = 0. La minimisation de la somme dĂ©finie parlâĂ©quation 3.4 est rĂ©alisĂ©e en choisissant a = 0 si V(x) > V(y) et b = 0 sinon.
En pratique, le fait que cov(x,y) = 0 et V(x) = V(y) simultanĂ©ment est hautement improbable, car dans le cas prĂ©sentx et y sont fortement dĂ©pendantes. cov(x,y) = 0 ne se produit en fait que lorsque lâune des deux donnĂ©es est constantede façon uniforme sur lâensemble de lâacquisition.
3.1. LES REPRĂSENTATIONS DES SIGNAUX CF 47
qui peut ĂȘtre simplifiĂ©e5 en
a = â signe (cov(x,y))
âââââ12
1â V(x)âV(y)â
(V(x)âV(y))2 + 4 cov2(x,y)
(3.6)
b =
âââââ12
1 +
V(x)âV(y)â(V(x)âV(y))2 + 4 cov2(x,y)
(3.7)
Lâamplitude principale sâČ est lâabscisse de la projection de chaque point de mesure sur la droitedĂ©terminĂ©e. Cette projection orthogonale sâĂ©crit, Ă une constante additive prĂšs
sâČi =b xi â a yiâa2 + b2
= b xi â a yi
3.1.3.4 TroisiÚme méthode : le maximum de vraisemblance
Une troisiĂšme mĂ©thode est celle du maximum de vraisemblance. Il y est question de dĂ©termi-ner les paramĂštres dâune loi de distribution afin de lâoptimiser pour lâensemble des Ă©chantillonsmesurĂ©s[Rao65]. En pratique, il faut trouver une variable alĂ©atoire fonction des mesures effectuĂ©es,dont la loi de distribution dĂ©pend des paramĂštres recherchĂ©s. Le choix des paramĂštres est effectuĂ©grĂące Ă la maximisation de la vraisemblance qui prend en compte lâensemble des probabilitĂ©s pourchacune des mesures.
Ici, les paramĂštres recherchĂ©s sont les coefficients a, b et c de la droite dâĂ©quation 3.2. La variablealĂ©atoire choisie est la distance algĂ©brique di dĂ©finie par lâĂ©quation 3.3. Cette distance Ă©quivaut Ă lâerreur commise. Si la distribution de cette variable alĂ©atoire est posĂ©e, par hypothĂšse, comme Ă©tantune loi normale centrĂ©e et dâĂ©cart-type Ï, la densitĂ© de probabilitĂ© de di sâexprime
fa,b,c(xi,yi) =1â
2 ÏÏexp
(â di
2
2Ï2
)
En supposant lâindĂ©pendance entre les diffĂ©rents Ă©chantillons, la vraisemblance est par dĂ©finition leproduit de lâensemble des n densitĂ©s de la variable alĂ©atoire prise pour chaque Ă©chantillon, soit
La,b,c ((x1,y1),(x2,y2), . . . ,(xn,yn)) =(
1â2 ÏÏ
)nexp
(â 1
2Ï2
1a2 + b2
nâ
i=1
(a xi + b yi + c)2
)
Trouver les paramĂštres a, b et c qui maximisent cette quantitĂ© nâest pas chose aisĂ©e. Cependant, ilest possible dâobtenir les mĂȘmes paramĂštres en utilisant la fonction logarithme nĂ©pĂ©rien ln. En effet,La,b,c est strictement positive et ln est croissante et monotone. Il vient
ln (La,b,c ((x1,y1),(x2,y2), . . . ,(xn,yn))) = n ln(
1â2 ÏÏ
)â 1
2Ï2
1a2 + b2
nâ
i=1
(a xi + b yi + c)2
= n ln(
1â2 ÏÏ
)â 1
2Ï2ÎŁ(a,b,c)
oĂč ÎŁ(a,b,c) est la somme des distances carrĂ©es minimisĂ©e prĂ©cĂ©demment pour le calcul de lâEMCO.Il apparaĂźt clair que maximiser la quantitĂ© ln (La,b,c) en fonction de a, b et c revient exactement Ă minimiser ÎŁ(a,b,c). La mĂ©thode du maximum de vraisemblance donne, dans le cas Ă©tudiĂ©, le mĂȘmerĂ©sultat que le calcul de lâEMCO.
5En posant signe(0) = 1, cette Ă©criture permet de prendre aussi en compte les cas oĂč cov(x,y) = 0 et V(x) 6= V(y).
48 CHAPITRE 3. SIGNAUX ET PRĂTRAITEMENTS
3.1.3.5 Mise en Ćuvre
Les rĂ©sultats donnĂ©s par les deux mĂ©thodes de calcul (ACP et EMCO) sont numĂ©riquement rigou-reusement identiques. Ceci est dĂ» Ă lâutilisation dans le calcul de lâACP de la covariance des donnĂ©es.Le calcul de lâEMCO faisant lui aussi intervenir les variances et covariances des parties rĂ©elles x etimaginaires y, les deux calculs ont un fondement thĂ©orique diffĂ©rent mais une mise en Ćuvre similaireet donnant par consĂ©quent le mĂȘme rĂ©sultat.
Une image unique est obtenue, qui maintient la visualisation de la forme gĂ©omĂ©trique des signauxCF. Les amplitudes principales correspondant au dĂ©faut « exemple » sont reprĂ©sentĂ©es dans la fi-gure 3.8. La dynamique de ces grandeurs, câest-Ă -dire la diffĂ©rence entre les valeurs extrĂȘmes, visiblesur les Ă©chelles de couleurs, est bien maximisĂ©e.
Microbobines CI Bobines micromoulées
1
0,5
-0,5
-1
axe~ j
(mm
)0
0,5-0,5 1-1axe ~i (mm)
0
Module (Ω)
0,04
0,02
0
-0,02
-0,04
Module (Ω)
-2 -1 1 20axe ~i (mm)
axe~ j
(mm
)
-2
2
0
1
-1
-0,03
-0,015
0
0,015
0,03
Fig. 3.8 â Amplitudes principales (images CF) obtenues pour le dĂ©faut « exemple », Ă comparer avecles figures 3.2 et 3.3
3.2 Lâorientation des dĂ©fauts
La section 2.4 a prĂ©sentĂ© la piĂšce Ă©chantillon, qui comporte des dĂ©fauts rectilignes suivant lâaxe~i et lâaxe ~j. Il a par ailleurs Ă©tĂ© vu Ă la sous-section 2.1.3 que le contrĂŽle par courants de Foucaultest relativement sensible Ă lâorientation des dĂ©fauts. RĂ©aliser des acquisitions pour deux orientationsperpendiculaires de dĂ©fauts nâest pas suffisant pour pouvoir dĂ©terminer des rĂ©sultats gĂ©nĂ©raux ouanalyser les performances dans lâensemble des cas possibles. Il a Ă©tĂ© choisi, dans ce but de gĂ©nĂ©ralisation,dâaugmenter le nombre dâorientations.
3.2.1 Les différentes orientations
Lors des acquisitions, la piÚce a été utilisée dans deux positions :
â la position originale, oĂč les dĂ©fauts sont orientĂ©s suivant lâaxe ~i ou lâaxe ~j ;â une position oblique aprĂšs rotation de 45Ë, oĂč les dĂ©fauts sont orientĂ©s suivant les axes ~iâ~j et~i+~j.
Les quatre orientations, appelĂ©es respectivement oi, oj, oiâj et oi+j, sont schĂ©matisĂ©es sur la figure 3.9.
Les diffĂ©rentes orientations rĂ©sultent en des signaux aux formes visuellement assez diffĂ©rentes. Lafigure 3.10 montre lâamplitude principale pour des dĂ©fauts de mĂȘme taille que le dĂ©faut « exemple »,mais selon les 4 orientations. Lâimage CF du dĂ©faut oj prĂ©sente des lobes primaires dâĂ©tendue plus
3.2. LâORIENTATION DES DĂFAUTS 49
~j
~i
oi oiâj oi+joj
Fig. 3.9 â Orientations schĂ©matisĂ©es des dĂ©fauts
restreinte que pour le dĂ©faut oi, mais aussi des lobes secondaires non nĂ©gligeables. Les images CF desdĂ©fauts oiâj et oi+j sont lĂ©gĂšrement dĂ©formĂ©es perpendiculairement au dĂ©faut. La figure 3.11 superposeles signatures CF des 4 orientations. Il nây a aucune diffĂ©rence de forme ni dâangle des signatures. Ladynamique, par contre, diffĂšre de façon importante, notamment entre les dĂ©fauts oi et oj. Les signauxCF des dĂ©fauts oiâj et oi+j ont eux des dynamiques identiques, du fait de leur symĂ©trie par rapport Ă lâaxe ~i.
1
0,5
-0,5
-1
axe~ j
(mm
)
0
0,5-0,5 1-1axe ~i (mm)
0
1
0,5
-0,5
-1
axe~ j
(mm
)
0
0,5-0,5 1-1axe ~i (mm)
01
0,5
-0,5
-1
axe~ j
(mm
)
0
0,5-0,5 1-1axe ~i (mm)
0
1
0,5
-0,5
-1
axe~ j
(mm
)
0
0,5-0,5 1-1axe ~i (mm)
0
0,04
0,02
0
-0,02
-0,04
0,02
-0,01
0
0,01 0,01
0
0,01
0,02
0,01
0
-0,01
-0,02
Orientation axe ~i Orientation axe ~j
Orientation axe (~iâ~j) Orientation axe (~i+~j)
Fig. 3.10 â Amplitudes principales pour des dĂ©fauts dâune longueur de 200 ”m dans les diffĂ©rentesorientations, obtenues avec la sonde Ă bobines micromoulĂ©es connectĂ©es selon la stratĂ©gie EREâ, Ă 7 MHz
3.2.2 La combinaison dâimages
Les stratĂ©gies dâĂ©mission-rĂ©ception exposĂ©es Ă la section 2.5 sont Ă considĂ©rer comme Ă©tant desstructures Ă©lĂ©mentaires dâune matrice en deux dimensions de 9 microbobines, elle-mĂȘme brique Ă©lĂ©-mentaire dâune matrice plus grande. Ă ce titre, les acquisitions rĂ©alisĂ©es permettent de simuler lefonctionnement dâune telle matrice Ă deux dimensions, grĂące Ă la combinaison des images de dĂ©fautsde mĂȘmes dimensions.
En effet, lâĂ©valuation conjointe de dĂ©fauts orientĂ©s selon lâaxe ~i et de dĂ©fauts identiques orientĂ©sselon lâaxe ~j permet dâobtenir pour une mĂȘme dimension trois signatures diffĂ©rentes. La figure 3.12
50 CHAPITRE 3. SIGNAUX ET PRĂTRAITEMENTS
-0,02
-0,01
0
0,01
0,02
-0,02-0,04 0 0,02 0,04
oi
oj
oiâj
oi+j
Partie imaginaire (Ω)
Part
ieré
elle
(Ω)
Fig. 3.11 â Signatures superposĂ©es des dĂ©fauts dâune longueur de 200 ”m dans les diffĂ©rentes orienta-tions, acquisitions Ă 7 MHz avec les bobines micromoulĂ©es, stratĂ©gie EREâ
schĂ©matise ces trois modes dâacquisition Ă©quivalents, dans le cas des stratĂ©gies Ă trois microbobines 6.Le signal CF du dĂ©faut oi est conservĂ© sans modification, tandis que celui du dĂ©faut oj Ă©quivaut, aprĂšsavoir subi une rotation, Ă lâacquisition effectuĂ©e pour un dĂ©faut oi par trois microbobines situĂ©es enligne sur lâaxe ~j. Enfin, la somme en chaque point de mesure de ces deux signaux correspond Ă ce quipeut ĂȘtre rĂ©alisĂ© simultanĂ©ment par deux lignes de microbobines perpendiculaires. Chacun des troissignaux rĂ©sultant de ces modes est notĂ©, conformĂ©ment Ă la figure 3.12,
â mâi pour le signal CF du dĂ©faut oi ;â mâ„i pour le signal CF du dĂ©faut oj aprĂšs rotation horaire ;â mc,i pour le signal CF somme des deux modes prĂ©cĂ©dents (mode combinĂ©).
De plus, la mĂȘme combinaison peut ĂȘtre effectuĂ©e pour les acquisitions des dĂ©fauts orientĂ©s Ă 45Ë etdonne les signaux notĂ©s
â mâÄł pour le signal CF du dĂ©faut oiâj ;â mâ„Äł pour le signal CF du dĂ©faut oi+j aprĂšs rotation horaire ;â mc,Äł pour le signal CF somme des deux modes prĂ©cĂ©dents (mode combinĂ©).
LâutilitĂ© de cette combinaison est par exemple comprĂ©hensible en termes de dĂ©tection. Un dĂ©fautdâune dimension donnĂ©e produit un signal beaucoup plus intense sâil est parallĂšle Ă lâorientation dela sonde que sâil est perpendiculaire. Cela signifie que la dĂ©tection de ce dĂ©faut dĂ©pend certainementde son orientation. Le mode combinĂ© mc,i produit un signal Ă©quivalent pour les deux orientationsperpendiculaires de dĂ©faut et permet de dĂ©tecter de façon Ă©quivalente deux dĂ©fauts suivant ces deuxorientations.
3.3 Dâautres prĂ©traitements
Les signaux CF bruts aprÚs acquisition nécessitent quelques traitements préliminaires à la trans-formation en amplitude principale et à leur utilisation dans les algorithmes de détection et de carac-térisation décrits aux chapitres 4 et 5. Trois prétraitements sont réalisés :
â filtrage de type moyennageUn filtrage bidimensionnel est effectuĂ© indĂ©pendamment sur la partie rĂ©elle et sur la partieimaginaire de chaque signal CF complexe. Ce filtrage de type moyennage a pour but de supprimer
6Pour la stratĂ©gie E/R Ă une seule microbobine, ce genre de considĂ©ration est sans intĂ©rĂȘt. En effet, la sonde nâaalors pas de direction privilĂ©giĂ©e, et chaque dĂ©faut est vu de la mĂȘme façon indĂ©pendamment de son orientation. Pour lastratĂ©gie ER Ă deux microbobines, il serait Ă©ventuellement possible de concevoir de telles combinaisons, nĂ©cessairementdiffĂ©rentes de celles dĂ©finies ici. Cela nâa pas Ă©tĂ© fait, les stratĂ©gies EREâ et RER Ă©tant a priori plus intĂ©ressantes entermes de performances.
3.4. LA DĂCIMATION 51
Modes
dâacquisition
Ă©quivalents
dâacquisition
Modes
réels
somme
E ER RE E
R
E
E
E R E E R
E
E
E
DĂ©fauts
rotation
Mode mâ„iMode mâi Mode mc,i
~j
~i
~j
~i
~j
~i
~j
~i
~i
~j
Fig. 3.12 â SchĂ©ma des diffĂ©rents modes dâacquisition Ă©quivalents pour un mĂȘme dĂ©faut
les variations franches entre deux pixels voisins et de limiter lâinfluence des points « aberrants ».Dans le domaine frĂ©quentiel, il est Ă©quivalent Ă un filtrage de type passe-bas, attĂ©nuant les hautesfrĂ©quences spatiales.
â centrage des valeurs complexesLa soustraction uniforme de la valeur moyenne calculĂ©e hors de la zone de signal utile est rĂ©alisĂ©e,indĂ©pendamment sur la partie rĂ©elle et sur la partie imaginaire de chaque signal CF. Les signauxCF traitĂ©s sont donc Ă valeur moyenne nulle hors de la zone de signal utile.
â centrage spatialLes zones de « masque » oĂč seront appliquĂ©s les algorithmes de dĂ©tection et de caractĂ©risationdoivent ĂȘtre parfaitement positionnĂ©es par rapport aux dĂ©fauts Ă©valuĂ©s, afin de reproduire defaçon systĂ©matique le mĂȘme comportement sur ces dĂ©fauts calibrĂ©s. Cependant, le positionne-ment mĂ©canique du dispositif nâest pas assurĂ© prĂ©cisĂ©ment, malgrĂ© le pas spatial trĂšs faible(12,5 ”m) du bras robotisĂ©, car la piĂšce est positionnĂ©e manuellement. Une variation du centrespatial du signal CF autour de la position attendue a ainsi Ă©tĂ© observĂ©e sur les donnĂ©es brutes.Cette variation est au maximum de lâordre de 200 ”m, ce qui reste faible mais nĂ©anmoins nonnĂ©gligeable Ă lâĂ©chelle des dimensions des dĂ©fauts. Un centrage spatial est effectuĂ© sur le moduleaprĂšs soustraction de la moyenne, par une reconnaissance basique de forme des signaux CF7.
3.4 La décimation
Les signaux CF prĂ©sentĂ©s dans ce chapitre ne sont pas des signaux continus. Ils sont quantifiĂ©sdans les valeurs de leurs parties rĂ©elle et imaginaire, parce que lâimpĂ©dancemĂštre utilisĂ© est numĂ©riqueavec un pas de quantification de 1 mΩ en rĂ©sistance et en rĂ©actance. Cette quantification nâest pasimportante ici, car les dynamiques typiques des signaux CF observĂ©s sont plus de 10 fois supĂ©rieures Ă cette valeur. Dâautre part, ils sont Ă©chantillonnĂ©s dans lâespace, par lâutilisation dâun systĂšme robotisĂ©et la prise de mesure discrĂšte avec un pas dâĂ©chantillonnage spatial choisi Ă 100 ”m ou 200 ”m.
7Les signaux CF provenant des stratĂ©gies dâĂ©mission-rĂ©ception, comme le montrent les figures 3.2, 3.3 et 3.11, possĂšdentdeux symĂ©tries : une symĂ©trie selon lâaxe ~j, et une antisymĂ©trie selon lâaxe~i. Ces symĂ©tries peuvent ĂȘtre dĂ©terminĂ©es parune « autoconvolution », comme cela est le cas dans les scripts produits pour cette Ă©tude.
52 CHAPITRE 3. SIGNAUX ET PRĂTRAITEMENTS
3.4.1 Pourquoi la décimation ?
Dans lâoptique dâune acquisition dans des conditions rĂ©alistes, la rapiditĂ© dâexĂ©cution est un facteuressentiel Ă la viabilitĂ© dâun systĂšme de CND. Il a dĂ©jĂ Ă©tĂ© dit dans le chapitre 1 que la technique desCF compte parmi ses avantages la rapiditĂ© dâacquisition, car lâĂ©tablissement des courants induits etdes champs Ă©lectromagnĂ©tiques est quasi-immĂ©diate, contrairement par exemple Ă la technique desultrasons qui nĂ©cessite une propagation Ă la vitesse du son dans le matĂ©riau inspectĂ©, ou Ă la radio-graphie qui nĂ©cessite un temps de pose pour imprĂ©gner le film sensible. Il a de plus Ă©tĂ© expliquĂ© dansla section 2.1.1 que lâintĂ©rĂȘt principal des sondes multiĂ©lĂ©ments est de diminuer le temps dâacquisitionen prenant des mesures sans dĂ©placement mĂ©canique.
Le temps total entre deux mesures de transimpĂ©dance, comprenant le temps de dĂ©placement (pourun pas de 100 ”m), le temps de mesure et le temps de stockage des donnĂ©es, a Ă©tĂ© Ă©valuĂ© Ă 0,37 sdans le cas des acquisitions prĂ©sentĂ©es prĂ©cĂ©demment. Cela signifie que lâinspection dâune surface de2 mm de cĂŽtĂ© soit 212 = 441 points, comme dans le cas des signaux CF prĂ©sentĂ©s aux figures 3.3 ou3.10, nĂ©cessite prĂšs de 3 minutes ; une Ă©valuation dâune zone de 2 cm de cĂŽtĂ© nĂ©cessite un temps 100fois plus grand. Cette durĂ©e nâest pas compatible avec des impĂ©ratifs industriels. Pour ĂȘtre davantagerĂ©aliste, deux mĂ©thodes existent :
â effectuer plusieurs mesures simultanĂ©es, Ă lâaide dâune matrice multiĂ©lĂ©ments ;â relever un nombre plus faible de mesures en augmentant le pas dâĂ©chantillonnage spatial
de déplacement de la sonde.
Les deux dĂ©marches peuvent ĂȘtre menĂ©es conjointement. Par exemple, une matrice multiĂ©lĂ©ments Ă deux dimensions de bobines micromoulĂ©es est capable, sans dĂ©placement mĂ©canique, de prendre aumieux une mesure tous les millimĂštres8 suivant les deux directions. Ceci est possible sans dĂ©placement,par consĂ©quent dans un temps trĂšs faible, par lâintermĂ©diaire dâun multiplexage temporel entre lesdiffĂ©rents groupes de microbobines. Pour obtenir un pas dâĂ©chantillonnage spatial de 100 ”m = 1
10 mmsur une zone aussi large que la sonde, il suffit de prendre un jeu de mesures dans 10 Ă 10 = 100positions diffĂ©rentes de la sonde, ce qui demanderait un temps dâexĂ©cution nettement plus faible quepour une sonde de trois microbobines en ligne balayant mĂ©caniquement la surface. En augmentant lepas dâĂ©chantillonnage spatial Ă 500 ”m, il suffit alors de rĂ©aliser seulement 4 jeux de mesures, le tempsdâacquisition devient alors trĂšs faible.
Les acquisitions effectuĂ©es dans le cadre de ces travaux permettent de simuler ce comportementet les rĂ©sultats quâil pourrait apporter. Pour ce faire, une dĂ©cimation des signaux CF mesurĂ©s estopĂ©rĂ©e. Il sâagit simplement de prendre, sur chaque axe du plan dâacquisition, une mesure toutes lesnd = pas/100 ”m, oĂč pas est le pas dâĂ©chantillonnage spatial du signal CF aprĂšs dĂ©cimation et 100 ”mle pas des acquisitions originales. nd est appelĂ© facteur de dĂ©cimation.
La valeur du facteur de dĂ©cimation sera comprise dans la suite de ce document entre 1 et 10. nd = 1correspond Ă aucune dĂ©cimation et un signal CF dĂ©cimĂ© identique au signal CF originalement acquis,tandis que nd = 10 correspond Ă un pas dâĂ©chantillonnage spatial pour le signal CF dĂ©cimĂ© Ă©gal Ă 1 mm, câest-Ă -dire aucun dĂ©placement mĂ©canique de la matrice de microbobines de deux dimensionsqui aurait pu rĂ©aliser lâacquisition.
3.4.2 Le critĂšre de Nyquist-Shannon
Les signaux CF sont des signaux complexes bidimensionnels. Comme pour des signaux temporels,il est possible dâanalyser les variations de ces signaux Ă lâaide du calcul du contenu frĂ©quentiel. Cegenre dâanalyse est usuellement menĂ© Ă lâaide dâoutils comme la transformĂ©e de Fourier discrĂšte (TFD)
8Il sâagit de la largeur des bobines micromoulĂ©es.
3.4. LA DĂCIMATION 53
S(fi,fj), qui pour le signal s(ni,nj) sâĂ©crit9
S(fi,fj) =Niâ1â
ni=0
Njâ1â
nj=0
s(ni,nj) exp (â2 Ï Ä± (fi ni Te + fj ni Te))
oĂč Ni et Nj sont les nombres de points de mesure suivant les axes~i et ~j, Te la pĂ©riode dâĂ©chantillonnagespatial soit le pas de mesure, en mm, fi et fj les frĂ©quences spatiales en mmâ1. La TFD a la propriĂ©tĂ©dâĂȘtre pĂ©riodique de pĂ©riode 1/Te. La figure 3.13 reprĂ©sente les modules des TFD des deux signauxCF des figures 3.2 et 3.3 pour les couples (fi,fj) vĂ©rifiant
(fi,fj) â[â 1
2Te,
12Te
]2
Microbobines CI Bobines micromoulées
r = 0, 7 mmâ1 r = 1, 7 mmâ1
0
-2 -1 1 2
-2
-1
1
2 4
2
-2
-4
-4 -2 2 4Fré
qu
ence
spati
alef
j(m
mâ
1)
Fré
qu
ence
spati
alef
j(m
mâ
1)
FrĂ©quence spatiale fi (mmâ1) FrĂ©quence spatiale fi (mmâ1)
0
0 0
Fig. 3.13 â Module des transformĂ©es de Fourier discrĂštes des signaux CF reprĂ©sentĂ©s aux figures 3.2et 3.3
LâĂ©nergie du signal est frĂ©quentiellement contenue Ă 98% dans un cercle centrĂ© de rayon 0,7 mmâ1
pour la sonde Ă microbobines CI et 1,7 mmâ1 pour celle Ă bobines micromoulĂ©es. LâĂ©chantillonnage estĂ©quivalent frĂ©quentiellement Ă un filtrage passe-bas, de frĂ©quence spatiale lâinverse du pas dâĂ©chantillon-nage. Si cette frĂ©quence est trop faible, un effet de recouvrement de spectre ou aliasing apparaĂźt sur lesplus hautes frĂ©quences du spectre du signal. Un Ă©chantillonnage correct dâun signal doit permettre dereconstruire le signal original par interpolation. Le thĂ©orĂšme de Nyquist-Shannon annonce que poureffectuer un tel Ă©chantillonnage, il faut une frĂ©quence dâĂ©chantillonnage Fe au moins supĂ©rieure audouble de la frĂ©quence maximale du signal, soit
Fe â„ 2Fmax
ou encoreTe â€
12Fmax
Ici, cela signifie un pas dâĂ©chantillonnage spatial maximal de 0,7 mm pour la sonde Ă microbobinesCI et 0,3 mm pour celle Ă bobines micromoulĂ©es. Ces valeurs correspondent, pour chaque technologiede microbobines, Ă peu prĂšs au tiers de la largeur des lobes observĂ©s sur les images CF et au tripledu pas dâĂ©chantillonnage choisi pour rĂ©aliser les acquisitions, soit un facteur de dĂ©cimation nd = 3.Les rĂ©sultats des algorithmes de dĂ©tection et caractĂ©risation risquent dâĂȘtre fortement affectĂ©s par unfacteur de dĂ©cimation plus grand.
9En pratique, il est dâusage de rĂ©aliser une opĂ©ration appelĂ©e « bourrage de zĂ©ros », consistant Ă agrandir la taille de sjusquâĂ une valeur (N +P )2 en remplissant les nouveaux pixels de zĂ©ros. Le premier intĂ©rĂȘt est dâamĂ©liorer la rĂ©solutionspatiale, car la taille de S est Ă©gale Ă celle de s pour des valeurs de frĂ©quences spatiales inchangĂ©es. Le deuxiĂšme intĂ©rĂȘt,plus particuliĂšrement si N + P est une puissance de 2, est de pouvoir tirer parti au maximum des algorithmes de calculde transformĂ©es de Fourier rapide, qui fonctionnent par dĂ©composition de lâexpression de la TFD.
54 CHAPITRE 3. SIGNAUX ET PRĂTRAITEMENTS
3.4.3 Le problĂšme du positionnement
La simulation du comportement rĂ©aliste de la sonde, avec un pas dâĂ©chantillonnage spatial supĂ©rieurĂ celui des acquisitions rĂ©alisĂ©es, requiert une dĂ©cimation des signaux CF mesurĂ©s. Cette dĂ©cimation,qui consiste Ă ne considĂ©rer quâun point de mesure sur nd, signifie avoir nd
2 possibilitĂ©s de positionne-ment des points de mesure choisis par rapport au bord de lâimage CF originale. La figure 3.14 montrelâexemple dâune image Ă partir de laquelle est rĂ©alisĂ©e une dĂ©cimation dâun facteur nd = 5, selon lechoix du premier point de mesure aux coordonnĂ©es (ni,nj). Chaque cadre reprĂ©sente une des 25 imagespossibles. Chaque image possĂšde des points (entourĂ©s) diffĂ©rents de ceux des autres images, choisisparmi les points de lâimage originale (non entourĂ©s).
Images possiblesaprÚs décimation
Points choisis
Points originaux
nj = 5
nj = 4
nj = 3
nj = 2
nj = 1
ni = 1 ni = 2 ni = 3 ni = 4 ni = 5
Fig. 3.14 â SchĂ©matisation du problĂšme de positionnement initial pour la dĂ©cimation, pour nd = 5
La dynamique dâun signal CF est la diffĂ©rence entre les valeurs maximale et minimale de lâamplitudeprincipale. Elle dĂ©pend de nd ainsi que du choix du premier point de mesure (ni,nj). Elle est parconsĂ©quent notĂ©e Dnd
(ni,nj), avec nĂ©cessairement (ni,nj) â [1,nd]2. Pour le cas particulier nd = 1 (pasde dĂ©cimation), est posĂ©e pour simplifier la notation D1 = D1(1,1).
La figure 3.15 trace, en fonction du facteur de dĂ©cimation, la dynamique des signaux CF aprĂšsdĂ©cimation, relativement Ă la dynamique du signal original. Le signal original est obtenu pour le dĂ©faut« exemple » avec la sonde Ă bobines micromoulĂ©es. La courbe supĂ©rieure est la moyenne sur lâensembledes images dĂ©cimĂ©es, obtenue par la formule
Dmoy =â
(ni,nj)â[1,nd]2
Dnd(ni,nj)nd
2D1(3.8)
oĂč Dnd(ni,nj) est la dynamique du signal CF dĂ©cimĂ© dâun facteur nd et auquel appartient le point
de mesure aux coordonnées originales (ni,nj). Il est aussi intéressant de connaßtre le minimum desdynamiques des signaux CF décimés
Dmin = min(ni,nj)â[1,nd]2
Dnd(ni,nj)D1
(3.9)
qui donne lâimportance de la plus grande dĂ©gradation engendrĂ©e par la dĂ©cimation.
3.5. LE SURĂCHANTILLONNAGE 55
91 2 3 4 5 6 7 8 10Facteur de décimation nd
Dmin
Dmoy
Dyn
am
iqu
ere
lati
ve
(%)
0
10
20
30
40
60
50
70
80
90
100
Fig. 3.15 â Dynamique des signaux CF aprĂšs dĂ©cimation relativement Ă la dynamique du signaloriginal, pour le dĂ©faut « exemple »
Le processus de décimation dégrade les signaux CF en termes de dynamique quasi-linéairement avecle facteur de décimation nd. Si nd †3, les différents positionnements donnent des signaux CF assezéquivalents : la dynamique relative moyenne est supérieure à 90%, la dynamique relative minimale à 85%. à partir de nd = 5, certains couples (ni,nj) produisent une chute de dynamique supérieure à 50%. Enfin, au-dessus de nd = 9, plus de 50% de la dynamique est perdue en moyenne.
Les deux courbes présentées à la figure 3.15 sont en fait quasiment indépendantes des dimen-sions du défaut évalué et des conditions de mesure. En effet, aucun de ces paramÚtres ne modifiesubstantiellement la forme de ces courbes ni les valeurs données au paragraphe précédent.
3.5 Le suréchantillonnage
Les signaux CF produits par la dĂ©cimation des signaux originaux simulent des acquisitions quiseraient rĂ©ellement rĂ©alisĂ©es avec un pas dâĂ©chantillonnage spatial grand. Deux problĂšmes se posentpour lâexploitation automatique de ces signaux CF :
â le signal est dĂ©gradĂ©, en dynamique notamment, ce qui peut par exemple conduire Ă uneconfusion entre des signaux CF provenant de diffĂ©rents dĂ©fauts ;
â le signal comporte peu de points de mesure, car leur nombre de points de mesure est divisĂ©par n2
d. Cela est néfaste pour les performances des traitements (quantification de la qualité dusignal, détection, caractérisation).
Pour remĂ©dier Ă ces deux problĂšmes, un surĂ©chantillonnage10 est effectuĂ© sur les signaux dĂ©cimĂ©s.Cette technique consiste Ă insĂ©rer un nombre (ne â 1) de nouveaux Ă©chantillons entre deux points demesure existants, et Ă dĂ©terminer la valeur du signal CF en ces points Ă partir dâune interpolation desvaleurs du signal existant. ne est appelĂ© le facteur de surĂ©chantillonnage.
10Le terme « surĂ©chantillonnage » a deux sens. Il peut dĂ©signerâ lâĂ©chantillonnage initial dâun signal analogique qui serait effectuĂ© avec une frĂ©quence dâĂ©chantillonnage bien supĂ©-
rieure à la limite du théorÚme de Nyquist-Shannon. Cette technique, trÚs utilisée dans le domaine audio-vidéo pourles applications haute-fidélité (convertisseurs analogiques-numériques, chaßnes hifi, vidéo HD...), réduit fortementles risques de repliement de spectre et augmente le rapport signal sur bruit.
â le fait de rĂ©Ă©chantillonner, câest-Ă -dire Ă©chantillonner numĂ©riquement Ă nouveau un signal numĂ©rique, mais en ajou-tant des points de mesures entre ceux dĂ©jĂ prĂ©sents. Câest prĂ©cisĂ©ment cette acception qui est utilisĂ©e ici.
56 CHAPITRE 3. SIGNAUX ET PRĂTRAITEMENTS
Un signal CF suréchantillonné avec un facteur de suréchantillonnage possÚde un nombre de pointsde mesure ne fois plus grand que son signal originel. Comme pour le facteur de décimation, ne = 1correspond à un suréchantillonnage inopérant.
Le processus de décimation/suréchantillonnage est réalisé séparément sur la partie réelle et sur lapartie imaginaire de chaque signal CF. Les signaux traités ici sont par conséquent réels.
3.5.1 Lâinterpolation
Pour rĂ©aliser cette opĂ©ration de surĂ©chantillonnage, il est nĂ©cessaire de choisir une mĂ©thode dâin-terpolation parmi celles existantes.
Lâinterpolation « au plus proche voisin » consiste Ă affecter Ă tout nouveau point de mesure lavaleur du signal bidimensionnel Ă©chantillonnĂ© (ni,nj) 7â s (ni,nj) au point de mesure original le plusproche. Cette technique, qui rĂ©sout correctement le deuxiĂšme problĂšme posĂ© prĂ©cĂ©demment, nâestdâaucune utilitĂ© pour le premier.
Lâinterpolation linĂ©aire consiste Ă relier linĂ©airement les valeurs aux points de mesure existants.Pour chaque Ă©chantillon (xi,xj) insĂ©rĂ© entre les points (ni,nj) et (ni + 1,nj + 1), la valeur du signalsâĂ©crit
se (xi,xj) = s (ni,nj)
+ [s (ni + 1,nj)â s (ni,nj)] (xi â ni) + [s (ni,nj + 1)â s (ni,nj)] (xj â nj)
+ [s (ni + 1,nj + 1) + s (ni,nj)â s (ni + 1,nj)â s (ni,nj + 1)] (xi â ni) (xj â nj)
Les signaux CF ainsi surĂ©chantillonnĂ©s ont des valeurs assez Ă©loignĂ©es de celles du signal avant dĂ©-cimation. En effet, lâĂ©volution du signal CF entre deux points nâest pas rectiligne mais davantagecurviligne. Lorsque cette Ă©volution est concave, les valeurs surĂ©chantillonnĂ©es sont systĂ©matiquementsous-estimĂ©es.
Lâinterpolation polynomiale ou lagrangienne gĂ©nĂšre un unique polynĂŽme Ă deux variables passantpar tous les points de mesure existants, et dĂ©finissant les valeurs pour les nouveaux points de mesure.Ce polynĂŽme est dĂ©fini par une Ă©quation Ă chaque point de mesure, soit un ensemble deNiNj Ă©quations.Il est donc dâun rang Ă©levĂ©, ce qui rend le calcul trĂšs complexe. De plus, cette technique est sujette Ă des problĂšmes de stabilitĂ© lorsque le nombre de points de mesure augmente (phĂ©nomĂšne de Runge).
Lâinterpolation par fonction spline11 utilise une fonction (xi,xj) 7â Sp (xi,xj) de degrĂ© k servantĂ interpoler le signal. Sp est une fonction dĂ©finie par morceau. Sur chaque intervalle bidimensionnel([ni â 1,ni] , [nj â 1,nj]), elle est Ă©gale Ă un polynĂŽme Ă deux variables (xi,xj) dâordre k :
â (ni,nj) â [1,Ni â 1]Ă [1,Nj â 1] , â (xi,xj) â [ni â 1,ni]Ă [nj â 1,nj] Sp (xi,xj) = Pni,nj(xi,xj)
vĂ©rifiant lâĂ©galitĂ© entre Sp et s aux points de mesure, soit
Pni,nj(ni,nj) = s (ni,nj)
Pni,nj(ni â 1,nj) = s (ni â 1,nj)
Pni,nj(ni,nj) = s (ni,nj)
Pni,nj(ni,nj â 1) = s (ni,nj â 1)
Chaque polynĂŽme possĂšde
nc =(k + 1) (k + 2)
211Le terme spline est un terme anglais signifiant « latte », ou plus particuliÚrement « cerce » : la cerce est un outil
utilisĂ© dans les mĂ©tiers de la construction qui, sous la forme dâune latte flexible en bois, permet de tracer des courbesharmonieuses Ă rayon de courbure non constant, impossibles Ă tracer Ă lâaide un compas.
3.5. LE SURĂCHANTILLONNAGE 57
coefficients quâil faut dĂ©terminer. Il faut alors (Ni â 1) (Nj â 1) nc Ă©quations pour dĂ©terminer lâen-semble des coefficients des polynĂŽmes qui composent Sp. En supposant que Sp est de classe Ckâ1, oucontinĂ»ment dĂ©rivable k â 1 fois, suivant les deux axes, il vient
âr â [1,k â 1] , â(p,q) tel que p+ q = r, â (ni,nj) â [0,Ni â 2]Ă [0,Nj â 2] ,
ârPni,nj(ni,nj)
âxipâxj
q=ârPni+1,nj
(ni,nj)âxipâxj
q
ârPni,nj(ni,nj)
âxipâxj
q=ârPni,nj+1 (ni,nj)âxipâxj
q
Une fois les coefficients des Pni,njdĂ©terminĂ©s, lâinterpolation est rĂ©alisĂ©e par simple correspondance
â (xi,xj) â [0,ne (Ni â 1)]Ă [0,ne (Nj â 1)] se (xi,xj) = Sp
(xi
ne,xj
ne
)
Lâinterpolation par fonction spline cubique, composĂ©es de polynĂŽmes de degrĂ© 3, a Ă©tĂ© choisie. Il sâagitde la mĂ©thode comportant le meilleur compromis entre rapiditĂ© dâexĂ©cution et minimisation de lâerreur.La dĂ©rivabilitĂ© apporte en particulier un caractĂšre beaucoup plus « lisse » au signal produit quâaveclâinterpolation linĂ©aire, ce qui correspond bien aux variations relativement curvilignes des signaux CForiginaux.
3.5.2 Influence du facteur de décimation
Le principal objectif du suréchantillonnage opéré ici est de pallier les dégradations des signaux CFengendrées par la décimation précédente, afin de rendre cette décimation, qui répond à un besoin réel,le moins influente possible. La figure 3.16 compare les dynamiques relatives obtenues à la sous-sectionprécédente (figure 3.15) par les équations 3.8 et 3.9, notées Dmoy et Dmin à celles obtenues aprÚs unsuréchantillonnage réalisé avec un facteur ne égal au facteur de décimation nd, notées Dmoy,e et Dmin,e.
0
10
20
30
40
60
50
70
80
90
100
91 2 3 4 5 6 7 8 10Facteur de décimation nd
Dyn
am
iqu
ere
lati
ve
(%)
Dmoy
Dmin
Dmoy,e
Dmin,e
Fig. 3.16 â Dynamique des signaux CF aprĂšs dĂ©cimation et suivie ou non de surĂ©chantillonnage,relativement Ă la dynamique du signal original, pour ne = nd
Pour nd †3, la dynamique relative est fortement rapprochĂ©e des 100% (respectivement plus de97% et 95% pour la moyenne et le minimum). Cela sâexplique par la conclusion du thĂ©orĂšme deNyquist-Shannon (cf. sous-section 3.4.2) : pour nd †3 ou pour un pas dâĂ©chantillonnage spatialinfĂ©rieur Ă 0,3 mm, le signal CF peut ĂȘtre normalement correctement reconstruit, ce qui ici est traduitpar une perte maximale de seulement 5% en dynamique. Dans le cas oĂč nd > 3, la persistance de la
58 CHAPITRE 3. SIGNAUX ET PRĂTRAITEMENTS
dĂ©gradation des signaux CF est nettement visible, malgrĂ© une amĂ©lioration de la dynamique relativenon nĂ©gligeable, comprise entre 5 et 10%. Enfin, il est remarquable que pour nd â„ 7, la dynamiquerelative minimale nâest absolument pas modifiĂ©e par le surĂ©chantillonnage, ce qui signifie que certainspositionnements engendrent des signaux totalement bruitĂ©s et inutilisables pour la dĂ©tection de dĂ©fauts.
3.5.3 Influence du facteur de suréchantillonnage
Les rĂ©sultats prĂ©sentĂ©s Ă la figure 3.16 sont relatifs Ă une dĂ©cimation des signaux CF originalementacquis, suivie dâun surĂ©chantillonnage de facteur ne Ă©gal Ă nd. Le choix de la valeur de ne doit rĂ©pondreĂ deux critĂšres contradictoires :
â rĂ©soudre au mieux les problĂšmes engendrĂ©s par la dĂ©cimation exposĂ©s prĂ©cĂ©demment ;â ne pas entraĂźner une quantitĂ© de donnĂ©es trop importante Ă traiter.
En effet, pour un ne fixĂ©, lâĂ©chantillonnage multiplie le nombre dâĂ©chantillons par ne2, ce qui peut trĂšs
vite, si ne est surdimensionnĂ©, poser des problĂšmes de stockage et ralentir fortement lâexĂ©cution destraitements ultĂ©rieurs. La figure 3.17 montre lâĂ©volution, pour nd fixĂ© Ă 3 en tant que valeur optimaledĂ©finie plus haut, des dynamiques relatives moyenne et minimale en fonction de ne. Si ne < nd, ladĂ©gradation apportĂ©e par la dĂ©cimation nâest pas compensĂ©e. Ă partir de ne = nd, lâĂ©volution de cettecompensation est assez faible, autant en moyenne que sur le signal le plus dĂ©gradĂ©. En moyenne, ladiffĂ©rence entre ne = 3 et ne = 10 nâest que de 1%.
91 2 3 4 5 6 7 8 10
Dyn
am
iqu
ere
lati
ve
(%)
80
82
84
86
88
90
92
94
96
98
100
Facteur de suréchantillonnage ne
Dmoy
Dmin
Fig. 3.17 â Dynamique des signaux CF aprĂšs dĂ©cimation avec nd = 3, suivie de surĂ©chantillonnage,relativement Ă la dynamique du signal original
Ce comportement, montrĂ© ici pour nd = 3, a Ă©tĂ© expĂ©rimentalement vĂ©rifiĂ© pour lâensemble desmesures effectuĂ©es et pour un facteur de dĂ©cimation variant de 1 Ă 10. Le meilleur choix du facteur desurĂ©chantillonnage est ainsi assimilable Ă ne = nd.
3.6 Le rapport signal sur bruit
La mesure de la dynamique des signaux CF peut servir Ă quantifier la « qualitĂ© » de ces signaux,lorsquâil sâagit dâune comparaison Ă une rĂ©fĂ©rence commune rĂ©alisĂ©e dans des conditions similaires,comme Ă la section prĂ©cĂ©dente. Si au contraire les conditions de mesure varient, les signaux corres-pondants nâont pas de lien entre eux et comparer la dynamique nâa plus aucun sens physique. Câestpourquoi une autre mesure est souvent utilisĂ©e : le rapport signal sur bruit (RSB).
3.6. LE RAPPORT SIGNAL SUR BRUIT 59
3.6.1 Pourquoi quantifier la qualitĂ© dâun signal ?
Les acquisitions faites dans le cadre de ces travaux balayent des conditions de mesure assez larges.En particulier, trois conditions de mesure seront considérées dans la suite :
â deux technologies de microbobines sont utilisĂ©es (cf. section 2.2) ;â cinq stratĂ©gies dâĂ©mission-rĂ©ception sont mises en Ćuvre (cf. section 2.5) ;â une dizaine de frĂ©quences dâexcitation sont appliquĂ©es (cf. sous-section 2.3.1).
Il est utile dâessayer de dĂ©terminer lâinfluence de chacune de ces trois conditions de mesure, en termesdâefficacitĂ© de la sonde Ă multiĂ©lĂ©ments, notamment afin de pouvoir dĂ©terminer le jeu de conditions leplus efficace sâil existe.
Ces classements doivent ĂȘtre effectuĂ©s selon un ou des critĂšres objectifs, calculables pour toutes lesconditions de mesure, Ă partir de chaque signal CF ou de lâensemble des acquisitions. Le chapitre 4met en place un algorithme de dĂ©tection et une mĂ©thode permettant de quantifier la qualitĂ© statistiquede dĂ©tection dâun grand nombre de signaux CF acquis dans des conditions identiques. Un calcul plussimple et individuel peut consister Ă lâĂ©tablissement du rapport signal sur bruit de chaque signal CF.
3.6.2 Le calcul du rapport signal sur bruit
Le bruit de la mesure dĂ©pend trĂšs fortement des trois conditions de mesure. En effet, le bruit demesure est supĂ©rieur en gĂ©nĂ©ral dans cette application au bruit de quantification de lâimpĂ©dancemĂštre(quantum numĂ©rique dâĂ©chantillonnage de 1 mΩ). Il est donc liĂ© principalement Ă la transimpĂ©dancede la sonde « Ă vide », qui est fonction de ces conditions de mesure. La qualitĂ© du signal CF considĂ©rĂ©est directement affectĂ©e par le niveau de bruit, et il est nĂ©cessaire de le prendre en compte pourquantifier cette qualitĂ©.
La qualitĂ© dâun signal dĂ©pend aussi directement de la dynamique du signal. Si, pour une dynamiquedonnĂ©e, la qualitĂ© du signal est inversement proportionnelle au niveau de bruit, Ă lâopposĂ©, pour unniveau de bruit donnĂ©, la qualitĂ© du signal est proportionnelle Ă sa dynamique. Une dĂ©finition appelĂ©ePSNR (peak signal-to-noise ratio, rapport signal maximal sur bruit) reprend cette idĂ©e et sâexprimepour un signal s (ni,nj) Ă valeur moyenne nulle12 par
PSNR = 20 log
max(ni,nj)â[1,Ni]Ă[1,Nj]
|s (ni,nj)|ââââ
1âzhd
â
(ni,nj)âzhd
s (ni,nj)2
oĂč zhd est la zone hors dĂ©faut, choisie distinctement de la zone de signal utile et suffisamment Ă©loignĂ©edu dĂ©faut pour que lâhypothĂšse que le dĂ©faut nâinfluence pas le signal puisse ĂȘtre vĂ©rifiĂ©e et âzhd est lataille totale en points de mesure de cette zone. Lâutilisation du logarithme permet de rĂ©duire lâĂ©chellede valeurs, ce qui est particuliĂšrement utile quand les dynamiques Ă comparer sont diffĂ©rentes deplusieurs ordres de grandeur. Le PSNR est exprimĂ© en dĂ©cibels.
Cependant, le calcul du PSNR accorde une grande influence Ă un unique point de mesure parmilâensemble, celui pour lequel la valeur du signal est la plus grande. Si une erreur de mesure arrive surce point prĂ©cis, elle est directement reportĂ©e dans lâexpression et la valeur finale du PSNR. Le calculest par consĂ©quent peu robuste vis-Ă -vis du bruit. Pour remĂ©dier Ă ce problĂšme, le calcul du RSB choisiprend en compte les valeurs du signal CF sur une « zone de dĂ©faut » zd, centrĂ©e sur la position du
12Ici, le choix du signal dâintĂ©rĂȘt se fera entre lâamplitude principale et le module du signal CF. Dans le cas du module,il est bien question dâannuler la valeur moyenne complexe de la transimpĂ©dance mesurĂ©e, et non de retirer artificiellementla valeur moyenne du module qui par dĂ©finition est toujours positif.
60 CHAPITRE 3. SIGNAUX ET PRĂTRAITEMENTS
dĂ©faut et dâune taille toujours identique13, correspondant Ă la zone de signal utile. La valeur efficacedu signal CF est calculĂ©e sur cette zone, ce qui donne
RSB = 20 log
ââââ1âzd
â
(ni,nj)âzd
s (ni,nj)2
ââââ1âzhd
â
(ni,nj)âzhd
s (ni,nj)2
oĂč âzd est la taille totale en points de mesure de cette zone.
Pour analyser ces valeurs de RSB, un critĂšre reconnu est le critĂšre de Rose[BSLB01] : si la valeurde RSB est infĂ©rieure Ă 7 dB14, alors il sera difficile de reconnaĂźtre lâinformation cherchĂ©e au sein dusignal, Ă cause dâun bruit trop important. Ce critĂšre est expĂ©rimentalement assez bien vĂ©rifiĂ© sur lesacquisitions rĂ©alisĂ©es.
3.6.3 Comparaison des conditions de mesure
Le calcul du RSB permet de comparer la qualitĂ© des signaux CF et par suite lâefficacitĂ© de la sondeen fonction des conditions de mesure. La figure 3.18 prĂ©sente les rĂ©sultats obtenus pour lâensemble desstratĂ©gies dâĂ©mission-rĂ©ception, en fonction de la frĂ©quence des courants dâexcitation et pour chacunedes deux technologies de microbobines. Chaque dĂ©faut correspond Ă un signal de dynamique diffĂ©rente,de RSB diffĂ©rent : un seul dĂ©faut est pris en compte pour les valeurs portĂ©es par ces courbes. Il sâagitdu dĂ©faut « exemple », dâune longueur de 200 ”m suivant lâaxe~i, dâune profondeur de 400 ”m et dâunelargeur de 100 ”m suivant lâaxe ~j. NĂ©anmoins, tous les rĂ©sultats des comparaisons obtenus dans cettesous-section ont Ă©tĂ© vĂ©rifiĂ©s comme valables pour lâensemble des acquisitions.
E/RER
REREREâERE+
0
RSB
(dB
)
61 2 3 4 5
2
4
6
8
10
12
14
16
18
1 2 7543 8 109 11 12
RSB
(dB
)
6
Fréquence (MHz)Fréquence (MHz)
E/RERERE+
EREâRER
25
0
5
10
15
20
Microbobines CI Bobines micromoulées
Fig. 3.18 â Rapport signal sur bruit en fonction de la frĂ©quence, pour le dĂ©faut « exemple »
Deux stratĂ©gies dâĂ©mission-rĂ©ception se dĂ©tachent assez nettement des autres : les stratĂ©gies diffĂ©-rentielles, EREâ et RER offrent globalement de plus importants RSB. Ensuite, les stratĂ©gies absoluesĂ plusieurs Ă©lĂ©ments, ERE+ et ER sont Ă©quivalentes, en particulier pour la sonde Ă bobines micro-moulĂ©es. Cela est certainement dĂ» Ă la prĂ©cision de la mesure, qui a Ă©tĂ© a priori meilleure pour cette
13En pratique, les deux types de microbobines ayant des dimensions différentes, la « zone de défaut » est prise égale à un carré de 5,6 mm de cÎté pour les signaux venant des microbobines CI, et 2 mm de cÎté pour les signaux venant desbobines micromoulées.
14Le critĂšre de Rose annonce en rĂ©alitĂ© quâil faut un rapport linĂ©aire des puissances du signal et du bruit Ă©gal Ă 5. CelaĂ©quivaut ici, avec lâexpression de RSB en dĂ©cibels, Ă une limite de 10 log(5) = 7,0 dB.
3.6. LE RAPPORT SIGNAL SUR BRUIT 61
technologie de microbobines, des effets de types rĂ©sonance ayant quelque peu perturbĂ© certaines acqui-sitions faites avec les microbobines CI15. Enfin, ces courbes montrent que la stratĂ©gie Ă microbobineseule est beaucoup moins efficace que les autres, Ă tel point que le critĂšre de Rose sâapplique pour laplupart des frĂ©quences avec la sonde Ă microbobines CI.
Pour chacun des deux types de sonde, la forte correspondance des deux meilleures courbes sâex-plique par le fait que les deux stratĂ©gies sont en rĂ©alitĂ© Ă©quivalentes en considĂ©rant chaque groupe dedeux microbobines Ă©mission-rĂ©ception sĂ©parĂ©ment. Comme cela a Ă©tĂ© vu Ă la sous-section 3.1.1.2, lesdeux groupes dans le cas de la stratĂ©gie EREâ fonctionnent indĂ©pendamment, rĂ©alisant au sein delâimage CF chacun des deux lobes. Il en est de mĂȘme dans le cas de la stratĂ©gie RER, ce qui conduitĂ un fonctionnement global identique.
En termes de fréquence, les conclusions sont différentes en fonction de la technologie des microbo-bines utilisée :
â Pour la sonde Ă microbobines CI, 3 MHz est la meilleure frĂ©quence.â Pour la sonde Ă bobines micromoulĂ©es, une plage de frĂ©quences allant globalement de 4 MHz Ă
7 MHz semble donner des résultats équivalents.
Cette diffĂ©rence sâexplique par les gĂ©omĂ©tries et les propriĂ©tĂ©s Ă©lectriques des Ă©lĂ©ments sensibles.
Enfin, il est utile de signaler que dans le cas du dĂ©faut « exemple », le RSB maximal obtenu est22,5 dB. En fonction de la dimension des dĂ©fauts, la valeur du RSB varie, comme indiquĂ© dans letableau 3.1. La sonde Ă bobines micromoulĂ©es reste plus efficace que la sonde Ă microbobines CI pourlâensemble des dimensions. Ceci nâĂ©tait pas prĂ©visible par lâĂ©tude simple des caractĂ©ristiques thĂ©oriquesdĂ©terminĂ©es prĂ©cĂ©demment dans le tableau 2.1. En effet, les produits des pouvoirs dâĂ©mission et dessensibilitĂ©s sont Ă©quivalents pour les deux technologies de microbobines. Cependant, la sensibilitĂ© desmicrobobines CI est calculĂ©e en nĂ©gligeant lâespacement entre les 8 couches : la derniĂšre couche parexemple se situe Ă plus dâun millimĂštre de la surface Ă inspecter. La sensibilitĂ© rĂ©elle des microbobinesCI est certainement bien moindre. Ceci conduit Ă des plus grands RSB pour les mesures effectuĂ©es parla sonde Ă bobines micromoulĂ©es.
Tous ces rĂ©sultats correspondent Ă des acquisitions rĂ©alisĂ©es sans aucune amplification, avec descourants dâintensitĂ© efficace 10 mA pour les microbobines CI et 5 mA pour les bobines micromoulĂ©es.En particulier, tout dĂ©faut dĂ©bouchant de dimension supĂ©rieure Ă 100 ”m est contrĂŽlĂ© par les bobinesmicromoulĂ©es sans amplification avec un RSB supĂ©rieur Ă 8 dB.
Dimensions du dĂ©faut (”mâ3) 100Ă 100Ă 100 200Ă 400Ă 100 800Ă 400Ă 100
Microbobines CI / 3 MHz 2,6 dB 16,4 dB 29,0 dB
Bobines micromoulées / 4 à 7 MHz 8,3 dB 22,5 dB 39,7 dB
Tab. 3.1 â Rapport signal sur bruit maximal pour chaque technologie de microbobines (stratĂ©gie RERou EREâ)
3.6.4 Influence de lâorientation
Le RSB dâun signal CF dĂ©pend des dimensions du dĂ©faut correspondant, mais aussi de son orien-tation. Pour les conditions de mesures optimales obtenues prĂ©cĂ©demment, Ă savoir lâutilisation de lasonde Ă bobines micromoulĂ©es dans la stratĂ©gie EREâ, des courbes de RSB sont tracĂ©es Ă la figure 3.19en fonction de la frĂ©quence pour le plus gros dĂ©faut et le dĂ©faut « exemple ». Le tableau 3.2 liste les
15Ce sont les mĂȘmes effets de rĂ©sonance qui ont rendu impossible toute acquisition Ă une frĂ©quence supĂ©rieure Ă 6 MHzavec la sonde Ă microbobines CI.
62 CHAPITRE 3. SIGNAUX ET PRĂTRAITEMENTS
valeurs optimales des RSB correspondant Ă ces courbes.RSB
(dB
)
RSB
(dB
)
25
0
5
10
15
20
10
15
20
25
30
35
40
1 2 7543 8 109 11 126
Fréquence (MHz)
mc,Äł
mâ„Äł
mâÄł
mc,i
mâ„i
mâi
1 2 7543 8 109 11 126
Fréquence (MHz)
mc,Äł
mâ„Äł
mâÄł
mc,i
mâ„i
mâi
DĂ©faut 800 Ă 400 Ă 100 ”mâ3 DĂ©faut 200Ă 400Ă 100 ”mâ3
Fig. 3.19 â Rapport signal sur bruit en fonction de la frĂ©quence, pour les diffĂ©rents modes de mesure(sonde Ă bobines micromoulĂ©es, stratĂ©gie EREâ)
Les courbes ont toutes la mĂȘme forme, avec un maximum assez plat entre environ 4 et 7 MHz. LedĂ©faut parallĂšle Ă lâaxe principal de la sonde (mode mâi) est celui donnant la plus importante valeurde RSB, tandis que celui perpendiculaire au mĂȘme axe (mode mâ„i) produit trĂšs souvent le plus faibleRSB, dâautant plus lorsque le dĂ©faut est de grandes dimensions. La combinaison des deux modes demesure (mode mc,i) permet dâobtenir un trĂšs bon compromis. Les dĂ©fauts oiâj et oi+j (modes mâÄł etmâ„Äł) sont logiquement Ă©quivalents en termes de RSB. Leur combinaison (mode mc,Äł) donne un RSBcomparable.
mâi mâ„i mc,i mâÄł mâ„Äł mc,Äł
DĂ©faut 200Ă 400Ă 100 ”mâ3 22,5 dB 15,9 dB 19,9 dB 16,6 dB 16,0 dB 17,5 dB
DĂ©faut 800Ă 400Ă 100 ”mâ3 39,7 dB 27,2 dB 36,4 dB 34,4 dB 33,5 dB 33,1 dB
Tab. 3.2 â Rapport signal sur bruit optimal pour deux dimensions donnĂ©es en fonction du mode demesure (sonde Ă bobines micromoulĂ©es, stratĂ©gie EREâ)
3.6.5 Influence de la décimation
Un signal CF dĂ©cimĂ© possĂšde a priori moins dâinformations que le signal CF original. La section 3.5explique que le surĂ©chantillonnage arrive Ă reconstruire le signal original si le facteur de dĂ©cimationest infĂ©rieur ou Ă©gal Ă 3, et que le rĂ©sultat est optimal pour un facteur de surĂ©chantillonnage ne = nd.
Par analogie avec les dynamiques relatives moyennes et minimales définies par les équations 3.8et 3.9, il est possible de définir un RSB relatif moyen16 par
RSBmoy =â
(ni,nj)â[1,nd]2
(RSBnd
(ni,nj)nd
2
)âRSB1
oĂč RSBnd(ni,nj) est le RSB du signal CF dĂ©cimĂ© dâun facteur nd et auquel appartient le point de
mesure aux coordonnées originales (ni,nj) et comme à la sous-section 3.4.3, RSB1 = RSB1(1,1). En
16Cette moyenne arithmétique de logarithmes correspond à une moyenne géométrique des RSB linéaires divisés par leRSB linéaire du signal CF original.
3.7. SYNTHĂSE DES TRAITEMENTS EFFECTUĂS ET DES RĂSULTATS OBTENUS 63
valeur minimale, cela devient
RSBmin = min(ni,nj)â[1,nd]2
RSBnd(ni,nj)âRSB1
La figure 3.20 montre le calcul de ces deux grandeurs pour le dĂ©faut « exemple ». Le RSB semble enmoyenne beaucoup moins sensible Ă la dĂ©cimation que la dynamique. Cependant, Ă partir de nd = 5,au moins un des signaux dĂ©cimĂ©s produit un RSB diminuĂ© de prĂšs de 2 dB, diminution qui vaut plusde 5 dB dĂšs nd = 7. Ă lâinverse, comme prĂ©cĂ©demment le thĂ©orĂšme de Nyquist-Shannon (cf. sous-section 3.4.2) est bien respectĂ©, car la diminution maximale de RSB vaut Ă peine 0,1 dB pour nd †3,ce qui est nĂ©gligeable.
91 2 3 4 5 6 7 8 10Facteur de décimation nd
-20
0
-5
-10
-15
RS
Bre
lati
f(d
B)
RSBmin
RSBmoy
Fig. 3.20 â Variation du rapport signal sur bruit des signaux CF en fonction du facteur de dĂ©cimation,aprĂšs dĂ©cimation puis surĂ©chantillonnage, pour ne = nd
3.7 SynthÚse des traitements effectués et des résultats obtenus
Ă partir des signaux CF provenant des acquisitions, deux reprĂ©sentations peuvent ĂȘtre utilisĂ©esde façon complĂ©mentaire. Une projection, au sein du plan complexe, des valeurs des signaux CFest opĂ©rĂ©e (cf. sous-section 3.1.3). Cette projection est effectuĂ©e sur une droite dĂ©terminĂ©e de façonautomatique afin de minimiser les pertes dâinformation. La position gĂ©omĂ©trique de chaque valeurdu signal CF est conservĂ©e : par consĂ©quent, les informations gĂ©omĂ©triques comme la position ou lataille des lobes de signal utile ne sont pas modifiĂ©es. Une deuxiĂšme reprĂ©sentation appelĂ©e signatureCF (sous-section 3.1.2) est la reprĂ©sentation dans le plan complexe de lâensemble des valeurs, sansindication sur la position gĂ©omĂ©trique. Elle sera utilisĂ©e dans le chapitre 5.
Afin de prendre en compte un grand nombre de possibilitĂ©s, quatre orientations dĂ©calĂ©es dâunangle de 45Ë sont utilisĂ©es dans les acquisitions (figure 3.9). Une combinaison des signaux CF est deplus rĂ©alisĂ©e. Il sâagit de lâaddition complexe point par point de deux acquisitions obtenues pour deuxpositions perpendiculaires entre elles de la sonde (figure 3.12). Ces combinaisons sont identiques pourdeux dĂ©fauts perpendiculaires et conduisent ainsi Ă lâexistence de deux signaux supplĂ©mentaires pourlâensemble des quatre orientations.
Une dĂ©cimation des signaux CF est ensuite rĂ©alisĂ©e (cf. section 3.4). Elle correspond Ă une acquisi-tion rĂ©elle avec un pas dâĂ©chantillonnage spatial multipliĂ© par un facteur nd, soit un temps dâacquisitiondâautant plus faible que le pas dâĂ©chantillonnage spatial est grand. LâintĂ©rĂȘt de lâĂ©tude est alors dequantifier lâinfluence du pas dâĂ©chantillonnage en termes de dĂ©gradation des performances. Les mul-tiples possibilitĂ©s de positionnement (figure 3.14) quant aux mesures originales acquises avec un pasdâĂ©chantillonnage spatial faible permettent une Ă©tude statistique de ces dĂ©gradations.
64 CHAPITRE 3. SIGNAUX ET PRĂTRAITEMENTS
Un surĂ©chantillonnage des signaux dĂ©cimĂ©s est procĂ©dĂ© (cf. section 3.5). Il sâagit dâune reconstruc-tion par interpolation, intercalant un nombre (ne â 1) de points entre deux points du signal dĂ©cimĂ©.Cette opĂ©ration a pour but dâaugmenter artificiellement la quantitĂ© de donnĂ©es des signaux, afindâamĂ©liorer les rĂ©sultats des algorithmes utilisĂ©s dans les chapitres suivants. Lâinfluence sĂ©parĂ©e dela variation des facteurs de dĂ©cimation et de surĂ©chantillonnage sur la dynamique des signaux estquantifiĂ©e. Quelle que soit la valeur de nd, la reconstruction offre une plus grande dynamique lorsquend = ne. De plus, lâĂ©chantillonnage spatial engendre une faible dĂ©gradation de la dynamique pour unpas dâĂ©chantillonnage Ă©gal Ă un tiers de la largeur des microbobines.
Enfin, le rapport signal sur bruit (RSB) est dĂ©fini et calculĂ© pour lâensemble des signaux CF acquis(cf. section 3.6), avant ou aprĂšs dĂ©cimation et avant ou aprĂšs surĂ©chantillonnage. Les dĂ©gradationsobservĂ©es sur le RSB sont identiques Ă celles sur la dynamique. Une comparaison des performances entermes de RSB est rĂ©alisĂ©e. Elle permet dâĂ©tablir conjointement les stratĂ©gies EREâ et RER commeĂ©tant globalement les plus performantes, indĂ©pendamment de la frĂ©quence des courants dâexcitation.Elle indique aussi que le RSB est plus important si cette frĂ©quence est comprise entre 4 MHz et 7 MHz.
Chapitre 4
DĂ©tection
Les signaux CF acquis dans le cadre de cette Ă©tude sont utilisĂ©s pour lâinspection de dĂ©fauts de typefissures parallĂ©lĂ©pipĂ©diques submillimĂ©triques. Cette Ă©valuation se dĂ©roule usuellement en deux Ă©tapes.La premiĂšre Ă©tape est le processus de dĂ©tection, qui permet de dĂ©terminer si un signal CF correspondou non Ă la prĂ©sence dâun dĂ©faut. Pour les dĂ©fauts dĂ©tectĂ©s, la seconde Ă©tape est la caractĂ©risation, câest-Ă -dire la recherche de caractĂ©ristiques des dĂ©fauts comme les dimensions gĂ©omĂ©triques, lâorientation, laposition par rapport Ă la surface. Ces deux Ă©tapes sont aussi respectivement appelĂ©es « classification »,ici au sein de deux catĂ©gories, et « inversion », câest-Ă -dire passage du signal Ă une reprĂ©sentationphysique, ce qui revient Ă rĂ©aliser lâopĂ©ration inverse du processus de mesure. La figure 4.1 schĂ©matisece fonctionnement adoptĂ© dans le cadre de ces travaux.
Classification
Oui / Non
Longueur
...
Profondeur
Orientation
Inversion
Signal (si oui)
Caractérisation
DĂ©tectionSignal
PrétraitementsSignal
brutAcquisition
inspecterPiĂšce Ă
Chapitre 4
Chapitre 5
Chapitre 3Chapitre 2
Fig. 4.1 â Fonctionnement dâun systĂšme dâinspection de dĂ©fauts
Le chapitre prĂ©cĂ©dent a dĂ©crit lâacquisition des signaux, les signaux CF eux-mĂȘmes ainsi que lesdiffĂ©rents prĂ©traitements appliquĂ©s. Avant dâaborder la caractĂ©risation des dimensions des dĂ©fauts ausein du chapitre suivant, ce chapitre traite leur dĂ©tection. AprĂšs avoir mis en place un algorithme dedĂ©tection ainsi quâune mĂ©thode de quantification statistique de lâefficacitĂ© de la sonde, les diffĂ©rentesconditions de mesure sont comparĂ©es et les plus efficaces en termes de dĂ©tection dĂ©terminĂ©es. Enfin,les performances optimales de dĂ©tection sont quantifiĂ©es.
65
66 CHAPITRE 4. DĂTECTION
4.1 Lâalgorithme de dĂ©tection
La section 3.6 met en place une technique trĂšs utilisĂ©e de quantification de la qualitĂ© dâun signal,le calcul du rapport signal sur bruit. Cette technique ne suffit pas pour mettre en Ćuvre un processusde dĂ©tection des dĂ©fauts, car une valeur du RSB de lâordre du critĂšre de Rose ne permet pas dâestimercorrectement si le signal CF correspond ou non Ă un dĂ©faut. De plus, une valeur du RSB est propreĂ un signal donnĂ©, et chaque jeu de conditions de mesure, de mĂȘme que chaque dĂ©faut ou chaquepositionnement relatif de la sonde par rapport au dĂ©faut, peut donner un RSB diffĂ©rent.
Par consĂ©quent, la dĂ©tection doit ĂȘtre rĂ©alisĂ©e indĂ©pendamment des traitements dĂ©jĂ effectuĂ©s,dâune mesure de dynamique ou dâun calcul de RSB. Il est prĂ©fĂ©rable pour ce faire dâutiliser un algo-rithme de dĂ©tection dĂ©diĂ©.
4.1.1 Quâest-ce quâune dĂ©tection ?
La dĂ©tection dâun dĂ©faut est un processus de dĂ©cision binaire. Il sâagit de donner une estimationpositive ou nĂ©gative de la prĂ©sence dâun dĂ©faut. Cette rĂ©ponse est donnĂ©e grĂące Ă un critĂšre de dĂ©ci-sion dĂ©fini en gĂ©nĂ©ral au sein dâun algorithme. LâĂ©tat de dĂ©tection, rĂ©sultat binaire du processus dedĂ©tection, sâĂ©crit de façon gĂ©nĂ©rale
det =
1 si le critÚre de décision est validé
0 sinon
LâĂ©tat de dĂ©tection dĂ©pend dâun ou de plusieurs paramĂštres, comme ce sera le cas pour les algorithmesdĂ©crits ci-aprĂšs. Ces paramĂštres doivent ĂȘtre alors rĂ©glĂ©s en fonction des conditions de mesure, Ă©ven-tuellement des propriĂ©tĂ©s de la cible comme la rugositĂ©, voire des dĂ©fauts recherchĂ©s.
Deux cas rĂ©els concernant la prĂ©sence dâun dĂ©faut sont possibles, reprĂ©sentĂ©s usuellement par deuxhypothĂšses H0 et H1
â H0 : le signal CF ne correspond Ă aucun dĂ©faut ;â H1 : le signal correspond Ă un dĂ©faut.
En fonction de la valeur de lâĂ©tat de dĂ©tection det, quatre combinaisons sont possibles. Elles sontprĂ©sentĂ©es dans le tableau 4.1. Les deux erreurs possibles sont lâerreur de dĂ©tection (ED) et la faussealarme (FA). Une ED correspond Ă une piĂšce dĂ©fectueuse non diagnostiquĂ©e comme telle, qui peutdevenir potentiellement dangereuse selon le dĂ©faut quâelle contient. Cette erreur survient particuliĂš-rement lorsque le dĂ©faut prĂ©sent est de trĂšs faibles dimensions, ou si les conditions de mesure sontparticuliĂšrement dĂ©favorables pendant lâacquisition. Une FA est la dĂ©tection erronĂ©e dâun dĂ©faut in-existant. Elle contribue Ă la rĂ©paration ou la perte dâune piĂšce pourtant intacte, et constitue parconsĂ©quent un coĂ»t injustifiĂ© pour le processus de fabrication ou de rĂ©vision de lâappareil.
H0 H1
det = 0Non-détection correcte Erreur de détection
NC ED
det = 1Fausse alarme DĂ©tection correcte
FA DC
Tab. 4.1 â Correspondance entre lâhypothĂšse et lâĂ©tat de dĂ©tection
4.1. LâALGORITHME DE DĂTECTION 67
4.1.2 Un premier algorithme : le seuillage simple
Lâalgorithme le plus Ă©vident est certainement le seuillage simple. Il donne une rĂ©ponse positive dedĂ©tection si, pour au moins un seul point de mesure (ni,nj), la valeur s (ni,nj) du module du signalCF est supĂ©rieure au seuil de dĂ©tection Ξ fixĂ©, soit
det(Ξ) =
1 si â (ni,nj) , |s (ni,nj)| ℠Ξ0 sinon
Ξ est un rĂ©glage du critĂšre de dĂ©cision. Il peut ĂȘtre fixĂ© pour chaque jeu de conditions de mesure,restant alors identique pour lâensemble des Ă©valuations effectuĂ©es dans les mĂȘmes conditions.
Il est Ă©ventuellement possible dâajuster le seuil de dĂ©tection en fonction des dĂ©fauts recherchĂ©s. Eneffet, lâamplitude des signaux CF dĂ©pend de la taille des dĂ©fauts et il est possible de se donner unetaille minimale de dĂ©faut Ă visualiser, en considĂ©rant que les dĂ©fauts de taille moins importante nesont pas nocifs pour lâapplication visĂ©e. Il en dĂ©coule une valeur de seuil, qui dĂ©pend des conditionsde mesure mais aussi des dimensions minimales des dĂ©fauts recherchĂ©s.
Cet algorithme est extrĂȘmement simple Ă mettre en Ćuvre. Cependant, sa simplicitĂ© a pour consĂ©-quence un taux de FA potentiellement assez Ă©levĂ©. En effet, le moindre point de mesure correspondantĂ une valeur de signal bruitĂ©e supĂ©rieure au seuil Ξ dĂ©clenche une dĂ©tection, ce qui entraĂźne nĂ©cessaire-ment un grand nombre dâĂ©tats det = 1 sous lâhypothĂšse H0. Augmenter le seuil Ξ peut alors permettrede diminuer le nombre de fausses alarmes, mais engendre une perte certaine de dĂ©tections correctes(DC) sur les dĂ©fauts de faibles dimensions.
4.1.3 Un deuxiÚme algorithme : le seuillage moyenné
Une façon dâamĂ©liorer lâalgorithme Ă seuillage simple est de rĂ©aliser un seuillage prenant en compteles points de mesure adjacents au point considĂ©rĂ©. Lâalgorithme choisi est reprĂ©sentĂ© Ă la figure 4.2.Il est important de noter que le signal CF Ă mettre en entrĂ©e de lâalgorithme doit ĂȘtre rĂ©el positif. Ilpeut sâagir soit du module du signal CF, soit de la valeur absolue de lâamplitude principale dĂ©finie Ă la section 3.1.3. Lâalgorithme est constituĂ© de 3 Ă©tapes, deux seuillages entre lesquels est effectuĂ©e uneconvolution.
Oui / NonSeuillage Convolution
Seuil Ξ
s s2s1=1
Signal réel positif Image binaire 0 †s2 †1
Masque binaire
Fig. 4.2 â Fonctionnement de lâalgorithme utilisĂ©
4.1.3.1 Premier seuillage simple
Un premier seuillage simple est effectuĂ©, avec un seuil de dĂ©tection Ξ, comme celui rĂ©alisĂ© au seindu premier algorithme. Lâimage rĂ©sultante s1 est une image binaire, dans laquelle chaque valeur estremplacĂ©e par un 1 ou un 0 si elle est supĂ©rieure ou infĂ©rieure à Ξ, soit
s1 = [ s ℠Ξ ]
Le seuil Ξ est le seuil de dĂ©tection, paramĂštre de lâalgorithme. Il doit ĂȘtre rĂ©glĂ© lors dâune Ă©tapeprĂ©liminaire en fonction de lâensemble des signaux CF acquis, afin de ne plus ĂȘtre modifiĂ© ultĂ©rieure-
68 CHAPITRE 4. DĂTECTION
ment. Contrairement au seuillage du premier algorithme, celui-ci nâest pas suivi immĂ©diatement de laprise de dĂ©cision du processus de dĂ©tection.
4.1.3.2 Convolution avec un masque
Le rĂ©sultat de ce premier seuillage est une image binaire. Si le seuil est suffisamment faible, ungrand nombre de points de mesure correspondront Ă un rĂ©sultat non nul. Les points de mesure situĂ©sdans de la zone de signal utile, de valeur s (ni,nj) dĂ©terministe et supĂ©rieure au seuil, seront tous« allumĂ©s » tandis que seule une partie dâentre eux le sera hors de cette zone, de façon dispersĂ©e. Ilest alors possible de dĂ©terminer une zone comme Ă©tant une zone de signal utile si elle est remplieuniformĂ©ment de valeurs binaires s1 (ni,nj) non nulles : il suffit par consĂ©quent de rechercher danslâimage seuillĂ©e un nombre suffisant de points de mesure non nuls adjacents.
Pour ce faire, lâimage binaire s1 est convoluĂ©e Ă une autre image binaire m. Cette image est unmasque contenant une « tĂąche » connexe, câest-Ă -dire constituĂ©e de points adjacents oĂč la valeur estnon nulle ; les points ne faisant pas partie de cette tĂąche correspondent Ă des valeurs nulles. Elle peutĂȘtre de forme quelconque : un carrĂ© plein est une forme trĂšs simple, facile et rapide Ă gĂ©nĂ©rer ; undisque demande un calcul un peu plus complexe1 mais est plus rĂ©aliste par rapport aux images CFprĂ©sentĂ©es au chapitre 3. Le masque est « normĂ© » : la somme de lâensemble des valeurs vaut 1. Lesdeux valeurs possibles de m ne sont pas 0 et 1 mais 0 et 1/nm, oĂč nm est le nombre de points Ă valeurnon nulle.
La notion de convolution correspond, comme cela a Ă©tĂ© expliquĂ© dans la sous-section 3.1.1.3, Ă une notion de filtrage. Ici, le filtre utilisĂ© possĂšde une rĂ©ponse impulsionnelle Ă©quivalente en deuxdimensions Ă une porte en une dimension : il sâagit donc dâun filtre moyenneur. Ainsi, un moyennage2
des valeurs de s1 est effectuĂ© sur une zone aussi large que la tĂąche de m. La convolution sâĂ©crit
s2 = s1 âm ou s2 (ni,nj) =â
p
â
q
(s1 (ni,nj) m (ni â p,nj â q)) (4.1)
Les valeurs du signal rĂ©sultant s2 sont ainsi nĂ©cessairement comprises entre 0 et 1 et subissent enchaque point lâinfluence dâun ensemble de valeurs correspondant Ă lâĂ©tendue entiĂšre de la tĂąche.
La taille de cette tĂąche peut par ailleurs devenir un paramĂštre Ă©ventuel de lâalgorithme, car ellea une influence non nĂ©gligeable sur son rĂ©sultat, comme le seuil de dĂ©tection Ξ. En effet, diminuercette taille jusquâĂ transformer la tĂąche en un point unique rend cet algorithme Ă©quivalent au premieralgorithme prĂ©sentĂ© Ă la sous-section prĂ©cĂ©dente. Ă lâinverse, si la taille de la tĂąche est trop grande,lâalgorithme risque de ne jamais donner de rĂ©sultat positif.
Dans cette Ă©tude, la sous-section 3.1.1 a montrĂ© que les images CF possĂšdent toutes des lobesdâĂ©tendue spatiale similaire. Lâinfluence de la taille de la tĂąche de m a Ă©tĂ© observĂ©e dans le cas des
1La gĂ©nĂ©ration dâun disque de rayon r au sein dâune matrice nĂ©cessairement carrĂ©e et par exemple de cĂŽtĂ© 2 r demandeen effet de crĂ©er une matrice contenant Ă chaque point la valeur de la distance relativement au centre positionnĂ© au point(r,r). Ensuite, un seuillage inversĂ© doit ĂȘtre rĂ©alisĂ© avec un seuil Ă©gal Ă r afin de donner une valeur non nulle aux pointsde distance au centre infĂ©rieure Ă r. Ceci est beaucoup plus complexe que gĂ©nĂ©rer un carrĂ© plein, qui est simplement unematrice carrĂ©e remplie de 1.
2Il est aussi possible de considĂ©rer lâopĂ©ration rĂ©alisĂ©e par lâĂ©quation 4.1 comme une corrĂ©lation croisĂ©e des deuximages. En effet, une corrĂ©lation croisĂ©e entre s1 et m sâĂ©crit
sâČ2 (ni,nj) =
â
p
â
q
(s1 (ni,nj) mâ(pâ ni,q â nj))
La conjugaison complexe signifiĂ©e par lâopĂ©rateur â est ici inactive car m est rĂ©elle, de mĂȘme que la symĂ©trie spatialepar rapport Ă la diagonale car m possĂšde cette symĂ©trie. Les deux calculs sont donc bien Ă©quivalents. Or le calcul dâunecorrĂ©lation croisĂ©e quantifie, comme son nom lâindique, une ressemblance entre les deux signaux considĂ©rĂ©s. Le calcul desâČ2 traduit ainsi la recherche des points oĂč lâimage binaire s1 ressemble en partie Ă la tĂąche prĂ©sente sur le masque m. Laressemblance parfaite intervient au point oĂč la corrĂ©lation croisĂ©e est maximale et ici Ă©gale Ă 1.
4.2. LES CARACTĂRISTIQUES OPĂRATIONNELLES DE RĂCEPTION 69
signaux CF acquis pour ces travaux, ce qui a permis de la fixer empiriquement Ă une valeur de perfor-mances optimales, offrant les meilleurs rĂ©sultats indĂ©pendamment de tout autre paramĂštre dâinfluence.Pour un masque contenant un disque, le diamĂštre utilisĂ© ici vaut 1800 ”m et 700 ”m respectivementpour les signaux CF produits par les sondes Ă microbobines CI et Ă bobines micromoulĂ©es3.
4.1.3.3 Recherche de valeur maximale
Si s2 comporte une seule valeur s2 (ni,nj) Ă©gale Ă 1, cela signifie quâau sein de lâimage s1, beaucoupde points de mesure (ni
âČ,njâČ) situĂ©s autour du point (ni,nj) ont leur valeur initiale s (ni
âČ,njâČ) supĂ©rieure
au seuil de dĂ©tection Ξ. Il sâagit bien de ce qui est attendu comme Ă©tant lâimage dâun dĂ©faut4. Il suffitdonc de rechercher cette valeur maximale Ă©gale Ă 1 pour savoir si lâalgorithme doit donner une rĂ©ponsepositive ou non. Un deuxiĂšme seuillage, cette fois effectuĂ© sur s2 et de seuil 1, permet cela. AprĂšslâapplication du critĂšre de dĂ©cision sur ce seuillage, il vient
det(Ξ) =
1 si â (ni,nj) , s2 (ni,nj) = 1
0 sinon
Ainsi, lâĂ©tat de dĂ©tection est Ă©gal Ă 1 si et seulement si au moins un point de mesure de lâimage CF sest entourĂ© dâun nombre nm suffisant de points oĂč la valeur de s est supĂ©rieure à Ξ, nm Ă©tant dĂ©fini parle masque. Cela a pour effet dâĂ©liminer les zones de bruit oĂč il est statistiquement difficile de trouverautant de points agglomĂ©rĂ©s dĂ©passant le seuil de dĂ©tection. Comparativement au premier algorithme,il est alors possible de diminuer fortement ce seuil sans pour autant dĂ©clencher de fausse alarme.
4.2 Les caractéristiques opérationnelles de réception
Lâalgorithme mis en place Ă la section prĂ©cĂ©dente permet dâestimer un Ă©tat de dĂ©tection det = 0ou det = 1 Ă partir de nâimporte quelle image CF correspondant Ă une hypothĂšse H0 ou H1. Cetalgorithme dĂ©pend dâun seuil de dĂ©tection Ξ dont la valeur doit ĂȘtre fixĂ©e pour chaque jeu de conditionsde mesure.
Pour fixer cette valeur, la mĂ©thode usuellement employĂ©e est de parcourir lâensemble des valeursde seuil possibles, et de calculer pour chacune de ces valeurs, sur un jeu dâimages statistiquementreprĂ©sentatif, les Ă©tats de dĂ©tection correspondants. Ă partir de toutes ces donnĂ©es, il devient pos-sible de dĂ©terminer quel est le seuil offrant des performances optimales grĂące aux caractĂ©ristiquesopĂ©rationnelles de rĂ©ception (COR).
4.2.1 La sensibilité et la spécificité
Un algorithme de dĂ©tection produit, comme indiquĂ© dans le tableau 4.1, deux rĂ©sultats diffĂ©-rents Ă partir de deux hypothĂšses diffĂ©rentes, soit quatre possibilitĂ©s. Le mĂȘme genre de tableaupeut reprĂ©senter un certain nombre de tests utilisĂ©s dans de nombreux domaines, particuliĂšrement enmĂ©decine[FCM+07, EGJ00] pour dĂ©terminer par exemple si une personne est porteuse ou non dâunvirus, dâautres tests comme les tests de grossesse[Cha92], ou en informatique comme la reconnaissancedâempreintes digitales ou la dĂ©tection de courriels indĂ©sirables. Le point commun de tous ces tests estla possibilitĂ©, particuliĂšrement utilisĂ©e dans le domaine de la recherche biomĂ©dicale, de quantifier leurefficacitĂ© en dĂ©finissant deux grandeurs statistiques, la sensibilitĂ© et la spĂ©cificitĂ©.
3Ces valeurs vĂ©rifient les rĂ©sultats de lâanalyse frĂ©quentielle rĂ©alisĂ©e Ă la sous-section 3.4.2.4Les images prĂ©sentĂ©es au chapitre 3 montrent systĂ©matiquement deux tĂąches. Ne rechercher quâune seule tĂąche nâest
pas moins prĂ©cis, et permet de gagner en rapiditĂ© dâexĂ©cution par une taille de masque moins importante.
70 CHAPITRE 4. DĂTECTION
4.2.1.1 La sensibilité
La sensibilitĂ© est le nombre de DC mesurĂ©es nDC divisĂ© par le nombre total de DC possibles, surun nombre statistiquement suffisant dâĂ©chantillons, soit
se =nDC
nDC + nED=nDC
nH1
La sensibilitĂ© est donc Ă©gale au taux de bonnes dĂ©tections et quantifie la capacitĂ© du processus dedĂ©tection Ă apporter une rĂ©ponse juste quand lâhypothĂšse est H1.
4.2.1.2 La spécificité
La spĂ©cificitĂ© est le nombre de non-dĂ©tections correctes (NC), mesurĂ©es divisĂ© par le nombre totalde NC possibles, sur un nombre statistiquement suffisant dâĂ©chantillons, soit
sp =nNC
nFA + nNC=nNC
nH0
La spĂ©cificitĂ© est donc Ă©gale au taux de bonnes non-dĂ©tections et quantifie la capacitĂ© du processus dedĂ©tection Ă apporter une rĂ©ponse juste quand lâhypothĂšse est H0.
4.2.1.3 La précision
La prĂ©cision est le nombre total dâĂ©tats de dĂ©tection en accord avec lâhypothĂšse Ă©valuĂ©e divisĂ© parle nombre total dâĂ©chantillons, soit
pr =nDC + nNC
nH0+ nH1
La prĂ©cision permet ainsi de quantifier la capacitĂ© du processus de dĂ©tection Ă ne pas se tromper.Cependant, elle pose un problĂšme dâinterprĂ©tation lorsque les deux diffĂ©rentes classes dâorigine H0
et H1 ne sont pas Ă©quivalentes en nombre, ce qui arrive typiquement dans le cas de la recherche dedĂ©fauts, lorsque par exemple une piĂšce sur 1000 peut ĂȘtre dĂ©fectueuse. Dans ce cas, si la prĂ©cision estde 99,9%, cela ne signifie pas nĂ©cessairement que la piĂšce dĂ©fectueuse est dĂ©tectĂ©e comme telle. Ellenâest par consĂ©quent en gĂ©nĂ©ral pas utilisĂ©e pour quantifier lâefficacitĂ©5 de la dĂ©tection[PFK98].
4.2.1.4 La validité intrinsÚque
Une mesure de sensibilitĂ© seule nâest pas suffisante pour quantifier lâefficacitĂ© dâun processus dedĂ©tection, de mĂȘme que la mesure de la spĂ©cificitĂ© seule. En effet, une sensibilitĂ© de 95% peut ĂȘtreassociĂ©e Ă un processus de dĂ©tection mal rĂ©glĂ© si la spĂ©cificitĂ© est de 5%, ou au contraire tout-Ă -fait efficace si la spĂ©cificitĂ© vaut 95% elle aussi. Le couple (se,sp) quâil est ainsi nĂ©cessaire de dĂ©finirest appelĂ© la validitĂ© intrinsĂšque de la dĂ©tection. Les paramĂštres du processus de dĂ©tection affectentdirectement sa validitĂ© intrinsĂšque : par exemple, une diminution de la valeur du seuil a tendance engĂ©nĂ©ral Ă augmenter la sensibilitĂ© tout en diminuant la spĂ©cificitĂ©, tandis que son augmentation tendĂ diminuer la sensibilitĂ© et Ă augmenter la spĂ©cificitĂ©.
5LâefficacitĂ© dâun processus de dĂ©tection nâa pas encore Ă©tĂ© dĂ©finie. Une telle dĂ©finition est difficile Ă Ă©tablir, car elledĂ©pend fortement de lâapplication visĂ©e et de son cahier des charges. Une longue discussion sur les diffĂ©rentes façons dela mesurer est tenue Ă la sous-section 4.2.3.
4.2. LES CARACTĂRISTIQUES OPĂRATIONNELLES DE RĂCEPTION 71
4.2.2 Lâespace des COR
Dans le but de vĂ©rifier et de comparer la validitĂ© intrinsĂšque pour diffĂ©rentes conditions de mesure,les « courbes COR » tracent lâĂ©volution de la probabilitĂ© de dĂ©tection correcte (PDC) en fonction dela probabilitĂ© de fausse alarme (PFA). La PDC est la probabilitĂ©, comprise entre 0 et 1, quâune imageCF dâhypothĂšse H1 corresponde Ă un Ă©tat de dĂ©tection det = 1. La PFA, Ă lâinverse, est la probabilitĂ©quâune image CF dâhypothĂšse H0 corresponde Ă un Ă©tat Ă©gal Ă 0. La variation de ces deux probabilitĂ©sest observĂ©e en fonction des paramĂštres de lâalgorithme de dĂ©tection, ou comme ici dans le cas dâunparamĂštre unique, grĂące Ă lâensemble des valeurs possibles de ce paramĂštre.
Les courbes COR illustrent ainsi le compromis Ă rĂ©aliser entre le dĂ©clenchement des DC et desFA[Ega75]. Ces probabilitĂ©s sont obtenues par approximation en considĂ©rant que les nombres dâĂ©chan-tillons des deux classes nH0
et nH1sont suffisamment grands :
PDC â se et PFA â 1â sp
Dans lâespace de reprĂ©sentation de ces courbes appelĂ© espace des COR, certains points ont uneimportance particuliĂšre (cf. figure 4.3) :
â le point (0,1)Point optimal, pour lequel une DC a une probabilitĂ© maximale et une FA a une probabilitĂ© nulle.
â le point (0,0)Point oĂč aucune dĂ©tection, quâelle soit correcte ou non, ne se produit.
â le point (1,1)Point oĂč tout signal, quelle que soit son hypothĂšse H0 ou H1, dĂ©clenche une dĂ©tection.
â le point (1,0)Point antagoniste, oĂč lâalgorithme de dĂ©tection donne une rĂ©ponse systĂ©matiquement fausse.
â la premiĂšre bissectrice PDC = PFADroite correspondant Ă une dĂ©tection alĂ©atoire, câest-Ă -dire donnant une probabilitĂ© aussi grandede dĂ©tection pour les deux hypothĂšses.
Les courbes COR sont des courbes paramĂ©triques variant en fonction du paramĂštre de lâalgorithmede dĂ©tection, soit
COR = (PDC(Ξ),PFA(Ξ))
Dans le cas prĂ©sent oĂč le paramĂštre unique de lâalgorithme est un seuil de dĂ©tection Ξ, les courbesĂ©voluent toujours depuis le point (1,1) pour un Ξ trĂšs faible voire nul correspondant Ă une rĂ©ponse sys-tĂ©matiquement positive de lâalgorithme, jusquâau point (0,0) atteint pour un Ξ supĂ©rieur au maximumdes signaux CF associĂ© Ă une non-dĂ©tection systĂ©matique. Elles doivent normalement Ă tout momentse situer dans la partie supĂ©rieure gauche de lâespace des COR, câest-Ă -dire prĂ©sentant un meilleurcompromis que la premiĂšre bissectrice. En effet, celle-ci reprĂ©sente un Ă©tat de dĂ©tection alĂ©atoire :nâimporte quelle image, indĂ©pendamment de son hypothĂšse, reçoit un des deux Ă©tats possibles, commele rĂ©sultat dâun jet de piĂšce. Enfin, si la courbe COR atteint le point optimal (0,1), cela signifie quâilexiste un seuil pour lequel toutes les DC possibles sont rĂ©alisĂ©es sans aucune FA : il sâagit du meilleurrĂ©glage possible pour lâalgorithme.
4.2.3 Les critÚres de qualité
De façon gĂ©nĂ©rale, deux courbes COR diffĂ©rentes reprĂ©sentent la variation de la validitĂ© intrinsĂšquede lâalgorithme de dĂ©tection, dĂ©pendant du seuil de dĂ©tection, pour deux jeux de conditions de mesurediffĂ©rents. Les deux buts du tracĂ© de ces courbes sont
â dĂ©terminer le seuil apportant les meilleures performances pour chaque courbe ;
72 CHAPITRE 4. DĂTECTION
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
10,90,80,70,60,50,40,30,1 0,20
(1,1)
(0,0)
PremiĂšre bissectrice
PDC = PFA
(0,1) : point optimal
antagoniste(1,0) : point
Pro
bab
ilit
Ă©d
ed
Ă©tec
tion
corr
ecte
(PD
C)
Probabilité de fausse alarme (PFA)
Augmentation du seuil
Fig. 4.3 â Espace des COR
â dĂ©terminer les conditions de mesure, câest-Ă -dire la courbe COR, correspondant aux meilleuresperformances globales.
4.2.3.1 CritĂšres depuis le point optimal
Il est nĂ©cessaire de pouvoir choisir pour quels points les performances de dĂ©tection sont optimales.Deux critĂšres gĂ©omĂ©triques peuvent ĂȘtre dĂ©terminĂ©s par rapport au point optimal (0,1). Un pointdans lâespace des COR correspond Ă de bonnes performances lorsquâil est proche du point optimal :les valeurs de ces critĂšres doivent ĂȘtre minimisĂ©es. Les meilleures courbes iso-performances vis-Ă -visde ces deux critĂšres sont reprĂ©sentĂ©es Ă la figure 4.4.
Le premier critĂšre de qualitĂ© est la distance au point optimal qui sâĂ©crit
DO =â
(1â PDC)2 + PFA2
Les courbes iso-DO sont des arcs de cercle centrĂ©s sur le point optimal. La minimisation de DOcorrespond Ă la minimisation de lâaire du cercle de centre le point optimal et tangent Ă la courbeCOR.
Le second critĂšre est la moyenne des probabilitĂ©s dâED et de FA :
MO =(1â PDC) + PFA
2
Les courbes iso-MO sont des droites parallĂšles Ă la premiĂšre bissectrice. La minimisation de MOcorrespond Ă la minimisation de lâaire du triangle supĂ©rieur limitĂ© par la parallĂšle Ă la premiĂšrebissectrice tangente Ă la courbe COR.
Sur la courbe donnĂ©e en exemple Ă la figure 4.4, les deux critĂšres ne donnent pas le mĂȘme rĂ©sultat :la plus faible valeur de DO est atteinte au point A, tandis que la plus faible valeur deMO est obtenuepour le point B. En effet, la courbure des courbes iso-DO a tendance Ă privilĂ©gier les points proche
4.2. LES CARACTĂRISTIQUES OPĂRATIONNELLES DE RĂCEPTION 73
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
10,90,80,70,60,50,40,30,1 0,20
Pro
bab
ilit
Ă©d
ed
Ă©te
cti
on
corr
ecte
Probabilité de fausse alarme
A
B
Courbe iso-DO
Courbe iso-MO
Courbe COR
Fig. 4.4 â CritĂšres de qualitĂ© des courbes COR relativement au point optimal (0,1)
de la deuxiĂšme bissectrice de lâespace des COR, symbolisant un compromis plus Ă©galitaire entre lesdeux types dâerreurs, soit avec PDC = 1â PFA. Au contraire, le critĂšre MO et ses courbes iso-MOĂ courbure nulle favorise les points prĂšs des axes PDC = 1 ou PFA = 0, qui correspondent Ă descomportement idĂ©alisĂ©s.
4.2.3.2 CritĂšres depuis le point antagoniste
Les deux critĂšres prĂ©cĂ©dents peuvent aussi ĂȘtre dĂ©finis depuis le point antagoniste (1,0), et doiventcette fois voir leurs valeurs maximisĂ©es. Respectivement notĂ©s DA et MA, ces critĂšres sâĂ©crivent
DA =âPDC2 + (1â PFA)2
MA =PDC + 1â PFA
2= 1âMO
Un troisiĂšme critĂšre est lâaire du rectangle AR dont les sommets opposĂ©s sont le point antagonisteet le point de la courbe COR considĂ©rĂ© :
AR = PDC (1â PFA)
Les courbes iso-AR sont des hyperboles ayant pour foyer le point antagoniste. La maximisation deAR correspond par dĂ©finition Ă celle de lâaire du rectangle inscrit sous la courbe COR. La dĂ©finitionanalogue par rapport au point optimal est peu intĂ©ressante, car minimiser le rectangle dont les sommetsopposĂ©s sont le point optimal et un point de la courbe COR revient automatiquement Ă considĂ©rer lespoints extrĂȘmes de la courbe COR, pour lesquels lâaire de ce rectangle est nulle.
Ces trois critĂšres ont un point commun : il sâagit en effet systĂ©matiquement dâune moyenne entreles coordonnĂ©es des points de lâespace des COR relativement au point antagoniste. DA correspond Ă la moyenne quadratique, MA Ă la moyenne gĂ©omĂ©trique et RA au carrĂ© de la moyenne harmonique6.
6La moyenne quadratique est la racine carrée de la moyenne des carrés des éléments. La moyenne géométrique est
74 CHAPITRE 4. DĂTECTION
Les courbes iso-performances vis-Ă -vis de chacun de ces trois critĂšres dĂ©terminant la meilleurecourbe sont reprĂ©sentĂ©es Ă la figure 4.5. De mĂȘme que prĂ©cĂ©demment, les rĂ©sultats ne sont pas iden-tiques, les trois critĂšres DA, MA et AR correspondant respectivement aux points A, B et C. Ce-pendant, les trois points sont trĂšs proches, car les courbures respectives des trois courbes iso-critĂšrecorrespondantes sont trĂšs faibles. De plus, la courbe iso-DA ayant sa courbure de sens opposĂ© Ă lacourbe iso-DO prĂ©sentĂ©e Ă la figure 4.4, elle favorise cette fois davantage le rapprochement vers lesaxes de comportement idĂ©al.
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
10,90,80,70,60,50,40,30,1 0,20
Pro
bab
ilit
Ă©d
ed
Ă©te
cti
on
corr
ecte
Probabilité de fausse alarme
B
AC
Courbe COR
Courbe iso-AR
Courbe iso-MA
Courbe iso-DA
Fig. 4.5 â CritĂšres de qualitĂ© des courbes COR relativement au point antagoniste (1,0)
Il est intĂ©ressant de noter que MA, qui est aussi appelĂ©e prĂ©cision globale, est Ă©gale Ă la prĂ©cisionde lâalgorithme de dĂ©tection dĂ©finie par la sous-section 4.2.1.3, dans le cas oĂč le nombre dâĂ©chantillonsde chaque hypothĂšse est Ă©quivalent, soit nH0
= nH1. Par ailleurs, les courbes iso-MO et iso-MA sont
confondues : comparer lâefficacitĂ© de dĂ©tection par lâun ou lâautre critĂšre est Ă©quivalent.
4.2.3.3 Aire sous la courbe
Dans le but de la comparaison globale des performances pour un jeu de conditions de mesure,prenant en compte plus seulement une valeur de seuil mais lâensemble des valeurs possibles, lâaire sousla courbe COR[Bra97] est une mesure souvent utilisĂ©e[WW07, DHD07]. Lâaire sous la courbe (ASC)est lâaire dĂ©limitĂ©e par la courbe COR, lâaxe des abscisses et lâaxe de droite PFA = 1, prĂ©sentĂ©e parla figure 4.6.
LâASC est une fraction de lâaire de lâespace des COR : sa valeur est comprise entre 0 et 1. De plus,une courbe COR rĂ©elle doit obligatoirement offrir de meilleures performances que le choix alĂ©atoire,
la racine niĂšme du produit des Ă©lĂ©ments. La moyenne harmonique est lâinverse de la moyenne des inverses des Ă©lĂ©ments.Cela donne, en notant respectivement ces moyennes Mq, Mg et Mh
Mq =
â1
n
â
i
xi2 Mg = n
â1
n
â
i
xi Mh =
(1
n
â
i
1
xi
)â1
4.2. LES CARACTĂRISTIQUES OPĂRATIONNELLES DE RĂCEPTION 75
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
10,90,80,70,60,50,40,30,1 0,20
Probabilité de fausse alarme
Pro
bab
ilit
Ă©d
ed
Ă©te
cti
on
corr
ecte
Aire sous la courbe a
Aire sous la courbe bCourbe COR b
Courbe COR a
Fig. 4.6 â CritĂšre « aire sous la courbe » (ASC) pour deux courbes COR
câest-Ă -dire se situer au-dessus de la premiĂšre bissectrice. La valeur de lâASC est par consĂ©quentnormalement comprise entre 0,5 et 1.
Il a Ă©tĂ© montrĂ©[HM82] que lâASC correspond Ă des tests statistiques, comme le sont les tests deMann-Whitney[MW47] et de Wilcoxon[Wil45], qui dĂ©terminent si deux jeux dâĂ©chantillons statistiquesproviennent de la mĂȘme distribution ; de mĂȘme, lâASC est proche[HT01] du coefficient de Gini[Gin21],qui quantifie la dispersion statistique et est particuliĂšrement utilisĂ© en Ă©conomie dans lâĂ©tude desdisparitĂ©s de salaires.
La figure 4.6 prĂ©sente deux courbes COR fictives. Ces courbes correspondent Ă des performancesassez proches. Faire un choix entre ces deux courbes et donc entre les deux jeux de conditions demesure quâelles reprĂ©sentent est possible, grĂące Ă nâimporte quel critĂšre prĂ©cĂ©demment exposĂ©. Il suffitde supposer plus efficace le jeu pour lequel le point aux meilleures performances est obtenu. Deux deces critĂšres donnent des rĂ©sultats diffĂ©rents : pour DO, la courbe a est meilleure, tandis quâil sâagit dela courbe b pourMO. LâASC est un critĂšre, au sens du choix entre deux courbes dans leur ensemble etnon deux points uniquement, qui permet un choix dĂ©finitif : lâASC de la courbe b est plus importanteque celle de la courbe a.
4.2.4 Prise en compte du coût
Lâanalyse des courbes COR et la recherche de la meilleure performance de dĂ©tection posent unproblĂšme essentiel, qui est la dĂ©finition dâune bonne performance. En ce qui concerne la discriminationdes performances dâun jeu de conditions de mesure, performances reprĂ©sentĂ©es par une courbe CORentiĂšre, le calcul de lâaire sous la courbe est le meilleur choix, largement utilisĂ© dans le domaine. EllereprĂ©sente en effet la possibilitĂ© dâĂ©tablir une dĂ©tection plus fiable indĂ©pendamment du paramĂštre delâalgorithme choisi.
DĂ©terminer le meilleur point dâune courbe COR, câest-Ă -dire la valeur optimale du paramĂštre delâalgorithme de dĂ©tection, est moins Ă©vident. Les critĂšres proposĂ©s Ă la sous-section 4.2.3 donnent tousdes rĂ©sultats a priori diffĂ©rents. Ils correspondent tous Ă la minimisation ou maximisation dâune aire
76 CHAPITRE 4. DĂTECTION
situĂ©e au-dessus ou au-dessous de la courbe. Ils nâont quâun faible rapport avec ce qui pourrait ĂȘtreimposĂ© dans un cahier des charges ou une quelconque rĂ©alitĂ© physique.
Ăventuellement, il est possible de considĂ©rer que la courbure permet de rapprocher ou dâĂ©loignerle meilleur point de la courbe par rapport Ă la seconde bissectrice de lâespace des COR. Un classementdes critĂšres peut ainsi ĂȘtre Ă©tabli, depuis celui privilĂ©giant les points prĂšs de la seconde bissectricedâĂ©quation PDC = 1 â PFA, Ă celui privilĂ©giant les points prĂšs des axes de comportement idĂ©alisĂ©dâĂ©quations PDC = 1 et PFA = 0 :
DO â ARâMO âĄMAâ DA
Cependant, choisir le dernier critĂšre ne permet pas de privilĂ©gier Ă lâavance les points proches delâaxe PDC = 1 ou de lâaxe PFA = 0. Cela peut poser un problĂšme, car leur signification est trĂšsdiffĂ©rente. Dans le cas de la recherche de dĂ©fauts, il est possible dâimaginer que les dĂ©fauts dangereuxdoivent ĂȘtre dĂ©tectĂ©s avec une probabilitĂ© maximale, celle dâobtenir une FA Ă©tant peu importante. Aucontraire, il est aussi envisageable que les rĂ©parations effectuĂ©es de façon systĂ©matique sur les piĂšcesdĂ©fectueuses soient tellement complexes quâil devienne nĂ©cessaire de minimiser au mieux la probabilitĂ©de fausse alarme, quitte Ă ne pas dĂ©tecter certains dĂ©fauts de faibles dimensions.
Une technique pour prendre en compte cela est de dĂ©finir un coĂ»t pour chacune des deux erreurspossibles[PF01], coĂ»ts notĂ©s cFA et cED. Il sâagit de coĂ»ts qui peuvent ĂȘtre financiers ou non (im-mobilisation du matĂ©riel, du personnel ; perte de crĂ©dibilitĂ© auprĂšs de clients ; dĂ©lais contractuels...).Davantage quâune valeur absolue, câest leur valeur relative qui est importante, soit la rĂ©ponse Ă laquestion « combien de fois une FA coĂ»te-t-elle plus ou moins cher quâune ED ? ». Le coĂ»t total dĂ» auxerreurs lors dâune Ă©valuation portant sur nH0
+ nH1Ă©chantillons sâĂ©crit alors
ctotal = nFA cFA + nED cED
Or, par définition,
nFA = nH0(1â sp)
nED = nH1(1â se)
Il vientctotal = nH0
(1â sp) cFA + nH1(1â se) cED
Si le nombre total dâĂ©chantillons Ă©valuĂ©s nH0+ nH1
devient grand, ce coĂ»t devient le coĂ»t statisti-quement engendrĂ© par les erreurs du processus de dĂ©tection sur nâimporte quel groupe dâĂ©chantillonsdu mĂȘme nombre et en mĂȘme proportion. Il est possible de normaliser ce coĂ»t en le divisant parnH0
+ nH1. Le coĂ»t estimĂ© normalisĂ© sâĂ©crit
c = PFApH0cFA + (1â PDC) pH1
cED
oĂč pH0, respectivement pH1
, est la probabilitĂ© que lâhypothĂšse H0, respectivement H1, soit vraie.
Les courbes iso-coĂ»t sont par consĂ©quent dans lâespace des COR des droites de pente
pente =pH0cFA
pH1cED
=pH0
pH1
cFA
cED
Cette pente intĂšgre deux rapports. Le premier est le rapport des probabilitĂ©s des deux hypothĂšses.Il permet de prendre en compte le fait quâune de ces deux hypothĂšses est plus frĂ©quente que lâautre.Par exemple, si H0 est beaucoup plus frĂ©quente que H1, câest-Ă -dire si le contrĂŽle est effectuĂ© sur despiĂšces majoritairement saines, ce rapport est approximativement Ă©gal Ă lâinverse de la probabilitĂ© pH1
.Le second rapport est celui des coĂ»ts, et permet dâintĂ©grer la diffĂ©rence de pĂ©nalitĂ© causĂ©e par uneerreur, diffĂ©rence dĂ©finie par le cahier des charges du processus de dĂ©tection.
4.2. LES CARACTĂRISTIQUES OPĂRATIONNELLES DE RĂCEPTION 77
Cette mĂ©thode est ainsi la plus prĂ©cise pour dĂ©terminer un point de performances optimales surune courbe COR. LâinconvĂ©nient est quâelle est particuliĂšre Ă chaque application. Par exemple, pourune probabilitĂ© de voir vraie lâhypothĂšse H1 Ă©gale Ă 1/3, ce qui correspond Ă un ratio pH0
/pH1= 2,
une FA coĂ»tant 10 fois moins cher quâune ED donne une pente Ă©gale Ă 0,2 ; une FA coĂ»tant 5 fois pluscher quâune ED donne une pente Ă©gale Ă 10. Le premier cas peut exister lorsque ne pas dĂ©tecter undĂ©faut est trĂšs dangereux en termes de vies humaines, mais aussi lorsque le type de piĂšce inspectĂ©e esttrĂšs simple et jeter les piĂšces dĂ©fectueuses ne coĂ»te presque rien. Le second cas peut exister Ă lâinverselorsque les piĂšces Ă©valuĂ©es sont trĂšs complexes et difficiles Ă remplacer ou rĂ©parer.
La figure 4.7 montre les deux droites iso-coĂ»t dĂ©finies dans ces deux cas. Le premier cas correspond Ă une droite iso-coĂ»t Ă pente faible, plutĂŽt horizontale, privilĂ©giant les valeurs proches de lâaxe PDC = 1,car la PFA importe peu. Ă lâinverse, le second cas correspond Ă une droite iso-coĂ»t Ă pente forte, plutĂŽtverticale, privilĂ©giant les valeurs proches de lâaxe PFA = 0, car les FA sont relativement trĂšs coĂ»teuses.Les points aux meilleurs performances ainsi dĂ©terminĂ©s sont respectivement les points A et B. Selonle choix effectuĂ© dans le cahier des charges, le rĂ©sultat de ce critĂšre peut donc varier sensiblement.
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
10,90,80,70,60,50,40,30,1 0,20
Pro
bab
ilit
Ă©d
ed
Ă©te
cti
on
corr
ecte
Probabilité de fausse alarme
A
B
Courbe COR
cFA/cED = 10
cFA/cED = 0, 2
Fig. 4.7 â CritĂšre de qualitĂ© des courbes COR, prenant en compte le coĂ»t des erreurs et la probabilitĂ©de lâhypothĂšse H1 (ici pH1
= 0,4)
4.2.5 Conclusion sur la comparaison des courbes COR
Les sous-sections prĂ©cĂ©dentes montrent que les critĂšres pour quantifier la qualitĂ© des courbes CORsont nombreux. En pratique, leurs rĂ©sultats ne sont cependant rĂ©ellement diffĂ©rents uniquement lorsqueles courbes COR sont relativement Ă©loignĂ©es du point optimal (0,1). En effet, si elles sâapprochentsuffisamment de ce point optimal, leur rayon de courbure Ă sa proximitĂ©, nĂ©cessairement trĂšs faible,nâautorise pas une diffĂ©rence remarquable entre les diffĂ©rentes courbes iso-critĂšres. Au contraire, sielles sont suffisamment Ă©loignĂ©es du point optimal, il est possible quâelles Ă©pousent une envelopperessemblant davantage Ă ces courbes iso-critĂšres, et quâelles laissent ainsi une latitude dans le rĂ©glagedu paramĂštre de lâalgorithme de dĂ©tection.
Le critĂšre ASC nâest que trĂšs peu influencĂ© par la courbure de la courbe COR. Il reprĂ©sente de faitle meilleur moyen de sâassurer que les conditions de mesure correspondantes offrent des meilleures per-
78 CHAPITRE 4. DĂTECTION
formances de dĂ©tection indĂ©pendamment du rĂ©glage de lâalgorithme. Cela signifie que ces performancessont plus robustes vis-Ă -vis dâun mauvais choix du paramĂštre.
Enfin, le critĂšre prenant en compte le coĂ»t estimĂ© des erreurs de lâalgorithme semble rĂ©aliser lemeilleur compromis au niveau des performances de dĂ©tection dĂ©terminĂ©es par une courbe COR unique.En effet, il permet de considĂ©rer les rĂ©alitĂ©s imposĂ©es par le cahier des charges, et de donner un poidsfort pour privilĂ©gier les FA ou les ED.
En conséquence, il vient deux conclusions à cette étude :
â la comparaison de plusieurs courbes COR doit ĂȘtre rĂ©alisĂ©e par le calcul de lâairesous la courbe (critĂšre ASC) ;
â au sein dâune courbe COR, le point aux meilleures performances doit ĂȘtre choisigrĂące Ă la mĂ©thode prenant en compte le coĂ»t.
Si le cahier des charges nâest pas connu, comme câest le cas pour ces travaux, un bon compromis estde donner un coĂ»t Ă©quivalent aux deux types dâerreurs, ce qui entraĂźne une droite iso-coĂ»t parallĂšle Ă la bissectrice, Ă©quivalente Ă la droite iso-MO.
4.3 Les performances de détection
Les deux sections prĂ©cĂ©dentes ont permis lâĂ©tablissement dâun algorithme de dĂ©tection applicablesur chaque signal CF acquis (section 4.1) et dâune mĂ©thode statistique permettant Ă la fois de dĂ©ter-miner quelles conditions de mesure offrent les meilleures performances de dĂ©tection, et quel rĂ©glage delâalgorithme il faut choisir pour obtenir ces meilleures performances (section 4.2). Cet algorithme etla mĂ©thode des courbes COR ont Ă©tĂ© utilisĂ©s sur lâensemble des acquisitions effectuĂ©es. Ils permettentainsi de connaĂźtre les performances de dĂ©tection qui peuvent ĂȘtre statistiquement attendues des sondesrĂ©alisĂ©es pour la gamme des dĂ©fauts considĂ©rĂ©s dans cette Ă©tude.
4.3.1 Comparaison des technologies de microbobines
La figure 4.8 prĂ©sente les courbes COR obtenues pour les diffĂ©rentes frĂ©quences des CF, dans le casdâacquisitions faites avec les deux technologies de microbobines, pour la stratĂ©gie EREâ. La sonde Ă microbobines CI a des performances nettement moins bonnes que celle Ă bobines micromoulĂ©es : pourla stratĂ©gie EREâ, la seconde sonde obtient une courbe COR « parfaite », câest-Ă -dire passant par lepoint optimal (0,1), pour presque toutes les frĂ©quences, contrairement Ă la premiĂšre.
Ces courbes utilisent les 30 dĂ©fauts de la piĂšce-Ă©chantillon, soit les orientations oi et oj, sanscombinaison. La PFA est Ă©valuĂ©e Ă lâaide de 30 zones suffisamment Ă©loignĂ©es des dĂ©fauts, pour chaqueĂ©valuation. Lâobtention des courbes parfaites signifie quâil existe pour ces conditions de mesure aumoins un seuil permettant grĂące Ă lâalgorithme dĂ©fini Ă la section 4.1 de dĂ©tecter tous les dĂ©fauts sansdĂ©clencher une seule FA. Cette dĂ©tection est parfaite dans le cas de lâutilisation de la sonde Ă bobinesmicromoulĂ©es. La sonde Ă microbobines CI, avec le meilleur rĂ©glage, permet Ă 3 MHz de dĂ©tecter tousles dĂ©fauts (PDC = 1) mais avec 6,7% de FA. La figure 4.8 confirme donc la conclusion de lâĂ©tude duRSB Ă la section 3.6 : la technologie des bobines micromoulĂ©es permet dâobtenir des meilleurs rĂ©sultatsde dĂ©tection que la technologie des microbobines CI.
4.3.2 Comparaison des stratégies
Cinq stratĂ©gies dâĂ©mission-rĂ©ception ont Ă©tĂ© conçues dans le cadre de ces travaux, dans le but devoir leurs performances de dĂ©tection comparĂ©es et de dĂ©terminer ainsi la meilleure dâentre elles. Afin
4.3. LES PERFORMANCES DE DĂTECTION 79
Bobines micromouléesMicrobobines CI
0,5
1
0,8
0,7
0,9
0,6
0,4
0,3
0,2
0,1
00,6 0,7 0,8 0,9 10 0,1 0,2 0,3 0,4
Pro
bab
ilit
Ă©d
ed
Ă©te
cti
on
corr
ecte
0,5
Probabilité de fausse alarme
6 MHz
5 MHz
4 MHz
3 MHz
2 MHz
1 MHz
0,5
1
0,8
0,7
0,9
0,6
0,4
0,3
0,2
0,1
00,6 0,7 0,8 0,9 10 0,1 0,2 0,3 0,4
Pro
bab
ilit
Ă©d
ed
Ă©te
cti
on
corr
ecte
0,5
Probabilité de fausse alarme
1 MHz
3 MHz
2 MHz
4 MHz
5 MHz
6 MHz
7 MHz
8 MHz
9 MHz
10 MHz
11 MHz
12 MHz
Fig. 4.8 â Courbes COR obtenues avec les deux technologies de microbobines et pour lâensemble desfrĂ©quences dâacquisition
de pouvoir les Ă©valuer et dĂ©terminer la meilleure stratĂ©gie dâĂ©mission-rĂ©ception, il est important decomparer leurs performances de dĂ©tection. La figure 4.9 prĂ©sente les courbes COR optimales7 au sensde la maximisation du critĂšre ASC, pour chacune des cinq stratĂ©gies dâĂ©mission-rĂ©ception et pourchacune des deux technologies de microbobines. Il y apparaĂźt que les stratĂ©gies RER, EREâ et ERsont capables avec la sonde Ă bobines micromoulĂ©es dâatteindre le point optimal (0,1). Pour la sondeĂ microbobines CI, la meilleure courbe reste celle correspondant Ă la stratĂ©gie EREâ Ă une frĂ©quencede 3 MHz.
Bobines micromouléesMicrobobines CI
EREâ
RER
ERE+
ER
E/R
EREâ
RER
ERE+
ER
E/R
0,5
1
0,8
0,7
0,9
0,6
0,4
0,3
0,2
0,1
00,6 0,7 0,8 0,9 10 0,1 0,2 0,3 0,4
Pro
bab
ilit
Ă©d
ed
Ă©te
cti
on
corr
ecte
0,5
Probabilité de fausse alarme
0,5
1
0,8
0,7
0,9
0,6
0,4
0,3
0,2
0,1
00,6 0,7 0,8 0,9 10 0,1 0,2 0,3 0,4
Pro
bab
ilit
Ă©d
ed
Ă©te
cti
on
corr
ecte
0,5
Probabilité de fausse alarme
Fig. 4.9 â Courbes COR optimales pour chaque stratĂ©gie dâĂ©mission-rĂ©ception
7Chaque courbe correspond Ă une seule frĂ©quence, optimale pour la stratĂ©gie dâĂ©mission-rĂ©ception et la technologiede microbobines considĂ©rĂ©es.
80 CHAPITRE 4. DĂTECTION
Pour plus de dĂ©tail, la figure 4.10 trace lâASC pour lâensemble des frĂ©quences dâacquisition. Unclassement des performances des diffĂ©rentes stratĂ©gies dâĂ©mission-rĂ©ception peut ĂȘtre Ă©tabli ainsi :
â la stratĂ©gie EREâ est la stratĂ©gie la plus efficace pour la sonde Ă microbobines CI, suivie par lastratĂ©gie RER ;
â dans le cas de la sonde Ă bobines micromoulĂ©es, les deux stratĂ©gies EREâ et RER sont Ă©quiva-lentes et obtiennent des rĂ©sultats parfaits de dĂ©tection Ă toutes les frĂ©quences sauf 1 MHz ;
â les rĂ©sultats des trois autres stratĂ©gies sont assez comparables pour la sonde Ă microbobines CI ;â dans le cas de la sonde Ă bobines micromoulĂ©es, les deux stratĂ©gies ER et ERE+ ont des rĂ©sultats
similaires et assez bons ;â enfin, la stratĂ©gie E/R connaĂźt des performances de dĂ©tection bien moindres que toutes les autres
stratégies, pour la sonde à bobines micromoulées.
En simplifiant, ce classement peut sâĂ©crire
EREâ â RERâ« ERE+ â ERâ« E/R
Microbobines CI Bobines micromoulées
1 2 3 4 5 6 5 6 8 9 11 121074321
Air
eso
us
laco
urb
e(A
SC
)
Air
eso
us
laco
urb
e(A
SC
)
1
0,98
0,96
0,94
0,92
0,9
0,88
0,86
0,84
0,82
1
0,98
0,96
0,94
0,92
0,9
0,88
0,86
0,84
0,82
Fréquence (MHz) Fréquence (MHz)
ER
E/R
ERE+
RER
E/RERERE+
REREREâ EREâ
Fig. 4.10 â Aire sous la courbe en fonction de la frĂ©quence pour les diffĂ©rentes stratĂ©gies dâĂ©mission-rĂ©ception
De plus, les courbes de la figure 4.10 confirment Ă nouveau et de façon trĂšs globale, pour lâensembledes stratĂ©gies dâĂ©mission-rĂ©ception et lâensemble des frĂ©quences des CF, la capacitĂ© de la sonde Ă bobines micromoulĂ©es Ă obtenir des meilleures performances de dĂ©tection. Les figures dans la suitede ce chapitre ne considĂ©reront donc plus que les mesures effectuĂ©es Ă lâaide de la sonde Ă bobinesmicromoulĂ©es, dans le cas de la stratĂ©gie dâĂ©mission-rĂ©ception EREâ.
4.3.3 Influence du pas dâĂ©chantillonnage spatial
Le pas dâĂ©chantillonnage spatial des acquisitions influence directement le nombre de points demesure appartenant Ă la zone de signal utile et par suite lâefficacitĂ© de lâalgorithme de dĂ©tection. Lavariation du pas dâĂ©chantillonnage est ici obtenue, comme expliquĂ© Ă la section 3.4, par dĂ©cimation. Plusle facteur de dĂ©cimation est fort, plus grand est le pas dâĂ©chantillonnage et plus petit est le nombre depoints de mesure conservĂ©s dans lâimage dĂ©cimĂ©e. Un facteur de dĂ©cimation Ă©gal Ă 10 correspond, pourla sonde Ă bobines micromoulĂ©es, Ă un pas dâĂ©chantillonnage spatial Ă©gal Ă la largeur des microbobines.Une reconstruction est ensuite possible Ă partir de lâimage dĂ©cimĂ©e, par un surĂ©chantillonnage exposĂ©Ă la section 3.5. Les meilleurs rĂ©sultats ont Ă©tĂ© observĂ©s pour un facteur de surĂ©chantillonnage ne Ă©galau facteur de dĂ©cimation nd.
4.3. LES PERFORMANCES DE DĂTECTION 81
La figure 4.11 compare, dans le cas de la stratĂ©gie EREâ mise en Ćuvre avec la sonde Ă bobinesmicromoulĂ©es, les performances de dĂ©tection de la sonde en fonction de la dĂ©cimation opĂ©rĂ©e, toujourssuivie dâun surĂ©chantillonnage de mĂȘme facteur. Elle trace lâĂ©volution du critĂšre ASC (figure 4.11-a)en fonction de la frĂ©quence, pour un facteur de dĂ©cimation compris entre 1 et 10, ainsi que les courbesCOR correspondantes, pour une frĂ©quence des CF de 5 MHz (figure 4.11-b).
La dĂ©gradation des courbes COR nĂ©cessairement entraĂźnĂ©e par le processus de dĂ©cimation estquasi-nulle jusquâĂ nd = 6 : la dĂ©tection est presque parfaite encore pour cette valeur, ce qui est uneconclusion un peu plus optimiste que celle du calcul du RSB. Ă nd = 7 soit un pas dâĂ©chantillonnagespatial Ă©gal Ă 700 ”m, lâASC diminue lĂ©gĂšrement. Les courbes sâĂ©loignent plus nettement du pointoptimal (0,1) pour un facteur de dĂ©cimation plus grand.
(b) Courbes COR pour une fréquence de 5 MHz(a) CritÚre ASC
0,5
1
0,8
0,7
0,6
0,4
0,3
0,2
0,1
00,6 0,7 0,8 0,9 10 0,2 0,3 0,4 0,50,1
0,9
Probabilité de fausse alarme
8 9 11 12101 3 42 5 6 7
1
0,99
0,98
0,97
0,96
0,95
0,94
0,93
0,92
0,91
Air
eso
us
laco
urb
e(A
SC
)
Fréquence (MHz)
nd = 1
nd = 2
nd = 3
nd = 4
nd = 5
nd = 6
nd = 7
nd = 8
nd = 9
nd = 10
Pro
bab
ilit
Ă©d
ed
Ă©tec
tion
corr
ecte
Fig. 4.11 â Influence du pas dâĂ©chantillonnage spatial, par lâintermĂ©diaire du facteur de dĂ©cimation,sur les courbes COR pour la sonde Ă bobines micromoulĂ©es dans le cas de la stratĂ©gie EREâ
La figure 4.12 dĂ©taille cette Ă©volution par les valeurs, pour chaque courbe COR, des PDC et PFAcorrespondant aux performances optimales8 de la sonde. Pour nd = 7, plus de 98% des dĂ©fauts sontdĂ©tectĂ©s, et Ă peine 1% de fausses alarmes sont dĂ©clenchĂ©es : ce rĂ©sultat est tout Ă fait acceptable.Pour nd = 8, ces taux sont encore corrects avec respectivement 93% de DC et 2% de FA. Enfin, pournd = 10, le taux dâED dĂ©passe les 15%, ce qui peut ĂȘtre considĂ©rĂ© comme des performances moyennes.Ce cas est nĂ©anmoins intĂ©ressant car il correspond Ă un pas dâĂ©chantillonnage spatial Ă©gal Ă 1 mm,câest-Ă -dire la longueur du cĂŽtĂ© des microbobines : avec une matrice de microbobines, lâacquisitionpeut ĂȘtre rĂ©alisĂ©e sans dĂ©placement mĂ©canique.
4.3.4 Influence de lâorientation
Les figures 4.8 Ă 4.12 montrent des courbes COR et les ASC correspondantes, calculĂ©es Ă partir desacquisitions faites pour les dĂ©fauts suivant les orientations oi et oj, sans combinaison. Or, lâorientationdâun dĂ©faut comparativement Ă lâorientation principale de la sonde modifie le signal CF mesurĂ©, comme
8Chaque point sur la figure 4.12 correspond donc Ă une courbe COR entiĂšre, soit un grand nombre de signaux et unrĂ©glage que lâon peut considĂ©rer comme dĂ©finitif pour les conditions considĂ©rĂ©es. On parle de « ProbabilitĂ© de dĂ©tectioncorrecte optimale » et de « ProbabilitĂ© de fausse alarme optimale », au sens oĂč ce sont les performances optimales quipeuvent ĂȘtre atteintes dans ces conditions de mesure.
82 CHAPITRE 4. DĂTECTION
8 9 11 12101 3 42 5 8 9 11 12101 3 42 5
nd = 1
nd = 2
nd = 3
nd = 4
nd = 5
nd = 6
nd = 7
nd = 8
nd = 9
nd = 10
Pro
bab
ilit
Ă©d
ed
Ă©tec
tion
corr
ecte
op
tim
ale
Pro
bab
ilit
Ă©d
efa
uss
eala
rme
op
tim
ale
6 7
Fréquence (MHz)
6 7
Fréquence (MHz)
0
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,1
1
0,95
0,9
0,85
0,8
0,75
Fig. 4.12 â Influence du pas dâĂ©chantillonnage spatial, par lâintermĂ©diaire du facteur de dĂ©cimation,sur les performances optimales pour la sonde Ă bobines micromoulĂ©es dans le cas de la stratĂ©gie EREâ
lâa montrĂ© la section 3.2, et par consĂ©quent sa probabilitĂ© de dĂ©tection. Lâinfluence de lâorientation dudĂ©faut sur les performances de dĂ©tection de la sonde doit donc ĂȘtre quantifiĂ©e.
La figure 4.13 montre, pour la sonde Ă bobines micromoulĂ©es avec la stratĂ©gie EREâ et pour unfacteur de dĂ©cimation nd = 7, les valeur de lâASC pour les courbes COR dans trois possibilitĂ©s :
â ne prenant en compte que les dĂ©fauts suivant lâorientation oi ;â ne prenant en compte que les dĂ©fauts suivant lâorientation oj ;â ne prenant en compte que les dĂ©faut suivant les orientations oiâj et oi+j, qui sont Ă©quivalentes
en termes de probabilité de détection.
Cette figure prĂ©sente aussi les valeurs des PDC qui correspondent au rĂ©glage optimal du paramĂštre delâalgorithme. Contrairement Ă la figure 4.12, le rĂ©glage du seuil de dĂ©tection est dĂ©terminĂ© par dâautrescourbes COR, prenant en compte lâensemble des dĂ©fauts. En effet, pour une frĂ©quence des CF donnĂ©e,les inspections des dĂ©fauts suivant les orientations oi, oj et (oiâj + oi+j) engendrent trois courbesCOR particuliĂšres. Mais lâensemble des dĂ©fauts, dans un environnement rĂ©aliste oĂč les dĂ©fauts sontmĂ©langĂ©s, correspond Ă une quatriĂšme courbe COR. Cette courbe sert Ă dĂ©terminer le rĂ©glage optimalde lâalgorithme de dĂ©tection, qui est ainsi optimal pour lâensemble des cas possibles. La probabilitĂ© dedĂ©tecter un dĂ©faut suivant une orientation est alors obtenue au sein de la courbe COR particuliĂšre,au point correspondant au seuil ainsi dĂ©terminĂ©.
Les dĂ©fauts situĂ©s suivant lâorientation oi sont bien mieux dĂ©tectĂ©s que les autres9. MalgrĂ© une valeurdâASC relativement proche, une nette diffĂ©rence, de prĂšs de 10%, peut ĂȘtre visualisĂ©e entre les taux dedĂ©tection de ces dĂ©fauts et ceux des dĂ©fauts dâorientations (oiâj + oi+j). En effet, les dynamiques dessignaux CF pour les premiers dĂ©fauts sont gĂ©nĂ©ralement plus Ă©levĂ©es que pour les seconds : prendrele seuil de dĂ©tection global conduit Ă un compromis qui a tendance Ă diminuer le seuil de dĂ©tectionpour les dĂ©fauts suivant oi tout en augmentant celui des dĂ©fauts suivant (oiâj + oi+j). Les taux de DCet par suite les probabilitĂ©s de dĂ©tection varient dans le sens opposĂ©.
9Les dĂ©fauts suivant lâorientation oj, bien que situĂ©s selon une orientation a priori trĂšs mauvaise, sont plus efficacementdĂ©tectĂ©s que les orientations oiâj et oi+j, car leur signal CF possĂšde une aussi grande dynamique et recouvre une plusgrande surface grĂące Ă lâapparition des lobes secondaires suivant lâaxe ~j. Cette Ă©tendue acquiert un rĂŽle important pourla dĂ©tection lorsque le pas dâĂ©chantillonnage devient grand.
4.3. LES PERFORMANCES DE DĂTECTION 83
8 9 11 12101 3 42 5 6 7
Fréquence (MHz)
0,8
0,95
0,9
0,85
1
Pro
bab
ilit
Ă©d
ed
Ă©tec
tion
corr
ecte
op
tim
ale
8 9 11 12101 3 42 5 6 7
1
0,99
0,98
0,97
0,96
0,95
0,94
0,93
0,92
0,91
0,9
Air
eso
us
laco
urb
e(A
SC
)
Fréquence (MHz)
oj
oi
oiâj
oi+j
Fig. 4.13 â Comparaison des performances en fonction de lâorientation des dĂ©fauts
IntĂ©rĂȘt des modes de combinaison dâorientationsUne combinaison des images a Ă©tĂ© mise en place Ă la sous-section 3.2.2 (cf. figure 3.12). Il sâagit de
lâaddition complexe, en chaque point de mesure, des valeurs dâimpĂ©dances acquises par deux jeux demicrobobines dont les orientations principales sont perpendiculaires entre elles10. Cela doit permettrede dĂ©tecter avec les mĂȘmes performances un dĂ©faut qui serait dans lâorientation oi ou dans lâorientationoj. Il est intĂ©ressant de savoir ce quâil advient pour lâensemble des dĂ©fauts, y compris ceux suivant lesorientations oiâj et oi+j.
La figure 4.14 montre la valeur du critĂšre ASC en fonction de la frĂ©quence pour un facteur dedĂ©cimation variable compris entre 1 et 10. Ces valeurs sont tracĂ©es Ă la figure 4.14-a pour des courbesCOR prenant en compte simultanĂ©ment les quatre orientations de dĂ©fauts inspectĂ©s, sans combinaison.La valeur de lâASC quantifie donc la qualitĂ© globale de dĂ©tection du dispositif, indĂ©pendamment delâorientation des dĂ©fauts. Sur la figure 4.14-b, les courbes COR prennent en compte uniquement lesdeux modes combinĂ©s mc,i et mc,Äł. La valeur de lâASC quantifie alors, comme prĂ©cĂ©demment, laqualitĂ© de dĂ©tection indĂ©pendamment de lâorientation des dĂ©fauts, mais cette fois aprĂšs combinaisondes signaux acquis.
Le fait de rĂ©aliser la dĂ©tection par lâintermĂ©diaire des modes combinĂ©s plutĂŽt que par les acquisitionsavant combinaison permet dâaugmenter sensiblement la valeur de lâASC. Cela permet, selon la formedes courbes COR correspondantes, de gagner en moyenne, pour un facteur de dĂ©cimation nd = 7,environ la moitiĂ© du taux dâerreurs de dĂ©tection, soit de 6% Ă 3% dâED, tandis que la PFA reste Ă peu prĂšs constante et trĂšs faible.
4.3.5 SynthÚse des résultats et conclusion
Afin de rĂ©sumer les divers rĂ©sultats et conclusions de cette section, deux tableaux sont Ă©tablisci-aprĂšs. Le premier rĂ©unit les donnĂ©es de comparaison entre les deux technologies de microbobines etles cinq stratĂ©gies dâĂ©mission-rĂ©ception. Le second tableau Ă©nonce les meilleurs rĂ©sultats de dĂ©tectionen fonction du facteur de dĂ©cimation choisi.
10Ici, ces mesures combinĂ©es sont calculĂ©es Ă partir de mesures rĂ©alisĂ©es avec une mĂȘme sonde sur deux dĂ©fautsidentiques perpendiculaires entre eux, aprĂšs rotation dâune des deux images.
84 CHAPITRE 4. DĂTECTION
8 9 11 12101 3 42 5 8 9 11 12101 3 42 5
nd = 1
nd = 2
nd = 3
nd = 4
nd = 5
nd = 6
nd = 7
nd = 8
nd = 9
nd = 10
6 76 7
Fréquence (MHz)
1
0,99
0,98
0,97
0,96
0,95
0,94
0,93
0,92
0,91
1
0,99
0,98
0,97
0,96
0,95
0,94
0,93
0,92
0,91
Air
eso
us
laco
urb
e(A
SC
)
Air
eso
us
laco
urb
e(A
SC
)
Fréquence (MHz)
(b) Orientations combinĂ©es mc,i et mc,Äł(a) Orientations non combinĂ©es oi, oj, oiâj et oi+j
Fig. 4.14 â Aire sous la courbe en fonction de la frĂ©quence avec et sans utilisation de la combinaisondâorientations
4.3.5.1 Comparaison entre les technologies, entre les stratégies
Le tableau 4.2 contient toutes les valeurs optimales du critĂšre ASC. Il dĂ©taille chaque technologiede microbobines, chaque stratĂ©gie dâĂ©mission-rĂ©ception et trois valeurs du facteur de dĂ©cimation ; ilne prend en compte que, dâune part les dĂ©fauts situĂ©s selon les orientations oi et oj, dâautre part lacombinaison de ces deux orientations au sein du mode mc,i. Les valeurs optimales des PDC et desPFA sur les courbes COR correspondantes sont aussi incluses dans ce tableau. Il permet ainsi dedĂ©gager trois conclusions importantes au sujet des performances de dĂ©tection :
â la sonde constituĂ©e de bobines micromoulĂ©es offre nettement de meilleures perfor-mances11 que celle constituĂ©e des microbobines CI
â les stratĂ©gies EREâ et RER sont les stratĂ©gies les plus efficaces en dĂ©tectionElles peuvent dĂ©tecter tous les dĂ©fauts sans aucune erreur si nd = 5, et commettent moins de15% dâerreurs (ED et FA ajoutĂ©es) pour nd = 10.
â utiliser la combinaison des acquisitions par le mode mc,i est trĂšs bĂ©nĂ©fiqueCela permet en effet de diminuer en gĂ©nĂ©ral le taux total dâerreurs commises (ED et FA) dâenviron10%.
4.3.5.2 RĂ©sultats optimaux
Le tableau 4.3 montre les meilleurs rĂ©sultats obtenus avec la sonde Ă bobines micromoulĂ©es et lastratĂ©gie dâĂ©mission-rĂ©ception EREâ, en considĂ©rant tous les dĂ©fauts, câest Ă dire les orientations oi, oj,oiâj et oi+j, uniquement par combinaison : il sâagit donc des performances par lâutilisation des modesmc,i et mc,Äł.
Il convient de rappeler que nd est le facteur de la dĂ©cimation qui est appliquĂ©e sur les signaux CFavant de quantifier ses performances, et que la dĂ©cimation est suivie dâun surĂ©chantillonnage de mĂȘmefacteur avant lâĂ©valuation par lâalgorithme de dĂ©tection. Cela correspond Ă un pas dâĂ©chantillonnage
11Il convient de comparer les performances globales des deux types de microbobines pour un facteur de dĂ©cimationnd = 5, oĂč ces performances ne sont pas encore trop dĂ©gradĂ©es.
4.3. LES PERFORMANCES DE DĂTECTION 85
Sans combinaison (oi + oj) Avec combinaison (mc,i)
Technologie Stratégie nd ASCPDC PFA
ASCPDC PFA
optimale optimale optimale optimale
Microbobines
1 0,985 0,950 0,058 0,994 0,961 0,048
CI
E/R 5 0,980 0,941 0,095 0,994 0,976 0,051
10 0,960 0,867 0,000 0,993 0,933 0,000
1 0,977 0,967 0,100 1,000 1,000 0,000
ER 5 0,973 0,913 0,067 0,994 0,968 0,037
10 0,971 0,940 0,071 0,991 0,939 0,035
1 0,962 0,966 0,113 0,980 0,933 0,067
ERE+ 5 0,955 0,888 0,083 0,980 0,912 0,056
10 0,940 0,867 0,100 0,963 0,956 0,133
1 0,996 1,000 0,067 1,000 1,000 0,000
EREâ 5 0,994 0,981 0,044 1,000 0,995 0,000
10 0,984 0,963 0,081 0,999 0,997 0,023
1 0,985 1,000 0,100 1,000 1,000 0,000
RER 5 0,978 0,967 0,067 1,000 1,000 0,000
10 0,977 0,933 0,033 0,999 0,982 0,007
Bobines
1 0,977 0,967 0,033 0,978 0,933 0,067
micromoulées
E/R 5 0,969 0,972 0,087 0,972 0,933 0,000
10 0,965 0,927 0,079 0,968 0,906 0,121
1 0,999 0,967 0,000 1,000 1,000 0,000
ER 5 0,999 0,991 0,021 1,000 1,000 0,000
10 0,953 0,908 0,145 0,967 0,883 0,053
1 0,999 0,967 0,000 1,000 1,000 0,000
ERE+ 5 0,999 0,965 0,000 1,000 1,000 0,000
10 0,968 0,887 0,080 0,978 0,900 0,071
1 1,000 1,000 0,000 1,000 1,000 0,000
EREâ 5 1,000 0,987 0,001 1,000 1,000 0,000
10 0,952 0,820 0,050 0,981 0,915 0,057
1 1,000 1,000 0,000 1,000 1,000 0,000
RER 5 1,000 1,000 0,000 1,000 1,000 0,000
10 0,944 0,822 0,069 0,980 0,893 0,032
Tab. 4.2 â Comparaison des conditions de mesure par les performances de dĂ©tection
86 CHAPITRE 4. DĂTECTION
spatial des acquisitions Ă©gal Ă ndĂ100 ”m. Le temps dâacquisition « normalisĂ© » est calculĂ© pour chaquefacteur de dĂ©cimation, en fonction du temps de lâacquisition effectuĂ©e avec un pas dâĂ©chantillonnagespatial Ă©gal Ă 100 ”m. Ce pourcentage est le temps que mettrait la mĂȘme sonde Ă trois microbobinespour Ă©valuer une mĂȘme zone. Le gain de temps est donc trĂšs grand, mĂȘme pour un facteur de dĂ©cimationĂ©gal Ă 5. Dans le cas dâune matrice Ă deux dimensions de microbobines, le cas nd = 10 est celui pourlequel la sonde nâest plus dĂ©placĂ©e pour effectuer lâensemble des acquisitions : le temps dâacquisitionest alors trĂšs faible, voire nul.
ASCPDC PFA Pourcentage dâerreur Temps dâacquisition
optimale optimale total (ED et FA) « normalisé »
nd = 5 1,000 1,000 0,004 0,4% 1/25 = 4,0%
nd = 6 1,000 0,992 0,000 0,8% 1/36 = 2,8%
nd = 7 1,000 0,993 0,008 1,5% 1/49 = 2,0%
nd = 8 0,998 0,983 0,023 4% 1/64 = 1,6%
nd = 9 0,983 0,935 0,060 12,5% 1/81 = 1,2%
nd = 10 0,966 0,914 0,099 18,5% 1/100 = 1,0%
Tab. 4.3 â Performances globales maximales pour la sonde Ă bobines micromoulĂ©es et la stratĂ©giedâĂ©mission-rĂ©ception EREâ, avec lâutilisation des modes combinĂ©s mc,i et mc,Äł
Lâaugmentation de lâerreur commise est expĂ©rimentalement une fonction logarithmique12 de nd :une valeur de 7 ou 8 permet de contenir les taux dâerreurs dans des limites tout-Ă -fait acceptable.Au-delĂ , la dĂ©tection ne peut plus ĂȘtre considĂ©rĂ©e comme totalement fiable. NĂ©anmoins, cette Ă©tudepermet de quantifier la perte de performances de dĂ©tection correspondant Ă un temps dâacquisitionnul, soit 8,5% dâED et 9,9% de FA.
12La corrélation linéaire entre le logarithme de ces pourcentages et la valeur de nd est trÚs forte, avec le carré ducoefficient de corrélation R2 supérieur à 0,98.
Chapitre 5
Inversion des signaux, caractérisationdes défauts
Lâobjet dâun dispositif de CND est en gĂ©nĂ©ral soit la recherche de dĂ©fauts au sein des piĂšces, soitlâĂ©valuation de grandeurs constitutives de ces piĂšces. Les travaux menĂ©s ici concernent la recherchede dĂ©fauts, et consistent en la mise en Ćuvre de deux technologies de microbobines au sein de deuxsondes (cf. chapitre 2), lâacquisition des signaux CF sur un jeu de fissures parallĂ©lĂ©pipĂ©diques calibrĂ©es(cf. chapitre 3), et la dĂ©tection automatisĂ©e de ces dĂ©fauts (cf. chapitre 4). Le chapitre prĂ©cĂ©dent ade plus permis de dĂ©terminer la technologie de microbobines et la stratĂ©gie dâĂ©mission-rĂ©ception quipermettent dâobtenir les meilleures performances.
Ces conditions de mesure ont par consĂ©quent Ă©tĂ© choisies dans un but dâinversion des signauxCF ainsi acquis. Lâinversion de signaux est un processus qui rĂ©alise une transformation des signauxpour retrouver la reprĂ©sentation physique des objets Ă©valuĂ©s. Cela correspond Ă lâopĂ©ration inversedu processus dâacquisition, comme le montre la figure 5.1. RĂ©aliser lâinversion des signaux permetdâobtenir
â une plus grande facilitĂ© dâinterprĂ©tation, grĂące Ă une reprĂ©sentation rĂ©aliste ;â des informations quantitatives dans les dimensions des dĂ©fauts.
Défaut réel
Défaut estimé
Acquisition
Opérateur direct
Caractérisation
Opérateur inverse
Fig. 5.1 â Processus dâacquisition et dâinversion de signaux
Dans ce chapitre, une introduction gĂ©nĂ©rale sur lâinversion explique le choix effectuĂ© de la caractĂ©-risation. Une paramĂ©trisation des signaux CF est ensuite Ă©tablie et utilisĂ©e pour lâinversion des signauxCF acquis. Enfin, les rĂ©sultats de cette inversion sont Ă©valuĂ©s en terme dâerreur systĂ©matique et dedispersion statistique.
87
88 CHAPITRE 5. INVERSION ET CARACTĂRISATION
5.1 Les difficultĂ©s de lâinversion dâimage
Une inversion des signaux CF peut consister Ă rechercher lâimage « rĂ©elle » du dĂ©faut : pour lesdĂ©fauts inspectĂ©s ici, cette image serait une image binaire contenant un rectangle plein. LâintĂ©rĂȘt delâinversion est alors lâobtention dâimages dont lâinterprĂ©tation est beaucoup plus aisĂ©e pour lâopĂ©ra-teur : il devient particuliĂšrement facile de connaĂźtre les dimensions des dĂ©fauts ou leur orientation.NĂ©anmoins, lâĂ©tude effectuĂ©e Ă la sous-section 3.1.1.3 montre que cette inversion est complexe Ă mettreen Ćuvre pour des dĂ©fauts de faibles dimensions.
5.1.1 Les problÚmes « mal posés » et la régularisation
Lâinversion dâimages nĂ©cessite lâĂ©tablissement dâun opĂ©rateur « inverse », permettant de transfor-mer les images issues de la mesure CF en images rĂ©elles des surfaces Ă©valuĂ©es[RH72]. Cet opĂ©rateurinverse est nĂ©anmoins souvent difficile Ă dĂ©terminer. Si le modĂšle du « problĂšme direct », qui rĂ©alise latransformation depuis la rĂ©alitĂ© physique vers lâimage acquise, est connu et inversible, alors lâopĂ©rateurinverse sera bien lâinverse de ce modĂšle.
Les phĂ©nomĂšnes expliquĂ©s Ă la sous-section 1.3.1 sont rĂ©gis par un modĂšle direct fortement non-linĂ©aire. Les signaux CF produits le sont donc nĂ©cessairement aussi, ce qui peut engendrer une impor-tante difficultĂ© pour inverser les signaux. En particulier, plusieurs dĂ©fauts diffĂ©rents peuvent donnerdes signaux CF acquis identiques : la solution de lâinversion nâest pas unique. Il est dans ce cas questionde problĂšme « mal posĂ© »[Had02]. Ces problĂšmes, par opposition aux problĂšmes « bien posĂ©s », nerĂ©pondent pas, au minimum, Ă une de ces trois conditions :
â solubilitĂ©Une solution existe pour toute donnĂ©e soumise au processus dâinversion.
â unicitĂ©Cette solution est unique.
â stabilitĂ©La solution dĂ©pend de façon continue des donnĂ©es dâentrĂ©e du processus.
LâunicitĂ© est bien souvent non vĂ©rifiĂ©e et particuliĂšrement gĂȘnante. La non-stabilitĂ© engendre, Ă partirdâune faible incertitude sur la mesure, une incertitude plus importante sur la solution du processus.
Ici, en supposant lâopĂ©rateur direct comme un filtre linĂ©aire sur une plage de validitĂ© restreinte,ce filtre direct est connu : la sous-section 3.1.1.3 a montrĂ© quâil Ă©tait possible de prendre lâimage CFde lâĂ©valuation dâun dĂ©faut de trĂšs faibles dimensions en tant que rĂ©ponse impulsionnelle du dispositifdâacquisition, dont la transformĂ©e de Fourier est la fonction de transfert du modĂšle direct. Lâinversionde cette fonction de transfert suffit alors Ă dĂ©terminer le filtre inverse.
Cependant, la non-linĂ©aritĂ© des phĂ©nomĂšnes Ă©lectromagnĂ©tiques et les bruits apportĂ©s par leur miseen Ćuvre engendrent des difficultĂ©s supplĂ©mentaires lors de lâinversion. Il est en effet nĂ©cessaire derĂ©gulariser lâimage, câest-Ă -dire par exemple de supprimer lâinfluence des parties du signal ne contenantaucune information, et de permettre ainsi au processus dâinversion le choix de la solution correcteentre les diffĂ©rentes possibilitĂ©s. La rĂ©gularisation des problĂšmes inverses est largement rĂ©pandue enmathĂ©matique physique depuis les travaux de Tikhonov[TA77]. Le filtrage de Wiener, dont lâexplicationdu fonctionnement et un exemple dâapplication sont donnĂ©s Ă la sous-section 3.1.1.3, fait partie deces nombreuses techniques1 et a pour but de limiter lâinfluence du bruit dans le processus dâinversion.Comme beaucoup dâautres mĂ©thodes de rĂ©gularisation, elle fonctionne Ă partir dâune analyse spectraledu signal acquis. Cela a pour inconvĂ©nient de conduire Ă une rĂ©gularisation qui doit ĂȘtre recalculĂ©epour chaque signal.
1Le filtrage de Wiener est en fait une certaine « rĂ©gularisation de Tikhonov » oĂč la matrice de rĂ©gularisation contientlâinverse de la densitĂ© spectrale de puissance du rapport signal sur bruit.
5.2. LES MĂTHODES DâINVERSION PARAMĂTRIQUE 89
Le rĂ©glage des paramĂštres de rĂ©gularisation, quelle que soit la mĂ©thode adoptĂ©e, reste nĂ©anmoinsrelativement complexe. Ces paramĂštres ont en effet des dĂ©pendances fortes et non linĂ©aires avec lesconditions de mesure et avec les Ă©tats statistiques de bruit des signaux Ă inverser. De plus, lâinfluencedes valeurs choisies pour ces paramĂštres est suffisamment importante pour rĂ©duire trĂšs fortement laqualitĂ© dâune inversion lorsquâelles sont mal dĂ©terminĂ©es[Bar95].
5.1.2 Une solution : lâinversion paramĂ©trique
Une alternative envisageable pour la rĂ©solution des problĂšmes inverses est lâutilisation de lâinversionparamĂ©trique des signaux. Lâinversion paramĂ©trique, aussi appelĂ©e caractĂ©risation, ne produit pasde reprĂ©sentation de la rĂ©alitĂ© physique sous forme dâimages, mais sous forme de caractĂ©ristiquesdâun modĂšle donnĂ©[Fau98]. La possibilitĂ© de recourir Ă ce genre dâinversion dĂ©pend trĂšs fortementde lâapplication : ici, les dĂ©fauts concernĂ©s par lâĂ©valuation sont tous des dĂ©fauts de mĂȘme type, Ă savoir des fissures parallĂ©lĂ©pipĂ©diques de trĂšs faibles dimensions. Il est donc possible dâobtenir lareprĂ©sentation physique de ces dĂ©fauts uniquement en retrouvant leurs dimensions et leur orientation.Lâinversion rĂ©alisĂ©e par ces travaux consiste ainsi Ă estimer ces caractĂ©ristiques des dĂ©fauts. Dansdâautres domaines, lâinversion paramĂ©trique peut aussi ĂȘtre utilisĂ©e pour dĂ©terminer dâautres grandeursphysiques, comme par exemple la tempĂ©rature dâune chambre de combustion[SO95].
5.2 Les mĂ©thodes dâinversion paramĂ©trique
Comme expliquĂ© prĂ©cĂ©demment, lâinversion paramĂ©trique est un processus permettant dâestimerdes caractĂ©ristiques des Ă©lĂ©ments Ă©valuĂ©s Ă partir des acquisitions effectuĂ©es ou du moins de paramĂštresdes signaux CF acquis. Deux types dâinversions existent : si le modĂšle utilisĂ© est exĂ©cutĂ© plusieurs fois,il sâagit dâune inversion itĂ©rative ; dans le cas contraire, lâinversion est directe.
5.2.1 Lâinversion itĂ©rative
Pour lâinversion itĂ©rative, le processus est constituĂ© dâune boucle dâitĂ©ration au sein de laquellese trouve le modĂšle direct, qui doit ĂȘtre connu, de façon exacte ou approchĂ©e. La sortie du modĂšledirect est comparĂ©e aux acquisitions effectuĂ©es, et lâerreur ainsi observĂ©e2 est proposĂ©e en entrĂ©e dâunalgorithme dâoptimisation qui modifie alors les estimations des caractĂ©ristiques recherchĂ©es. Ă chaqueitĂ©ration, cette modification a pour but de minimiser lâerreur obtenue. Lâinversion est supposĂ©e correcteet le processus est arrĂȘtĂ© lorsque cette erreur devient infĂ©rieure Ă une valeur limite dĂ©terminĂ©e commecritĂšre dâarrĂȘt des itĂ©rations. La figure 5.2 reprĂ©sente le schĂ©ma du processus dâinversion itĂ©rative.
Si toutes les mĂ©thodes dâinversion itĂ©ratives rĂ©pondent Ă ce schĂ©ma gĂ©nĂ©ral, leur diffĂ©rence rĂ©side es-sentiellement dans lâalgorithme dâoptimisation qui effectue lâestimation des caractĂ©ristiques par modifi-cations successives. De tels algorithmes sont relativement nombreux. Parmi les plus utilisĂ©s se trouventla mĂ©thode de Newton[Deu04], la descente du gradient[Sny05], la mĂ©thode du simplexe[DOW55] ouencore les algorithmes gĂ©nĂ©tiques[SBKKB07].
Un inconvĂ©nient de cette technique est le temps de calcul requis, en particulier si le modĂšle utilisĂ©est complexe. En effet, les nombreuses itĂ©rations demandent un temps qui peut devenir important, etqui est inconnu a priori : chaque Ă©valuation demandera un temps de traitement diffĂ©rent. Il est dĂšslors relativement difficile de mettre en Ćuvre ce genre dâinversion pour un systĂšme dâacquisition et decaractĂ©risation simultanĂ©es.
2Lâerreur entre les acquisitions rĂ©alisĂ©es et la sortie du modĂšle direct nâest pas nĂ©cessairement le rĂ©sultat dâune simplesoustraction ou dâun calcul dâerreur quadratique, mais peut intĂ©grer des calculs plus complexes, comme ceux de fonctionsde vraisemblance.
90 CHAPITRE 5. INVERSION ET CARACTĂRISATION
Boucle itérative
Instrumentation
si le critĂšre dâerreur
est valide
initialisation
des estimations
RĂ©sultat
de lâestimation
ModĂšle directsortie du
modĂšleComparaison
erreur
Optimisationcaractéristiques
estimées
caractéristiques
réelles
Dispositif
de mesure
mesures
Fig. 5.2 â Processus gĂ©nĂ©ral dâinversion itĂ©rative
De plus, lâinversion itĂ©rative est assez sensible Ă la prĂ©cision du modĂšle direct : un modĂšle inexactpeut aboutir Ă une solution non satisfaisante tandis quâun modĂšle trop prĂ©cis risque de rendre le pro-cessus peu robuste vis-Ă -vis de perturbations. Le choix de lâinitialisation des caractĂ©ristiques estimĂ©esest aussi important. En effet, ces algorithmes dâoptimisation recherchent des minima, et il arrive quele rĂ©sultat soit un minimum local et non global. Cependant, des mĂ©thodes existent pour pallier cesproblĂšmes, et lâinversion itĂ©rative est prĂ©sentĂ©e comme une mĂ©thode trĂšs efficace et prĂ©cise lorsquecorrectement mise en Ćuvre[SVS08].
5.2.2 Lâinversion directe
Dans le cas de lâinversion directe, le processus contient directement le modĂšle inverse, commeindiquĂ© sur la figure 5.3. Deux cas se prĂ©sentent alors.
caractéristiques
réelles
Dispositif
de mesure
ModÚle inversecaractéristiques
estimées
mesures
Fig. 5.3 â Processus gĂ©nĂ©ral dâinversion directe
5.2.2.1 Si le modĂšle direct est connu et inversible
Si le modĂšle direct est connu et inversible, le modĂšle inverse est alors obtenu par lâinversion dumodĂšle direct. Le processus dâinversion est ensuite capable de donner de façon immĂ©diate et systĂ©ma-tique une estimation des caractĂ©ristiques du dĂ©faut inspectĂ©. Cette mĂ©thode est donc particuliĂšrementrapide. Il est envisageable3 que le modĂšle ne soit inversible que sur une plage rĂ©duite de valeurs, surlaquelle il aura Ă©tĂ© prĂ©alablement linĂ©arisĂ©[Akn90].
3Ces linĂ©arisations sont mĂȘme quasi-systĂ©matiques, au moins parce que lâensemble des valeurs des grandeurs dâintĂ©rĂȘtne sont pas physiquement disponibles. Les modĂšles directs ne sont donc trĂšs souvent dĂ©finis que sur une plage de valeursfinie, plage sur laquelle les grandeurs dâintĂ©rĂȘt sont disponibles. Par ailleurs, le comportement des dispositifs dâacquisitionen dehors de ces plages est souvent dĂ©nuĂ© dâintĂ©rĂȘt.
5.3. LA PARAMĂTRISATION 91
5.2.2.2 Si le modĂšle direct nâest pas inversible
Si le modĂšle direct nâest pas inversible, le modĂšle inverse peut dans ce cas ĂȘtre construit Ă partirde la correspondance entre paramĂštres des signaux acquis et caractĂ©ristiques recherchĂ©es des dĂ©fauts.Le modĂšle inverse nâa alors aucun rapport rĂ©el avec le modĂšle direct constituĂ© des Ă©quations et loisphysiques mises en jeu, mais les transformations quâils modĂ©lisent sont lâinverse lâune de lâautre. Il sâagitdâun modĂšle uniquement « comportemental », associant les variations des caractĂ©ristiques Ă estimeren fonction des paramĂštres des signaux. Ce modĂšle possĂšde des paramĂštres internes, qui doivent ĂȘtrerĂ©glĂ©s par une pĂ©riode dâapprentissage.
Ces modĂšles inverses peuvent ĂȘtre Ă©tablis par plusieurs algorithmes. Les algorithmes de type rĂ©-seaux de neurones[SKC97, BCFR98] sont trĂšs utilisĂ©s, industriellement depuis une trentaine dâannĂ©es.InspirĂ©s des neurones biologiques, il sâagit dâun outil rĂ©putĂ© souple, rapide et susceptible de modĂ©liserdes fonctions compliquĂ©es, notamment non linĂ©aires. Cependant, un rĂ©seau de neurones possĂšde, enplus de ses coefficients rĂ©glables, un grand nombre dâĂ©lĂ©ments variables. Il faut en effet dĂ©terminer enparticulier le nombre de couches internes sur lesquelles sont fixĂ©s les neurones, le nombre de neuronessur chaque couche, le type de fonction dâactivation pour chaque neurone. Toutes ces possibilitĂ©s ontun revers : il est nĂ©cessaire de possĂ©der une certaine expertise avant de pouvoir construire un rĂ©seaude neurones efficace.
5.2.3 Le choix entre les méthodes
Le choix entre les mĂ©thodes dâinversion briĂšvement prĂ©sentĂ©es prĂ©cĂ©demment nâest pas Ă©vident.Les travaux de recherche des derniĂšres dĂ©cennies ont engendrĂ© une trĂšs grande diversitĂ© au sein de cestechniques, chacune prĂ©sentant des avantages et des inconvĂ©nients.
Le choix dĂ©pendra avant tout du cahier des charges et de la prĂ©cision du modĂšle direct. Il estpossible dâeffectuer un premier choix par le fait que si le temps de calcul nâest pas le principal critĂšreet que le modĂšle direct est parfaitement connu, lâutilisation de mĂ©thodes itĂ©ratives est souhaitable.Dans le cas dâune application rapide ou disposant de faibles moyens de calcul, les mĂ©thodes dâinversiondirecte sont prĂ©fĂ©rables. La construction dâun modĂšle inverse sera obligatoire si le modĂšle direct nâestpas inversible.
5.3 La paramétrisation
5.3.1 Le but de la paramétrisation
Dans le but de lâĂ©valuation des dĂ©fauts inspectĂ©s, le choix de lâinversion des signaux CF a Ă©tĂ©portĂ© vers lâestimation des caractĂ©ristiques des dĂ©fauts, câest-Ă -dire le processus de caractĂ©risation.Cependant, les signaux CF originaux contiennent un grand nombre de donnĂ©es, Ă savoir une valeurdâimpĂ©dance complexe Ă chaque point de mesure. Cela complique fortement lâinversion, quâelle soititĂ©rative ou directe.
Ces donnĂ©es, valeurs des signaux CF situĂ©es les unes Ă cĂŽtĂ© des autres, sont trĂšs dĂ©pendantes entreelles, et toutes ne sont pas nĂ©cessaires pour lâinversion. Diminuer le nombre de ces donnĂ©es permetde simplifier le processus de caractĂ©risation. La paramĂ©trisation des signaux CF, par la sĂ©lection desdonnĂ©es utiles, rĂ©alise cette simplification[Ouk97].
92 CHAPITRE 5. INVERSION ET CARACTĂRISATION
5.3.2 Les paramĂštres
ParallĂšlement Ă la nĂ©cessitĂ© de rĂ©duction du nombre de donnĂ©es caractĂ©risant le signal CF, il estimportant que les paramĂštres dĂ©finissent au mieux le signal, afin que le moins possible dâinformationcontenue dans le signal ne soit perdue.
Beaucoup de paramĂštres peuvent ĂȘtre choisis. Comme expliquĂ© Ă la sous-section 3.1.2, les reprĂ©-sentations de type signatures permettent une dĂ©finition plus aisĂ©e de ces paramĂštres et facilitent doncla paramĂ©trisation. Il est possible de sĂ©parer les paramĂštres en deux classes, selon quâils correspondentĂ une signature CF ou Ă une combinaison de signatures CF.
5.3.2.1 ParamĂštres dâune signature CF
La signature CF est une des reprĂ©sentations possibles du signal CF. Elle a Ă©tĂ© prĂ©sentĂ©e Ă lasous-section 3.1.2. Elle permet de visualiser lâensemble des valeurs complexes de lâimpĂ©dance acquisesaux diffĂ©rents points de mesure, dans le plan complexe. Trois paramĂštres peuvent y ĂȘtre dĂ©terminĂ©s,indiquĂ©s sur la figure 5.4 :
â la dynamique principale Dâ la dynamique secondaire dâ lâangle dâinclinaison α
Partie réelle (Ω)
Part
ieim
agin
air
e(Ω
)
αD
d
Fig. 5.4 â ParamĂ©trisation dâune signature CF
La dĂ©termination de lâangle dâinclinaison est effectuĂ©e conjointement Ă la transformation en am-plitude principale exposĂ©e Ă la section 3.1.3. Lâangle dâinclinaison α est celui sĂ©parant lâaxe rĂ©el duplan complexe de la droite de projection dĂ©finie par la transformation. Ă partir des coefficients a et bde la droite dâĂ©quation 3.2, dĂ©finis par les Ă©quations 3.6 et 3.7, lâangle dâinclinaison (en degrĂ©s) sâĂ©crit
α =
â180
Ïarctan
(ba
)si a 6= 0
90 signe (b) sinon
La dynamique principale est la dynamique de lâamplitude principale, calculĂ©e simplement par
D = maxni,nj
sâČ (ni,nj)âminni,nj
sâČ (ni,nj)
oĂč sâČ est lâamplitude principale4, signal rĂ©el contenant les valeurs de la projection orthogonale du signalCF complexe s (ni,nj) sur la droite dâangle dâinclinaison α par rapport Ă lâaxe rĂ©el, ou encore
D = maxni,nj
(bâ [s (ni,nj)]â aâ [s (ni,nj)]
)âminni,nj
(bâ [s (ni,nj)]â aâ [s (ni,nj)]
)
4Lâamplitude principale est lâamplitude signĂ©e de lâimpĂ©dance mesurĂ©e, dĂ©finie Ă la sous-section 3.1.3, page 44.
5.4. LâINVERSION 93
De mĂȘme, d est la dynamique de la projection sur la droite perpendiculaire notĂ©e sâČâČ et sâobtient avec
d = maxni,nj
sâČâČ (ni,nj)âminni,nj
sâČâČ (ni,nj)
= maxni,nj
(aâ [s (ni,nj)] + bâ [s (ni,nj)]
)âminni,nj
(aâ [s (ni,nj)] + bâ [s (ni,nj)]
)
Ces trois paramÚtres définissent quasiment totalement la signature CF à laquelle ils sont attachés.
5.3.2.2 ParamĂštres aprĂšs combinaison
La combinaison des signaux CF, dĂ©crite Ă la sous-section 3.2.2, permet de multiplier le nombre deces paramĂštres par 3. En effet, chaque dĂ©faut, inspectĂ© par deux sondes dâaxes principaux perpendi-culaires entre eux, donne trois signaux CF :
â celui du mode5 parallĂšle mâ comprenant les modes mâi et mâÄł ;â celui du mode perpendiculaire mâ„ comprenant les modes mâ„i et mâ„Äł ;â celui du mode combinĂ© mc comprenant les modes mc,i et mc,Äł.
Ainsi sont obtenus les paramĂštres αâ, αâ„, αc, Dâ, Dâ„, Dc, dâ, dâ„, dc. Le mode combinĂ© produit unsignal CF identique pour deux dĂ©fauts perpendiculaires entre eux : il sera souvent prĂ©fĂ©rable dâutiliser,parmi les paramĂštres dĂ©finis prĂ©cĂ©demment, ceux calculĂ©s sur des signatures CF combinĂ©es.
Dâautres paramĂštres peuvent ĂȘtre calculĂ©s Ă partir des trois signaux CF correspondant Ă un mĂȘmedĂ©faut, en utilisant plusieurs paramĂštres parmi les prĂ©cĂ©dents. En faire une liste exhaustive serait fasti-dieux et relativement peu utile, Ă cause des multiples possibilitĂ©s. Un grand nombre de ces possibilitĂ©sa nĂ©anmoins Ă©tĂ© Ă©tudiĂ©. Cette Ă©tude a permis de sĂ©lectionner les paramĂštres les plus intĂ©ressants,comme prĂ©sentĂ© Ă la sous-section 5.4.2.
5.4 Lâinversion
La mĂ©thode dâinversion choisie est une mĂ©thode directe, non itĂ©rative. Cette mĂ©thode permet unemise en Ćuvre rapide, avec un prĂ©-rĂ©glage des coefficients grĂące Ă des donnĂ©es a priori. Elle nĂ©cessitecependant lâĂ©tablissement dâun modĂšle inverse, ce qui nâest pas toujours possible. Pour cette Ă©tude,un tel modĂšle a pu ĂȘtre dĂ©fini. Cette section explique en dĂ©tail les diffĂ©rentes Ă©tapes ayant permisla rĂ©alisation de lâalgorithme dâinversion : la dĂ©finition des caractĂ©ristiques des dĂ©fauts Ă estimer etdes paramĂštres des signaux CF, lâobtention du modĂšle inverse, les amĂ©liorations apportĂ©es grĂące auxinformations a priori et les rĂ©glages des coefficients du modĂšle.
5.4.1 Les caractéristiques à estimer
Les défauts considérés dans ces travaux sont des fissures parallélépipédiques. Ils ont donc troisdimensions :
â une longueur â, ici Ă©gale Ă 100 ”m, 200 ”m, 400 ”m , 600 ”m ou 800 ”m ;â une profondeur p, ici Ă©gale Ă 100 ”m, 200 ”m ou 400 ”m ;â une largeur, ici Ă©gale Ă 100 ”m pour tous les dĂ©fauts.
Dans cette Ă©tude, la largeur des dĂ©fauts est exclue des dimensions Ă estimer, car lâensemble des dĂ©fautsĂ disposition ne permet pas de connaĂźtre son influence sur les signaux CF. Les seules dimensions Ă estimer sont la longueur et la profondeur.
5Les notations des 6 modes mâi, mâÄł, mâ„i, mâ„Äł, mc,i et mc,Äł, ont Ă©tĂ© introduites Ă la sous-section 3.2.2, page 49.
94 CHAPITRE 5. INVERSION ET CARACTĂRISATION
Lâorientation est aussi une caractĂ©ristique importante influençant les signaux CF. Ici, les acqui-sitions ont Ă©tĂ© faites Ă partir de quatre orientations diffĂ©rentes. Il sera par consĂ©quent impossible dedĂ©terminer de façon continue un angle entre les orientations principales du dĂ©faut et de la sonde, maisil sera question dâun choix entre les trois cas suivants :
â orientation o1 : orientation selon les axes ~i ou ~j ;â orientation o2 : orientation selon les axes
(~iâ~j
)ou(~i+~j
);
â orientation o3 : aucune orientation principale (cas du dĂ©faut de longueur 100 ”m).
Chaque dĂ©faut dĂ©tectĂ© doit ĂȘtre classĂ© au sein de lâun de ces trois cas6 : il sâagit dâune classification.
Pour chaque jeu de conditions de mesure, câest-Ă -dire pour chaque triplet constituĂ© dâune technolo-gie de microbobines, dâune stratĂ©gie dâĂ©mission-rĂ©ception et dâune frĂ©quence des courants dâexcitation,60 acquisitions sont effectuĂ©es, 90 signaux CF sont disponibles aprĂšs combinaison. Cela correspondĂ 30 dĂ©fauts diffĂ©rents, parmi lesquels chaque valeur de longueur se rapporte Ă 6 dĂ©fauts et chaquevaleur de profondeur Ă 10 dĂ©fauts. Concernant les orientations, si o1 et o2 correspondent chacune Ă 12dĂ©fauts, o3 nâest lâorientation que de 6 dĂ©fauts.
5.4.2 SĂ©lection des paramĂštres
Ces paramĂštres sont assez nombreux et redondants. Le bruit que chacun dâeux comporte indivi-duellement et de façon alĂ©atoire risque de rendre instable le processus dâinversion. Il faut sĂ©lectionnerles plus pertinents. Deux axes de sĂ©lection doivent ĂȘtre privilĂ©giĂ©s :
â la corrĂ©lation avec les caractĂ©ristiques Ă Ă©valuer ;â la robustesse Ă lâĂ©chantillonnage spatial.
5.4.2.1 ParamĂštres hybrides
Parmi les paramĂštres calculĂ©s Ă partir des trois signaux CF correspondant Ă un mĂȘme dĂ©faut,deux paramĂštres apparaissent comme particuliĂšrement intĂ©ressants pour lâestimation de lâorientation,effectuĂ©e Ă la sous-section 5.4.3.
Le premier de ces deux paramĂštres est la diffĂ©rence entre les dynamiques des deux premiers modes,divisĂ©e par la dynamique du mode combinĂ©. Ce rapport sâĂ©crit
P1 =
âŁâŁâŁDâ âDâ„âŁâŁâŁ
Dc
Le second de ces deux paramĂštres est le rapport entre lâangle dâinclinaison et la dynamique du modecombinĂ©, donnĂ© par
P2 =αc
Dc
Ces paramĂštres prĂ©sentent lâavantage de varier fortement en fonction de lâorientation des dĂ©fauts etfaiblement en fonction des autres caractĂ©ristiques.
6Dans le cas de lâorientation o1, il est relativement aisĂ© de dĂ©terminer lâaxe du dĂ©faut parmi ~i ou ~j, la plus grandedynamique Ă©tant obtenue par la sonde dont lâaxe principal est parallĂšle au dĂ©faut. Il est donc possible dâĂ©ventuellementdĂ©finir deux « sous-cas », ce qui nâest pas rĂ©alisĂ© ici. Dans le cas de lâorientation o2, dĂ©terminer lâaxe parmi les deuxpossibilitĂ©s est par contre impossible.
5.4. LâINVERSION 95
5.4.2.2 Ătude de la corrĂ©lation
Afin dâeffectuer un premier tri parmi les paramĂštres choisis, une mĂ©thode simple peut ĂȘtre dâeffec-tuer une Ă©tude de corrĂ©lation entre les paramĂštres des signaux CF et les diffĂ©rentes caractĂ©ristiquespour lâensemble des dĂ©fauts. Une Ă©tude de corrĂ©lation est la recherche des ressemblances dans lesvariations des donnĂ©es. Cette Ă©tude est menĂ©e par le calcul du coefficient de corrĂ©lation linĂ©aire quisâĂ©crit
R =cov(x,y)âV(x) V(y)
=
nâ
i=1
(xi â x) (yi â y)âââânâ
i=1
(xi â x)2nâ
i=1
(yi â y)2
avec les xi et yi les n réalisations des grandeurs x et y.
La figure 5.5 montre les rĂ©sultats de cette Ă©tude. Le produit âĂp a Ă©tĂ© ajoutĂ© au sein des caractĂ©ris-tiques, pour essayer de trouver lâexistence de relations affines avec cette quantitĂ©. Il apparaĂźt dans cesvaleurs que les angles dâinclinaison des signatures CF ont une forte corrĂ©lation avec la profondeur ; lesdynamiques, quâelles soient principales ou secondaires, sont fortement corrĂ©lĂ©es avec le produit âĂ p.
â
αâ P2P1dcdâ„dâDcDâ„αc Dâαâ„
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
âĂ p
orientation
p
Fig. 5.5 â Coefficients de corrĂ©lation linĂ©aire entre les paramĂštres des signaux CF et les caractĂ©ristiquesdes dĂ©fauts Ă estimer
La premiĂšre corrĂ©lation sâexplique essentiellement par lâĂ©quation 1.5. Elle montre en effet que ledĂ©phasage de la densitĂ© des courants induits au sein de la piĂšce testĂ©e dĂ©pend de façon importantede la profondeur Ă laquelle ils se situent au sein de cette piĂšce. La variation de lâangle dâinclinaisonest la variation du dĂ©phasage entre la tension mesurĂ©e et le courant dâexcitation, donc la variationde phase de la tension mesurĂ©e. La tension mesurĂ©e Ă©tant modifiĂ©e lorsque les courants induits sontdĂ©viĂ©s, lâangle dâinclinaison de la signature CF observĂ©e est par consĂ©quent fonction de la profondeurp du dĂ©faut.
Pour la deuxiĂšme corrĂ©lation, il convient de restreindre lâanalyse au cas prĂ©sent des dĂ©fauts de typeparallĂ©lĂ©pipĂšdes plats, avec une largeur plus faible que la longueur. Il a Ă©tĂ© montrĂ© dans ce cas que lalargeur des fissures a une influence nĂ©gligeable sur le champ magnĂ©tique de rĂ©action dĂ» aux dĂ©fauts :les signaux, en particulier en amplitude, sont trĂšs influencĂ©s par la surface latĂ©rale des dĂ©fauts. CettepropriĂ©tĂ© est dâailleurs Ă la base de la modĂ©lisation par Ă©lĂ©ments finis de dĂ©fauts fins[CSLBM07b],les dĂ©fauts Ă©tant modĂ©lisĂ©s comme des fissures infiniment plates. Cette propriĂ©tĂ© est ici retrouvĂ©e par
96 CHAPITRE 5. INVERSION ET CARACTĂRISATION
lâĂ©tude des coefficients de corrĂ©lation linĂ©aire.
Discussion sur lâutilisation des coefficients de corrĂ©lation linĂ©aireIl est couramment admis que R quantifie la corrĂ©lation linĂ©aire entre deux donnĂ©es, câest-Ă -dire
la possibilitĂ© de trouver une relation affine entre ces deux vecteurs. Toute autre relation nâest pasprise en compte : par exemple, une relation polynomiale dâordre 2 donne en gĂ©nĂ©ral un coefficient decorrĂ©lation linĂ©aire trĂšs faible. De plus, ce coefficient est trĂšs sensible aux valeurs extrĂȘmes, comme lemontre la figure 5.6. Elle prĂ©sente quatre couples de vecteurs possĂ©dant les mĂȘmes moyennes, variances,coefficients de corrĂ©lation linĂ©aire et droites de rĂ©gression linĂ©aire, malgrĂ© une diffĂ©rence visuelle trĂšsimportante. Ces quatre couples, connus sous le nom du quartet dâAnscombe, ont Ă©tĂ© publiĂ©s par F.Anscombe en 1973[Ans73].
14
12
10
8
6
4
200 5 1510
14
12
10
8
6
4
200 5 1510
14
12
10
8
6
4
200 5 1510
14
12
10
8
6
4
200 5 1510
Fig. 5.6 â Quartet dâAnscombe : les quatre couples (x,y) ont tous un coefficient de corrĂ©lation linĂ©aireĂ©gal Ă 0,816
NĂ©anmoins, calculer les coefficients de corrĂ©lation linĂ©aire entre les paramĂštres des signaux CFacquis et les caractĂ©ristiques des dĂ©fauts inspectĂ©s permet dâobtenir des informations intĂ©ressantes,dans le cas oĂč des relations affines existent. Par exemple, la longueur et la profondeur nâoffrent, pouraucun des paramĂštres, une corrĂ©lation trĂšs importante. Il nây a a priori que peu de chances de pouvoirdĂ©finir une relation linĂ©aire entre chacun des paramĂštres et ces caractĂ©ristiques. Il est par contre toutĂ fait envisageable que des relations non linĂ©aires existent.
5.4.2.3 Influence du pas dâĂ©chantillonnage spatial
Lâinversion envisagĂ©e doit permettre de retrouver Ă partir dâun signal CF paramĂ©trĂ© les caractĂ©-ristiques du dĂ©faut inspectĂ©. Les processus de dĂ©cimation et de surĂ©chantillonnage des signaux CFacquis, prĂ©sentĂ©s aux sections 3.4 et 3.5 correspondent au processus dâĂ©chantillonnage spatial que rĂ©a-liserait une acquisition « rĂ©aliste ». Le pas dâĂ©chantillonnage spatial du signal CF aprĂšs dĂ©cimation estĂ©gal au pas original (100 ”m) multipliĂ© par le facteur de dĂ©cimation nd. Ce processus de dĂ©cimationintroduit le fait que ces contrĂŽles effectuĂ©s en pratique contiennent moins de points de mesure et parconsĂ©quent moins dâinformations : plus le pas dâĂ©chantillonnage spatial ou le facteur de dĂ©cimation estimportant, plus la dynamique, le RSB et la probabilitĂ© de dĂ©tection sont dĂ©tĂ©riorĂ©s. Il est nĂ©cessaireque les valeurs des paramĂštres utilisĂ©s au sein de lâinversion soient le moins possible affectĂ©es par ladĂ©cimation ou la variation du pas dâĂ©chantillonnage spatial.
Les figures 5.7 et 5.8 montrent lâĂ©volution des coefficients de corrĂ©lation en fonction du facteurde dĂ©cimation, plus prĂ©cisĂ©ment pour un facteur nd = 5 Ă la premiĂšre et nd = 10 Ă la deuxiĂšmefigure. Le cas nd = 5 correspond Ă un pas dâĂ©chantillonnage spatial Ă©gal Ă 500 ”m, soit la moitiĂ© de lalargeur dâune microbobine ; le cas nd = 10 correspond Ă un pas dâĂ©chantillonnage spatial Ă©gal Ă 1 mm,soit la largeur dâune microbobine. Elles indiquent que la corrĂ©lation entre les angles dâinclinaison dessignatures CF et les profondeurs des dĂ©fauts, conservĂ©es encore pour nd = 5, sont trĂšs dĂ©gradĂ©es Ă nd = 10. Au contraire, les valeurs des coefficients de corrĂ©lation linĂ©aire entre les dynamiques et lessurfaces latĂ©rales des dĂ©fauts sont assez stables.
5.4. LâINVERSION 97
â
αâ P2P1dcdâ„dâDcDâ„αc Dâαâ„
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
âĂ p
orientation
p
Fig. 5.7 â Coefficients de corrĂ©lation linĂ©aire entre les paramĂštres des signaux CF et les caractĂ©ristiquesdes dĂ©fauts Ă estimer, aprĂšs dĂ©cimation dâun facteur nd = 5
â
αâ P2P1dcdâ„dâDcDâ„αc Dâαâ„
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
âĂ p
orientation
p
Fig. 5.8 â Coefficients de corrĂ©lation linĂ©aire entre les paramĂštres des signaux CF et les caractĂ©ristiquesdes dĂ©fauts Ă estimer, aprĂšs dĂ©cimation dâun facteur nd = 10
98 CHAPITRE 5. INVERSION ET CARACTĂRISATION
5.4.2.4 Utilisation du mode combiné
Le mode combinĂ© correspond Ă un signal CF identique pour deux dĂ©fauts perpendiculaires entreeux. Il est ainsi souvent prĂ©fĂ©rable dâutiliser les paramĂštres calculĂ©s sur les signatures CF combinĂ©es. Eneffet, la dynamique du mode combinĂ© est par exemple identique pour ces deux dĂ©fauts perpendiculaires,contrairement aux modes parallĂšle et perpendiculaire. Elle ne dĂ©pend que des autres caractĂ©ristiquesdes dĂ©fauts.
5.4.3 Estimation de lâorientation
Dans le cas de lâĂ©tude menĂ©e ici, estimer lâorientation des dĂ©fauts dĂ©tectĂ©s correspond, contrai-rement Ă lâestimation de leur profondeur et de leur longueur, Ă une classification entre trois classesdĂ©finies Ă la sous-section 5.4.1. Les deux paramĂštres P1 et P2 ont Ă©tĂ© dĂ©finis Ă la sous-section 5.4.2.1 etchoisis pour rĂ©aliser cette estimation. Il sâagit de paramĂštres faisant intervenir plusieurs paramĂštres Ă©lĂ©-mentaires des signatures CF. Ils ont Ă©tĂ© dĂ©terminĂ©s grĂące Ă lâobservation de leur Ă©volution en fonctiondes caractĂ©ristiques des dĂ©fauts inspectĂ©s7, reprĂ©sentĂ©e Ă la figure 5.9 pour un exemple des 30 combi-naisons de signaux CF, acquis avec la sonde Ă bobines micromoulĂ©es, la stratĂ©gie dâĂ©mission-rĂ©ceptionEREâ et une frĂ©quence des courants dâexcitation Ă©gale Ă 5 MHz.
100
200
400
100
200
100
400
200
400
100
200
400
100
200
400
100 200 600 800
0
o3
100
200
400
100
200
100
400
200
400
100
200
400
100
200
400
100 200 400 600 800
0
o2o1
o3
400
p (”m)
â (”m)
p (”m)
â (”m)
0,3
0,9
0,7
0,8
0,6
0,5
0,4
0,2
0,1
3000
2500
2000
1500
1000
500
(b) Ăvolution de P2 =αc
Dc
(a) Ăvolution de P1 =
âŁ
âŁDâ âDâ„
âŁ
âŁ
Dc
Fig. 5.9 â Ăvolution des paramĂštres P1 et P2 en fonction des caractĂ©ristiques des dĂ©fauts
5.4.3.1 Le paramĂštre P1 = |DââDâ„|Dc
Le paramĂštre P1 rĂ©alise le rapport entre, dâune part la diffĂ©rence entre les dynamiques des deuxmodes parallĂšles et perpendiculaires, dâautre part la dynamique du mode combinĂ©. Cette derniĂšreĂ©tant nĂ©cessairement plus grande que les dynamiques non combinĂ©es, ce rapport est donc normalisĂ©
7Sur cette figure ainsi que sur les suivantes, les dĂ©fauts dâorientation o3 sont ceux de longueur Ă©gale Ă 100 ”m, soitles trois premiers en partant de la gauche. Les suivants correspondent effectivement Ă lâorientation marquĂ©e en lĂ©gende,Ă savoir o1 pour la courbe bleue Ă croix et o2 pour la courbe rouge Ă ronds.
De mĂȘme, cette figure et toutes les figures suivantes prĂ©sentant lâĂ©volution des paramĂštres en fonction des caractĂ©ris-tiques des dĂ©fauts inspectĂ©s correspondent Ă des acquisitions effectuĂ©es dans les mĂȘmes conditions de mesure :
â sonde Ă bobines micromoulĂ©es ;â stratĂ©gie dâĂ©mission-rĂ©ception EREâ ;â frĂ©quence des courants dâexcitation Ă©gale Ă 5 MHz.
5.4. LâINVERSION 99
et toujours compris entre 0 et 1. Lorsque lâune des deux sondes est privilĂ©giĂ©e, câest-Ă -dire possĂšdeune orientation principale proche de celle du dĂ©faut, la combinaison des signaux CF devient semblableau signal CF de la sonde privilĂ©giĂ©e : ce rapport est alors proche de 1. Dans le cas contraire et plusparticuliĂšrement lorsque lâorientation du dĂ©faut est situĂ©e Ă 45Ë de chacune des deux sondes, ce rapportest normalement proche de 0, car les deux signaux non combinĂ©s et donc les dynamiques Dâ et Dâ„sont comparables.
La figure 5.9-a, reprĂ©sente lâĂ©volution du paramĂštre P1 et montre quâil est possible dâidentifieraisĂ©ment lâorientation o1. En effet, une valeur de sĂ©paration fixĂ©e Ă 0,4 donne de bons rĂ©sultats expĂ©-rimentaux. Cependant, lâutilisation unique de ce paramĂštre ne permet pas de diffĂ©rencier les dĂ©fautsdâorientation o2 et o3.
5.4.3.2 Le paramÚtre P2 = αc/Dc
Il a Ă©tĂ© observĂ© (cf. la sous-section suivante) que la dynamique et lâangle dâinclinaison des signaturesCF varient de façon affine en fonction de la profondeur p et de â. Leurs Ă©volutions ne sont pas identiques.En particulier, si lâĂ©volution en fonction de p pour â fixĂ©e est une fonction affine croissante dans lesdeux cas, lâĂ©volution en fonction de â pour p fixĂ©e est une fonction affine, respectivement dĂ©croissanteet croissante dans le cas de αc et de Dc. LâidĂ©e est alors que le rapport αc/Dc a le double intĂ©rĂȘt dâĂȘtrefaiblement influencĂ© par p et fortement par â. Les sens de variation de αc, Dc et P2 sont rĂ©sumĂ©s parle tableau 5.1.
â
αc
Dc
αc
Dc
Tab. 5.1 â Variation des paramĂštres en fonction de la longueur â du dĂ©faut, Ă profondeur p fixĂ©e
LâĂ©volution du paramĂštre P2 sur la figure 5.9-b montre quâune valeur importante de ce paramĂštrecorrespond Ă une longueur faible, indĂ©pendamment de la profondeur du dĂ©faut. Ă largeur fixe, celasignifie quâau-delĂ dâun seuil de sĂ©paration, le paramĂštre P2 indique que le dĂ©faut possĂšde une surfacedĂ©bouchante carrĂ©e, sans orientation principale.
Il est ainsi possible grĂące Ă ce deuxiĂšme paramĂštre de dĂ©terminer si la classe de lâorientation dudĂ©faut dĂ©tectĂ© est o3 ou non. Une valeur de sĂ©paration peut donc ĂȘtre prĂ©alablement Ă©tablie uniquementen fonction des conditions de mesure.
5.4.4 Estimation de la profondeur et de la longueur
Une fois lâorientation dĂ©tectĂ©e, la profondeur et la longueur peuvent Ă leur tour ĂȘtre estimĂ©es. Cettefois, il ne sâagit pas dâune classification mais dâune estimation continue. Les profondeurs et longueursestimĂ©es peuvent prendre un nombre infini de valeurs au sein dâune plage rĂ©aliste.
Pour ce faire, lâangle dâinclinaison ainsi que la dynamique des signatures CF combinĂ©es sont utili-sĂ©s. Leur Ă©volution en fonction des caractĂ©ristiques des dĂ©fauts est reprĂ©sentĂ©e Ă la figure 5.10, dans
100 CHAPITRE 5. INVERSION ET CARACTĂRISATION
les mĂȘmes conditions que celles de la figure 5.9. Ces Ă©volutions ont en commun quâune valeur de para-mĂštre ne correspond pas Ă une valeur unique des caractĂ©ristiques des dĂ©fauts inspectĂ©s. Il nâest doncpas possible de dĂ©terminer la profondeur ou la longueur uniquement Ă partir dâun seul de ces deuxparamĂštres. Il est nĂ©anmoins possible dâĂ©tablir un modĂšle inverse Ă partir de lâensemble de ces deuxparamĂštres.
100
200
400
100
200
100
400
200
400
100
200
400
100
200
400
100 200 600 800400
p (”m)
â (”m)
o3
0
0,7
0,6
0,5
0,4
0,3
0,2
0,1
100
200
400
100
200
100
400
200
400
100
200
400
100
200
400
100 200 600 800
o2o1
400
p (”m)
â (”m)
o3
50
75
70
65
55
60
80
(a) Ăvolution de αc (b) Ăvolution de Dc
Fig. 5.10 â Ăvolution des paramĂštres αc et Dc en fonction des caractĂ©ristiques des dĂ©fauts
5.4.4.1 Variations de lâangle dâinclinaison
LâĂ©volution en « dents de scie » de lâangle dâinclinaison αc est en rĂ©alitĂ© une fonction bilinĂ©aireĂ deux variables, affine pour chacune des deux variables. En effet, la figure 5.11-a montre que pourune valeur de â fixĂ©e, la variation de αc est une fonction affine de p. La figure 5.11-b montre quepour une valeur de p fixĂ©e, la variation de αc est aussi une fonction affine de â. Les droites dâĂ©quationαc
âŁâŁâ=cste
= fâ(p) ont toutes la mĂȘme origine et une pente qui dĂ©pend de la valeur de â. Les droitesdâĂ©quation αc
âŁâŁp=cste
= gp(â) ont elles une pente et une origine dĂ©pendant de la valeur de p. Il est parconsĂ©quent possible dâĂ©crire
αc
âŁâŁâ=cste
= A1(â) p+B1
αc
âŁâŁp=cste
= A2(p) â+B2(p)
Ces deux Ă©quations permettent dâobtenir une relation globale entre lâangle dâinclinaison de la signatureCF et les profondeur et longueur du dĂ©faut inspectĂ©
Cα,1 αc + Cα,2 â p+ Cα,3 p+ Cα,4 = 0 (5.1)
5.4.4.2 Variations de la dynamique
LâĂ©volution de la dynamique principale des signatures CF est prĂ©sentĂ©e Ă la figure 5.12. Ici aussi, ilest possible de trouver des relations affines Ă coefficients variables entre la dynamique et chacune desdeux dimensions des dĂ©fauts inspectĂ©s. De mĂȘme que pour lâangle dâinclinaison, les droites dâĂ©quationDc
âŁâŁâ=cste
= f âČâ(p) ont toutes la mĂȘme origine et une pente qui dĂ©pend de la valeur de â ; les droitesdâĂ©quation Dc
âŁâŁp=cste
= gâČp(â) ont elles une pente et une origine dĂ©pendant de la valeur de p. Il est
5.4. LâINVERSION 101
o2o1
200
100
400
100
200
100
200
400
400
100
200
400
400
100
200 p (”m)
â (”m)100 200 400 600 800
o3
80
75
70
60
50
65
55
200
100
400
100
200
100
200
400
400
100
200
400
400
100
200 p (”m)
â (”m)100 200 400 600 800
80
75
70
60
50
65
55
o3
(a) Ăvolution pour des longueurs â constantes (b) Ăvolution pour des profondeurs p constantes
Fig. 5.11 â Ăvolution du paramĂštre αc pour des caractĂ©ristiques de dĂ©fauts alternativement fixĂ©es
encore une fois possible dâĂ©crire
Dc
âŁâŁâ=cste
= AâČ1(â) p+BâČ1Dc
âŁâŁp=cste
= AâČ2(p) â+BâČ2(p)
soit
CD,1Dc + CD,2 â p+ CD,3 p+ CD,4 = 0 (5.2)
o2o1
200
100
400
100
200
100
200
400
400
100
200
400
400
100
200 p (”m)
â (”m)100 200 400 600 800
o3
0
0,7
0,6
0,5
0,4
0,3
0,2
0,1
200
100
400
100
200
100
200
400
400
100
200
400
400
100
200 p (”m)
â (”m)100 200 400 600 800
0
0,7
0,6
0,5
0,4
0,3
0,2
0,1
o3
(a) Ăvolution pour des longueurs â constantes (b) Ăvolution pour des profondeurs p constantes
Fig. 5.12 â Ăvolution du paramĂštre Dc pour des caractĂ©ristiques de dĂ©fauts alternativement fixĂ©es
La dynamique secondaire dc est Ă©galement exploitable Ă la place de la dynamique principale. LemodĂšle Ă adopter serait Ă©quivalent au prĂ©cĂ©dent. La similaritĂ© des Ă©volutions respectives de ces deuxparamĂštres entraĂźne que leur utilisation simultanĂ©e nâamĂ©liore pas significativement les rĂ©sultats desestimations. De plus, la dynamique secondaire est moins robuste que la dynamique principale vis-Ă -visdu facteur de dĂ©cimation : les rĂ©sultats des estimations Ă partir de la dynamique secondaire sont plusrapidement dĂ©gradĂ©s. Par consĂ©quent, seuls la dynamique principale et lâangle dâinclinaison ont Ă©tĂ©choisis pour ĂȘtre utilisĂ©s dans lâalgorithme dâinversion.
102 CHAPITRE 5. INVERSION ET CARACTĂRISATION
5.4.4.3 ModĂšle direct, modĂšle inverse
Les Ă©quations 5.1 et 5.2 constituent un systĂšme de deux Ă©quations non linĂ©aires Ă deux inconnues,pour des valeurs de αc et Dc dĂ©terminĂ©es par la paramĂ©trisation de la signature CF considĂ©rĂ©e. LesĂ©quations, dâorigine diffĂ©rentes, sont indĂ©pendantes entre elles : ce systĂšme est a priori inversible.
Le modĂšle inverse est obtenu par lâinversion de ce systĂšme. Il vient, par Ă©limination des termes enpĂ â
p =(Cα,1 αc + Cα,4) CD,2 â (CD,1Dc + CD,4) Cα,2
Cα,2CD,3 â Cα,3CD,2(5.3)
Cette expression montre la relation affine existant entre p et les paramĂštres αc et Dc, les coefficientsĂ©tant constants. Il est donc Ă©quivalent dâĂ©crire
p = Cp,1 αc + Cp,2Dc + Cp,3 (5.4)
Par factorisation des p et division membre à membre des deux équations du systÚme, il vient unerelation définissant la longueur estimée en fonction des paramÚtres
(CD,1Dc + CD,4)(Cα,2 â+ Cα,3
)= (Cα,1 αc + Cα,4)
(CD,2 â+ CD,3
)
ou encore
â = â(Cα,1 αc + Cα,4) CD,3 â (CD,1Dc + CD,4) Cα,3(Cα,1 αc + Cα,4) CD,2 â (CD,1Dc + CD,4) Cα,2
(5.5)
Contrairement Ă lâĂ©quation 5.3, cette Ă©quation nâest pas une relation linĂ©aire et nâest pas simplifiabledans son Ă©criture.
Les Ă©quations 5.3 et 5.4 dĂ©finissent le modĂšle inverse qui est mis en Ćuvre au sein de lâalgorithmede caractĂ©risation. Elles permettent dâestimer la profondeur et la longueur dâun dĂ©faut Ă partir desvaleurs des paramĂštres αc et Dc de la signature CF correspondant Ă ce dĂ©faut. Les coefficients de cesĂ©quations sont des constantes, dĂ©finies pour un jeu de conditions de mesure.
5.4.5 Utilisation dâinformations a priori
Les modĂšles directs reliant les caractĂ©ristiques des dĂ©fauts aux paramĂštres des signatures ne sontpas exacts, et lâinversion amplifie ces inexactitudes. Cela engendre des rĂ©sultats dâestimation qui restentperfectibles. La connaissance de certaines spĂ©cificitĂ©s de lâapplication Ă©tudiĂ©e permettent dâamĂ©liorerces rĂ©sultats, grĂące Ă lâutilisation de ces informations a priori.
5.4.5.1 Prise en compte des spécificités des défauts
Les caractéristiques réelles des défauts inspectés pour cette étude permettent de déterminer defaçon arbitraire quelques contraintes :
â La longueur des dĂ©fauts dĂ©tectĂ©s et classĂ©s comme Ă©tant dâorientation o3 est normalement prochede leur largeur, câest-Ă -dire ici 100 ”m. Si ce nâest pas le cas, il est possible de lâen rapprocherfortement8.
8Par exemple, il est possible de prendre une moyenne pondĂ©rĂ©e entre lâestimation trouvĂ©e et 100 ”m, avec un poidsplus ou moins important pour la deuxiĂšme valeur selon le degrĂ© de confiance accordĂ© Ă lâestimation de lâorientation.
5.4. LâINVERSION 103
â Il est possible de dĂ©terminer une longueur minimale de dĂ©fauts ne pouvant statistiquement plusĂȘtre dĂ©tectĂ©s. Si la longueur estimĂ©e est infĂ©rieure Ă cette longueur, il convient de la corriger. Auminimum, cette longueur minimale sera naturellement nulle9.
â De mĂȘme, une profondeur minimale de dĂ©fauts peut ĂȘtre Ă©tablie. Une profondeur estimĂ©e plusfaible pourra alors ĂȘtre corrigĂ©e10.
â En termes de longueur maximale de dĂ©faut, il est aussi possible de se fixer une limite, par exemplela taille de la zone spatiale de mesure. Une longueur estimĂ©e plus grande doit alors ĂȘtre corrigĂ©e.
â Une profondeur maximale, par exemple Ă©gale Ă lâĂ©paisseur de la piĂšce inspectĂ©e, peut ĂȘtre aussidĂ©terminĂ©e.
Ces deux derniĂšres corrections nâont pas Ă©tĂ© nĂ©cessaire pour cette Ă©tude, les estimations des dimensionsnâayant jamais dĂ©passĂ© ces limites.
5.4.5.2 Prise en compte de la détection
Les conditions de laboratoire des acquisitions effectuĂ©es permettent dâappliquer lâinversion de façonaveugle sur tous les signaux CF acquis. La prĂ©sence des dĂ©fauts est en effet connue et la moitiĂ© dessignaux CF correspond par dĂ©finition Ă un dĂ©faut sur une zone prĂ©cisĂ©ment dĂ©limitĂ©e, tandis quelâautre moitiĂ© correspond Ă des zones sans dĂ©faut.
Cependant, dans une mise en Ćuvre rĂ©elle oĂč la prĂ©sence des dĂ©fauts est inconnue par avance, ilnâest pas logique de paramĂ©triser des signaux CF nâayant pas entraĂźnĂ© de dĂ©tection. Par consĂ©quent,seuls les signaux pour lesquels lâalgorithme de dĂ©tection a donnĂ© une rĂ©ponse positive ont Ă©tĂ© proposĂ©sĂ lâalgorithme de caractĂ©risation.
De plus, lâestimation dĂ©pend fortement de la qualitĂ© du signal CF, de mĂȘme que la dĂ©tection. LesrĂ©sultats de lâinversion ne peuvent ĂȘtre corrects si le signal CF a donnĂ© prĂ©cĂ©demment lieu Ă une nondĂ©tection.
5.4.5.3 Augmentation de la dynamique pour compenser la décimation
Comme cela a Ă©tĂ© vu Ă la sous-section 3.4, le processus dâĂ©chantillonnage spatial engendre une pertemoyenne en termes de dynamique des signaux CF (cf. figure 3.15). Cette perte est statistiquementquantifiable et constante pour lâensemble des dĂ©fauts : il est donc possible de la compenser a priori,artificiellement, par une multiplication aveugle dâun coefficient constant. Le coefficient doit ĂȘtre dĂ©finiprĂ©alablement et ne dĂ©pend que des conditions de mesure.
Cela suppose nĂ©anmoins de connaĂźtre le facteur de dĂ©cimation des signaux CF Ă inverser ou le pasdâĂ©chantillonnage spatial des acquisitions rĂ©alisĂ©es en pratique.
5.4.5.4 Augmentation de la dynamique pour les dĂ©fauts dâorientation estimĂ©e o2
La figure 5.12 montre que pour des dĂ©fauts de mĂȘmes dimensions, leur orientation engendre unediffĂ©rence dans la dynamique mesurĂ©e : cette dynamique est, pour un dĂ©faut dâorientation o1, systĂ©-matiquement supĂ©rieure Ă celle dâun mĂȘme dĂ©faut situĂ© dans lâorientation o2. Le rapport de ces deuxdynamiques est par ailleurs constant et indĂ©pendant des dimensions des dĂ©fauts considĂ©rĂ©s : il estdonc possible de compenser cette diminution par la multiplication dâun coefficient prĂ©rĂ©glĂ©, appliquĂ©e
9Dans ces travaux, il a Ă©tĂ© vu que les performances de dĂ©tection restent correctes pour des facteurs de dĂ©cimationinfĂ©rieurs Ă 7 et la longueur estimĂ©e doit uniquement ĂȘtre positive. Au-delĂ , il est possible de supposer que les longueursinfĂ©rieures Ă 50 ”m sont difficilement dĂ©tectĂ©es. Le choix a Ă©tĂ© pris de faire confiance au rĂ©sultat de la dĂ©tection, mais ilserait envisageable de faire davantage confiance au rĂ©sultat de lâestimation de longueur.
10Les valeurs utilisĂ©es pour les corrections des estimations de longueur peuvent ĂȘtre reprises ici.
104 CHAPITRE 5. INVERSION ET CARACTĂRISATION
Ă tous les dĂ©fauts dont lâorientation aura Ă©tĂ© estimĂ©e comme Ă©tant o2. De mĂȘme, lâangle dâinclinaisondes signatures CF est lĂ©gĂšrement affaibli entre les deux types dâorientations. Lâajout dâune constantepermet de corriger cela.
Lâeffet secondaire de cette optimisation est quâune mauvaise dĂ©tection de la classe de lâorientationaura certainement des rĂ©percussions difficilement quantifiables sur lâexactitude de lâestimation desdimensions.
5.4.6 Le schĂ©ma global de lâalgorithme
Lâalgorithme dâinversion est totalement dĂ©fini par les sous-sections prĂ©cĂ©dentes. Ont Ă©tĂ© abordĂ©essuccessivement les dĂ©finitions des paramĂštres choisis des signaux CF et celles des caractĂ©ristiques desdĂ©fauts Ă estimer, les mĂ©thodes dâestimation de ces caractĂ©ristiques et les possibilitĂ©s dâaffinage delâalgorithme. Toutes ces considĂ©rations sont synthĂ©tisĂ©es dans le schĂ©ma global de lâalgorithme decaractĂ©risation donnĂ© Ă la figure 5.13. Lâensemble des coefficients Ci, Cα,i, CD,i et Cp,i y figurant sontdes coefficients Ă rĂ©gler. Ils ne dĂ©pendent que des conditions de mesure.
Estimation
des dimensions
si o = o2, +C3
si o = o2, ĂC4
ĂC2
â
Corrections
si o = o3 et â 6= 100 ”m, moyenne avec 100 ”m
Estimation de
lâorientation
o
p
â
o
o2o1
si oui< 0, 4
si oui si non
< C1
si nonnd
p
P2 = αc
Dcαc DcP1 =
|DââDâ„|Dc
ParamĂštres
si â < âmin, âmin
â(Cα,1 αc+Cα,4)CD,3â(CD,1Dc+CD,4)Cα,3(Cα,1 αc+Cα,4)CD,2â(CD,1Dc+CD,4)Cα,2
si p < pmin, pmin
o3
Cp,1 αc + Cp,2Dc + Cp,3
Fig. 5.13 â Algorithme dâinversion
5.4.7 RĂ©glage des coefficients
Le rĂ©glage des coefficients doit ĂȘtre rĂ©alisĂ© comme un Ă©talonnage de lâappareil. Ces coefficientsdĂ©pendent en effet uniquement des conditions de mesure, Ă savoir la technologie de microbobinesutilisĂ©e, la stratĂ©gie dâĂ©mission-rĂ©ception mise en Ćuvre et la frĂ©quence des courants dâexcitation. Ilest donc possible de les dĂ©terminer Ă lâavance, Ă lâaide dâun jeu dâacquisitions correspondant Ă des
5.4. LâINVERSION 105
dĂ©fauts calibrĂ©s et de conserver ces coefficients pour lâestimation Ă partir de nouvelles acquisitions.
Les coefficients Ci sont dĂ©terminĂ©s par lâobservation des donnĂ©es correspondantes. Les coefficientsC1, C3 et C4 sont calculĂ©s Ă partir des paramĂštres de lâensemble des signatures CF avant dĂ©cimation.Le coefficient C2 est lui calculĂ© par comparaison entre ces paramĂštres et les paramĂštres des signaturesCF aprĂšs dĂ©cimation, pour une valeur de facteur de dĂ©cimation ou de pas dâĂ©chantillonnage spatialdonnĂ©.
Les coefficients Cα,i, CD,i et Cp,i sont calculĂ©s par la recherche des fonctions affines reliant lesdimensions des dĂ©fauts inspectĂ©s aux paramĂštres des signatures CF avant dĂ©cimation, respectivementdâĂ©quations 5.1, 5.2 et 5.4.
Les Ă©quations recherchĂ©es sont des Ă©quations dâhyperplans dans les espaces formĂ©s par lâensembledes variables. La dĂ©termination de ces hyperplans est similaire Ă la dĂ©termination de la droite principalepour la signature CF, expliquĂ©e Ă la sous-section 3.1.3. Pour lâobtention des coefficients de lâĂ©quation 5.4dĂ©finissant la profondeur des dĂ©fauts Ă partir des paramĂštres des signatures CF, lâestimation est rĂ©alisĂ©epar lâestimateur des moindres carrĂ©s ordinaires, minimisant la somme des carrĂ©s des erreurs pâ p. Lecalcul complet nĂ©cessite une Ă©criture sous forme matricielle de lâĂ©quation de minimisation[Wikc]. Lescoefficients sont alors obtenus par lâĂ©quation
Cp =(XtX
)â1Xt ~p
oĂč Cp est un vecteur colonne contenant les estimations des coefficients Cp,i, ~p un vecteur colonnecontenant les valeurs connues des profondeurs p pour lâensemble des dĂ©fauts inspectĂ©s. X est unematrice de trois colonnes contenant les valeurs des angles dâinclinaison dans la premiĂšre colonne, lesvaleurs des dynamiques principales dans la seconde colonne et des 1 dans la derniĂšre colonne, soit
X =(ââαcââDc ~1
)
Pour lâobtention des autres coefficients, les Ă©quations 5.1 et 5.2 nâont un sens que si Cα,1 et CD,1
sont non nuls. En les choisissant Ă©gaux Ă -1, il vient
αc = Cα,2 â p+ Cα,3 p+ Cα,4Dc = CD,2 â p+ CD,3 p+ CD,4
Ces Ă©quations sont alors similaires Ă lâĂ©quation 5.4, ce qui permet dâĂ©crire
Cα =(XtX
)â1Xtââαc
CD =(XtX
)â1XtââDc
avec dans les deux cas
X =( ââââpĂ â ââp ~1
)
Ces coefficients sont obtenus Ă partir des acquisitions considĂ©rĂ©es pour lâĂ©talonnage. Il sâagit icides acquisitions originales, avant dĂ©cimation, pour un pas dâĂ©chantillonnage spatial Ă©gal Ă 100 ”m. Lescoefficients sont rĂ©glĂ©s « une fois pour toutes ». Lâalgorithme ainsi rĂ©alisĂ© peut ensuite ĂȘtre appliquĂ©sur les acquisitions aprĂšs dĂ©cimation, qui reprĂ©sentent ce qui peut ĂȘtre obtenu de façon plus rĂ©alistepar des acquisitions de durĂ©e rĂ©duite car avec un pas dâĂ©chantillonnage spatial plus important. Pourun pas dâĂ©chantillonnage Ă©gal Ă la largeur dâune microbobine et dans le cas dâune sonde matricielle Ă deux dimensions, cette durĂ©e dâacquisition sera mĂȘme tout Ă fait nĂ©gligeable grĂące Ă lâannulation desdĂ©placements mĂ©caniques.
106 CHAPITRE 5. INVERSION ET CARACTĂRISATION
5.5 Erreurs dâestimation
Lâalgorithme dâinversion doit ĂȘtre enfin Ă©valuĂ©. Plusieurs mĂ©thodes existent pour quantifier laqualitĂ© de lâinversion. Lâerreur est en gĂ©nĂ©ral calculĂ©e pour chaque Ă©chantillon de test, et la moyennedes erreurs ainsi que leur Ă©cart-type dĂ©terminent respectivement la prĂ©cision et la dispersion statistiquedes estimations. Les mĂ©thodes varient dans la modification des coefficients.
5.5.1 Les mĂ©thodes pour quantifier la qualitĂ© de lâinversion
Une premiĂšre mĂ©thode appelĂ©e resubstitution[AB86] consiste Ă calculer les coefficients en prenanten compte lâensemble des signaux acquis, et Ă garder ces coefficients inchangĂ©s pour Ă©valuer les per-formances dâestimation sur les mĂȘmes signaux. Cette mĂ©thode, simple Ă mettre en Ćuvre, est souventcritiquĂ©e parce quâelle ne prend pas en considĂ©ration le comportement de lâalgorithme lorsquâun casde figure inconnu est rencontrĂ©.
Une seconde mĂ©thode, appelĂ©e Leave one out (« laissez-en un seul », LOO)[FH89], fait partie desmĂ©thodes de validation croisĂ©e. Il sâagit de calculer les coefficients grĂące Ă lâensemble des Ă©chantillonssauf un, et de calculer ensuite lâerreur dâinversion commise sur ce dernier. LâopĂ©ration est exĂ©cutĂ©e Ă nouveau pour chaque Ă©chantillon. Cette mĂ©thode a la particularitĂ© dâengendrer mathĂ©matiquement unestimateur sans biais de lâerreur dâestimation. Son principal inconvĂ©nient est le temps de calcul requis,car les coefficients de lâalgorithme doivent ĂȘtre dĂ©terminĂ©s autant de fois quâil y a dâĂ©chantillons.
Une troisiĂšme mĂ©thode, la mĂ©thode K-fold[Koh95] («K pliages ») est une extension de la mĂ©thodeLOO, nĂ©cessitant un temps de calcul plus faible. Elle « plie » en K parties lâensemble des Ă©chantillons,et applique la mĂ©thode LOO partie par partie. Il est ainsi nĂ©cessaire de recalculer les coefficients delâalgorithme uniquement K fois. Les rĂ©sultats ont Ă©tĂ© montrĂ©s comme Ă©quivalents Ă ceux de la mĂ©thodeLOO lorsque K > 10.
Dans le cas de cette Ă©tude, il est Ă la fois plus simple et plus rĂ©aliste dâappliquer une autre mĂ©thode.En effet, les mĂ©thodes dĂ©crites ci-dessus sont particuliĂšrement utiles lorsque les acquisitions font partiesimultanĂ©ment des bases dâapprentissage et de test. Ce nâest pas le cas ici, car les acquisitions prises encompte dans le calcul des coefficients de lâalgorithme, acquisitions constituant la base dâapprentissage,sont les signaux CF avant dĂ©cimation. Lâalgorithme est ensuite appliquĂ©, sans modifier ses coefficients,Ă lâensemble des signaux aprĂšs dĂ©cimation, pour un facteur de dĂ©cimation donnĂ©. Il ne sâagit donc pasdâun calcul dâerreur en resubstitution, car lâerreur dâestimation des caractĂ©ristiques est calculĂ©e sur unensemble de signaux diffĂ©rents de ceux de la base dâapprentissage.
5.5.2 Erreur de classification de lâorientation
Lâestimation de lâorientation consiste en une classification au sein de trois classes, explicitĂ©es Ă lasous-section 5.4.3. Lâerreur de classification nâest donc pas continue mais boolĂ©enne, de valeur nulleou positive. Lâerreur globale peut ĂȘtre alors dĂ©finie comme le ratio des erreurs commises sur le nombretotal des Ă©chantillons de test. Le tableau 5.2 donne ces valeurs en fonction du facteur de dĂ©cimation,dans les conditions de mesure utilisĂ©es Ă partir de la figure 5.9.
Lâerreur de classification est nĂ©gligeable jusquâĂ nd = 4 et reste infĂ©rieure Ă 5% pour un facteur dedĂ©cimation infĂ©rieur Ă 6, soit un pas dâĂ©chantillonnage spatial Ă©gal Ă 600 ”m. Au-delĂ , le pourcentagedâerreur devient grand. Pour un facteur de dĂ©cimation Ă©gal Ă 10 correspondant Ă un pas dâĂ©chantillon-nage spatial Ă©gal Ă 1 mm ou une acquisition sans dĂ©placement mĂ©canique pour une sonde matricielle,prĂšs dâun dĂ©faut correctement dĂ©tectĂ© sur trois est classĂ© sur une orientation qui nâest pas la sienne.Cela pose un grave problĂšme dans le sens oĂč lâestimation des dimensions dĂ©pend de ce rĂ©sultat.
5.5. ERREURS DâESTIMATION 107
Facteur de décimation nd 2 3 4 5 6 7 8 9 10
Nombre total dâacquisitions 120 270 480 750 1080 1470 1920 2430 3000
Nombre de détections positives 118 268 478 726 1044 1425 1772 2194 2581
Nombre dâorientations0 0 3 17 51 122 278 528 794
non correctement classées
Pourcentage dâerreurs de0% 0% 0,6% 2,3% 4,9% 8,6% 15,7% 24,1% 30,8%
classification dâorientation
Tab. 5.2 â Erreur de classification de lâorientation en fonction du facteur de dĂ©cimation
5.5.3 Erreur dâestimation des dimensions
Lâerreur est dĂ©terminĂ©e, comme expliquĂ© Ă la sous-section 5.5.1, en prenant en compte lâensembledes acquisitions. La figure 5.14 montre ces erreurs dâestimation des profondeurs et des longueurs desdĂ©fauts inspectĂ©s, pour un facteur de dĂ©cimation Ă©gal Ă 2, Ă 5, Ă 7 et Ă 10. Elle prĂ©sente les histogrammesde ces erreurs, câest-Ă -dire le nombre dâacquisitions correspondant Ă lâerreur portĂ©e en abscisse. Afin derester comparables indĂ©pendamment du facteur de dĂ©cimation et donc du nombre total dâacquisitions,les ordonnĂ©es de ces histogrammes sont donnĂ©es en pourcentage du nombre total dâacquisitions ayantengendrĂ© une dĂ©tection positive.
La figure 5.14 montre que la profondeur est assez bien estimĂ©e, avec une erreur pâ p infĂ©rieure envaleur absolue Ă 50 ”m pour presque toutes les acquisitions Ă nd = 2 et nd = 5. Cette erreur resteencore trĂšs infĂ©rieure Ă 100 ”m pour nd = 7. Enfin, pour nd = 10, la majoritĂ© des estimations donneune erreur comprise dans lâintervalle [â150 ”m,75 ”m].
La longueur est moins correctement estimĂ©e. En effet, si un facteur de dĂ©cimation nd = 2 permetdâobtenir une erreur dâestimation â â â infĂ©rieure en valeur absolue Ă 100 ”m, ce qui est encore trĂšscorrect, il faut compter sur une erreur infĂ©rieure Ă 150 ”m pour nd = 5 et Ă 200 ”m pour nd = 7.Lâestimation de la longueur pour nd = 10 donne un grand nombre dâerreurs trĂšs importantes. Lacause de cette difficultĂ© dâobtenir une bonne estimation de la longueur vient principalement de lanon-linĂ©aritĂ© de lâĂ©quation 5.5 dĂ©finissant â. Une erreur rĂ©alisĂ©e sur lâun des deux paramĂštres choisisprovoque une erreur dâestimation bien plus importante que pour la profondeur des dĂ©fauts.
Afin de synthĂ©tiser les histogrammes de la figure 5.14, il est dâusage de calculer la moyenne et lâĂ©cart-type de lâerreur dâestimation, qui dĂ©terminent respectivement la prĂ©cision et la dispersion statistiquedes estimations. Le tableau 5.3 contient lâensemble de ces valeurs, en fonction du facteur de dĂ©cimation.
Il apparaĂźt dans ce tableau que lâalgorithme a une tendance Ă surestimer en moyenne les dimensionsdes dĂ©fauts. Cela est principalement dĂ» Ă lâeffet non symĂ©trique du seuillage infĂ©rieur des dimensions,qui corrige des valeurs sous-estimĂ©es aberrantes, et introduit un biais moyen de sur-estimation. Sansce seuillage, lâerreur dâestimation aurait un biais beaucoup plus faible voire nul, mais des valeursnĂ©gatives de dimensions estimĂ©es seraient donnĂ©es en rĂ©sultat, ce qui est absurde.
NĂ©anmoins, lâerreur systĂ©matique est trĂšs correcte pour lâestimation de la profondeur, quel quesoit le facteur de dĂ©cimation : une dĂ©viation de 30 ”m peut encore ĂȘtre considĂ©rĂ©e comme faiblecomparativement Ă la plus petite profondeur des dĂ©fauts inspectĂ©s, qui vaut seulement 100 ”m. Lesvaleurs des Ă©carts-types de ces estimations montrent que lâalgorithme mis en Ćuvre fonctionne trĂšsbien pour lâestimation de la profondeur des dĂ©fauts, au moins jusquâĂ un facteur de dĂ©cimation Ă©gal Ă 7, soit un pas dâĂ©chantillonnage spatial Ă©gal Ă 700 ”m.
En ce qui concerne lâestimation de la longueur, les observations de la figure 5.14 sont confirmĂ©es :les rĂ©sultats sont nettement moins bons que pour lâestimation de la profondeur des dĂ©fauts. Il faut
108 CHAPITRE 5. INVERSION ET CARACTĂRISATION
00
Pou
rcen
tage
des
déf
au
ts
-200 -100 0 100 200 -200-500 0 200 5000 0
Pou
rcen
tage
des
déf
au
ts
-200 -100 0 100 200 -200 0 200 5000 0
Pou
rcen
tage
des
déf
au
ts
-200 -100 100 200 -200-500 0 200 4000
8
16
24
32
0
8
16
24
32
40 40
Pou
rcen
tage
des
déf
au
ts
nd = 2
nd = 5
nd = 7
nd = 10
30
24
18
12
6 6
12
18
24
30
30
24
12
6
18
30
24
18
12
6
20
18
12
8
4 4
8
12
18
20
-300 -150 150 300
0
Erreur sur lâestimation Erreur sur lâestimation
-500
0
de la profondeur (”m) de la longueur (”m)
400 1200 2000-400 0
Fig. 5.14 â Histogramme en pourcentage des erreurs p â p sur la profondeur estimĂ©e et â â â sur lalongueur estimĂ©e, pour un facteur de dĂ©cimation Ă©gal Ă 2, 5, 7 et 10
cependant souligner que la longueur est une dimension dont les valeurs considĂ©rĂ©es sont pour les dĂ©fautsinspectĂ©s plus importantes que celles de la profondeur. Les valeurs des erreurs moyennes et des Ă©carts-types sont donc logiquement plus importantes. Ces erreurs moyennes restent par ailleurs assez faiblesdevant la longueur moyenne des dĂ©fauts. Les valeurs des Ă©carts-types sont critiques surtout pour lesdĂ©fauts de faibles dimensions, et il est possible dâaffirmer que les longueurs supĂ©rieures Ă 400 ”m sontassez correctement estimĂ©es, jusquâĂ un facteur de dĂ©cimation Ă©gal Ă 7. Pour les longueurs plus faibles,lâinfluence de la longueur sur les signaux CF acquis est trop faible pour permettre une estimationcorrecte.
5.5. ERREURS DâESTIMATION 109
Facteur de décimation nd 2 3 4 5 6 7 8 9 10
Valeur moyenne de
lâerreur dâestimation de 0,3 1,6 3,7 8,3 11,9 13,0 13,0 19,3 28,7
la profondeur (”m)
Ăcart-type de lâerreur
dâestimation de la 31,7 32,2 33,9 37,7 43,8 51,7 57,9 69,9 79,8
profondeur (”m)
Valeur moyenne de
lâerreur dâestimation de 6,0 6,8 9,3 11,2 19,4 35,6 47,1 68,4 83,5
la longueur (”m)
Ăcart-type de lâerreur
dâestimation de la 78,8 79,8 82,5 105,6 149,3 175,8 272,4 395,6 655,1
longueur (”m)
Tab. 5.3 â Erreur dâestimation des dimensions des dĂ©fauts en fonction du facteur de dĂ©cimation
Conclusion générale
La complexitĂ© grandissante des processus industriels et des piĂšces fabriquĂ©es, les exigences crois-santes en termes de sĂ»retĂ© de fonctionnement ainsi que la volontĂ© dâoptimisation de la durĂ©e de viedes piĂšces conduisent Ă mettre en place des contrĂŽles de qualitĂ© de plus en plus poussĂ©s. Lâutilisationdes courants de Foucault (CF) permet un contrĂŽle non destructif (CND) fiable, rapide et peu coĂ»teux.Sa simplicitĂ©, sa robustesse dâutilisation, et son caractĂšre Ă©lectromagnĂ©tique « sans contact » en fontune technique trĂšs utilisĂ©e industriellement depuis plusieurs dĂ©cennies.
Le travail prĂ©sentĂ© dans ce mĂ©moire aborde un cas prĂ©cis mais de grande importance parmi lesapplications du CND par CF. Il sâagit de proposer une alternative aux techniques de ressuage, trĂšsperformantes pour la dĂ©tection des fissures dĂ©bouchantes de faibles dimensions, mais qui devront Ă terme ĂȘtre abandonnĂ©es pour des raisons de normes environnementales. Les fissures submillimĂ©triquesdĂ©bouchantes, qui constituent souvent des amorces de fissures plus grandes, doivent faire lâobjet dâuneattention particuliĂšre. Ces fissures sont crĂ©Ă©es en grande partie par lâusinage des piĂšces, câest-Ă -dire aumoment de la fabrication. Leur dĂ©tection avant la mise en service permet de prĂ©venir la destructiondes piĂšces en fonctionnement et dâaugmenter la fiabilitĂ© des produits industriels.
Ce travail a portĂ© sur plusieurs aspects. Tout dâabord, un banc expĂ©rimental a Ă©tĂ© mis en placeĂ partir dâĂ©lĂ©ments existants. Lâensemble du processus dâacquisition a Ă©tĂ© repensĂ© et reconditionnĂ©,depuis les communications entre les diffĂ©rents appareils jusquâau mode de stockage des donnĂ©es numĂ©-riques acquises. Ceci a permis une trĂšs nette amĂ©lioration du processus de prise de mesure : rapiditĂ©globale multipliĂ©e dâun facteur 5, stabilitĂ© des logiciels, exactitude dans le repositionnement de la sonde,automatisation pour pouvoir effectuer un trĂšs grand nombre de balayages de surface successifs sansintervention humaine. Ce banc expĂ©rimental optimisĂ© permet donc de rĂ©aliser des plans dâexpĂ©riencesautomatisĂ©s qui ont Ă©tĂ© abondamment exploitĂ©s au cours de ces travaux de thĂšse. Sa conception auto-rise une grande versatilitĂ© et permettra ainsi son exploitation dans les travaux Ă venir des laboratoiresLGEP et SATIE.
La sonde CF utilisĂ©e pour les acquisitions est constituĂ©e de trois microbobines carrĂ©es en ligne,Ă considĂ©rer comme structure Ă©lĂ©mentaire dâune matrice de microbobines Ă deux dimensions. Deuxtechnologies de microbobines ont Ă©tĂ© considĂ©rĂ©es :
â une technologie de type circuit imprimĂ© (CI) rĂ©alisĂ©e industriellement, conduisant Ă des micro-bobines Ă 8 couches de largeur 2,6 mm qui comportent des pistes larges (de largeur 100 ”m) sur5 spires par couche ;
â une technologie de type micromoulage de cuivre rĂ©alisĂ©e par lâInstitut dâĂlectronique Fondamen-tale, conduisant Ă des microbobines de largeur 1 mm qui comportent des pistes fines (de largeur5 ”m) sur 40 spires rĂ©parties dans une couche unique.
Cinq stratĂ©gies dâĂ©mission-rĂ©ception ont Ă©tĂ© dĂ©terminĂ©es pour cette structure de sonde comportanttrois microbobines. Elles ont Ă©tĂ© mises en Ćuvre dans lâacquisition de signaux CF par balayage surfa-cique. Les surfaces Ă©valuĂ©es contiennent trente dĂ©fauts parallĂ©lĂ©pipĂ©diques dâorientation et de dimen-sions diffĂ©rentes, dimensions comprises entre 100 ”m et 800 ”m, ainsi que des zones sans dĂ©faut. Lepas dâĂ©chantillonnage spatial des balayages a Ă©tĂ© initialement fixĂ© dans le cas de la sonde Ă bobines
111
112 CONCLUSION GĂNĂRALE
micromoulées à 100 ”m, soit un dixiÚme de la largeur des microbobines.
Le deuxiĂšme aspect important du travail effectuĂ© dans cette thĂšse concerne le prĂ©traitement dessignaux CF acquis. Une mise en forme gĂ©nĂ©rale et automatisĂ©e a Ă©tĂ© rĂ©alisĂ©e et permet dâobtenirdes signaux comparables pour lâensemble des dĂ©fauts. Sa mise en Ćuvre est « aveugle » : le mĂȘmetraitement est appliquĂ© sans distinction de la mĂȘme façon Ă tous les signaux CF. Un calcul de rapportsignal sur bruit a permis de quantifier la qualitĂ© des signaux et dâidentifier les stratĂ©gies Ă Ă©missiondiffĂ©renciĂ©e (EREâ) et Ă rĂ©ception diffĂ©renciĂ©e (RER) comme Ă©tant globalement plus efficaces que lesautres.
Un algorithme original de dĂ©tection a ensuite Ă©tĂ© conçu. Il estime pour chaque signal CF acquis sila surface Ă©valuĂ©e est intacte ou endommagĂ©e. Des tracĂ©s statistiques appelĂ©s CaractĂ©ristiques opĂ©ra-tionnelles de rĂ©ceptioncourbes (COR) reprĂ©sentent pour un grand nombre dâacquisitions la probabilitĂ©de fausse alarme (dĂ©tection de dĂ©faut en absence de dĂ©faut) en fonction de la probabilitĂ© de dĂ©tectioncorrecte (dĂ©tection de dĂ©faut en prĂ©sence de dĂ©faut). Ces courbes, rĂ©alisĂ©es pour un grand ensemblede signaux CF acquis dans les mĂȘmes conditions de mesure, apportent la possibilitĂ© de comparerstatistiquement les stratĂ©gies dâĂ©mission-rĂ©ception et les technologies de microbobines, en termes decapacitĂ© de dĂ©tection. Quatre conclusions ont principalement Ă©tĂ© Ă©tablies :
â la sonde constituĂ©e de bobines micromoulĂ©es offre de meilleures performances de dĂ©tection quecelle constituĂ©e des microbobines CI ;
â les stratĂ©gies EREâ et RER sont les stratĂ©gies les plus efficaces en termes de dĂ©tection desdĂ©fauts ;
â avec la sonde Ă bobines micromoulĂ©es, tous les dĂ©fauts peuvent ĂȘtre dĂ©tectĂ©s sans aucune faussealarme, pour un pas dâĂ©chantillonnage spatial au plus Ă©gal Ă la moitiĂ© de la largeur dâune micro-bobine ;
â avec la sonde Ă bobines micromoulĂ©es, pour un pas dâĂ©chantillonnage spatial Ă©gal Ă la largeurdâune microbobine, le taux dâerreurs (erreurs de dĂ©tection et fausses alarmes ajoutĂ©es) est infĂ©-rieur Ă 15%.
Ce dernier rĂ©sultat de lâalgorithme de dĂ©tection sâinscrit dans lâoptique de lâutilisation dâune matrice demicrobobines Ă deux dimensions. Un pas dâĂ©chantillonnage spatial Ă©gal Ă la largeur dâune microbobinecorrespond alors Ă une acquisition sans dĂ©placement mĂ©canique de la sonde et par suite avec un tempsdâacquisition trĂšs faible : une telle acquisition nâentraĂźne que 15% dâerreurs, ce qui, selon le cahier descharges, peut ĂȘtre considĂ©rĂ© suffisant.
Pour le dernier point de cette Ă©tude, un autre algorithme original a Ă©tĂ© conçu et utilisĂ© sur lessignaux ayant entraĂźnĂ© dĂ©tection. Il sâagit dâun algorithme de caractĂ©risation ou dâinversion, qui apour but dans le cadre de cette application dâestimer les caractĂ©ristiques gĂ©omĂ©triques des dĂ©fauts,dimensions et orientation. Des paramĂštres ont Ă©tĂ© extraits des acquisitions afin dâĂȘtre entrĂ©s danslâalgorithme. Cet algorithme est un modĂšle reliant ces paramĂštres aux caractĂ©ristiques des dĂ©fauts,dont les coefficients ont Ă©tĂ© rĂ©glĂ©s prĂ©alablement par une partie des signaux CF acquis, correspondantĂ un pas dâĂ©chantillonnage spatial minimal.
Les estimations ont donnĂ© des rĂ©sultats qui, bien que perfectibles, sont trĂšs encourageants. En effet,la profondeur des dĂ©fauts a Ă©tĂ© trĂšs correctement caractĂ©risĂ©e, avec une prĂ©cision (erreur moyenne)infĂ©rieure Ă 30 ”m mĂȘme pour un pas dâĂ©chantillonnage spatial Ă©gal Ă la largeur dâune microbobine. Ladispersion (Ă©cart-type), de lâordre de quelques dizaines de micromĂštres, est convenable. En revanche,lâestimation de la longueur des dĂ©fauts dĂ©tectĂ©s nâa Ă©tĂ© correcte que pour un pas dâĂ©chantillonnagespatial infĂ©rieur Ă 700 ”m (0,7 fois la largeur dâune microbobine). Au delĂ , lâestimation de la longueurdevient trop imprĂ©cise pour permettre encore la caractĂ©risation correcte des dĂ©fauts dâune longueurinfĂ©rieure Ă 400 ”m.
LâĂ©tude rĂ©alisĂ©e pour cette thĂšse et exposĂ©e au sein de ce mĂ©moire apporte une preuve que lâap-proche multicapteurs pour le CND par CF est viable et utile. En effet, cette approche amĂ©liore nette-
CONCLUSION GĂNĂRALE 113
ment les performances des sondes Ă©quivalentes monocapteurs sur trois points :
â diminution du temps dâacquisition grĂące Ă la possibilitĂ© de diminution du nombre de points demesure ;
â trĂšs bonne capacitĂ© de dĂ©tection grĂące Ă un algorithme de dĂ©tection optimisĂ© ;â dimensions et orientation des dĂ©fauts correctement estimĂ©es grĂące Ă un algorithme dâinversion
spécifique.
Des bases sont ainsi posées pour de futures études de multicapteurs plus complexes à deux dimensions.
En termes de perspectives, de multiples amĂ©liorations pourront ĂȘtre opĂ©rĂ©es au sein de lâinstru-mentation. La mise en Ćuvre dâune amplification des courants dâexcitation ou des tensions de mesuredevrait permettre dâaugmenter les rapports signal sur bruit. Lâutilisation dâun inducteur externe pour-rait autoriser la conception de nouvelles stratĂ©gies dâĂ©mission-rĂ©ception ainsi quâune pĂ©nĂ©tration plusdiffuse des champ Ă©lectromagnĂ©tiques au sein des matĂ©riaux. Des microbobines rĂ©alisĂ©es sur supportsouple Ă base de Kapton sont dâores et dĂ©jĂ disponibles et devraient conduire Ă de meilleures perfor-mances grĂące Ă une Ă©paisseur de support plus faible et Ă une possible conformation aux surfaces nonplanes. Pour les traitements des signaux, un approfondissement des dĂ©veloppements effectuĂ©s dans cetravail pourrait rĂ©sider dans la comparaison de diffĂ©rentes mĂ©thodes dâinversion ou la mise en placede fusion de donnĂ©es, afin dâaugmenter la confiance des estimations. Les algorithmes mis en place etles mĂ©thodes utilisĂ©es sont en effet suffisamment gĂ©nĂ©raux pour pouvoir ĂȘtre rĂ©utilisĂ©s dans des Ă©tudesultĂ©rieures.
Bibliographie
[AB86] Abel U. et Berger J. : Comparison of resubstitution data splitting, the bootstrap andthe Jackknife as methods for estimating validity indices of new marker tests : a MonteCarlo study. Biometrical journal, 28(8):899â908, 1986.
[Akn90] P. Aknin : Algorithmes itĂ©ratifs pour lâinversion dâun modĂšle non linĂ©aire de multicap-teur Ă courants de Foucault. ThĂšse de doctorat, UniversitĂ© Paris-Sud XI, juin 1990.
[ANHM06] F.I. Al-Naemi, J.P. Hall et A.J. Moses : FEM modelling techniques of magneticflux leakage-type NDT for ferromagnetic plate inspections. Journal of Magnetism andMagnetic Materials, 304(2):e790âe793, septembre 2006.
[Ans73] F. Anscombe : Graphs in Statistical Analysis. American Statistician, 27:17â21, fĂ©vrier1973.
[BAL06] H. Berg, K. Alward et K. Lessmann : Penetrant testing of standard parts, practicalexamples of process optimization. In ECNDT 2006, novembre 2006.
[Bar95] J.-P. Barbot : Propagation radioĂ©lectrique avec les mobiles pour les communicationspersonnelles Ă lâintĂ©rieur des bĂątiments dans la bande 1-3 GHz. ThĂšse de doctorat,UniversitĂ© Paris-Sud XI, 1995.
[BB86] S.F. Burch et N.K. Bealing : A physical approach to the automated ultrasonic charac-terization of previous buried weld defects in ferritic steel. NDT International, 19(3):145â153, juin 1986.
[BBF+88] M.N. Baibich, J.M. Broto, A. Fert, F. Nguyen Van Dau, F. Petroff, P. Ei-
tenne, G. Creuzet, A. Friederich et J. Chazelas : Giant magnetoresistance of(001)Fe/(001)Cr magnetic superlattices. Physical Review Letters, 61(21):2472â2475,novembre 1988.
[BCFR98] P. Burrascano, E. Cardelli, D. Fazzioli et S. Resteghini : Neural network iden-tification of defects in RFEC technique. In ENDE 1998, pages 117â126, juin 1998.
[BGSZ89] G. Binasch, P. GrĂŒnberg, F. Saurenbach et W. Zinn : Enhanced magnetoresistancein layered magnetic structures with antiferromagnetic interlayer exchange. PhysicalReview B, 39(7):4828â4830, mars 1989.
[Bjo96] A. Bjorck : Numerical methods for least squares problems. SIAM, 1996.
[BJSS91] J.R. Bowler, S.A. Jenkins, L.D. Sabbagh et H.A. Sabbagh : Eddy-current probeimpedance due to a volumetric flaw. Journal of Applied Physics, 70(3):1107â1114, aoĂ»t1991.
[Bra97] A.P. Bradley : The use of the area under the ROC curve in the evaluation of machinelearning algorithms. Pattern Recognition Letters, 30(7):1145â1159, 1997.
[Bry55] H.E. Bryan : Printed inductors and capacitors. Tele-Tech & Electronic Industries,14(12):68, décembre 1955.
[BSLB01] J.T. Bushberg, J.A. Seibert, E.M. Leidholdt et J.M. Boone : The essential physicsof medical imaging. Lippincott Williams & Wilkins, 2001.
115
116 BIBLIOGRAPHIE
[BSS89] J.R. Bowler, L.D. Sabbagh et H.A. Sabbagh : A theoretical and computationalmodel of eddy-current probes incorporating volume integral and conjugate gradient me-thods. IEEE Transactions on Magnetics, 25(3):2650â2664, mai 1989.
[CD07] X. Chen et T. Ding : Flexible eddy current sensor array for proximity sensing. Sensorsand Actuators A, 135(1):126â130, mars 2007.
[CET+99] T. Chady, M. Enokizono, T. Todaka, Y. Tsuchida et R. Sikora : A family ofmatrix type sensors for detection of slight flaws in conducting plates. IEEE Transactionson Magnetics, 35(5):3655â3657, septembre 1999.
[Cha92] T. Chard : Pregnancy tests : a review. Human reproduction, 7(5):701, 1992.
[Chi00] N. Child : X-ray techniques provide real-time proof of foam filter performance in steelcastings. Foundry Practice, 233:12â16, 2000.
[CSLBM07a] Y. Choua, L. Santandrea, Y. Le Bihan et C. Marchand : Modelling of a thincrack in ECT using a-psi formulation with Whitney elements. International Journal ofApplied Electromagnetics and Mechanics, 25(1-4):185â188, 2007.
[CSLBM07b] Y. Choua, L. Santandrea, Y. Le Bihan et C. Marchand : Thin crack modeling inECT with combined potential formulations. IEEE Transactions on Magnetics, 43(4):1789â1792, avril 2007.
[DBP91] H. Djelouah, J. C. Baboux et M. Perdrix : Theoretical and experimental study ofthe field radiated by ultrasonic focussed transducers. Ultrasonics, 29(3):188â200, mai1991.
[DCH04] T. Ding, X. Chen et Y. Huang : Ultra-thin flexible eddy current sensor array for gapmeasurements. Tsinghua Science and Technology, 9(6):667â671, 2004.
[DD68] C.V. Dodd et W.E. Deeds : Analytical solutions to eddy-current probe-coil problems.Journal of Applied Physics, 39:2829â2838, mai 1968.
[DEP01] S. Dixon, C. Edwards et S.B. Palmer : High accuracy non-contact ultrasonic thicknessgauging of aluminium sheet using electromagnetic acoustic transducers. Ultrasonics,39(6):445â453, octobre 2001.
[Deu04] P. Deuflhard : Newton methods for nonlinear problems. Springer Series in Computa-tional Mathematics, 2004.
[DF] J. Dumont-Fillon : ContrĂŽle non destructif (CND). Techniques de lâIngĂ©nieur, R1400.
[DHD07] K.D. Donohue, J. Hannemann et H.G. Dietz : Performance of phase transform fordetecting sound sources with microphone arrays in reverberant and noisy environments.Signal Processing, 87:1677â1691, 2007.
[DOW55] G. Dantzig, A. Orden et P. Wolfe : The generalized simplex method for minimizinga linear form under inequality restraints. Pacific Journal of Mathematics, 8:183â195,1955.
[DSSDS+05] R. Da Silva, M. Siqueira, M. De Souza, J. Rebello et L. CalĂŽba : Estimatedaccuracy of classification of defects detected in welded joints by radiographic tests. NDT& E International, 38(5):335â343, 2005.
[DTN+05] D.D. Djayaprawira, K. Tsunekawa, M. Nagai, H. Maehara, S. Yamagata, N. Wa-
tanabe, S. Yuasa, Y. Suzuki et K. Ando : 230% room-temperature magnetoresistancein CoFeB/MgO/CoFeB magnetic tunnel junctions. Applied Physics Letters, 86(9), fé-vrier 2005.
[Ega75] J.P. Egan : Signal detection theory and ROC analysis. Series in cognition and percep-tion. 1975.
[EGJ00] C. Enoe, M.P. Georgiadisb et W.O. Johnson : Estimation of sensitivity and speci-ficity of diagnostic tests and disease prevalence when the true disease state is unknown.Preventive Veterinary Medicine, 45(1-2):61â81, 2000.
BIBLIOGRAPHIE 117
[Fau98] M. Faur : CaractĂ©risation des dĂ©fauts par une mĂ©thode dâinversion lors dâun contrĂŽleultrasonore, application au contrĂŽle des dĂ©fauts en paroi externe. ThĂšse de doctorat,UniversitĂ© Paris-Sud XI, 1998.
[FCM+07] C. FernĂĄndez, R. CĂĄrdenas, D. MartĂn, M. GarcimartĂn, S. Romero, A.G. de laCĂĄmara et R. Vives : Analysis of skin testing and serum-specific immunoglobulin E topredict airway reactivity to cat allergens. Clinical & Experimental Allergy, 37(3):391â399, 2007.
[FH89] K. Fukunaga et D.M. Hummels : Leave-one-out procedures for nonparametric errorestimates. IEEE Transactions on Pattern Analysis and Machine Intelligence, 11(4):421â423, avril 1989.
[Gin21] C. Gini : Measurement of inequality and incomes. The Economic Journal, 31:124â126,1921.
[Goe90] K. Goebbels : Surface crack detection by magnetic particle inspection. NDT & EInternational, 23(3):171, juin 1990.
[Had02] J. Hadamard : Sur les problĂšmes aux dĂ©rivĂ©es partielles et leur signification physique.Princeton University Bulletin, pages 49â52, 1902.
[HH05] Y.Y. Hunga et H.P. Hob : Shearography : An optical measurement technique andapplications. Materials Science and Engineering : R : Reports, 49(3):61â87, avril 2005.
[HM82] J.A. Hanley et B.J. McNeil : The meaning and use of the area under a receiveroperating characteristic (ROC) curve. Radiology, 143:29â36, 1982.
[HMN07] A. Hamamatsu, S. Maeda et H. Nishiyama : Statistical threshold method for semi-conductor wafer inspection. In APCNDT 2006 - Research & Materials, janvier 2007.
[HMS] M. Hehn, F. Montaigne et A. Schuhl : MagnĂ©torĂ©sistance gĂ©ante et Ă©lectronique despin. Techniques de lâIngĂ©nieur, E2135.
[HOB+06] B. Helifa, A. Oulhadj, A. Benbelghit, I.K. Lefkaier, F. Boubenider et D. Bou-
tassouna : Detection and measurement of surface cracks in ferromagnetic materialsusing eddy current testing. NDT & E International, 39(5):384â390, juin 2006.
[HT01] D.J. Hand et R.J. Till : A simple generalization of the area under the ROC curve tomultiple class classification problems. Machine Learning, 45:171â186, 2001.
[HTR35] E.P. Harrison, G.L. Turney et H. Rowe : Electrical properties of wires of highpermeability. Nature, 135:961, 1935.
[HUBB02] J. Haueisen, R. Unger, T. Beuker et M.E. Bellemann : Evaluation of inverse algo-rithms in the analysis of magnetic fluxleakage data. IEEE Transactions on Magnetics,38(3):1481â1488, mai 2002.
[JLDP07] P.-Y. Joubert, Y. Le Diraison et J. Pinassaud : A linear magneto-optical imagerfor non-destructive evaluation. International Journal of Applied Electrommagnetics andMechanics, 25(1-4):297â305, 2007.
[JP06] P.-Y. Joubert et J. Pinassaud : Linear magneto-optic imager for non-destructiveevaluation. Sensors and Actuators A, 129(126-130), mai 2006.
[JS04] P. Jantaratana et C. Sirisathitkul : Giant magnetoimpedance in silicon steels.Journal of Magnetism and Magnetic Materials, 281(2-3):399â404, octobre 2004.
[Key] Key to metals, http ://www.key-to-metals.com/Article18.htm. Corrosion of nickel-basealloys.
[KFKA00] A.K. Kromine, P.A. Fomitchov, S. Krishnaswamy et J.D. Achenbach : Laserultrasonic detection of surface breaking discontinuities : Scanning laser source technique.Materials Evaluation, 58(2), février 2000.
118 BIBLIOGRAPHIE
[KHH+03] M. Klank, O. Hagedorn, C. Holthaus, M. Shamonin et H. Dötsch : Characte-rization and optimization of magnetic garnet films for magneto-optical visualization ofmagnetic field distributions. NDT & E International, 36(6):375â381, septembre 2003.
[Koh95] R. Kohavi : A study of cross-validation and bootstrap for accuracy estimation andmodel selection. In International Joint Conference on Artificial Intelligence, pages 1137â1143, 1995.
[KP02] M. Knobel et K.R Pirota : Giant magnetoimpedance : concepts and recent progress.Journal of Magnetism and Magnetic Materials, 242-245:33â40, avril 2002.
[KPCF02] E. Kerbrat, C. Prada, D. Cassereau et M. Fink : Ultrasonic nondestructive testingof scattering media using the decomposition of the time-reversal operator. IEEE Tran-sactions on Ultrasonics, Ferroelectrics and Frequency Control, 49(8):1103â1113, aoĂ»t2002.
[KSK+04] E.-L. Kim, S.-J. Song, H. Kim, C.-J. Yim, J.-H. Park, K.-B. Kim et H. Choi : Analysisof eddy current testing signals for quantitative flaw characterization in steam generatortubes using principle component. In WCNDT 2004, 2004.
[KW06] C. Kringe et T. Willems : Performance of water-washable, fluorescent penetrantson water-basis as compared to traditional water-washable, fluorescent penetrants onpetroleum-basis. In ECNDT 2006, novembre 2006.
[LB00] Y. Le Bihan : Conception et caractĂ©risation dâun dispositif Ă courants de Foucault pourlâĂ©valuation non destructive de lâĂ©paisseur de paroi dâaubes de turbines creuses. ThĂšsede doctorat, Ăcole Normale SupĂ©rieure de Cachan, juillet 2000.
[LBJP01] Y. Le Bihan, P.-Y. Joubert et D. Placko : Wall thickness evaluation of single-crystalhollow blades by eddy current sensor. NDT & E International, 34(5):363â368, juin 2001.
[LBLCT+96] A. Le Blanc, J.-L. Le Chien, M. Talvard, G. Delsarte et M. Piriou : Subsurfacecracks detection in Inconel using pulsed eddy currents technique. In 14th InternationalConference on NDE in the nuclear and pressure vessel industries, pages 347â349. ASMInternational, janvier 1996.
[LDJ07] Y. Le Diraison et P.-Y. Joubert : Multi-frequency eddy current imaging for thedetection of burried cracks in aeronautical structures. In ENDE 2007, juin 2007.
[Lib79] H.L. Libby : Introduction to electromagnetic non-destructive methods. Roberty KriegerPublishing Company, 1979.
[MKB79] K.V. Mardia, J.T. Kent et J.M. Bibbyn : Multivariate Analysis. Academic Press,1979.
[Moo20] E.H. Moore : On the reciprocal of the general algebraic matrix. Bulletin of theAmerican Mathematical Society, 26(394-395), 1920.
[Mot90] Z. Mottl : The quantitative relations between true and standard depth of penetrationfor air-cored probe coils in eddy current testing. NDT International, 23(1):11â18, fĂ©vrier1990.
[MRBR02] S. Mahaut, O. Roya, C. Beronib et B. Rotterb : Development of phased arraytechniques to improve characterization of defect located in a component of complexgeometry. Ultrasonics, 40(1-8):165â169, mai 2002.
[MVR08] P. Mlejnek, M. VopĂĄlenskĂœ et P. Ripka : AMR current measurement device. Sensorsand Actuators A : Physical, 141(2):649â653, fĂ©vrier 2008.
[MW47] H.B. Mann et D.R. Whitney : On a test of whether one of two random variables isstochastically larger than the other. Annals of Mathematical Statistics, 18:50â60, 1947.
[NWFN94] S. Nath, B. Wincheski, J.P. Fulton et M. Namkung : Study of the new eddycurrent non-destructive testing sensor on ferromagnetic materials. IEEE Transactionson Magnetics, 30(6):4644â4646, novembre 1994.
BIBLIOGRAPHIE 119
[Ouk97] L. Oukhellou : Paramétrisation et classification de signaux en contrÎle non destructif.Application à la reconnaissance des défauts de rails par courants de Foucault. ThÚse dedoctorat, Université Paris-Sud XI, juillet 1997.
[PAC90] D. Placko, P. Aknin et H. Clergeot : Algorithme itĂ©ratif sĂ©quentiel pour lâinversiondâun opĂ©rateur. Application Ă la restauration des images fournies par un multicapteurĂ courants de Foucault. Traitement du Signal, 7(6):499â513, 1990.
[PBEH06] T. Pfeifera, M. Benza, B. Engelmanna et P. Hafner : High precision ultrasonicon-machine measurement. Measurement, 39(5):407â414, juin 2006.
[PCS89] D. Placko, H. Clergeot et E. Santander : Physical modeling of an eddy cur-rent sensor designed for real timedistance and thickness measurement in galvanizationindustry. IEEE Transactions on Magnetics, 25(4):2861â2863, juin 1989.
[Pen55] R. Penrose : A generalized inverse for matrices. Proceedings of the Cambridge Philo-sophical Society, 51(406-413), 1955.
[PF01] F. Provost et T. Fawcett : Robust classification for imprecise environments. MachineLearning, 42(3):203â231, mars 2001.
[PFK98] F. Provost, T. Fawcett et R. Kohavi : The case against accuracy estimation forcomparing induction algorithms. In ICML 98, pages 445â453, 1998.
[PHMN+96] J. Piil-Henriksen, J.M.G. Merayo, O.V. Nielsen, H. Petersen, J. Raagaard Pe-
tersen et F. Primdahl : Digital detection and feedback fluxgate magnetometer. Mea-surement Science and Technology, 7(6):897â903, juin 1996.
[PLHDB04] L. Perez, J. Le Hir, C. Dolabdjian et L. Butin : Investigation in detection of fatiguecracks under rivet head airframe using improved GMR magnetometer in an eddy currentsystem. Journal of Electrical Engineering, 55(10s):73â76, octobre 2004.
[Rao65] C.R. Rao : Linear Statistical Interference and its Applications. Wiley, New-York, 1965.
[RH72] G.M. Robbins et T.S. Huang : Inverse filtering for linear shift-variant imaging systems.Proceedings of the IEEE, 60(7):862â872, juin 1972.
[Rip03] P. Ripka : Advances in fluxgate sensors. Sensors and Actuators A : Physical, 106(1-3):8â14, septembre 2003.
[RWJ+07] C. Ravat, M. Woytazik, P.-Y. Joubert, Y. Le Bihan, C. Marchand, Ă. Dufour-
Gergam, J. Moulin et Ă. Martincic : Study for the design of Eddy Current micro-sensor arrays for non destructive testing applications. In Transducersâ07, pages 583â587,juin 2007.
[Sap78] G. Saporta : Théories et méthodes de la statistique. Institut Français du Pétrole,technip édition, 1978.
[SBKKB07] L. Satyanarayana, K. Bharath Kumarana, C.V. Krishnamurthya et K. Balasu-
bramaniam : Inverse method for detection and sizing of cracks in thin sections using ahybrid genetic algorithm based signal parametrisation. Theoretical and Applied FractureMechanics, 49(2):185â198, 2007.
[Sil84] M.G. Silk : Ultrasonic transducers for nondestructive testing. Adam Hilger Ltd., Ac-cord, MA, 1984.
[SKC97] R. Sikora, M. Komorowski et T. Chady : A neural network model of eddy currentprobe. In Stuides in Applied Electromagntics and Mechanics, pages 231â238, 1997.
[Sny05] J.A. Snyman : Practical mathematical optimization : an introduction to basic opti-mization theory and classical and new gradient-based algorithms. Springer publishing,2005.
[SO95] L. Sandu et J. Oksman : Parametric inversion : application to measurement of tem-perature of a combustion chamber. In IEEE Canadian Conference on Electrical andComputer Engineering, volume 1, pages 354â357, septembre 1995.
120 BIBLIOGRAPHIE
[SVS08] K. Smolders, M. Volckaerta et J. Swevers : Tracking control of nonlinear lum-ped mechanical continuous-time systems : A model-based iterativenext term learningapproach. Mechanical Systems and Signal Processing, 22(8):1896â1916, 2008.
[SWW+07] D. Stifter, M. Wurm, K. Wiesauer, K. Nagel, M. Pircher, E. Götzinger etC. Hitzenberger : Spectral-domain optical coherence tomography : a novel and fasttool for NDT. In NDT in Progress 2007, novembre 2007.
[TA77] A.N. Tikhonov et V.A. Arsenin : Solution of ill-posed problems. Winston & Sons,1977.
[Ter43] F.E. Terman : Radio Engineersâ Handbook. McGraw-Hill, New-York, 1943.
[TNB00] G.-R. Tillack, C. Nockemann et C. Bellon : X-ray modeling for industrial appli-cations. NDT & E International, 33(7):481â488, octobre 2000.
[UMS02] V. N. Uchanin, G. Mook et T. Stepinski : The investigation of deep penetrantinghigh resolution EC probes for subsurface flaw detection and sizing. In ECNDT 2002,juin 2002.
[Vac07] F. Vacher : DĂ©veloppement dâun imageur magnĂ©tique pour le contrĂŽle non destructifpar courants de Foucault. ThĂšse de doctorat, Ăcole Normale SupĂ©rieur de Cachan, juin2007.
[VAGP07] F. Vacher, F. Alves et C. Gilles-Pascaud : Eddy current non destructive testingwith giant magneto-impedance sensor. NDT & E International, 40(6):439â442, sep-tembre 2007.
[VGPD+06] F. Vacher, C. Gilles-Pascaud, J.-M. Decitre, C. Fermon et M. Pannetier : Nondestructive testing with GMR magnetic sensor arrays. In ECNDT 2006, novembre 2006.
[VHV91] S. Van Huffel et J. Vandewalle : The total least squares problem : computationalaspects and analysis. SIAM, 1991.
[WGDG+06] M. Woytasik, J.-P. Grandchamp, Ă. Dufour-Gergam, J.-P. Gilles, S. Megherbi,Ă. Martincic, H. Mathias et P. Crozat : Two- and three-dimensional microcoilfabrication process for three-axis magnetic sensors on flexible substrates. Sensors andActuators A : Physical, 132(1):2â7, novembre 2006.
[Wika] Wikipedia.fr, http ://fr.wikipedia.org/wiki/ContrĂŽle_non_destructif. ContrĂŽle nondestructif.
[Wikb] Wikipedia.fr, http ://fr.wikipedia.org/wiki/Nickel. Nickel.
[Wikc] Wikipedia.org, http ://en.wikipedia.org/wiki/Linear_regression. Linear regression.
[Wil45] F. Wilcoxon : Individual comparisons by ranking methods. Biometrics Bulletin,1(6):80â83, dĂ©cembre 1945.
[Woy05] M. Woytasik : Ătude des procĂ©dĂ©s de fabrication de microdispositifs Ă©lectromagnĂ©tiquessur supports souples pour lâimagerie mĂ©dicale (IRM) et le contrĂŽle non destructif desmatĂ©riaux. ThĂšse de doctorat, UniversitĂ© Paris VI Pierre et Marie Curie, dĂ©cembre2005.
[WW07] J.C. Wu et C.L. Wilson : Nonparametric analysis of fingerprint data on large datasets. Pattern Recognition, 40:2574â2584, 2007.
[YCH+05] S. Yamada, K. Chomsuwan, T. Hagino, H. Tian, K. Minamide et M. Iwahara :Conductive microbead array detection by high-frequency eddy-current testing techniquewith SV-GMR sensor. IEEE Transactions on Magnetics, 41(10):3622â3624, octobre2005.
[YCM00] N. Yusa, Z. Chen et K. Miya : Quantitative profile evaluation of natural cracks ina steam generator tube from eddy current signals. International Journal of AppliedElectromagnetics and Mechanics, 12(3-4):139â150, 2000.
BIBLIOGRAPHIE 121
[YLLL06] W.G. Yi, M.R. Lee, J.H. Lee et S.H. Lee : A study on the ultrasonic thicknessmeasurement of wall thinned pipe in nuclear plants. In APCNDT 2006, novembre 2006.
[YNF+04] S. Yuasa, T. Nagahama, A. Fukushima, Y. Suzuki et K. Ando : Giant room-temperature magnetoresistance in single-crystal Fe/MgO/Fe magnetic tunnel junctions.Nature Materials, 3:868â871, dĂ©cembre 2004.
[Zan01] M.-L. Zani : CND par Ultrasons : le â sans-contact â est prĂȘt mais... Mesures, (734),avril 2001.
[Zor90] R. Zorgati : Imagerie par courants de Foucault, applications au contrÎle non destructif.ThÚse de doctorat, Université Paris VII, 1990.
[ZWG+03] V. Zilberstein, K. Walratha, D. Grundya, D. Schlickera, N. Goldfinea,E. Abramovicib et T. Yentzerc : MWM eddy-current arrays for crack initiationand growth monitoring. International Journal of Fatigue, 25(9-11):1147â1155, novembre2003.
Résumé
La complexitĂ© grandissante des processus industriels et des piĂšces fabriquĂ©es, les exigences crois-santes en termes de sĂ»retĂ© de fonctionnement ainsi que la volontĂ© dâoptimisation de la durĂ©e de viedes piĂšces conduisent Ă mettre en place des contrĂŽles qualitĂ© de plus en plus poussĂ©s.
Les fissures submillimĂ©triques dĂ©bouchantes, parmi lâensemble des anomalies Ă considĂ©rer, doiventfaire lâobjet dâune attention particuliĂšre. Elles constituent en effet souvent des amorces de fissuresplus grandes pouvant entraĂźner la destruction des piĂšces. Les techniques de ressuage sont actuellementlargement utilisĂ©es pour ce type de dĂ©fauts, en raison de leurs bonnes performances. Elles devrontcependant Ă terme ĂȘtre abandonnĂ©es pour des raisons de normes environnementales. Au sein dessolutions de remplacement envisageables, lâutilisation des courants de Foucault (CF) est pour lespiĂšces conductrices une alternative fiable, rapide et peu coĂ»teuse.
LâĂ©tude porte sur la conception et lâutilisation de structures multiĂ©lĂ©ments de sondes CF exploitantdes microcapteurs pour le contrĂŽle non destructif. Une mĂ©thodologie a Ă©tĂ© Ă©tablie afin de mettreau point de telles structures et de comparer leurs performances dans le cadre de la recherche defissures submillimĂ©triques dĂ©bouchantes. Ces structures ont Ă©tĂ© employĂ©es pour lâĂ©valuation de fissurescalibrĂ©es sur un banc dâacquisition spĂ©cialement rĂ©alisĂ©. Des algorithmes originaux de dĂ©tection et decaractĂ©risation de dĂ©fauts ont Ă©tĂ© conçus et mis en Ćuvre pour les signaux acquis, permettant dedĂ©terminer la structure la plus efficace, de quantifier la qualitĂ© de dĂ©tection des fissures et dâestimerles caractĂ©ristiques gĂ©omĂ©triques de ces dĂ©fauts.
Abstract
The growing complexity of industrial processes and manufactured parts, the increasing need of sa-fety in service and the will of life span optimization, require more and more complex quality evaluationsto be set up.
Among the different anomalies to consider, submillimetric breaking surface notches have to besubject to special care. Indeed, it often constitutes a start to larger notches, which can cause des-truction parts. Penetrant testing is nowadays widely used for that kind of defect, owing to its goodperformances. Nevertheless, it should be eventually dropped because of environmental norms. Amongthe possible substitution solutions, the use of eddy currents (EC) for conductive parts is a reliable,fast and inexpensive alternative.
The study is about the conception and the use of multielements EC probe structures featuringmicrosensors for non destructive testing of surface breaking defects. A methodology has been esta-blished in order to develop such structures and to compare their performances within the frameworkof submillimetric surface breaking notch research. These structures has been employed for calibratednotches evaluation with a specific acquisition bench. Original detection and defect characterizationalgorithms have been designed and implemented on acquired signals. The most efficient structure hasbeen determined, the notch detection quality has been quantified, and the geometric characteristicsof notches has been estimated.