Partager

Diagnostic des câbles électriques par apprentissage automatique : une innovation primée à AUTOTESTCON

Cérémonie de remise du Best Paper Award par Michael Seavey (Technical Program Chair) et Bob Rassa (Chair) lors de la conférence IEEE AUTOTESTCON. © J. Reisman/AUTOTESTCON
Le CEA-List a reçu le Best Paper Award lors de la conférence AUTOTESTCON, événement mondial sur le test automatique, organisé par l’IEEE pour les décideurs des secteurs militaire et aérospatial. Cette récompense valorise une méthode innovante et bas coût de diagnostic précis des défauts des câbles électriques. Une avancée importante vers une maintenance préventive plus efficace et plus accessible.

Afin de surmonter les difficultés liées à la reconstruction de données compressées de l’OMTDR (Orthogonal Multi-tone Time Domain Reflectometry), le CEA-List propose de nouvelles approches basées sur l’apprentissage automatique. Ces méthodes permettent de diagnostiquer les défauts à partir des mesures compressées de l’OMTDR, sans passer par une étape de reconstruction.
Le diagnostic des défauts s’articule en deux étapes : tout d’abord la détection, qui consiste à estimer leur impédance, puis la localisation, qui estime leur position à partir des défauts détectés. Ces estimations sont effectuées à l’aide de deux modèles d’apprentissage automatique : l’algorithme KNN (K-Nearest Neighbors) et un CNN (Convolutional Neural Network).

 


Architecture classique de la réflectométrie et architecture d’acquisition compressée de la réflectométrie. © H.Slimani/CEA


 

Cette technique évite le recours à des algorithmes itératifs et complexes de reconstruction du signal compressé, ouvrant ainsi la voie à la conception d’architectures de réflectométrie mieux adaptées aux applications embarquées nécessitant une faible latence ou un traitement en temps réel. Les résultats obtenus démontrent une excellente précision pour l’estimation d’impédance et de la localisation de défauts. Le CNN excelle dans l’estimation de l’impédance, tandis que le KNN s’avère plus performant pour la localisation des défauts. Le choix entre ces deux modèles dépend des exigences spécifiques de l’application, notamment des ressources disponibles, de la précision requise et du niveau de bruit. L’étude a également révélé des résultats prometteurs pour des facteurs de compression élevés dans la localisation des défauts.
La distinction obtenue illustre le potentiel de l’IA pour traiter directement les données compressées dans le cadre d’un diagnostic efficace des défauts dans les câbles.

 


Exemple de mesures simulées d’acquisition compressée de la réflectométrie OMTDR pour différents types de défauts. © H.Slimani/CEA


 

Brevet

Diagnostic de défauts dans les câbles électriques via des méthodes d’apprentissage automatique et de la réflectométrie.

 

Publications majeures

Quand la complexité des signaux compressés devient un défi, l’IA prend le relais pour révéler les défauts cachés des câbles en un instant.

Rebecca Cabean

Hanane Slimani

Doctorante — CEA-List