Enhancement of MEMS-based ultrasonic transducers for sensing applications using machine learning

Résumé

Cette thèse présente une exploration approfondie de l'intégration de la transmission de signaux ultrasonores, du traitement de signaux ultrasonores par techniques d’intelligence artificielle et de méthodologies avancées de détection de pannes, mettant en évidence la synergie entre ces technologies à travers trois études interconnectées. La première étude introduit un système télémétrique ultrasonore aéroporté de haute précision basé sur des transducteurs ultrasonores micromécaniques piézoélectriques (PMUTs). Utilisant à la fois des émetteurs (Tx) et des récepteurs (Rx) fabriqués avec des faisceaux piézoélectriques hautement sensibles, le système fonctionne sur le principe du temps de vol (ToF), où les ondes ultrasonores voyagent entre le Tx et le Rx pour détecter des obstacles ou calculer des distances. Amélioré par des modèles d'apprentissage profond—spécifiquement des réseaux de neurones convolutifs (CNN) avec validation croisée en k-plis—le télémètre atteint une précision supérieure par rapport aux méthodes traditionnelles, assurant des performances robustes dans des environnements variés. Cela le rend adapté à des applications en robotique, réalité augmentée et systèmes de sécurité industrielle. La deuxième étude se concentre sur l'application du traitement des signaux ultrasonores pour la détection de pannes industrielles, n'employant que le récepteur (Rx). En se concentrant sur les pipelines et les systèmes moteurs, cette recherche utilise le Rx pour détecter des défauts mécaniques en capturant des signaux ultrasonores et en appliquant des techniques avancées d'extraction de caractéristiques dans les domaines temporel et fréquentiel. Des caractéristiques clés—incluant l'asymétrie, le kurtosis et le facteur de crête—sont extraites, et des méthodes de réduction de dimensionnalité comme l'analyse en composantes principales (ACP) et l'analyse discriminante linéaire (ADL) sont utilisées pour simplifier les données. Des classificateurs d'apprentissage automatique tels que les k-plus proches voisins (KNN), les machines à vecteurs de support (SVM) et les arbres de décision (AD) sont utilisés en conjonction avec des techniques d'apprentissage par ensemble comme le stacking et le boosting pour améliorer la précision et la fiabilité de la détection de pannes. La capacité du système à détecter et classifier les pannes en temps réel est en outre validée en déployant les modèles sur des microcontrôleurs (MCU), soulignant son potentiel pour des applications réelles. La troisième étude explore l'utilisation de modèles d'apprentissage automatique par ensemble pour la détection de pannes en temps réel utilisant les ultrasons. En mettant l'accent sur la scalabilité et l'efficacité, cette recherche démontre l'utilisation de signaux ultrasonores pour la surveillance de systèmes industriels tels que les pipelines et les machines rotatives. Le Rx joue un rôle central en capturant les signaux ultrasonores, qui sont ensuite traités et analysés par des algorithmes d'apprentissage automatique pour détecter des défauts comme les fuites, les blocages et les défaillances de roulements. L'étude compare plusieurs modèles d'apprentissage par ensemble—including gradient boosting (GB), classificateurs par vote et AdaBoost—and évalue leurs performances en utilisant une validation croisée en k-plis. Le déploiement de ces modèles sur des dispositifs à ressources limitées comme les MCU ARM Cortex-M4F démontre la faisabilité de la surveillance des pannes en temps réel sur des systèmes embarqués. Cette approche répond non seulement aux besoins industriels actuels, mais pave également la voie pour de futures innovations dans la détection sans fil et les systèmes de surveillance intelligents. En conclusion, les recherches présentées dans ces études soulignent le rôle prometteur des ultrasons, améliorés par l'apprentissage automatique, dans l'augmentation de l'efficacité, de la sécurité et de la fonctionnalité des systèmes industriels. En intégrant des capteurs ultrasonores avec des techniques avancées d'apprentissage automatique, les systèmes développés fournissent une détection et un diagnostic des pannes en temps réel robustes, offrant des améliorations significatives par rapport aux méthodes de surveillance traditionnelles. La mise en oeuvre réussie de ces technologies répond à des défis industriels pressants—tels que la détection précoce des pannes dans les pipelines et les machines—et jette les bases pour de futures innovations dans la détection sans fil, les systèmes embarqués et la surveillance en temps réel dans divers secteurs. Ce travail établit une base pour la poursuite de la recherche vers des solutions plus efficaces et évolutives pour l'automatisation industrielle, la maintenance prédictive et la surveillance de la sécurité.

Date	14 févr. 2025
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Frédéric Nabki (Directeur(-trice))