Etude de stratégies du pronostic embarqué dans les réseaux filaires basé sur les réseaux de neurones temporels

Publié le : 8 février 2020

Quelques soit leurs domaines d’application, les câbles sont très souvent victimes de leur environnement d’opération. Ils font souvent face à des conditions agressives telles que la vibration mécanique, le stress thermique, la pénétration de l’humidité, etc. Ces conditions favorisent l’apparition de défauts plus ou moins graves allant d’une simple fissure dans la gaine à une coupure du câble causant ainsi un dysfonctionnement du système.

Dans ce contexte, Le CEA LIST étudie des méthodes de diagnostic et pronostic des défauts dans les réseaux de câbles basés sur la méthode de la réflectométrie. L’idée est d’injecter un signal de test dans le câble. Chaque fois qu’il rencontre une discontinuité d’impédance (i.e. un défaut), une partie de son énergie est renvoyée vers le point d’injection. Le traitement du signal réfléchi permet par la suite de détecter et localiser ce défaut.

Malgré la maturité de la réflectométrie à détecter un défaut dans un câble, elle ne permet ni de déterminer les causes de l’apparition d’un défaut naissant (i.e. endommagement du blindage, rayon de courbure, pincement, etc.) ni de prédire son évolution dans le futur. Les travaux de cette thèse visent à développer de nouvelles stratégies de pronostic de défauts dans les réseaux filaires. Pour cela, l’application des méthodes de Machine Learning telles que les réseaux de neurones artificiels (RNA) sur les données issues des capteurs de réflectométrie s’avère une solution prometteuse pour résoudre cette problématique. C’est dans ce cadre que s’inscrivent les travaux de ce thèse.

En naviguant sur notre site, vous acceptez que des cookies soient utilisés pour vous proposer des contenus et services adaptés à vos centres d’intérêts. En savoir plus
X