Prédiction et classification des défauts des aubes d’une turbine à gaz en se basant sur l’intelligence artificielle : apprentissage profond

Abstract

L'objectif de cette étude est de construire un modèle d'apprentissage profond à l'aide de données expérimental pour prédire les défauts réels des aubes de turbine à gaz. Nous avons créé un ensemble de données d'images synthétiques en utilisant Blender, un logiciel 3D, pour simuler différents types de défauts rencontrés dans des scénarios réels, et pour cela nous avons mis en œuvre un modèle d'apprentissage profond basé sur l'architecture VGG16 pour classifier les défauts. La méthode proposée a aussi le potentiel d'être mise en œuvre dans l'Inspection par Boroscope c.à.d. s’intégration dans l’instrument Boroscope, ce qui peut améliorer l’interprétation, la précision et l'efficacité de l'inspection des aubes de turbine à gaz. Nos résultats montrent que le modèle d'apprentissage profond formé sur des données synthétiques peut prédire avec précision les défauts avec des images réelles dans les aubes de la turbine, atteignant une haute précision de classification. Cette approche présente plusieurs avantages par rapport aux méthodes traditionnelles, notamment une réduction des coûts et du temps, une précision accrue, et la capacité à détecter des défauts qui peuvent ne pas être visibles à l'œil nu.