Imagery Dataset for Remaining Useful Life Estimation of Synthetic Fibre Ropes

Ce document présente un nouvel ensemble de données d'images, disponible publiquement, comprenant environ 34 700 images haute résolution de onze cordes en fibre synthétique Dyneema soumises à une sollicitation de fatigue cyclique, conçu pour soutenir des tâches d'apprentissage automatique visant l'estimation de la durée de vie résiduelle et la surveillance de l'état basée sur la vision.

L'essentiel

Imaginez que vous possédez une corde très résistante et hautement technologique, fabriquée à partir de fibres spéciales (comme le Dyneema). Cette corde est utilisée pour des travaux de levage lourds, tels que le gréement d'éoliennes ou le déplacement de charges gigantesques sur des navires. Tout comme un élastique finit par se rompre après avoir été étiré et plié trop de fois, ces cordes s'usent avec le temps. Le grand problème est que cette usure se produit lentement et de manière invisible à l'intérieur de la corde, rendant difficile de savoir exactement quand elle est sur le point de se briser.

Ce document présente une nouvelle « bibliothèque d'entraînement » pour les ordinateurs afin qu'ils apprennent à prédire quand ces cordes vont tomber en panne. Voici une explication simple :

Le Problème : Deviner la Fin de la Corde

Actuellement, si vous voulez savoir si une corde est sûre, vous devez arrêter le travail, l'examiner à l'œil nu et faire une estimation. C'est comme essayer de deviner quand un pneu de voiture va éclater en ne le regardant qu'une fois par mois. C'est risqué et souvent erroné. Les auteurs souhaitaient créer un système où une caméra pourrait surveiller la corde et dire : « Il vous reste environ 500 utilisations avant que vous ne cassiez. »

La Solution : Un Album Photo « Time-Lapse »

Pour enseigner cela à un ordinateur, les chercheurs avaient besoin d'un album photo massif montrant toute la vie de la corde, de l'état neuf à la rupture complète. Ils ont créé un ensemble de données contenant environ 34 700 photos haute résolution.

Pensez-y comme à une vidéo « time-lapse », mais au lieu d'une vidéo, il s'agit de milliers d'images individuelles.

• Les Acteurs : Ils ont utilisé 11 cordes différentes.
• Le Test de Contrainte : Ils ont soumis ces cordes à une machine qui les plie d'avant en arrière sur une poulie (comme une poulie) des milliers de fois. Cela imite les flexions réelles qu'elles subissent sur les navires et les grues.
• La Pression : Ils ont testé les cordes sous différents poids, allant de charges légères (60 kN) à des charges très lourdes (280 kN).
• Le Résultat : Certaines cordes ont duré longtemps (plus de 8 000 flexions), tandis que d'autres, soumises à un stress élevé, se sont brisées rapidement (en moins de 700 flexions).

Comment Ils Ont Pris les Photos

À chaque fois que la machine pliait la corde un nombre spécifique de fois (un « cycle »), elle s'arrêtait. Ensuite, une caméra haute vitesse prenait 10 photos de différents endroits le long de la longueur de la corde.

Pourquoi 10 photos ? Parce que les dommages ne sont pas équitables ; ils ne se produisent pas uniformément. Un endroit de la corde pourrait être effiloché tandis que l'endroit juste à côté semble parfait. Prendre 10 photos garantit que l'ordinateur voit l'ensemble de la situation, et pas seulement un endroit chanceux.

Le « Secret » : Les Étiquettes

Chaque photo de cet ensemble de données possède une étiquette qui lui est attachée. C'est comme un horodatage indiquant : « Cette photo a été prise après 5 000 flexions, et la corde s'est brisée à 8 000 flexions. »

Cela permet à l'ordinateur de faire des mathématiques simples :

• Vie Totale : 8 000 flexions
• Âge Actuel : 5 000 flexions
• Vie Restante : 3 000 flexions

Parce qu'ils ont ces calculs pour chaque photo, ils peuvent entraîner l'intelligence artificielle (IA) à regarder une image d'une corde et calculer exactement combien de « vie » il reste, même si la corde semble globalement intacte à l'œil humain.

Pourquoi Cela Compte

Avant ce document, il n'existait aucune collection publique de photos montrant toute la vie de ces cordes, du début à la fin. Les chercheurs devaient construire leurs propres petits tests, ce qui prenait beaucoup de temps et coûtait très cher.

Maintenant, n'importe qui peut télécharger cet « album photo » et enseigner à son IA à :

1. Repérer les dommages tôt.
2. Prédire l'avenir (combien de flexions restent).
3. Comprendre comment différents poids modifient la vitesse d'usure de la corde.

En bref, ce document fournit le « manuel » d'images dont les informaticiens ont besoin pour construire des systèmes plus intelligents et plus sûrs, capables de nous dire exactement quand remplacer une corde avant qu'elle ne se brise, prévenant ainsi les accidents et économisant de l'argent.

Résumé technique

Résumé technique : Jeu de données d'images pour l'estimation de la durée de vie résiduelle des cordes en fibres synthétiques

Énoncé du problème
Le fonctionnement sûr des grues offshore, des navires d'installation d'éoliennes et des systèmes de manutention de charges lourdes repose fortement sur les cordes en fibres synthétiques (SFR), en particulier celles fabriquées en polyéthylène à haut module (HMPE) comme le Dyneema. Bien que ces cordes offrent des avantages en termes de résistance et de poids par rapport aux câbles en acier, elles sont sujettes à une dégradation progressive par fatigue lors des opérations cycliques de passage sur poulie (BOS). Les pratiques industrielles actuelles pour surveiller l'état des cordes reposent sur des inspections visuelles manuelles périodiques et des politiques conservatrices de « mise à la retraite basée sur le temps », qui sont subjectives et mal adaptées aux conditions de chargement réelles variables. Bien que la surveillance de l'état basée sur les données soit une alternative prometteuse, le développement d'algorithmes d'estimation de la durée de vie résiduelle (RUL) basés sur la vision a été entravé par l'absence de jeux de données d'images publics capturant le cycle de vie complet de la dégradation des SFR sous fatigue cyclique contrôlée. Les jeux de données existants, y compris les travaux antérieurs des auteurs sur la classification des défauts, manquent des informations temporelles du cycle de vie nécessaires pour la pronostique.

Méthodologie et configuration expérimentale
Pour combler cette lacune de données, les auteurs ont construit un jeu de données d'imagerie novateur grâce à une campagne expérimentale contrôlée impliquant onze spécimens de cordes HMPE Dyneema SK75/78 (diamètre nominal de 8 mm, tressage à 12 brins). Les expériences ont été menées sur un banc d'essai de flexion sur poulie conçu pour reproduire les chargements opérationnels BOS.

• Conditions de chargement : Les spécimens ont été soumis à une fatigue cyclique à sept niveaux de charge axiale distincts allant de 60 kN à 280 kN. Les essais ont été poursuivis jusqu'à la rupture mécanique, définie comme une perte soudaine et complète de la capacité de charge. Les durées de vie en fatigue variaient inversement avec la charge, allant de 695 cycles (à 250 kN) à 8 340 cycles (à 60 kN).
• Acquisition des données : Un système d'imagerie comprenant une caméra haute vitesse Basler acA2000 (1920 × 1200 pixels) et un objectif de 12 mégapixels a été utilisé. L'éclairage était assuré par des lumières LED Aputure AL-MC RGBWW positionnées à 45° pour garantir un éclairage uniforme et sans ombres.
• Stratégie d'échantillonnage : La collecte de données s'est déroulée par « rafales d'inspection ». Après un nombre fixe de cycles sur poulie (10 à 20 cycles par rafale, selon la charge), le banc d'essai s'arrêtait et dix images étaient capturées à différentes positions transversales le long de la corde. Cette stratégie d'échantillonnage spatial tient compte de la nature non uniforme des dommages de fatigue le long de la longueur de la corde.
• Contrôle et synchronisation : Un NVIDIA Jetson Nano P3450 a géré la capture d'images, synchronisée avec le API du banc d'essai via un protocole d'accusé de réception pour garantir un timing précis et une association sans ambiguïté des images avec les comptes de cycles.
• Composition du jeu de données : Le jeu de données final comprend environ 34 700 images haute résolution au format PNG. Chaque image est annotée avec le nombre de cycles écoulés et l'identité spécifique de la corde.

Contributions clés
La contribution principale de ce travail est la publication du premier jeu de données d'images de cycle de vie public spécifiquement destiné aux cordes HMPE sous fatigue cyclique. Les caractéristiques clés incluent :

1. Couverture complète du cycle de vie : Le jeu de données capture la trajectoire visuelle, depuis des conditions saines jusqu'à la dégradation progressive et la rupture mécanique, pour les onze spécimens.
2. Référence diversifiée en charge : En couvrant sept niveaux de charge (60–280 kN), le jeu de données permet l'étude des taux de dégradation conditionnés par la charge et le développement de modèles généralisables à différents niveaux de tension.
3. Résolution spatiale et temporelle : L'inclusion de dix images spatialement distribuées par rafale d'inspection fournit un signal d'entraînement plus riche que les stratégies mono-vue, capturant la variabilité spatiale des dommages.
4. Étiquetage direct de la RUL : Chaque image est associée à un nombre de cycles écoulés, permettant le calcul direct de la RUL ($RUL = N_{rupture} - N_{écoulé}$). Cela prend en charge à la fois les tâches de régression continue et la classification discrète des étapes de vie (début, milieu, fin).
5. Compatibilité : Le format et la structure des données sont conçus pour être compatibles avec une large gamme d'architectures d'apprentissage profond, y compris les CNN, les Vision Transformers (ViT) et les modèles multimodaux vision-langage.

Résultats et caractéristiques des données
L'article ne présente pas les résultats de modèles d'apprentissage automatique spécifiques entraînés sur les données ; les « résultats » sont le jeu de données lui-même et ses propriétés statistiques. Les données démontrent une relation inverse claire entre la charge appliquée et la durée de vie en fatigue. Le nombre total d'images d'environ 34 700 fournit un volume statistiquement significatif pour l'entraînement de modèles d'apprentissage profond. Le jeu de données est organisé en onze dossiers (un par spécimen), chacun contenant des métadonnées concernant les niveaux de charge, la vitesse de la corde et les comptes de cycles.

Signification et affirmations
Les auteurs positionnent ce jeu de données comme une ressource de référence fondamentale pour la communauté de recherche. Sa signification réside dans :

• La prédiction automatisée de la RUL : Il facilite le développement de systèmes basés sur la vision capables de fournir des alertes précoces de défaillance imminente, réduisant potentiellement les coûts de maintenance imprévue et prévenant les incidents de sécurité catastrophiques.
• L'achèvement du pipeline de surveillance de l'état : Combiné au jeu de données de classification des défauts précédent des auteurs, cette ressource couvre le spectre complet de la surveillance de l'état (CM), de la détection de défauts à la prédiction de la durée de vie résiduelle.
• La normalisation : En fournissant un jeu de données standardisé, diversifié en charge et entièrement annoté, les auteurs visent à accélérer le développement et la comparaison équitable des algorithmes de gestion de la santé pronostique (PHM) pour les SFR, dépassant les limites de l'inspection manuelle et des données propriétaires.

Le travail fait des affirmations modestes, se concentrant sur la fourniture de l'infrastructure de données nécessaire pour permettre des recherches futures plutôt que sur la proposition d'un algorithme spécifique ou l'affirmation d'un déploiement industriel immédiat. Le jeu de données est destiné à servir d'outil aux chercheurs pour développer et valider leurs propres modèles pronostiques basés sur la vision.