Development of an Automated Procedure for the Damage Pattern Recognition Via Infrared Thermography and Machine Learning

Abstract

Infrarød termografi (IRT) er en ikke-destruktiv testmetode (NDT) som bruker infrarøde kameraer til å detektere og måle termisk energi som avgis fra overflaten til et objekt. IRT brukes fordi det er et raskt, ikke-invasivt verktøy for å identifisere termiske avvik knyttet til potensielle problemer i materialer og konstruksjoner, noe som gjør det enklere å utføre forebyggende vedlikehold og sørge for sikkerhet og lang levetid for tekniske konstruksjoner. IRT er mye brukt til å vurdere den strukturelle integriteten til materialer og konstruksjoner, både i laboratoriemiljøer og i virkelige anvendelser, på grunn av dens evne til å gi umiddelbar visuell innsikt i de termiske egenskapene og anomaliene til de undersøkte objektene. Målet med dette arbeidet er å bruke ulike maskinlæringsalgoritmer til å analysere IRT-data som er registrert under en syklisk test utført ved ulike spenningsnivåer, for å avdekke skadeutvikling og -progresjon på en karbonfiberarmert plastprøve med hull. Denne tilnærmingen forventes å forbedre analysen av termiske data, og dermed øke nøyaktigheten og effektiviteten ved deteksjon og diagnostisering av testede materialer eller strukturer, noe som sparer tid. Ved å integrere maskinlæring med IRT vil de forventede resultatene ikke bare effektivisere dataanalyseprosessen, men også øke diagnostikkmulighetene utover dagens begrensninger. Slike fremskritt kan føre til mer prediktive og adaptive vedlikeholdsstrategier, noe som kan redusere nedetid og forlenge levetiden til kritisk infrastruktur og materialer. I fremtiden vil kombinasjonen av maskinlæringsteknikker og tradisjonell IRT-analyse kunne føre til betydelige forbedringer, noe som vil øke evnen til prediktivt vedlikehold og den generelle sikkerheten til konstruerte (og ikke-konstruerte) strukturer.

Infrared thermography (IRT) is a full-field, non-destructive testing (NDT) method that uses infrared cameras to detect and measure thermal energy emitted from an object's surface. The utilization of IRT stems from its ability to offer a rapid, non-invasive tool for identifying thermal anomalies related to potential issues within materials and structures, facilitating preventive maintenance and ensuring the safety and longevity of engineering structures. IRT is widely used for assessing the structural integrity of materials and structures, both in laboratory environments and real-world applications, due to its ability to provide immediate visual insights into the thermal properties and anomalies of subjects under investigation. The aim of the present work is to employ different machine learning algorithms to analyze IRT data recorded during a cyclic test carried out at different stress levels, to prompt damage onset and progression on a holed woven carbon fiber reinforced plastic sample. This approach is expected to enhance the analysis of thermal data, improving the accuracy and efficiency in detecting and diagnosing tested materials or structures saving time. By integrating machine learning with IRT, the anticipated results promise not only to streamline the data analysis process but also to elevate the diagnostic capabilities beyond current limitations. Such advancements could lead to more predictive and adaptive maintenance strategies, reducing downtime and extending the lifespan of critical infrastructure and materials. Looking to the future, the combination of machine learning techniques with traditional IRT analysis holds the potential for significant improvements, enhancing the predictive maintenance capabilities and overall safety of engineered (and non-engineered) structures.