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

Moshrefi, Amirhossein (2025). Enhancement of MEMS-based ultrasonic transducers for sensing applications using machine learning. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (13MB) | Prévisualisation

Résumé

This thesis presents an in-depth exploration of the integration of ultrasonic signal transmission, ultrasonic signal processing, and advanced fault detection methodologies, highlighting the synergy among these technologies through three interrelated studies.

The first study introduces a high-precision airborne ultrasonic rangefinder system based on piezoelectric micromachined ultrasonic transducers (PMUTs). Utilizing both transmitters (Tx) and receivers (Rx) fabricated with highly sensitive piezoelectric beams, the system operates on the time-of-flight (ToF) principle, where ultrasonic waves travel between the Tx and Rx to detect obstacles or calculate distances. Enhanced by deep learning models—specifically convolutional neural networks (CNNs) with k-fold cross-validation—the rangefinder achieves superior accuracy compared to traditional methods, ensuring robust performance in diverse environments. This makes it suitable for applications in robotics, augmented reality, and industrial safety systems.

The second study focuses on the application of ultrasonic signal processing for industrial fault detection, employing only the receiver (Rx). Concentrating on pipelines and motor systems, this research utilizes the Rx to detect mechanical faults by capturing ultrasonic signals and applying advanced feature extraction techniques in both time and frequency domains. Key features—including skewness, kurtosis and crest factor—are extracted, and dimensionality reduction methods like principal component analysis (PCA) and linear discriminant analysis (LDA) are employed to streamline the data. Machine learning classifiers such as k-nearest neighbors (KNN), support vector machines (SVM) and decision trees (DT) are used in conjunction with ensemble learning techniques like stacking and boosting to enhance accuracy and reliability in fault detection. The system's ability to detect and classify faults in real time is further validated by deploying the models on microcontroller units (MCUs), underscoring its potential for real-world applications.

The third study explores the use of ensemble machine learning models for real-time fault detection using ultrasonics. Emphasizing scalability and efficiency, this research demonstrates the use of ultrasonic signals for monitoring industrial systems such as pipelines and rotating machinery. The Rx plays a central role in capturing ultrasonic signals, which are then processed and analyzed by machine learning algorithms to detect faults like leaks, blockages, and bearing failures. The study compares several ensemble learning models—including gradient boosting (GB), voting classifiers, and AdaBoost—and evaluates their performance using k-fold cross-validation. Deployment of these models on resource-constrained devices like ARM Cortex-M4F MCUs demonstrates the feasibility of real-time fault monitoring on embedded systems. This approach not only addresses current industrial needs but also paves the way for future innovations in wireless sensing and smart monitoring systems.

In conclusion, the research presented in these studies underscores the promising role of ultrasonics, enhanced by machine learning, in augmenting industrial system efficiency, safety, and functionality. By integrating ultrasonic sensors with advanced machine learning techniques, the developed systems provide robust, real-time fault detection and diagnostics, offering significant improvements over traditional monitoring methods. The successful implementation of these technologies addresses pressing industrial challenges—such as early fault detection in pipelines and machinery—and lays the groundwork for future innovations in wireless sensing, embedded systems, and real-time monitoring across various sectors. This work establishes a strong foundation for ongoing research into more efficient, scalable solutions for industrial automation, predictive maintenance, and safety monitoring.

Titre traduit

Amélioration des transducteurs ultrasoniques mems pour les applications de détection utilisant l'apprentissage automatique

Résumé traduit

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.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 127-138).
Mots-clés libres:	traitement des signaux ultrasonores, apprentissage automatique, systèmes embarqués, surveillance en temps réel, transducteurs ultrasoniques piézoélectriques micromécaniques (PMUTs), automatisation industrielle
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Nabki, Frédéric
Programme:	Doctorat en génie > Génie
Date de dépôt:	27 mai 2025 15:07
Dernière modification:	27 mai 2025 15:07
URI:	https://espace.etsmtl.ca/id/eprint/3617

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt