DE4310279A1 - Signal processor for evaluating test data e.g. in nuclear reactor testing - uses neural network with interconnection weighting factor correction - Google Patents
Signal processor for evaluating test data e.g. in nuclear reactor testing - uses neural network with interconnection weighting factor correctionInfo
- Publication number
- DE4310279A1 DE4310279A1 DE4310279A DE4310279A DE4310279A1 DE 4310279 A1 DE4310279 A1 DE 4310279A1 DE 4310279 A DE4310279 A DE 4310279A DE 4310279 A DE4310279 A DE 4310279A DE 4310279 A1 DE4310279 A1 DE 4310279A1
- Authority
- DE
- Germany
- Prior art keywords
- neural network
- input
- signal
- evaluation
- signal processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
- G01N27/9046—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents by analysing electrical signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
- G01N27/9046—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents by analysing electrical signals
- G01N27/9053—Compensating for probe to workpiece spacing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C17/00—Monitoring; Testing ; Maintaining
- G21C17/017—Inspection or maintenance of pipe-lines or tubes in nuclear installations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Abstract
Description
Die vorliegende Erfindung betrifft eine Signalver arbeitungsvorrichtung zur Auswertung von Daten, die durch zerstörungsfreie Prüfung, welche die Prüfung von Rissen und anderen Fehlern im Material einschließt, erhalten werden, beispielsweise bei einer periodischen Überprüfung der Wärmeübertragungsleitung eines Dampfer zeugers in einer Kernreaktoranlage.The present invention relates to a signal ver Working device for evaluating data through non-destructive testing, which is the testing of Cracks and other defects in the material, can be obtained, for example with a periodic Checking the heat transfer line of a steamer generator in a nuclear reactor plant.
In der Vergangenheit war es allgemeine Praxis, die periodische Überprüfung der Wärmeübertragungsleitung eines Dampferzeugers bei einem Reaktor vom PWR- Typ mittels eines ETC-Verfahrens (Wirbelstrom-Prüfung) durchzuführen.In the past, it was general practice that periodic inspection of the heat transfer line of a steam generator in a PWR type reactor by means of an ETC process (eddy current test) perform.
Dieses Wirbelstrom-Prüfverfahren ist zur Erfassung der Gegenwart von Fehlern, Defekten oder Ablagerungen auf einem zu untersuchenden Objekt, beispielsweise einer Wärmeübertragungsleitung gemäß dem nachfolgend erläuter ten Prinzip ausgebildet.This eddy current test method is used to record the Presence of defects, defects or deposits an object to be examined, for example one Heat transfer line according to the following principle.
Genauer gesagt, es wird eine Abfühlspule an dem zu untersuchenden Objekt angeordnet und die Spule wird mit einer Wechselspannung erregt. Das von der erregten Spule erzeugte Wechselfeld durchdringt das Objekt, so daß innerhalb des Objektes (aus Metall) Wirbelströme indu ziert werden. Da die Höhe der Wirbelströme in Abhängig keit vom Material des Objekts sowie dem Vorhandensein oder der Abwesenheit eines Fehlers oder der Ablagerung irgendeines Fremdmetalls unterschiedlich ist, kann die gewünschte zerstörungsfreie Prüfung durch Messung der erzeugten Wirbelströme durchgeführt werden. Die Wirbel ströme werden in der Praxis durch Erfassung einer Ände rung des in der Abfühlspule fließenden Stromes gemessen, so daß es durch Analysieren der gemessenen Daten möglich ist, die Bedingungen in dem gemessenen Teil des Objektes abzuschätzen, also beispielsweise das Vorhandensein eines Fehlers, eines Defektes oder einer Ablagerung oder einer Änderung der Materialeigenschaften.More specifically, there will be a sensing coil on that too Examining object is arranged and the coil is with excited by an AC voltage. That from the excited coil generated alternating field penetrates the object, so that within the object (made of metal) eddy currents indu be decorated. Because the amount of eddy currents depends on the material of the object and its presence or the absence of an error or the deposit any foreign metal is different, the Desired non-destructive testing by measuring the generated eddy currents are carried out. The vertebrae In practice, flows are recorded by recording a change measurement of the current flowing in the sensing coil, so that it is possible by analyzing the measured data is the conditions in the measured part of the object to estimate, for example the existence an error, a defect or a deposit or a change in material properties.
Die Analyse und Auswertung derartiger Meßdaten wurde bisher von einem ausgebildeten Analytiker durchgeführt, d. h. es wurde ein Oszilloskop zur Erzeugung einer Lissa jous-Figur der Impedanz (Impedanz-Fläche) verwendet, derart, daß die erzeugte Figur von dem Analytiker be obachtet wird zur Bestimmung beispielsweise des Vorhan denseins und der Größe eines Fehlers, eines Defektes oder einer Ablagerung. Bei dieser Art des Auswertever fahrens ist es jedoch schwierig, ein Fehlersignal oder Ablagerungssignal zu erkennen, das im Rauschen vergraben ist und bisher wurde eine Analyse benutzt, die von der Differenz oder den Differenzen zwischen den gemessenen Werten von zwei oder drei Prüffrequenzen in einem MFECT- Verfahren (Mehrfachfrequenz-Wirbelstromprüfung) Gebrauch macht.The analysis and evaluation of such measurement data was previously carried out by a trained analyst, d. H. it became an oscilloscope to generate a lissa jous figure of impedance (impedance area) used such that the figure created by the analyst be care is taken to determine, for example, the existence existence and the size of an error, a defect or a deposit. With this type of evaluation ver driving it is difficult to get an error signal or Detect deposition signal buried in the noise is and so far an analysis has been used by the Difference or the differences between the measured Values of two or three test frequencies in one MFECT Procedure (multi-frequency eddy current test) use makes.
Bei dem MFECT-Verfahren wird beim Sammeln der Meßdaten zusätzlich zu einer hauptsächlich entsprechend den Eigenschaften einer Prüfprobe und eines zu prüfenden Objektes bestimmten Hauptfrequenz mindestens eine unter schiedliche Zusatzfrequenz als Prüffrequenz eingesetzt und die Wirbelstromprüfung wird durchgeführt, indem gleichzeitig eine solche Mehrzahl von Prüffrequenzen verwendet wird. Das diesem Meßverfahren entsprechende detaillierte Auswerteverfahren geschieht in folgender Weise:With the MFECT method, when collecting the measurement data in addition to a mainly according to the Properties of a test sample and one to be tested Object determined main frequency at least one under different additional frequency used as test frequency and the eddy current test is performed by at the same time such a plurality of test frequencies is used. The one corresponding to this measuring method detailed evaluation procedure takes place in the following Wise:
- 1) Zuerst wird von der Mehrzahl der Prüffrequenzen die aus dem Meßsignal im Hinblick auf die Hauptfrequenz erhaltene Lissajous-Figur beobachtet und die den Rausch pegel überragenden signifikanten Signale werden aufge nommen.1) First of the majority of the test frequencies that from the measurement signal with regard to the main frequency preserved Lissajous figure and observed the intoxication level-significant signals are picked up taken.
- 2) Das gemessene Signal wird im Hinblick auf die andere sich von der Hauptfrequenz unterscheidende Prüf frequenz analysiert, um zu bestimmen, ob die signifikan ten Signale des oben erwähnten ersten Schrittes durch einen Materialfehler, eine Vertiefung oder eine Ablage rung auf dem zu untersuchenden Objekt hervorgerufen sind.2) The measured signal is taken with regard to the other test different from the main frequency frequency analyzed to determine whether the significant th signals of the above-mentioned first step a material defect, a depression or a deposit caused on the object to be examined are.
- 3) Die Identifikation der Tiefe und der Ausdehnung (Flächengröße) des Defektes wird aus dem Signal ermit telt, das als Defekt bestimmt wurde und die Identifika tion der Größe der Vertiefung oder Ablagerung wird aus dem Signal ermittelt, das als Vertiefung oder Ablagerung bestimmt wurde.3) The identification of depth and extent (Area size) of the defect is determined from the signal that was determined as a defect and the identifiers tion of the size of the depression or deposit is made determined the signal that as a deepening or deposit was determined.
Bei der oben erwähnten bekannten Technik jedoch wird die Auswertung der durch die Messung erhaltenen Daten der Fehlerprüfung von einem eigenen Analytiker durchgeführt und weiterhin wird die Auswertung nur auf die Lissajous- Figur gestützt, welche die abschließende Anzeige für die Daten der Fehlerprüfung darstellt, was zu den nachfol gend geschilderten Problemen führt:However, in the known technique mentioned above, the Evaluation of the data obtained from the measurement Error check carried out by our own analyst and furthermore the evaluation is only based on the Lissajous Figure supported, which is the final ad for the Error check data represents what follows problems described:
- 1. Wenn die Auswertung nur in Übereinstimmung mit der Lissajous-Figur der Impedanz durchgeführt wird, ist es schwierig, ein Fehlersignal oder ein Ablagerungssignal herauszuholen, das im Rauschen vergraben ist und es ist außerdem unmöglich, in dem Meßsignal (den Ursprungsda ten) enthaltene unterschiedliche Informationen zu ver wenden.1. If the evaluation is only in accordance with the Lissajous figure of impedance is done, it is difficult, an error signal or a deposit signal to get out that is buried in the noise and it is moreover impossible in the measurement signal (the original data ten) contained different information to ver turn.
- 2. Der für die Auswertung jedes Meßergebnisses der Mehrzahl von Prüffrequenzen erforderliche Zeitaufwand ist enorm groß.2. The one for the evaluation of each measurement result Multiple test frequencies required time is huge.
- 3. Die Auswerteergebnisse sind von der Geschicklich keit und der Erfahrung des Analytikers abhängig.3. The evaluation results are of skill depending on the analyst's experience.
- 4. Die Auswerteergebnisse sind außerdem von der augenblicklichen Verfassung des Analytikers abhängig.4. The evaluation results are also from depending on the current state of the analyst.
Eine erste Aufgabe der vorliegenden Erfindung besteht darin, die oben erwähnten Unzulänglichkeiten des Standes der Technik zu überwinden und spezieller besteht eine Aufgabe der Erfindung darin, eine Signalverarbeitungs vorrichtung zu schaffen, mit der eine automatische Auswertung der Meßdaten sowie eine Verbesserung der Effizienz und Genauigkeit der Auswertung möglich ist. A first object of the present invention is in the above-mentioned shortcomings of the state the technology to overcome and more specifically there is one The object of the invention is a signal processing device to create an automatic Evaluation of the measurement data and an improvement in Efficiency and accuracy of the evaluation is possible.
Die Erfindung geht hierbei aus von einer Signalverarbei tungsvorrichtung mit den Merkmalen aus dem Oberbegriff des Patentanspruchs 1. Die Lösung der Aufgabe geschieht erfindungsgemäß mit den Merkmalen aus dem kennzeichnen den Teil des Patentanspruchs 1. Vorteilhafte Weiterbil dungen der Erfindung sind in den Ansprüchen 2 und 3 beschrieben.The invention is based on a signal processing tion device with the features from the preamble of claim 1. The task is solved according to the invention with the features from the mark the part of claim 1. Advantageous further education The invention is in claims 2 and 3 described.
Der Grundgedanke der Erfindung besteht darin, zur Lösung der obengenannten Aufgabe eine Signalverarbeitungsvor richtung zu schaffen, die einen Signalprozessor verwen det, welcher einen neuronalen Netzwerkaufbau besitzt, um so die Analyse und Auswertung der Prüfdaten in Realzeit automatisch durchzuführen.The basic idea of the invention is to solve signal processing prior to the above object to create direction that use a signal processor det, which has a neural network structure, um so the analysis and evaluation of the test data in real time perform automatically.
In Übereinstimmung mit einem Aspekt der vorliegenden Erfindung besitzt die Signalverarbeitungsvorrichtung Eingabemittel zum Empfang eines von einer Prüfvorrich tung kommenden Meßsignals, das als Ergebnis der Prüfung eines von der Prüfvorrichtung zu prüfenden Objekts erzeugt wurde, sowie Auswertemittel zum Analysieren des von den Eingabemitteln zugeführten Meßsignals, um die Bedingung des Auftretens eines Fehlers und/oder einer Ablagerung auf dem zu messenden Objekt auszuwerten,und die Auswertemittel umfassen einen Signalprozessor in Form eines neuronalen Netzwerkaufbaus mit einer Mehrzahl von Verarbeitungseinheiten, von denen jede eine indivi duell vorgegebene Ein-Ausgabe-Kennfunktion aufweist und einer Mehrzahl von Verbindungsmitteln zur Verknüpfung der Verarbeitungseinheiten miteinander mit jeweils individuellen Übertragungscharakteristiken aufgrund vorgegebener Gewichtsfaktoren derart, daß die Verarbei tungseinheiten eine Mehrzahl von Knoten des besagten neuronalen Netzwerks bilden. Der Signalprozessor besitzt eine Lernfunktion zum Korrigieren der besagten Gewichts faktoren derart, daß jede der Verarbeitungseinheiten, die über eines der zugeordneten Verbindungsmittel mit einander verbunden sind, ein optimales Ausgangssignal als Reaktion auf ein ihr zugeführtes Eingangsdatensignal liefert.In accordance with one aspect of the present Invention has the signal processing device Input means for receiving a test device tion coming measurement signal, which is the result of the test an object to be tested by the test device was generated, as well as evaluation means for analyzing the from the input means supplied measurement signal to the Condition of occurrence of an error and / or Evaluate deposits on the object to be measured, and the evaluation means include a signal processor in Form of a neural network structure with a plurality of processing units, each of which is an individual duell predetermined input-output identification function and a plurality of connecting means for linking of the processing units with each other individual transmission characteristics based on given weight factors such that the processing a plurality of nodes of said form neural network. The signal processor owns a learning function to correct said weight factors such that each of the processing units, with one of the assigned connecting means are interconnected, an optimal output signal in response to an input data signal supplied to it delivers.
In Übereinstimmung mit einem bevorzugten Ausführungsbei spiel der vorliegenden Erfindung ist der den neuronalen Netzwerkaufbau enthaltende Signalprozessor in Schicht bauweise aufgebaut mit mindestens einer Eingangsschicht und einer Ausgangsschicht und es wird auf diese Weise ein neuronales Netzwerk vom Vorwärts-Typ geschaffen derart, daß die Verarbeitungseinheiten in der Eingangs schicht und die Verarbeitungseinheiten in der Ausgangs schicht durch die Verbindungsmittel miteinander ver knüpft sind.In accordance with a preferred embodiment game of the present invention is the neural Signal processor containing network structure in layer constructed with at least one input layer and an output layer and it gets that way created a forward type neural network such that the processing units in the input layer and the processing units in the output layer with each other through the connecting means are knotted.
In Übereinstimmung mit einem anderen bevorzugten Ausfüh rungsbeispiel der vorliegenden Erfindung umfassen die Eingabemittel arithmetische Mittel zur Gewinnung eines sich auf einen Fehler und/oder eine Ablagerung auf dem Objekt beziehenden Faktors aus dem von der Prüfvorrich tung erhaltenen Meßsignal und zur Umwandlung dieses Faktors in entsprechende digitale Parameter als Eingabe daten für den Signalprozessor.In accordance with another preferred embodiment Example of the present invention include Input means arithmetic means for obtaining a an error and / or a deposit on the Object related factor from that of the test device tion received measurement signal and to convert this Factor in corresponding digital parameters as input data for the signal processor.
Die Signalverarbeitungsvorrichtung nach der vorliegenden Erfindung ist gut für die Analyse und Auswertung von Meßdaten der oben erwähnten Prüfvorrichtung geeignet, die unterschiedliche Vorrichtungen zur zerstörungsfreien Prüfung enthalten kann, wie beispielsweise eine Wirbel stromprüfvorrichtung, insbesondere eine Mehrfachfre quenz-Wirbelstromprüfvorrichtung.The signal processing device according to the present Invention is good for analyzing and evaluating Suitable measurement data of the above-mentioned test device, the different devices for non-destructive May include testing, such as a vertebra current testing device, in particular a multiple fre quenz eddy current tester.
Es wird darauf hingewiesen, daß, wenn nichts anderes ausgesagt ist, der Ausdruck "Fehler" derart interpre tiert werden muß, daß er alle anormalen Bedingungen, wie beispielsweise Defekte und Risse ebenso wie Vertiefungen und Änderungen in der Gesamtform, Korrosionsstellen usw., umfaßt.It should be noted that if nothing else is stated, the term "error" so interpre must be tiert that he all abnormal conditions, such as for example defects and cracks as well as depressions and changes in overall shape, corrosion spots etc. includes.
Durch die vorliegende Erfindung werden aufgrund der Tatsache, daß der den neuronalen Netzwerkaufbau enthal tende Signalprozessor zur Auswertung der Meßdaten ver wendet wird, folgende Vorteile erreicht:By the present invention due to the Fact that it contains the neural network structure ver signal processor to evaluate the measured data ver the following advantages are achieved:
- 1. Das von der Prüfvorrichtung kommende Meßsignal wird parametrisiert und als Eingangssignale dem Signal prozessor zugeführt, mit dem Ergebnis, daß die bisher nicht verwendbaren im Meßsignal enthaltenen unterschied lichen Informationen verwendet werden können und somit die gewünschte Analyse und Auswertung mit größerer Genauigkeit als vorher durchgeführt werden kann.1. The measuring signal coming from the test device is parameterized and as input signals to the signal processor fed, with the result that the previously not usable difference contained in the measurement signal information can be used and thus the desired analysis and evaluation with larger Accuracy than can be done beforehand.
- 2. Da der den neuronalen Netzwerkaufbau enthaltende Signalprozessor eine Lernfunktion besitzt, ist es poten tiell möglich, über eine analytische Kapazität zu verfü gen, die größer ist als die des ausgebildeten Analyti kers entsprechend dem Ausmaß des Lernens.2. Because the one that contains the neural network structure Signal processor has a learning function, it is poten tially possible to have an analytical capacity gene that is greater than that of the trained analyti kers according to the extent of learning.
- 3. Durch die Automatisierung der Analyse und Auswer tung der Meßdaten ist es möglich, das Auftreten von menschlichen Irrtümern zu verhindern.3. By automating analysis and evaluation tion of the measurement data, it is possible to prevent the occurrence of to prevent human error.
- 4. Durch die Automatisierung der Analyse und Auswer tung der Meßdaten kann die Auswertezeit im Vergleich mit der Tätigkeit durch den Analytiker beträchtlich herabge setzt werden. 4. By automating the analysis and evaluation the evaluation time can be compared with the activity of the analyst considerably be set.
- 5. Die Analyse und Auswertung der Meßdaten durch den den neuronalen Netzwerkaufbau enthaltenden Signalpro zessor kann mittels eines Personal-Computers durchge führt werden und die Verwendung eines speziell ausgeleg ten besonders großen Computers ist nicht nötig, so daß beispielsweise ein Personal-Computer zu der Stelle hingebracht werden kann, an der die Daten gesammelt werden, um die Analyse und Auswertung der Meßdaten in Echtzeit durchzuführen.5. The analysis and evaluation of the measurement data by the Signalpro containing the neural network structure processor can be run through a personal computer be performed and the use of a specially designed th particularly large computers is not necessary, so that for example a personal computer to the site can be brought to where the data is collected be used to analyze and evaluate the measurement data in Perform in real time.
Die oben erwähnten und andere Aufgaben, Merkmale und Vorteile der vorliegenden Erfindung gehen deutlicher hervor aus der nachfolgenden detaillierten Beschreibung ihres bevorzugten Ausführungsbeispiels, welches in Verbindung mit den begleitenden Zeichnungen nur eine veranschaulichende Funktion hat ohne irgendeine Be schränkungsabsicht.The above and other tasks, features and Advantages of the present invention are clearer from the following detailed description of their preferred embodiment, which in Connection with the accompanying drawings only one illustrative function has no any intent to restrict.
Fig. 1 zeigt den Aufbau einer Signalverarbeitungsvor richtung entsprechend einem Ausführungsbei spiel der vorliegenden Erfindung; Fig. 1 shows the structure of a Signalververarbeitungvor direction according to an exemplary embodiment of the present invention;
Fig. 2A ist ein Konzeptions-Diagramm, welches den Aufbau des neuronalen Netzwerks vom Vorwärts-Typ zeigt; Fig. 2A is a conceptual diagram showing the construction of the forward type neural network;
Fig. 2B ist ein schematisches Diagramm, welches ein Bei spiel für die Signalverarbeitung innerhalb des Knotens zeigt; und Fig. 2B is a schematic diagram showing an example of signal processing within the node; and
Fig. 3 ist ein Konzeptions-Diagramm, welches den Aufbau eines neuronalen Netzwerks vom Zwischenver bindungstyp zeigt. Fig. 3 is a conceptual diagram showing the construction of an intermediate connection type neural network.
Im Folgenden wird anhand von Fig. 1 eine Ausführungsform einer Signalverarbeitungsvorrichtung erläutert. In der Zeichnung ist die Signalverarbeitungsvorrichtung allge mein mit Bezugsziffer 7 bezeichnet. Die Vorrichtung 7 enthält eine arithmetische Einheit 2, die als Eingabe mittel für den Empfang eines Meßsignals dient, welches von einem Wirbelstrom-Fehlerdetektor 1 abgegeben wird und einen Signalprozessor 6, der einen neuronalen Netz werkaufbau aufweist. In der dargestellten Ausführungs form enthält der Signalprozessor 6 drei Stufen 3, 4 und 5 von neuronalen Netzwerken.An embodiment of a signal processing device is explained below with reference to FIG. 1. In the drawing, the signal processing device is generally designated by my reference numeral 7 . The device 7 contains an arithmetic unit 2 , which serves as an input means for receiving a measurement signal, which is emitted by an eddy current error detector 1 and a signal processor 6 , which has a neural network advertising structure. In the embodiment shown, the signal processor 6 contains three stages 3 , 4 and 5 of neural networks.
Die arithmetische Einheit 2 führt arithmetische Opera tionen aus zur Umwandlung eines Eingangs-Meßsignals in Parameter in der Form von digitalen Werten. Die Parame ter, die durch diese arithmetische Operation erhalten werden sollen, können in der Form von mindestens einer Kombination unterschiedlicher Parameter, wie beispiels weise Zeitbereichparameter, Frequenzbereichparameter und Parameter, welche den Lissajous-Figuren gegenüberge stellt werden, bereitgestellt werden. Die arithmetische Einheit 2 wählt einige dieser Parameter aus, welche für den Prüfzweck geeignet sind, vorzugsweise in Form einer Kombination und das Meßsignal wird in digitale Werte umgewandelt, die den ausgewählten Parametern ent sprechen. Das von der arithmetischen Einheit 2 erzeugte Datensignal wird als Eingangssignal dem Signalprozessor 6 zugeführt, der den neuronalen Netzwerkaufbau besitzt.The arithmetic unit 2 performs arithmetic operations to convert an input measurement signal into parameters in the form of digital values. The parameters to be obtained by this arithmetic operation can be provided in the form of at least a combination of different parameters, such as time domain parameters, frequency domain parameters and parameters which are compared to the Lissajous figures. The arithmetic unit 2 selects some of these parameters which are suitable for the test purpose, preferably in the form of a combination, and the measurement signal is converted into digital values which correspond to the selected parameters. The data signal generated by the arithmetic unit 2 is fed as an input signal to the signal processor 6 , which has the neural network structure.
Die spezifischen Verfahren zur Umwandlung der drei Arten von Parametern in digitale Werte durch von der arithme tischen Einheit 2 ausgeführte arithmetische Operationen können beispielsweise folgendermaßen durchgeführt wer den:The specific methods for converting the three types of parameters into digital values by arithmetic operations performed by the arithmetic unit 2 can be performed, for example, as follows:
Die Meßdaten werden in Bezug auf ihre zeitveränder lichen Komponenten in digitale Werte umgewandelt als Parameter in Übereinstimmung mit aus dem Meßsignal erhaltenen Ergebnissen, wie Zeitdifferentialkoeffizien ten oder Korrelationskoeffizienten. The measurement data are changed with respect to their time components converted into digital values as Parameters in accordance with from the measurement signal results obtained, such as time differential coefficients or correlation coefficients.
Die Meßdaten werden in Bezug auf den Aufbau ihrer Frequenzkomponenten in digitale Daten umgewandelt als Parameter in Übereinstimmung mit den Ergebnissen einer Fourier-Analyse oder dergleichen.The measurement data are related to the structure of their Frequency components converted into digital data as Parameters in accordance with the results of a Fourier analysis or the like.
Die aus den Meßdaten erhaltene Fläche einer geschlossenen Kurve, die von einer Lissajous-Figur beschrieben wird, die Phasenwinkel der Wellen oder dergleichen werden als Parameter in digitale Werte umgewandelt.The area of a obtained from the measurement data closed curve by a Lissajous figure describes the phase angle of the waves or The like are used as parameters in digital values converted.
Bei der vorliegenden Ausführungsform enthält der Signal prozessor 6 ein erstes neuronales Netzwerk 3, ein zwei tes neuronales Netzwerk 4 und ein drittes neuronales Netzwerk 5. Dieser Signalprozessor 6 kann durch Software unter Verwendung irgendeines verfügbaren Personal-Compu ters realisiert werden und somit ist es möglich, einen solchen Personal-Computer an die Stelle zu bringen, an der die Daten gesammelt werden, um eine Datenanalyse in Echtzeit durchzuführen.In the present embodiment, the signal processor 6 includes a first neural network 3 , a second neural network 4 and a third neural network 5 . This signal processor 6 can be implemented by software using any available personal computer and thus it is possible to place such a personal computer where the data is collected to perform real time data analysis.
Die neuronalen Netzwerke 3, 4 und 5 sind in ihrem Grund aufbau gleich und dieser Grundaufbau wird im folgenden beschrieben:The basic structure of the neural networks 3 , 4 and 5 is the same and this basic structure is described in the following:
Das oben erwähnte neuronale Netzwerk stellt ein Modell eines signalverarbeitenden Systems dar, welches die Neuronen eines menschlichen Wesens simuliert und in dem Modell ist eine Mehrzahl von signalverarbeitenden Ein heiten, die den Neuronen entsprechen, über mit vorgege benen Gewichtsfaktoren belegte Verbindungen miteinander verbunden. So besitzt beispielsweise ein neuronales Netzwerk vom Vorwärtstyp in der einfachsten Schichten ausbildung einen Aufbau wie er beispielsweise in Fig. 2A dargestellt ist. Jede Verarbeitungseinheit u1, u2, . . . u9 einer Vielzahl von Verarbeitungseinheiten entspricht einem der Knoten im Netzwerk. Daher werden in der fol genden Diskussion die Ausdrücke "Verarbeitungseinheit" und "Knoten" als synonym miteinander angesehen.The above-mentioned neural network represents a model of a signal processing system which simulates the neurons of a human being and in the model a plurality of signal processing units which correspond to the neurons are connected to one another via connections assigned to predetermined weight factors. For example, a forward type neural network in the simplest layer formation has a structure as shown, for example, in FIG. 2A. Each processing unit u 1 , u 2,. . . u 9 a large number of processing units corresponds to one of the nodes in the network. Therefore, in the following discussion, the terms "processing unit" and "node" are considered synonymous with each other.
In Fig. 2A weist das neuronale Netzwerk 3 (oder 4 oder 5) einen Aufbau in drei Schichten auf mit einer Ein gangsschicht 9, einer Zwischenschicht 10 und einer Ausgangsschicht 11 und die Schichten sind aus einer Mehrzahl von Knoten 8 (u1, u2, . . . u9) zusammengesetzt. Die in diesen Schichten angeordneten Knoten 8 sind über Verbindungsmittel miteinander verbunden, welche Übertra gungscharakteristiken mit vorgegebenen Gewichtsfaktoren (Wÿ) besitzen (dies wird weiter unten beschrieben). Bei diesem Typ eines neuronalen Netzwerks ist die Anzahl der Knoten 8 in der Eingangsschicht 9 gegeben durch die Anzahl der Klassen von parametrisierten Eingangssignalen und auch die Anzahl der Knoten 8 in der Ausgangsschicht 11 ist gegeben durch die Anzahl der Klassen von Aus gangssignalen (die Anzahl von auszugebenden Datenwor ten). Andererseits sind sowohl die Anzahl der Schichten als auch die Anzahl der Knoten 8 variabel im Hinblick auf die Zwischenschicht 10.In Fig. 2A, the neural network 3 (or 4 or 5) a structure in three layers on transition layer with a A 9, an intermediate layer 10 and an output layer 11 and the layers are made of a plurality of nodes 8 (u 1, u 2 ,... u 9 ). The nodes 8 arranged in these layers are connected to one another via connecting means which have transmission characteristics with predetermined weighting factors (W ÿ ) (this is described further below). In this type of neural network, the number of nodes 8 in the input layer 9 is given by the number of classes of parameterized input signals and the number of nodes 8 in the output layer 11 is also given by the number of classes of output signals (the number of data words to be output). On the other hand, both the number of layers and the number of nodes 8 are variable with regard to the intermediate layer 10 .
Die Signalverarbeitung innerhalb jedes Knotens 8 ist schematisch in Fig. 2B dargestellt. Genauer gesagt werden, wie durch die folgende Gleichung (1) gegeben, die Eingangssignale (I1, I2, . . . In) der vorhergehenden Schicht (der Schicht auf der Eingangsseite) jeweils mit Gewichtsfaktoren (W1, W2, . . . Wi, . . . Wn) multipliziert, die der vorhergehenden Schicht entsprechen und es wird die Gesamtsumme ΣWi × Ii dieser gewichteten Eingangs werte gebildet. Dann wird ein Schwellenwert Hi von der Gesamtsumme abgezogen zur Bestimmung des Wertes X.The signal processing within each node 8 is shown schematically in Fig. 2B. More specifically, as given by the following equation (1), the input signals (I 1 , I 2 , ... I n ) of the previous layer (the layer on the input side) are each weighted (W 1 , W 2 ,. . W i ,... W n ) multiplied, which correspond to the previous layer, and the total sum ΣW i × I i of these weighted input values is formed. A threshold value H i is then subtracted from the total to determine the value X.
X = Σ Wi × Ti - Hi (1)X = Σ W i × T i - H i (1)
Der Wert von X wird beispielsweise in eine nicht lineare sigmoide Funktion f (X) eingesetzt wie sie in Gleichung (2) dargestellt ist und durch die ein Ausgangswert 0 erhalten wird.The value of X is used, for example, in a non-linear sigmoid function f (X) as shown in equation (2) and through which an initial value 0 is obtained.
Oj = f(X) = <1 + tan-1 (X/u₀) </2 (2)O j = f (X) = <1 + tan -1 (X / u₀) </ 2 (2)
Es wird darauf hingewiesen, daß die Kennfunktion der Knoten 8 nicht immer auf die oben erwähnte sigmoide Funktion begrenzt ist und andere Funktionen verwendet werden können.It is pointed out that the identification function of the nodes 8 is not always limited to the sigmoid function mentioned above and other functions can be used.
Wenn der Signalprozessor 6 mit einem derartigen neurona len Netzwerkaufbau verwendet wird, wird zunächst eine Betriebsweise in Form eines Lernmodus vorgenommen. Mit "Lernen" ist hierbei die Einstellung der Gewichtsfakto ren Wÿ zwischen den Knoten und den Schwellenwerten Hj gemeint, um dem Zweck des Informationsverarbeitungs systems gerecht zu werden. Ein spezifisches Lernverfah ren besteht darin, daß eine große Anzahl von Datenpaaren bekannter Eingangssignale (Fragen) und Ausgangssignale (Antworten) erzeugt werden und die Gewichtsfaktoren Wÿ und die Schwellenwerte (Hi) zwischen den Knoten in einer solchen Weise eingestellt und bestimmt werden, daß die Beziehungen zwischen den Eingangssignalen und den Aus gangssignalen des Prozessors mit den oben erwähnten bekannten Beziehungen im Hinblick auf alle Datenpaare der Eingangssignale und Ausgangssignale übereinstimmen. If the signal processor 6 is used with such a neural network structure, an operation is first carried out in the form of a learning mode. “Learning” here means the setting of the weight factors W ÿ between the nodes and the threshold values H j in order to do justice to the purpose of the information processing system. A specific learning method is that a large number of data pairs of known input signals (questions) and output signals (answers) are generated and the weighting factors W ÿ and the threshold values (H i ) between the nodes are set and determined in such a way that the relationships between the input signals and the output signals of the processor correspond to the known relationships mentioned above with regard to all data pairs of the input signals and output signals.
Wenn dieser Lernvorgang durchgeführt worden ist besitzen die neuronalen Netzwerke 3 bis 5 des Signalprozessors 6 "Intelligenz" in dem Sinne, daß ein Ausgangssignal (Antwort) als Rechenergebnis jedes Knotens als Antwort auf irgendein unbekanntes Eingangssignal (Frage) herge stellt wird. In dieser Weise führen die Knoten 8 in jedem der neuronalen Netzwerke 3 bis 5 einen parallel verlaufenden Verarbeitungsvorgang aus und die von den Eingangssignalen zu den Ausgangssignalen führenden Verarbeitungsvorgänge werden durch einfache arithmeti sche Operationen bewirkt, was die Verarbeitungsgeschwin digkeit erhöht. Weiterhin können die neuronalen Netzwer ke nach Abschluß des Lernvorgangs während ihrer Verwen dung einem weiteren Lernvorgang unterworfen werden (mit der Wirkung einer Einstellung der Gewichtsfaktoren und der Schwellenwerte auf optimaler Werte) und die Aus wertekapazität kann aufgrund von wiederholten tatsäch lichen Verarbeitungsergebnissen schrittweise verbessert werden.When this learning process has been carried out, the neural networks 3 to 5 of the signal processor 6 have "intelligence" in the sense that an output signal (answer) is produced as the calculation result of each node in response to any unknown input signal (question). In this way, the nodes 8 in each of the neural networks 3 to 5 execute a parallel processing operation, and the processing operations leading from the input signals to the output signals are effected by simple arithmetic operations, which increases the processing speed. Furthermore, the neural networks can be subjected to a further learning process after their completion of the learning process (with the effect of setting the weighting factors and the threshold values to optimal values) and the evaluation capacity can be gradually improved due to repeated actual processing results.
Während bisher neuronale Netzwerke vom Vorwärts-Typ in Schichtaufbau beschrieben wurden, wurde außerdem ein dem menschlichen Nervensystem näher stehendes Zwischenver bindungsmodell oder Signalverarbeitungssystem mit neuro nalen Netzwerken vom Zwischenverbindungstyp (s. Fig. 3) entwickelt und dieses System kann zur Auswertung eines Meßsignals verwendet werden. Während bei dem neuronalen Netzwerk vom Vorwärts-Typ gemäß Fig. 2 die Zwischenver bindung nur zwischen den jeweiligen Schichten vorgesehen ist und die Knoten innerhalb der gleichen Schicht nicht miteinander verbunden sind, sind beim neuronalen Netz werk vom Zwischenverbindungstyp die Knoten in dreidimen sionaler Weise miteinander verbunden wie in Fig. 3 dargestellt. While so far forward-type neural networks have been described in layered construction, an intermediate connection model or signal processing system closer to the human nervous system has also been developed with neural networks of the intermediate connection type (see FIG. 3), and this system can be used to evaluate a measurement signal. While in the neural network from the forward type as shown in FIG. 2, the Zwischenver connection is provided between the respective layers, and the nodes are not connected to each other within the same layer, are in the neural network from the intermediate connection type, the nodes in three-dimen sional way connected to one another as shown in Fig. 3.
Wie nun wieder anhand von Fig. 1 ersichtlich, werden die von der arithmetischen Einheit 2 parametrisierten Daten signale zuerst dem ersten neuronalen Netzwerk 3 zuge führt. In dem ersten neuronalen Netzwerk 3 werden die Datensignale einem Diskriminierungsverfahren zur Unter scheidung eines Fehlers (hier werden Defekte, Risse usw. des Objektes zur Unterscheidung von Vertiefungen als Fehler bezeichnet), von Vertiefungen (einschließlich der Klassifizierung der Dimension) und Ablagerungen (ein schließlich der Klassifizierung von Kupfer und Magnetit Fe3O4) und die Ergebnisse werden als Ausgangssignale abgegeben. Aus den Ausgangssignalen des ersten neurona len Netzwerks 3 werden jene Signale, die als "Fehler" diskriminiert wurden, dann dem zweiten neuronalen Netz werk 4 zugeführt, wo der Fehler quantitativ ausgewertet wird. Die quantitative Auswertung des Fehlers umfaßt die Klassifizierung des Umfangs oder der axialen Richtung sowie der inneren oder äußeren Oberfläche und die Iden tifizierung der Dimension und der Tiefe des Fehlers und die Ergebnisse werden als Ausgangssignale abgegeben.Referring now again 1 with reference to FIG. Seen, the parameterized by the arithmetic unit 2, data is first signals to the first neural network 3 is supplied. In the first neural network 3 , the data signals are subjected to a discrimination method for distinguishing between an error (here defects, cracks, etc. of the object for differentiating between depressions are referred to as errors), depressions (including the classification of the dimension) and deposits (including the Classification of copper and magnetite Fe 3 O 4 ) and the results are given as output signals. From the output signals of the first neural network 3 , those signals which were discriminated as "errors" are then fed to the second neural network 4 , where the error is evaluated quantitatively. The quantitative evaluation of the error includes the classification of the circumference or the axial direction as well as the inner or outer surface and the identification of the dimension and the depth of the error and the results are given as output signals.
Weiterhin werden die Datensignale, bei denen ein niedri ges S/N-Verhältnis (Signal-Zu-Rausch-Verhältnis) festge stellt wurde und deren Diskriminierung durch das zweite neuronale Netzwerk 4 schwierig ist, dem dritten neurona len Netzwerk 5 zugeführt, welches gelernt hat, die Rauschsignale derart abzutrennen, daß der Fehler quanti tativ ausgewertet werden kann. Wenn sich außerdem herausstellt, daß diese Datensignale auch im dritten neuronalen Netzwerk 5 schwierig zu diskriminieren sind, wird vom dritten neuronalen Netzwerk 5 ein "Grau-Signal" erzeugt. Dort wo ein "Grau-Signal" erzeugt worden ist, wird die Auswertung durchgeführt, indem ein Vergleich zwischen der Diskriminierung durch den ausgebildeten Analytiker und der Diskriminierung durch den Signalpro zessor 6 angestellt wird. Die Erfinder bauten eine Signalverarbeitungsvorrichtung der oben beschriebenen Bauart in einen Personal-Computer (der Handelsname ist PC-9801, NEC Corporation) ein, um die Auswertung von Fehlerprüfdaten durchzuführen und die optimalen Parame ter für das erste, zweite und dritte neuronale Netzwerk 3, 4 und 5 wurden jeweils bestimmt. Dann wurde das System in einem Lernmodus betrieben, indem als Lerndaten eine Gesamtheit von 24 Datenpaaren (Sätze von Eingangs signalen und Ausgangssignalen) verwendet wurde, die zwölf Fehler, vier Vertiefungen, vier Kupferablagerungen und vier Magnetitablagerungen enthielt und die Gewichts faktoren Wÿ und die Schwellenwerte Hj zwischen den jeweiligen Knoten wurden optimal eingestellt.Furthermore, the data signals in which a low S / N ratio (signal-to-noise ratio) has been determined and whose discrimination by the second neural network 4 is difficult is fed to the third neural network 5 , which has learned to separate the noise signals in such a way that the error can be evaluated quantitatively. Furthermore, if it turns out that these data signals are difficult to discriminate in the third neural network 5, is generated by the third neural network 5, a "gray signal". Where a "gray signal" has been generated, the evaluation is carried out by making a comparison between the discrimination by the trained analyst and the discrimination by the signal processor 6 . The inventors incorporated a signal processing device of the type described above into a personal computer (the trade name is PC-9801, NEC Corporation) in order to carry out the evaluation of error check data and the optimal parameters for the first, second and third neural networks 3 , 4 and 5 were determined, respectively. The system was then operated in a learning mode using a total of 24 data pairs (sets of input signals and output signals) as learning data, which contained twelve errors, four depressions, four copper deposits and four magnetite deposits and the weight factors W ÿ and the threshold values H j between the respective nodes were optimally set.
Danach wurde eine Fehlerprüfung an einem Prüfkörper (der Wärmeübertragungsleitung eines Dampferzeugers) tatsäch lich durchgeführt und die vom Fehlerdetektor 1 abgegebe nen Meßsignale wurden mit der Signalverarbeitungsein richtung ausgewertet. Als Ergebnis wurden für eine Gesamtheit von 10 Fehlern, Vertiefungen und Ablagerun gen, wie unten dargestellt, hundertprozentig korrekte Antworten erhalten. Weiterhin war die für die Auswertung erforderliche Zeit kleiner als eine Sekunde für jedes Eingangsdatensignal.Thereafter, an error check was actually carried out on a test specimen (the heat transfer line of a steam generator), and the measurement signals output from the error detector 1 were evaluated with the signal processing device. As a result, 100 percent correct answers were obtained for a total of 10 errors, recesses, and deposits as shown below. Furthermore, the time required for the evaluation was less than one second for each input data signal.
- 1. Ein Fehler mit einer Tiefe von 80%, der Dicke in Umfangsrichtung an der inneren Oberfläche der Probe.1. An error with a depth of 80%, the thickness circumferentially on the inner surface of the Sample.
- 2. Ein Fehler mit einer Tiefe von 80% der Dicke in Umfangsrichtung an der äußeren Oberfläche der Probe.2. A defect with a depth of 80% of the thickness circumferentially on the outer surface of the Sample.
- 3. Ein Fehler mit einer Tiefe von 80% der Dicke in axialer Richtung an der inneren Oberfläche der Probe. 3. An error with a depth of 80% of the thickness in the axial direction on the inner surface of the Sample.
- 4. Ein Fehler mit einer Tiefe von 80% der Dicke in axialer Richtung an der äußeren Oberfläche der Probe.4. An error with a depth of 80% of the thickness in axial direction on the outer surface of the Sample.
- 5. Eine Vertiefung A in der äußeren Oberfläche der Probe.5. A depression A in the outer surface of the Sample.
- 6. Eine Vertiefung B in der äußeren Oberfläche der Probe (die sich in ihrer Dimension von der Ver tiefung A unterschied).6. A depression B in the outer surface of the Sample (which differs in size from the ver indentation A difference).
- 7. Eine Kupferablagerung A an der äußeren Oberfläche der Probe.7. A copper deposit A on the outer surface the sample.
- 8. Eine Kupferablagerung B an der äußeren Oberfläche der Probe (die sich in ihrer Dimension von der Ablagerung A unterschied).8. A copper deposit B on the outer surface the sample (which differs in dimension from the Deposit A different).
- 9. Eine Magnetitablagerung A an der äußeren Ober fläche der Probe.9. A magnetite deposit A on the outer top area of the sample.
- 10. Eine Magnetitablagerung B an der äußeren Ober fläche der Probe (die sich in der Dimension von der Ablagerung A unterschied).10. A magnetite deposit B on the outer top area of the sample (which is in the dimension of the deposit A)).
Es wird darauf hingewiesen, daß, während bei dem oben erläuterten Ausführungsbeispiel der Signalprozessor 6 drei neuronale Netzwerke 3, 4 und 5 enthält, es über flüssig ist zu erwähnen, daß ein einziges neuronales Netzwerk verwendet werden kann, um die Auswertung von Meßdaten vorzunehmen. Weiterhin ist die oben beschriebe ne Signalverarbeitungsvorrichtung auf die Analyse und Auswertung von Meßdaten verwendbar, die von irgendeiner anderen zerstörungsfreien Prüfung als der Wirbelstrom- Fehlerprüfung stammen.It is pointed out that, while in the exemplary embodiment explained above the signal processor 6 contains three neural networks 3 , 4 and 5 , it is superfluous to mention that a single neural network can be used to carry out the evaluation of measurement data. Furthermore, the signal processing device described above can be used for the analysis and evaluation of measurement data which originate from any non-destructive test other than the eddy current fault test.
Claims (3)
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP4103914A JPH05281199A (en) | 1992-03-31 | 1992-03-31 | Flaw-detection data evaluation device and method |
Publications (1)
Publication Number | Publication Date |
---|---|
DE4310279A1 true DE4310279A1 (en) | 1993-10-07 |
Family
ID=14366700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE4310279A Withdrawn DE4310279A1 (en) | 1992-03-31 | 1993-03-30 | Signal processor for evaluating test data e.g. in nuclear reactor testing - uses neural network with interconnection weighting factor correction |
Country Status (4)
Country | Link |
---|---|
JP (1) | JPH05281199A (en) |
KR (1) | KR930020299A (en) |
DE (1) | DE4310279A1 (en) |
FR (1) | FR2689273A1 (en) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4436658A1 (en) * | 1993-10-13 | 1995-04-20 | Hitachi Ltd | Device and process for investigating disturbances |
DE4336588A1 (en) * | 1993-10-27 | 1995-05-04 | Eurocopter Deutschland | Method for determining the individual life of an aircraft |
US5661735A (en) * | 1994-12-27 | 1997-08-26 | Litef Gmbh | FDIC method for minimizing measuring failures in a measuring system comprising redundant sensors |
DE19649563A1 (en) * | 1996-11-29 | 1998-06-04 | Alsthom Cge Alcatel | Device and method for automatic classification of objects |
DE19747510A1 (en) * | 1997-10-28 | 1999-05-06 | Sican F & E Gmbh Sibet | Sensor measurement data processing system |
US10387298B2 (en) | 2017-04-04 | 2019-08-20 | Hailo Technologies Ltd | Artificial neural network incorporating emphasis and focus techniques |
US11221929B1 (en) | 2020-09-29 | 2022-01-11 | Hailo Technologies Ltd. | Data stream fault detection mechanism in an artificial neural network processor |
US11237894B1 (en) | 2020-09-29 | 2022-02-01 | Hailo Technologies Ltd. | Layer control unit instruction addressing safety mechanism in an artificial neural network processor |
US11238334B2 (en) | 2017-04-04 | 2022-02-01 | Hailo Technologies Ltd. | System and method of input alignment for efficient vector operations in an artificial neural network |
US11263077B1 (en) | 2020-09-29 | 2022-03-01 | Hailo Technologies Ltd. | Neural network intermediate results safety mechanism in an artificial neural network processor |
US11544545B2 (en) | 2017-04-04 | 2023-01-03 | Hailo Technologies Ltd. | Structured activation based sparsity in an artificial neural network |
US11551028B2 (en) | 2017-04-04 | 2023-01-10 | Hailo Technologies Ltd. | Structured weight based sparsity in an artificial neural network |
US11615297B2 (en) | 2017-04-04 | 2023-03-28 | Hailo Technologies Ltd. | Structured weight based sparsity in an artificial neural network compiler |
US11811421B2 (en) | 2020-09-29 | 2023-11-07 | Hailo Technologies Ltd. | Weights safety mechanism in an artificial neural network processor |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1021211A (en) * | 1996-06-28 | 1998-01-23 | Taisei Corp | Neural network, evaluating method and predicting method of corrosion of reinforcing bar in concrete structure |
US8387444B2 (en) * | 2009-11-12 | 2013-03-05 | Westinghouse Electric Company Llc | Method of modeling steam generator and processing steam generator tube data of nuclear power plant |
JP5562629B2 (en) | 2009-12-22 | 2014-07-30 | 三菱重工業株式会社 | Flaw detection apparatus and flaw detection method |
FR3015757B1 (en) * | 2013-12-23 | 2019-05-31 | Electricite De France | METHOD FOR QUANTITATIVE ESTIMATING OF THE PLATE COATING OF A STEAM GENERATOR |
JP7318402B2 (en) * | 2018-08-02 | 2023-08-01 | 東レ株式会社 | Defect inspection method and defect inspection device |
JP6950664B2 (en) * | 2018-10-31 | 2021-10-13 | Jfeスチール株式会社 | Defect judgment method, defect judgment device, steel sheet manufacturing method, defect judgment model learning method, and defect judgment model |
JP7167404B2 (en) * | 2020-11-09 | 2022-11-09 | 株式会社コジマプラスチックス | Mold monitoring system |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0752439B2 (en) * | 1987-10-30 | 1995-06-05 | 日本電気株式会社 | Neural network with dynamic programming function |
JP2637760B2 (en) * | 1988-03-24 | 1997-08-06 | 富士通株式会社 | Pattern learning and generation method |
JPH0410986A (en) * | 1990-04-27 | 1992-01-16 | Toppan Printing Co Ltd | Printing block for intaglio offset printing and printing method using same |
-
1992
- 1992-03-31 JP JP4103914A patent/JPH05281199A/en active Pending
-
1993
- 1993-03-22 KR KR1019930004406A patent/KR930020299A/en not_active Application Discontinuation
- 1993-03-30 DE DE4310279A patent/DE4310279A1/en not_active Withdrawn
- 1993-03-31 FR FR9303752A patent/FR2689273A1/en active Pending
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4436658A1 (en) * | 1993-10-13 | 1995-04-20 | Hitachi Ltd | Device and process for investigating disturbances |
DE4436658B4 (en) * | 1993-10-13 | 2004-02-12 | Hitachi, Ltd. | Device and method for troubleshooting |
DE4336588A1 (en) * | 1993-10-27 | 1995-05-04 | Eurocopter Deutschland | Method for determining the individual life of an aircraft |
DE4336588C2 (en) * | 1993-10-27 | 1999-07-15 | Eurocopter Deutschland | Procedure for determining the individual lifespan of an aircraft |
US5661735A (en) * | 1994-12-27 | 1997-08-26 | Litef Gmbh | FDIC method for minimizing measuring failures in a measuring system comprising redundant sensors |
DE19649563A1 (en) * | 1996-11-29 | 1998-06-04 | Alsthom Cge Alcatel | Device and method for automatic classification of objects |
DE19747510A1 (en) * | 1997-10-28 | 1999-05-06 | Sican F & E Gmbh Sibet | Sensor measurement data processing system |
US11238334B2 (en) | 2017-04-04 | 2022-02-01 | Hailo Technologies Ltd. | System and method of input alignment for efficient vector operations in an artificial neural network |
US11461614B2 (en) | 2017-04-04 | 2022-10-04 | Hailo Technologies Ltd. | Data driven quantization optimization of weights and input data in an artificial neural network |
US11675693B2 (en) | 2017-04-04 | 2023-06-13 | Hailo Technologies Ltd. | Neural network processor incorporating inter-device connectivity |
US11238331B2 (en) | 2017-04-04 | 2022-02-01 | Hailo Technologies Ltd. | System and method for augmenting an existing artificial neural network |
US11615297B2 (en) | 2017-04-04 | 2023-03-28 | Hailo Technologies Ltd. | Structured weight based sparsity in an artificial neural network compiler |
US10387298B2 (en) | 2017-04-04 | 2019-08-20 | Hailo Technologies Ltd | Artificial neural network incorporating emphasis and focus techniques |
US11551028B2 (en) | 2017-04-04 | 2023-01-10 | Hailo Technologies Ltd. | Structured weight based sparsity in an artificial neural network |
US11263512B2 (en) | 2017-04-04 | 2022-03-01 | Hailo Technologies Ltd. | Neural network processor incorporating separate control and data fabric |
US11354563B2 (en) | 2017-04-04 | 2022-06-07 | Hallo Technologies Ltd. | Configurable and programmable sliding window based memory access in a neural network processor |
US11216717B2 (en) | 2017-04-04 | 2022-01-04 | Hailo Technologies Ltd. | Neural network processor incorporating multi-level hierarchical aggregated computing and memory elements |
US11461615B2 (en) | 2017-04-04 | 2022-10-04 | Hailo Technologies Ltd. | System and method of memory access of multi-dimensional data |
US11514291B2 (en) | 2017-04-04 | 2022-11-29 | Hailo Technologies Ltd. | Neural network processing element incorporating compute and local memory elements |
US11544545B2 (en) | 2017-04-04 | 2023-01-03 | Hailo Technologies Ltd. | Structured activation based sparsity in an artificial neural network |
US11263077B1 (en) | 2020-09-29 | 2022-03-01 | Hailo Technologies Ltd. | Neural network intermediate results safety mechanism in an artificial neural network processor |
US11237894B1 (en) | 2020-09-29 | 2022-02-01 | Hailo Technologies Ltd. | Layer control unit instruction addressing safety mechanism in an artificial neural network processor |
US11221929B1 (en) | 2020-09-29 | 2022-01-11 | Hailo Technologies Ltd. | Data stream fault detection mechanism in an artificial neural network processor |
US11811421B2 (en) | 2020-09-29 | 2023-11-07 | Hailo Technologies Ltd. | Weights safety mechanism in an artificial neural network processor |
Also Published As
Publication number | Publication date |
---|---|
KR930020299A (en) | 1993-10-19 |
FR2689273A1 (en) | 1993-10-01 |
JPH05281199A (en) | 1993-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE4310279A1 (en) | Signal processor for evaluating test data e.g. in nuclear reactor testing - uses neural network with interconnection weighting factor correction | |
DE102006008482B4 (en) | Input vectoring method in neural networks for auto-identification of a partial discharge source | |
DE4436658B4 (en) | Device and method for troubleshooting | |
DE69724555T2 (en) | Diagnostic trend analysis for aircraft engines | |
DE19808197C2 (en) | System and method for diagnosing engine conditions | |
DE69930501T2 (en) | ULTRASENSIVE MONITORING OF SENSORS AND PROCESSES | |
DE60211002T2 (en) | METHOD AND SYSTEM FOR ANALYZING THE CONTROL POWER PERFORMANCE IN AN INDUSTRIAL PROCESS | |
DE19617917C2 (en) | Method of evaluating a hydrocarbon fuel and using a neural network | |
EP0934567B1 (en) | Method of classifying statistical dependency of a measurable series of statistical values | |
DE102018108779A1 (en) | Estimator of an automatic machining error factor | |
EP0782692B1 (en) | Sensor arrangement and method of detecting measured values using said sensor arrangement | |
DE19850122A1 (en) | Automatic configuration arrangement for technical object testing arrangement e.g. for electric motors | |
DE60200707T2 (en) | Jitter histogram approximation method | |
DE102019114378A1 (en) | METHOD AND SYSTEM FOR PREDICTING THE SYSTEM STATUS | |
DE102019211656A1 (en) | Determination of the degree of wear of a tool | |
EP2854045B1 (en) | Method and system for the evaluation of recorded measured values of a system | |
DE19530646C1 (en) | Learning method for recurrent neural network | |
DE2632312A1 (en) | ARRANGEMENT FOR COLLECTION OF SEISMIC DATA OR INFORMATION ABOUT A TERRAIN | |
DE4434197C2 (en) | Diagnostic technology for the operation of an exhaust gas oxygen sensor | |
DE1598627C3 (en) | Device for the texture analysis of a heterogeneous object | |
EP3921658B1 (en) | Method and testing device | |
WO2003029978A2 (en) | Method and system for processing fault hypotheses | |
DE19703964C1 (en) | Process for transforming a fuzzy logic used to simulate a technical process into a neural network | |
DE19530647C1 (en) | Input parameter preparation for neural network | |
DE10134926A1 (en) | Classifier generating device for automatically sorting objects characterized by electronic attributes, uses thin grid technique to form discrete sub-functional-spaces |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8139 | Disposal/non-payment of the annual fee |