CN101206196A - 无损检查装置 - Google Patents

Abstract

一种无损检查装置，包括传感器单元和信号输入单元，传感器单元用于检测来自振动产生器的通过测试对象传输的振动，信号输入单元用于从传感器单元输出的电信号中提取目标信号。还包括特征量提取单元，它用于从目标信号中提取多个频率分量作为特征量。此外，决策单元具有竞争型的学习神经网络，用于判断所述特征量是否属于一个范畴，其中所述竞争型学习神经网络已经使用属于所述范畴的表示所述测试对象的内部状态的训练样本而进行了训练，其中，在所述决策单元中设定所述训练样本的隶属度的分布。

Description

无损检查装置

技术领域

本发明涉及用于检测在测试对象中产生的孔、裂缝、裂口等而不损伤该对象的无损检查装置。

背景技术

已知的一种检查建筑物墙壁是否分层或剥落的测试方法是用耳朵听通过捶击墙壁而产生的声音。此外，一种公知的通过听声音来检查诸如西瓜之类的水果是否成熟的方法是通过轻拍该水果。

这种通过击打测试对象以在该测试对象产生振动并用耳朵听由振动产生的声音从而评估测试对象的内部状态的方法广泛应用于多个领域。

还有一种公知的超声诊断技术，其通过向测试对象发射声波(例如，超声波)以在其内部引起声振动并分析从该测试对象内部反射的声振动或透过该测试对象内部传送的声振动来检查测试对象的内部状态。

然而，在通过听击打对象时产生的声音来评估测试对象的内部状态的方法中，只有有经验的人才能通过声音来断定状态，因此只有有限数量的人能够从事这种检查。诸如超声诊断仪器之类的装置把来自测试对象内部的反射波可视化，从而能够理解测试对象的内部结构。然而，由于该装置需要检测测试对象内部的位置信息，所以，其结构复杂，价格昂贵。

有一种技术使用神经网络(参见，例如，日本专利申请公开H7-311185号和2006-38478号)分析通过击打测试对象而产生的振动能够解决上述多个问题。

日本专利申请公开H7-311185号(以下称作311185)公开的技术中，先要把在击打无缺陷和有缺陷的对象时产生的声音的衰减模式和音色进行存储，然后通过神经网络将撞击测试对象时产生的声音与所存储的声音作比较，以判断测试对象是否有缺陷。

此外，日本专利申请公开2006-38478号(以下称作38478)公开了一种技术，其给予测试对象振动而不使用冲击性的捶打，并通过使用由无缺陷对象的特征量训练过的边界学习神经网络(boundarylearning neural network)来判断从测试对象获得的振动波形的特征量对应于无缺陷对象还是有缺陷对象。

根据专利38478，在边界学习神经网络中使用模式匹配方法，其中将与训练样本相对应的输出单元组(即，输出层的神经元)的输出模式同预定的监督模式进行比较，然后基于输出模式和监督模式之间的差异来补偿输出单元的权重系数，通过重复补偿权重系数来训练神经网络，在完成训练后，将由测试对象的特征量获得的输出单元组的输出模式与训练过的输出模式比较。此外，将训练样本看作在均值附近具有特定差异的样本，从而假定无缺陷物体的分布为正态分布。

专利311185公开了使用神经网络基于捶击的声音判断测试对象是否无缺陷的技术，但是并没有公开如何提高由使用神经网络获得的判断结果的精度的方案。

专利38478使用神经网络由输出模式的模式匹配判断测试对象是否无缺陷，从而能够提高判断结果的精度。虽然在测试对象中产生的裂缝和裂口可能比较随机，然而，有无缺陷的判断结果的分布假定为正态分布，因此，如果假定全部无缺陷测试对象具有正态分布，那么，有缺陷对象的范畴可能与无缺陷对象的范畴部分交叠。

换句话说，如果假定无缺陷对象的分布是正态分布，那么，与无缺陷范畴对应的区域在均值附近的凸起形状中形成。因此，如果与无缺陷范畴对应的上述区域在凹陷形状中形成，则不能使用专利38478中公开的技术。换句话说，无缺陷或有缺陷的精确判断结果可能会恶化，而这取决于测试对象的性质。

发明内容

基于以上考虑，本发明提供了无损检查装置用于执行测试，其过去一般由人的听觉感官执行，通过使用竞争型的神经网络无需技巧即可评估测试对象的内部状态，并且，通过确定特征量(amount ofcharacteristics)的隶属度去提高与输出层的每个神经元的评估精度。

根据本发明的一方面，提供的无损检查装置包括：用于检测来自振动产生器的通过测试对象传输的振动的传感器单元；用于从传感器单元输出的电信号中提取目标信号的信号输入单元；用于从目标信号中提取多个频率分量作为特征量的特征量提取单元；具有竞争型学习神经网络的决策单元用于判断所述特征量是否属于一个范畴，其中竞争型学习神经网络已经用属于该范畴的表示测试对象内部状态的训练样本进行了训练。

在本申请中，训练样本的隶属度的分布是在决策单元中设定的，所述分布对于受到训练样本刺激的神经元，是基于受刺激神经元的权重向量和样本而设定的。

此外，如果受刺激神经元之一由所述特征量刺激，并且，所述特征量和一个或多个受刺激神经元中每一个的权重向量之间的距离与等于或高于由所述分布确定的阈值的隶属度相对应，则决策单元确定所述特征量属于该范畴。

采用这种配置，来自振动产生器通过测试对象传输的振动的频率分量被取为特征量，然后由竞争型学习神经网络对所述特征量进行分类。这样，如果竞争型学习神经网络经过正确的训练，就能够使用竞争型神经网络进行通过人的听觉来辨别声音的测试，从而不需要经验即可评估测试对象的内部状态。

测试对象可以是钢材(例如，铁框架、管道、板)和水果(例如，西瓜和甜瓜)，并且能够由此检测诸如裂缝、分层、裂口、孔等等异常。

此外，因为给输出层的每个神经元都设定了隶属度，所以，与正常范畴对应的区域可设定成任意形状，从而，即使在无缺陷对象的分布不是正态分布时，也照样能够提高判断测试对象有无缺陷的精度。此外，因为使用了竞争型学习神经网络，所以，结构简单，而且，通过收集每个范畴的训练样本并基于此训练该网络，可以很容易地训练神经网络。

优选情况下，隶属度的分布为高斯分布，每个分布都由均值和方差来定义，其中，高斯分布的方差取决于受刺激神经元的权重向量和训练样本之间的距离，而高斯分布的均值则是受刺激神经元的权重向量。

在此配置中，范畴的隶属度分布被分配给了各个神经元并被设定为高斯分布。因此，即使为所有神经元都设定隶属度，也能够相对容易地设定隶属度。此外，因为能够使用高斯分布基于隶属度之和或方差来设定阈值，所以，把阈值设为判断基准的方法就可形式化为自动设定。

可选地，该振动产生器包括通过撞击测试对象向测试对象内部传输振动的锤子。

在此配置中，振动产生器包括锤子，用以通过捶击测试对象而给予该测试对象以振动。因此，如果在测试对象内部存在异常，就能够通过改变锤子撞击测试对象的位置来评估异常存在的位置。此外，因为通过捶击测试对象而产生的振动分量被用作特征量的参数，所以能够容易地确定提取特征量的期间，并且总能够在基本相同的条件下执行测试。换句话说，可以提高检测异常的可靠性。此外，由于考虑了撞击后的频率分量和衰减特征，所以能够通过冲击响应来评估测试对象的详细内部状态。

此外，该振动产生器包括声波产生器，用以产生声波作为振动。

在此配置中，在振动产生器2中使用产生声波的声波产生器。因此，通过连续地产生声波并向整个测试对象传递声波，能够成功地检测异常位置。此外，通过改变声波产生方法，能够检测冲击响应或阶跃响应。因此，通过检测来自异常可能存在的位置的不同种类响应，能够详细地评估异常的出现与否和/或种类。

附图说明

下面结合附图对实施例进行描述，由此本发明的目的和特征将变得显而易见，其中：

图1示出说明根据本发明的第一实施例的无损检查装置的框图；

图2是说明图1所示的无损检查装置的操作的视图；

图3说明用于图1所示的无损检查装置中所用的神经网络的示意性配置；

图4是说明根据本发明的第二实施例的无损检查装置的框图。

具体实施方式

下面将参照附图详细描述本发明的实施例，附图是说明书的一部分。

(第一实施例)

在本实施例中，现在将描述无损检查装置，其使用振动产生器2通过撞击或轻拍测试对象给予测试对象以振动。如上所述，虽然能够检查诸如建筑物、钢材(例如铁框架、管道、板)和水果(例如西瓜和甜瓜)等测试对象，但在本实施例中，假定钢材为如图1中所示的测试对象X，裂缝C产生在测试对象X中。

振动产生器2包括撞击测试对象X的锤子21和来回移动锤子21的驱动单元22。优选情况下，锤子21的表面覆盖有弹性材料，以避免撞击测试对象X从而给予其振动时在测试对象上造成划痕。驱动单元22能向锤子21传送撞击，该撞击例如由电磁体(线性地驱动活塞的螺旋管)驱动力产生。

对于振动产生器2，手持钢锤撞击测试对象X是可以考虑到的。然而，由于施加在测试对象X上的撞击力每次撞击都可能不同，因此可能会恶化检测精度。因此，优选情况下使用振动产生器2，由驱动单元22来回移动锤子21以便能够向测试对象X提供均匀的撞击。此外，振动产生器2在优选情况下包括接触测试对象X的表面的腿23以在测试对象X和锤子21之间保持恒定的距离。

提供无损检查装置1，以通过检查由振动产生器2的撞击传输到测试对象X的振动来评估测试对象X的内部状态。该无损检查装置1包括传感器单元11，用于检查从振动产生器2传输到测试对象X的振动。该传感器例如是使用加速接收器的振动传感器并且用于通过与测试对象X接触来检查其振动。也可以使用麦克风作为传感器单元11，以便在不接触测试对象X的情况下检查振动(振动的声音)。

优选情况下，振动产生器2和传感器单元11之间的位置关系(尤其是测试对象X表面上其间的距离)保持恒定。然而，可能会出现下列情况：振动产生器2的位置相对于测试对象X改变，而传感器单元11的位置相对于测试对象X固定。相反，也可以使振动产生器2的位置相对于测试对象X固定，而使传感器单元11的位置相对于测试对象X改变。虽然任何一种情况中传感器单元11和振动产生器2之间的位置关系都发生改变，但是可以检测测试对象X内部是否异常。

通过臂24的耦合能够实现在振动产生器2和传感器单元11之间保持恒定的位置关系。在这种情况下，振动产生器2和传感器单元11中至少一个连接到臂24，以便该至少一个部件的位置能够相对于臂24进行调整，以使得振动产生器2和传感器单元11都与测试对象X接触。例如，振动产生器2和传感器单元11都能连接为可相对于臂24来回移动并能够由弹簧偏置以接触测试对象。在这种情况下，不管测试对象X的表面形状如何，振动产生器2和传感器单元11都能够与该测试对象X接触。

无损检查装置1使用神经网络10a将与从传感器单元11输出的电信号特征相关的范畴(category)进行分类。后面将详细描述神经网络落10a。用于将范畴进行分类的电信号是仅当通过撞击传输到测试对象X的振动在由振动产生器2撞击测试对象X后继续时才会从传感器单元11输出的电信号。在此期间从传感器单元11输出的电信号被输入到信号输入单元12，信号输入单元12从其中提取目标信号。

如图2所示，在信号输入单元12中，从传感器单元11输出的电信号当中选择在由振动产生器2撞击测试对象X后设定的门周期Tg内的电信号。将门周期Tg分成多个单元周期Tu，以便将每个单元周期Tu内的电信号用作目标信号St。适当地调整从振动产生器2撞击测试对象X时的时间t0到门周期开始时的时间t1之间的时间段(t1-t0)和门周期Tg的时间段(t2-t1)。还有，适当地调整门周期Tg中的单元周期Tu的数量。这样的调整由设在信号输入单元12中的控制部分12a执行。

例如，如果测试对象X是撞击后回响长时间继续的钢管，则门周期Tg设定为较长。此外，如果振动产生器2和传感器单元11之间的距离大，则时间段(t1-t0)设定为大。门周期Tg不与撞击同时开始的原因是为了防止将噪声检测为目标信号，噪声是在撞击测试对象X时从振动产生器2产生的。

信号输入单元12具有A/D转换器和缓冲器，A/D转换器用于将传感器单元11输出的电信号转换成数字信号，缓冲器用于存储在门周期Tg期间获得并被转换成数字信号的电信号。关于存储在缓冲器中的电信号，信号输入单元12执行一种处理，在每个单元周期Tu将电信号分成目标信号St。此外，信号输入单元12在需要时执行频率带宽限制等，以降低噪声。

由信号输入单元12产生的目标信号St被输入到特征量提取单元13，特征量提取单元13从每个目标信号St中提取频率分量作为特征量的一部分。此外，为了通过使用撞击后的振动的衰减特征来检测该测试对象X的冲击响应，该特征量提取单元13获取每个目标信号St的功率的有效值(例如均方根)，由此提取门周期Tg期间一段时间系列的有效值作为所述特征量的一部分。如果在测试对象X中存在例如裂缝或孔，则它们会改变振动的传输路径，从而振动的衰减特征会受到影响。因此，通过检测频率分量和冲击响应就能够详细评估测试对象X的内部状态。

该特征量提取单元13可以使用FFT(快速傅立叶变换)来提取频率分量。根据要评估的测试对象的性质，可以正确地确定所述特征量中使用的频率。通常，如果阶数高的话，则FFT与线性回归相比就是有利的，因为前者比后者能够更快地获得谱线。

如上所述，所述特征量把例如在门周期Tg中的时间系列功率和每个目标信号St的频率分量作为其参数，所述特征量被输入到决策单元10中，以便对所述特征量的范畴进行分类。决策单元10使用无监督的竞争型学习神经网络10a(以下简称神经网络，除非有其它需要)对所述特征量的范畴进行分类。无监督的反向传播神经网络也能够用作神经网络，但是无监督的竞争型学习神经网络更适用于此目的，因为无监督的竞争型学习神经网络比监督型的反向传播类型具有更简单的配置，并且无监督的竞争型学习神经网络的训练通过使用每个范畴的训练样本仅能做出一次，或能够通过执行另外的训练被进一步增强。

如图3所示，神经网络10a具有两层，即输入层L1和输出层L2，并且以如下方式进行设定：输出层L2的每个神经元N2连接到输入层L1的所有神经元N1。神经网络10a可以由在顺序处理型计算机上运行的应用程序执行，但是也可以使用专用的神经计算机。

神经网络10a具有两种操作模式，即训练模式和检查模式。在通过训练模式中的适当训练样本学习后，由从真实目标信号产生的多个参数形成的特征量(检查数据)被分类成检查模式中的范畴。

输入层L1的神经元N1和输出层L2的神经元N2之间的耦合度(权重系数)是可变的。

在训练模式下，通过向神经网络10a输入训练样本来训练神经网络10a，以确定输入层L1的神经元N1和输出层L2的神经元N2之间的权重系数。换句话说，在给输出层L2的每个神经元N2分配的权重向量中，把与输入层L1的所有神经元N1相关的权重系数作为该权重向量的元素。因此，权重向量的元素的数目与输入层L1中的神经元N1的数目相同，并且输入到输入层L1的特征量的参数的数目与权重向量的元素的数目相等。

同时，在检查模式下，当将范畴有待决定的检查数据给予神经网络的输入层L1时，在输出层12的神经元N2当中刺激一个在其权重向量和检查数据之间具有最短距离的神经元N2。如果在训练模式中有的范畴被分配给了输出层L2的神经元N2，则由受刺激的神经元N2的位置的范畴能够识别检查数据的范畴。

输出层L2的神经元N2与二维簇确定单元10b的各区域一一对应，例如二维簇确定单元10b具有6×6区域。因此，如果训练样本的范畴与簇确定单元10b的区域相关，则簇确定单元10b能够识别与由检查数据刺激的神经元N2对应的范畴。因此，簇确定单元10b能够充当用于输出由神经网络10a分类的结果的输出单元。这里，簇确定单元10b通过使用地图进行可视化。

当将范畴与簇确定单元10b的各区域(实际上输出层L2的各神经元N2)相关联时，在从输出层L2到输入层L1的相反方向操作经过训练的神经网络10a，以便为输出层L2的每个神经元N2评估分配给输入层L1的数据。相对于评估的数据具有最短距离的训练样本的范畴用作输出层L2中对应的神经元N2的范畴。

换句话说，相对于神经元N2的权重向量具有最短距离的训练样本的范畴被用作输出层L2的对应的神经元N2的范畴。因此，训练样本的范畴被反射到输出层L2的神经元N2的范畴。

向每个范畴使用大数量的训练样本(例如，150个样本)以使得具有相似属性的范畴在簇确定单元10b中相互靠近在一起设定。换句话说，响应属于类似范畴的训练样本而在输出层L2的神经元N2当中受刺激的神经元N2形成一个簇，它由相互靠近存在于簇确定单元10b中的一组神经元N2构成。

簇确定单元10b原本是在其中在训练后与范畴相关联地形成簇的那一个，但是在本实施例中甚至训练前的那一个也称作簇确定单元10b以使得在此上下文中没有区别。给予工作在训练模式下的神经网络10a的训练样本被存储在相应的训练样本存储器10c中，并且在需要时可从存储器获取以用于相应的神经网络10a中。

在训练模式之前，训练样本被收集并存储在训练样本存储器10c中。把从预定为正常的测试对象X获得的特征量用作训练样本。在本实施例的神经网络10a中，范畴的设定方式是：把除正常范畴之外的所有范畴都确定为异常。这样，当收集训练样本时，在改变各种条件(例如，温度、湿度或击打点和测试对象X的大小)时从预定为正常的测试对象X获得的特征量作为属于正常范畴的训练样本而存储在训练样本存储器10c中。

在本实施例中，使用训练样本在神经网络10a中设定范畴后，在向神经网络10a输入从测试对象X获得的实际特征量前，给神经网络10a的输出层L2的每个神经元N2分配高斯函数。以下公式用于高斯函数。在下述公式中，括起来的符号表示向量。

y＝exp(-||[x]-[m]||²/2σ²)

其中[m]是均值而σ²是方差。

受过训练的神经网络10a的每个神经元N2的权重向量被用作上述公式中每个神经元N2的均值[m]。上述公式中的向量[x]是输入到神经网络10a的特征量。||[x]-[m]||是特征量[x]和均值[m]之间的距离(也就是说，神经元N2的权重向量)。y是向上述公式的高斯函数输入特征量[x]时获得的输出值。

根据此公式，输出值y随特征量[x]靠近均值[m]而增加，从而当特征量[x]等于均值[m]时输出值y取得最大值“1”。该输出值y被用作隶属度。也就是说，输出值y的范围是从“0”到“1”，其中当该值越大时(当靠近“1”时)隶属度越高。

同时，为了计算方差σ²，再次向经过训练的神经网络10a输入训练样本，以计算特征量(即，训练样本)和神经元N2的权重向量[m]之间的距离。优选情况下，通过把相同范畴的所有训练样本都给予神经网络10a并把计算出的相对于神经元N2的距离的最大值用作方差，从而得出距离列表。

例如，神经元N2和受刺激神经元N2的训练样本之间的最大距离可用作该神经元N2的高斯函数的方差σ²。或者，一个范畴的所有训练样本和属于该范畴的各神经元N2之间的最大距离可用作该神经元N2的方差σ²。

这样，就能够给对应于所述训练样本范畴的每个神经元N2设定高斯函数。不给属于其它范畴的神经元N2设定高斯函数。也就是说，对应于一个范畴的神经元N2的高斯函数是通过属于该范畴的训练样本进行设定的，而其它范畴的高斯函数则是通过属于其它范畴的训练样本进行设定的。通过给神经网络10a的输出层L2的每个神经元N2分配高斯函数，就能够通过向高斯函数应用所述特征量和权重向量之间的距离而获得隶属度。

具体而言，在为每个神经元N2设定高斯函数后，输入从测试对象X获得的特征量[x]，并且，将特征量[x]和来自神经网络10a的受此刺激的神经元N2的权重向量(即均值[m])之间的距离代入受刺激神经元N2的高斯函数，由此就获得了对应于一个范畴的受刺激神经元N2的高斯函数的输出值y。

如上所述，因为输出值y是对应于受刺激神经元N2的范畴的特征量的隶属度，所以，通过设定隶属度的阈值，就能够判断所述特征量是否属于所述范畴。

每个神经元N2的隶属度的阈值，例如，当在设定高斯函数后把一个范畴的训练样本分配给神经网络10a时，具有的值为其方差的三倍或为输出层L2的受刺激神经元N2的输出值y之和与适当系数的乘积。如上所述，仅根据由特征量刺激的神经元N2，即可确定特征量的隶属度。或者，从属于由特征量刺激的神经元N2的范畴的所有神经元N2的高斯函数那里获得的输出值y的均值或最大值可用作特征量的隶属度。

如上所述，门周期Tg中各目标信号St的频率分量和时间系列有效值被用作特征量的参数，并且，无论何时测试目标X由振荡产生器2击打时，都能够获得一组特征量。后面，这样获得的一组特征量被称作数据集。在正常测试对象X的多个条件下收集数据集，并且多组数据集被存贮在训练样本存储器10c中。门周期Tg中的单元周期Tu的频率特征和功率有效值的时间系列组被用作上述实施例中的数据集。然而，只有来自门周期Tg中的部分单元周期Tu的频率特征或只有门周期Tg中的功率时间系列可以用作数据集。

当神经网络10a工作在训练模式下时，通过把存储在训练样本存储器10c中的数据集连续地分配给神经网络10a，设定与输出层L2的神经元N2相关的权重系数。因为通过分配多个数据集给神经网络10a，权重系数逐渐收敛，所以分配合适数量的数据集后的权重系数被视为对应于正常测试对象X的权重系数。

在训练模式之后，再次把存储在训练样本存储器10a中的所有数据集分配给神经网络10a，以使得由训练样本刺激的输出层L2的神经元N2被视为属于检查模式中正常测试对象X的范畴的神经元N2。这里，因为在训练样本的各数据集之间存在差异，所以，正常范畴中的训练样本的每个数据集刺激一个以上的神经元N2。

在簇确定单元10b中，与由训练样本的数据集刺激的神经元N2相对应的区域变为对应于正常范畴的区域。属于同一范畴的神经元N2相互靠近，从而在簇确定单元10b中形成簇。这里，因为仅正常范畴与簇确定单元10b的区域相关，所以可以省略前述的训练后在相反方向设定范畴的操作。

在簇确定单元10b中设定正常区域后，在检查模式下将从测试对象X获得的特征量输入神经网络10a，以对与特征量相关的范畴进行分类。这里，如果属于正常测试对象X的范畴的神经元N2不是由从测试对象X获得的特征量刺激(即如果受刺激的神经元N2不属于簇确定单元10b中的正常范畴)，则对应的特征量被视为异常的。

由簇确定单元10b获得的范畴确定结果被输出给输出单元14。当从测试对象X获得的特征量异常时，输出单元14可以控制适当的报警设备，以在需要时发出警报。

如上所述，在本实施例中，测试对象X由置于振动产生器2中的锤21撞击，并且传感器单元11检测通过测试对象X传输的振动。其后，由神经网络10a对其特征量进行分类，以判断测试对象X是正常还是异常。这样，通过由撞击产生的振动就能可靠地检测测试对象X是否正常。此外，因为由机械装置实施振动产生器2，所以，基本在相同的条件下获得神经网络10a的训练样本和检查数据，从而能够增强判断结果的可靠性。

在本实施例中，通过仅使用在撞击正常测试对象X时改变条件时从正常测试对象X获得的训练样本执行神经网络10a的训练。这样，能够形成对应于正常范畴的簇，方便了神经网络的训练。然而，上述实施例仅检查测试对象是否正常，而不识别异常的性质。因此，不能判断测试对象X内部的异常的种类或状态，因此需要附加的设备。

如果需要对异常的种类进行分类，那么，从具有该种识别的异常的测试对象X获得的特征量可以被用作训练样本。如果通过将异常用作一个范畴来训练神经网络10a，则该种异常可用作簇确定单元10b的范畴。在这种情况下，如上所述，需要在从输出层L2到输入层L1的相反方向操作经过训练的神经网络10a，以为输出层L2的每个神经元N2评估分配给输入层L1的数据。相对于评估数据具有最短距离的训练样本的范畴被用作输出层L2中的对应神经元N2的范畴。

即使在使用这些范畴中的该种异常时，也可以仅把这些范畴分配给已知种类异常。如果从测试对象X获得的特征量(检查数据)属于分配给已知种类异常的范畴之一，则能够确定测试对象X属于对应的异常范畴。此外，如果特征量不属于正常范畴或已知异常范畴，则确定其为未知异常。至于未知的异常，从真实测试对象X识别的异常能够与由此获得的特征量相联系地存储在训练样本存储器10c中。于是，当一种异常的收集数据集的数目达到预定数目(例如150)时，这样的数据集可用作训练样本。

(第二实施例)

在第一实施例中，在撞击测试对象X中使用的是振动产生器2。然而，如图4中所示，可以使用通过声波给予测试对象X振动的声波产生器作为振动产生器2。这里，声波可能并不处于可听的频带内，而是具有高于或低于可听频带的频带。在使用更低频率的情况下，在振动产生器2中使用的声波产生器实际上能给予测试对象X真实的振动。可以适当地选择振动产生器2发射的声波的波形、频率及持续时间。

波形可以是例如正弦波、方波、三角波或锯齿波，而频率可以是常数或例如可以是步进地变化。至于持续时间，声波能够例如被连续地产生或仅产生很短时间而被视作冲击(以下，称作冲击(impulse)型声波)，或产生长于冲击的时间(以下称作脉冲(pulse)型声波)。通过操作在振动产生器2中提供的选择单元25，可选择波形、频率和持续时间。

因为当使用冲击型声波或脉冲型声波时能够获得关于冲击响应或阶跃响应的信息，所以，如第一实施例中所述的那样，优选情况下使用从门周期Tg的各单元周期Tu获得的功率有效值的时间系列作为特征量。

在把冲击型声波或脉冲型声波作为振动发往测试对象X的情况下，能够基于声波产生时刻设定门周期Tg的开始点和结束点。在连续地产生声波的情况下，门周期Tg的开始点设定为例如用户按下操作按钮的时刻(未示出)。

当声波的波形或频率改变时，由于测试对象X中的反射、吸收等，能够检测声波的变化。这样，可以评估测试对象X中的异常是否出现或种类，并且还可以进一步获得关于测试对象X的详细内部结构的信息。然而，获得详细的评估需要大量的时间来进行训练，因此声波的选择和范畴的种类要适当地设定，这取决于训练的可利用时间和从测试对象X内部需要获得的信息种类。

此外，如第一实施例中所述，即便在检查模式下也能收集训练样本。因此，在使用相对小数量的范畴训练神经网络后，优选在检查测试对象中先使用无损检查装置，然后通过收集其它范畴的训练样本后再执行附加训练来提高可分类范畴的数目。其它结构和操作与第一实施例的那些相同。

虽然上面结合实施例示出并描述了本发明，但本领域技术人员应当理解，可以做出多种改变或修正，而这并不脱离权利要求书所界定的本发明保护范围。

Claims (4)

1.一种无损检查装置，包括：

传感器单元，用于检测来自振动产生器的通过测试对象传输的振动；

信号输入单元，用于从所述传感器单元输出的电信号中提取目标信号；

特征量提取单元，用于从所述目标信号中提取多个频率分量作为特征量；以及

决策单元，其具有竞争型的学习神经网络，用于判断所述特征量是否属于一个范畴，其中，所述竞争型学习神经网络已经使用属于所述范畴的表示所述测试对象的内部状态的训练样本进行了训练，

其中，在所述决策单元中设定所述训练样本的隶属度的分布，所述分布针对受所述训练样本刺激的神经元，是根据所述受刺激神经元的权重向量和样本而设定的，以及

其中，如果所述受刺激神经元之一受所述特征量刺激，并且，所述特征量和一个或多个所述受刺激神经元中的每一个的权重向量之间的距离与等于或高于由所述分布确定的阈值的隶属度相对应，那么，所述决策单元就确定所述特征量属于所述范畴。

2.如权利要求1所述的无损检查装置，其中，所述隶属度的分布是高斯分布，都由均值和方差来定义，以及

其中，所述高斯分布的方差由所述训练样本和所述受刺激神经元的权重向量之间的距离确定，所述高斯分布的均值是所述受刺激神经元的权重向量。

3.如权利要求1或2所述的无损检查装置，其中，所述振动产生器包括通过撞击所述测试对象而向其内部传输振动的锤子。

4.如权利要求1或2所述的无损检查装置，其中，所述振动产生器包括产生声波作为所述振动的声波产生器。

Images