JP2012515896A - 渦電流の自動非破壊試験解析方法 - Google Patents

Abstract

渦電流データ解析を含む検出および分類が可能な拡張型アレイならびに管類の領域を厳密に特定する検出アルゴリズムを拡張可能な処理能力に組み合わせたコンピュータアーキテクチャを用いて管類の欠陥を正確に検出するシステムおよび方法であって、上記管類の領域を管理しやすいセグメントに細分割して欠陥解析を実施可能なシステムおよび方法に関する。また、検出結果を識別するとともに、適切なレポートコードを正確に割り当てて欠陥を繰り返し高精度に検出する複数の分類ツールに関する。

Description

本発明は、自動監視・解析システムに関し、より具体的には、渦電流データ解析を含む検出および分類が可能な拡張型アレイならびに管類の領域を厳密に特定する検出アルゴリズムを拡張可能な処理能力に組み合わせたコンピュータアーキテクチャを用いて管類の欠陥を正確に検出するシステムおよび方法であって、上記管類の領域を管理しやすいセグメントに細分割して欠陥解析を実施可能なシステムおよび方法に関する。
（関連出願の相互参照）
本ＰＣＴ出願は、２００９年１月１９日付け米国仮特許出願第６１／１４５，６６６号に対し、両出願に共通するすべての事項に関して優先権を主張するとともに、米国特許法第１１９条（ｅ）の下での利益を主張する。当該仮出願の全開示内容は、本明細書中に参考として援用する。

自動監視・解析システムおよびプロセスにおいては、検出および分類が可能な拡張型アレイを拡張可能な処理能力に組み合わせたアーキテクチャが依然として必要である。特に、渦電流データ解析が必要で、実施する作業の質を検証する必要がある場合がこれに該当する。管類のプロセス欠陥に関しては、管類の領域を厳密に特定することによって、欠陥解析用の明確かつ精密な領域を提供可能な管理しやすいセグメントに細分割できる必要がある。また、検出結果を識別するように構成可能な分類ツールおよび欠陥を繰り返し高精度に検出するための最適なレポートコードを使用する必要もある。

すべての引用文献の全開示内容は、本明細書中に参考として援用する。

本発明は、管類の欠陥を包括的に監視、解析、および管理するシステムにおいて、ロケール解析装置と管類の欠陥を特定する検出分類部とを備え、自動解析タスクの並列実行を可能とする分散処理システムを含むアーキテクチャのコンピュータプラットフォームと、特定のデータストリーム・クラスに関してデータを解析するチャンネルエイリアシング手段と、高確率の検出結果自動解析方法の使用に起因するオーバーコールの形態を低減するために解析者設定規則を自動的に適用する自動最終受け入れ手段と、上記管類および関連する構成要素の特定領域に対する設定を生成するロケールマッピング手段であって、標識境界の補正を実行し、関連する複数の解析ロケールへの損傷メカニズムのマッピングを行い、拡張遷移検出、適応閾値検出、および位置決め手順を含むアルゴリズムを実行する手段と、を備えたことを特徴とするシステムを提供する。

また、管類の欠陥を包括的に監視、解析、および管理する方法において、コンピュータプラットフォーム上で履歴データおよび取得データのロードおよび校正を行い、ロケールによって上記履歴データおよび取得データのソートを行い、上記データをマッピングして、管類および関連する構成要素の特定領域に対する設定を生成し、マッピングしたデータに基づいて欠陥を検出し、電圧、角度、深さ、および長さの頻度間の比率または直接差異に関する任意の数の測定結果を用いて上記欠陥を分類し、解析者設定規則を適用して、様々な形態のオーバーコールを低減するとともに、冗長な多数の結果の中から単一の最終結果を選択して報告する、ことを含む方法を提供する。

本発明の方法を実装したシステムの機能図である。 本発明の方法を実装したシステムの最上位のフロー図である。 複数レベルのロケールマッピングを例示した図である。 管板拡張部に対してマッピングを行ったロケール分割を示す図である。 支持構造に対してマッピングを行ったロケール分割を示す図である。 ノイズ領域および所望の信号表示を表した差分ボビン信号の小区分を示す図である。 正規分布を示す図である。 平均からの標準偏差で囲まれた部分を表した正規分布を示す図である。 並列マルチパスアーキテクチャのブロック図である。 並列マルチパスアーキテクチャのブロック図である。 最終受け入れプロセスフローのブロック図である。 最終受け入れプロセスフローのブロック図である。 最終受け入れプロセスフローのブロック図である。 最終受け入れプロセスフローのブロック図である。 最終受け入れプロセスフローのブロック図である。 マルチアルゴリズム解析管理のブロック図である。 マルチアルゴリズム解析管理のブロック図である。 マルチアルゴリズム解析管理のブロック図である。

図１は、本発明の方法を実装した例示的なシステムのブロック図である。本発明のこの方法および／またはシステムは、本出願人（Ｚｅｔｅｃ，Ｉｎｃ．）の社内略語である「ＲｅｖｏｓｐＥＣＴ」とも称する。

図２は、渦電流試験データを解析する方法を示したフロー図である。本発明のシステム／方法２０には、アーキテクチャの使用、チャンネルエイリアシング、最終受け入れ、ロケールマッピング、およびトレーニング用ユーザーインターフェースが含まれる。これらの各構成要素については、以下に説明する。
システムアーキテクチャ
処理ファーム
図１に関連して、システムハードウェアは、多数の自動解析タスクの並列実行を扱う分散処理システム（ファーム）４０を具備しており、目標スループットを満足するために使用する。設計目標は、ネットワークのオーバーヘッドを抑えることと、拡張性を確保することである。このファームは、Ｗｉｎｄｏｗｓオペレーティングシステムを用いたファイルサーバーを具備し、生データ４５および設定へのアクセスに使用する。本発明において、ファームの入力としては、データ４５へのＵＮＣパスおよび必要な設定ファイルのほか、データベースでデータを探し出すためのＳＱＬサーバー接続文字列およびパラメータが挙げられる。

「処理ファーム」は、以下４つの構成要素で構成される。
１．クライアントは、解析者がファームにジョブを提示して完了させるために使用するソフトウェアであって、解析者マシン上で動作する。図１には、ディレクタクライアント１０、ダッシュボードクライアント３０、およびコンフィグレータ２０という３種類のクライアントを示している。

２．スケジューラは、実行対象のジョブを受け取り、その処理ノード間で配分する。スケジューラは、ネットワークのオーバーヘッドが極めて少なく、ＣＰＵのように振る舞い、すべてのノードおよびクライアントがアクセス可能な任意のコンピュータ上で動作可能である。

３．処理ノードは、各コンピュータ上で動作し、１〜Ｎ個の処理アプリケーションを実行する。Ｎのデフォルト値は、マシン上で検出されたＣＰＵコアの数である。
４．処理アプリケーションは、作業、進捗報告、状態メッセージの送信、および完了の成否を処理する。

ファームは、クライアントが作業を要求できるように開発された単純な設計により、任意の処理アプリケーションに対して実際に適用可能である。また、通信要求を満足するため、処理アプリケーションで実行するインターフェースクラスを備えたＤＬＬも存在する。なお、当該処理ノードのインスタンスは特定種類の処理アプリケーションに関連付けられているが、複数のノードが存在する場合は、１台のコンピュータ上で動作可能である。

ファームは、多数の解析を同時に実行可能とすることによって、目標データスループットを満足する方法を提供する。
最上位プロジェクトフロー
図１ａは、本発明の方法を実装したシステムの主要なプロセスを示すプロセス図である。

ジョブ前設定１１０においては、チャンネルエイリアスの設定、ロケールの設定、検出器の定義、分類子の定義、ならびに検出器および分類子のロケールへのマッピングを行う。これらの用語の意味については、以下に詳述する。ジョブ前設定では、過去の履歴データ１１１もインポートする。過去の履歴データを使用すると、報告内容の比較、損傷報告の検証、および形態追跡が可能となる。また、チャンネルエイリアシングは、特定の変数から独立したチャンネルの命名と、検出器や分類子へのチャンネルの移動とを可能にする。図１ｂ、図１ｃ、図１ｄに示すように、ロケールの定義は複数のレベルで行うことができる。

ジョブ前設定では、検出器の設定も行う。特定の技術パラメータを満足するため、１つのシステムに対して複数の検出器を定義することも可能である。このシステムの拡張型アーキテクチャは、ルールベースの適応閾値検出アルゴリズムを含む多様なアルゴリズムに基づいて、複数の検出モードを提供可能である。さらに、ジョブ前設定では、分類子の設定も行う。分類子は、複数の試験条件に対する複数の分類規則および同等／非同等な規則を用いて設定可能である。分類アルゴリズムには、ルールベースの方法および極座標識別子が含まれる。また、検出器および分類子のロケールへのマッピングは、関係規則を設定することによって実現可能である。１つの分類子に対しては、複数の検出器を割り当て可能である。また、検出器と分類子のセットは、様々な詳細レベルにおいて複数のロケールに割り当て可能である。そして、複数の検出器と分類子の組み合わせは、ブール用語で作成可能である。図１ｄは、様々なロケールへの検出器および分類子の適用方法を示す。

ジョブ前設定が完了すると、設定がロックされて、ジョブの生成が開始可能となる。この段階の各プロセス要素を「演算」「解析」「検証」「報告」という見出しで図１ａに示す。

「演算」においては、ダッシュボードクライアント１１２を用いて、データサーバーの選択、ネットワークドライブのマッピング、校正グループのロード、ジョブ進捗キューの監視、および進行中の校正グループに関する警告の表示を行う。警告の例としては、一時停止、作動、障害等が挙げられる。ファイルに関する個々の警告としては、提出、解析開始、待機、完了、失敗等が挙げられる。

「演算」のロード・校正段階１３０には、校正基準に向けた自動校正が含まれる。類似する基準は、同時にロード可能である。また、複数の基準に由来する欠陥は、結合して１つの校正グループで使用可能である。

「演算」段階では、自動標識位置決め（Ｌａｎｄｍａｒｋ ａｕｔｏｍａｔｉｃ ｌｏｃａｔｉｎｇ）１４０およびロケールマッピング１５０もその一部として実行する。
「解析」段階では、スラッジやノイズ等の影響に対する欠陥検出１６１、欠陥分類１６３、およびシングルパス測定１６２を行う。データは、検出１６１および分類１６３を経た後、シングルパス測定の処理が行われ、設定に基づいて複数のロケールに分割される。各ロケールへの検出の適用は、設定に基づいて行う。検出した欠陥への分類の適用は設定に基づいて行い、分類した欠陥は「バケット」に書き込んで最終受け入れに供する。

ノイズ測定解析では、検出した欠陥の抑制を行う。ノイズ値は、生データに基づいて、ロケールおよび技術別に測定する。ノイズ測定のモードとしては、ピーク間電圧、垂直方向最大、および水平方向最大が挙げられる。ノイズは、ロケール当たりの最大ノイズ値を割り当て可能であって、一実施形態では、予め設定した閾値を越えるノイズのみを記録する。

最終受け入れ１７０は、「解析」段階の後に動作する。この最終受け入れでは、履歴条件に基づき、希望により他の基準も組み合わせて、報告する条件を決定することにより重複を解消する。近接フィルタを使用すると、所定空間内の複数の条件を組み合わせて、単一の条件として表すことができる。最終受け入れにおいては、履歴レポートの比較も行って、過去のレポートからの変更はフラグを立てて報告する。また、ノイズ測定結果についても、対象欠陥の局所領域に関して報告することにより、信号対ノイズ報告を可能とする。

フィールドジョブプロセスの最終段階は、「報告」段階１８０である。この段階では、部位固有の報告フィルタを適用可能である。
マルチアルゴリズムアーキテクチャ
自動解析コアアーキテクチャの基本は、管内の重要な解析位置を予め決定し、これら特定の各領域において任意の数の検出アルゴリズムを任意の数の分類アルゴリズムと組み合わせて、損傷メカニズムの検出確率を最大化することにある。このアーキテクチャでは、管をあらゆるスライスで解析して、解析の重複が発生する場所と態様とを厳密に保証できるように完全な制御を実現する。また、このアーキテクチャは、任意の位置精度で解析を行う柔軟性を提供するため、たとえば、管板拡張遷移における損傷メカニズムを非常に明確に探し出すことができる。または、管板の全領域をより広範に走査可能である。あるいは、これら両者を実現可能である。

マルチアルゴリズム解析管理を図６ａ、図６ｂ、図６ｃのフロー図に示す。チャンネルエイリアシング：チャンネルエイリアシングの目的は、再利用可能なチャンネル設定を作成可能とすることである。再利用可能であることには、１）成功事例の使用および再使用ができる高信頼性、および、２）既存の設定要素の活用によるジョブ作成時間の短縮、という２つの重要な利点がある。

アルゴリズムビルダー：ＲｅｖｏｓｐＥＣＴアルゴリズムはすべて、ＲｅｖｏｓｐＥＣＴトレーニング用インターフェースに設定されている。このインターフェースは、検出アルゴリズムおよび／または分類アルゴリズムを作成してライブデータ上で試験する手段を提供する。アルゴリズムの試験中、動的閾値判定、測定位置、角度・電圧判定、合否状態等の重要なアルゴリズムステップについては、プログラムに格納しておくことで、オペレータが後で精査可能である。このように、オペレータは、解析プロセスを自由に前後移動して、設定したアルゴリズムによる解析の実施具合の詳細を確認するようにしてもよい。各ステップにおいては、システムで情報を入手して、関心のある信号に対するトレーニングを行ってもよい。

アルゴリズムコンバイナ：ＲｅｖｏｓｐＥＣＴアルゴリズムはすべて、アルゴリズム設定インターフェースにおいて、解析用に体系化され、対象の蒸気発生器の仕様に適用される。

蒸気発生器は、ロケール（Ｌｏｃａｌｅ）と称する関心領域にて定義される。検出器および分類子のアルゴリズム（アルゴリズムビルダーに内蔵）は、特定の組み合わせで関心ロケールに適用される（解析用ユーザーガイドラインに基づく）。特定のロケールに適用された検出器および分類子のアルゴリズムの組み合わせは、アナライザグルーピングと称する。アナライザグルーピングは、解析用ユーザーガイドラインに定義された関心のある特定の損傷メカニズムを探し出すためのものである。

ロケールカバーツール：アルゴリズム設定インターフェースは、各ロケールに対するアナライザグルーピングの網羅状態に基づいて、すべてのロケールおよびカラーコードロケールを視覚表示する。ロケールカバーツールは、解析用ユーザーガイドラインに基づいて、関心のある各損傷メカニズム別にすべてのロケールを表示する。ロケールカバーツールは、視覚表示のほか、各損傷メカニズム別に各ロケールと関連するアナライザグルーピングのテキストベースの概要を各表示に結びつける。

マルチアルゴリズム解析は以下のように進める。
部位設定インターフェース６１１においてチャンネルエイリアシング６１０を実施する。その後、チャンネルのマッピングを行う（６１２）。チャンネルマッピングでは、各チャンネルに対してコイルを選択し（６１３）、周波数のタイプを選択し（６１４）、所定のフィルタを適用する（６１５）。

あらゆる蒸気発生器およびユーザーにおいて、渦電流検査パラメータには、管類の変形や部位の選好に由来する実に様々な種類が存在する。ただし、渦電流解析の基本原則により、データの解析には多数の共通点がある。そこで、データ解析の設定においては、部位特有の状況を対象としつつ一般論としての作業を可能にするため、チャンネルエイリアスの作成を行った。これにより、特定のデータストリーム・クラスに関するデータの解析が本質的に可能である。たとえば、欠陥のボビン検出を行うには通常、第１の周波数差分チャンネルを考慮に入れる。このチャンネルは、Ｘプローブのボビンコイルの場合、チャンネル１、３、または１６９が考えられる。蒸気発生器によっては、周波数が変化することになるが、これらの各インスタンスはＢｏｂｂｉｎＤｉｆｆ．Ｈｉｇｈとも称する。なお、各取得技術は、エイリアシング対象の実チャンネルのマッピングを有する。

プロセスチャンネルの場合は、当該プロセスチャンネルの目的を示す名称一覧が存在する。エイリアシングを行えば、名称が付されたデータフィルタへのアドオンも可能となる。フィルタ設定の一群にはユーザーが名称を付け、技術ごとに特殊化してもよい。この特殊化により、けん引速度等の仕様に基づくフィルタの調整が可能となる。たとえば、メディアンフィルタでは、サンプル密度に基づいてウィンドウを調整する必要がある。また、デフォルトのスライス数は３０１であるが、設定が異なる場合は必要に応じて増減可能である。

その後、エイリアスを用いて検出および分類の設定を行う。これにより、設定の対象が損傷メカニズムの基本表示となり、変更を最小限に抑えつつ技術間で流用可能となる。
アルゴリズムビルダー６２０は、トレーニング用インターフェース６２１を介して実行する。この段階には、上述の通りチャンネルの選択（６３１）、フィルタの適用（６３２）、測定タイプの選択（６３３）、および試験ロジックの適用（６３４）を含むルールベースの検出器６３０が内蔵されている。このシステムでは、複数の検出器設定を定義することもできる。また、検出器は、連続的なウェーブレット変換フィルタを備えたミシガン州適応閾値ルールベース（Ｍｉｃｈｉｇａｎ Ｓｔａｔｅ Ａｄａｐｔｉｖｅ Ｔｈｒｅｓｈｏｌｄ Ｒｕｌｅ Ｂａｓｅｄ）アルゴリズムまたはＺｅｔｅｃカスタムルールベース（Ｚｅｔｅｃ Ｃｕｓｔｏｍ Ｒｕｌｅ Ｂａｓｅｄ）アルゴリズム等、現在のアルゴリズムの特定の技術パラメータを満足するように構成してもよい。

アルゴリズムビルダー６２０には、トレーニング用インターフェース６２１を介してルールベースの分類子６４０も内蔵されている。分類子の構築には、チャンネルの選択（６４１）、測定タイプの選択（６４２）、および試験ロジックの適用（６４３）が含まれる。

アルゴリズムビルダー６２０には、トレーニング用インターフェース６２１を介して適応閾値検出器６５０も内蔵されている。閾値検出器の構築には、チャンネルの選択（６５１）、フィルタの適用（６５２）、および試験ロジックの適用（６５３）が含まれる。

アルゴリズムコンバイナ６６０は、設定インターフェース６６１を介して実行することにより、必要な検出器および分類子を組み合わせる（６６２）。ロケールマッピングツリー６６３で関心ロケールを選択した後、アルゴリズムバンクから検出器６６４および分類子６６５を選択する（６６４）。そして、検出器および分類子を対にして、ロケールフレーム内でアナライザグルーピングを形成する（６６６）。このアナライザグルーピングは、トレーニング用インターフェース６２１を介してデバッグ可能である（６６８）。上記組み合わせプロセスは、必要に応じて図示の通り繰り返す。

ロケールの網羅は、設定インターフェース６６１を介して動作するロケールカバーツール６７０によって実行する。解析の網羅状態（６７２）は、第１の関心ロケールを視覚化ローカライザで選択し（６７３）、関心のある損傷メカニズムを選択し（６７４）、網羅状態を精査し（６７５）、網羅レポートを印刷する（６７６）ことによって検証する。このプロセスは、追加ロケールがある場合に繰り返すことができる（６７７）。

コンフィグレータクライアント２０は、ロケールごとの検出器、識別子、および分類子を定義する。特定のロケールは、一括または単独で設定する。また、検出、識別、および分類用に個別のロケールを定義する。複数の検出器、識別子、および分類子は、一括および／または論理的に設定する。なお、分類コードは、設定に基づいて割り当てる。

ロケール
効果的な解析のプロセスには、高精度に定義したロケールが不可欠である。これは、管類をロケールへと細分割するには、標識を高精度に検出することが必要であることを意味する。すなわち、複数の高度なアルゴリズムを用いて標識の自動検出を行うと、標識が正確に検出可能となる。

ここで、多段階自動標識構造検出（図１ａの１４０）プロセスを使用する。第１段階では、設定標識テーブルを用いてデータの構文解析を行う。第２段階では、標識検出アルゴリズムを用いてデータの構文解析を行うことにより、正確な構造位置を生成する。第３段階では、特定のロケールへと構造を細分割する。ロケールは、複数のレベルで定義する。第１レベルのロケールは通常、管領域である（たとえば、ＨＬ、ＣＬ、Ｕ字管等）。第２レベルのロケールは通常、適切な構造領域である（たとえば、支持板、管板、フリースパン等）。第３レベルのロケールは通常、構造細分割である（たとえば、管板拡張部、管板拡張遷移部、支持中心部、支持縁部等）。第４レベルのロケールは通常、遷移分割である（たとえば、拡張遷移部中心、拡張遷移部入口、拡張遷移部出口等）。ロケールの区分に関しては、図１ｂ、図１ｃ、図１ｄを参照することができる。

ＡｎａｌｙｓｉｓＬｏｃａｌｅ（解析ロケール）
ＡｎａｌｙｓｉｓＬｏｃａｌｅは、管内の単一領域または集合領域を記述するデータ構造であって、以下の例のように、任意の精度を記述可能である。
１．ＦｕｌｌＴｕｂｅ／ＨｏｔＬｅｇ（ホットレグ管全体）
２．ＦｕｌｌＴｕｂｅ／Ｕｂｅｎｄ／ＦｒｅｅＳｐａｎ（Ｕ字管に含まれる個別の各フリースパン）
３．ＦｕｌｌＴｕｂｅ／ＨｏｔＬｅｇ／Ｔｕｂｅｓｈｅｅｔ／Ｅｘｐａｎｓｉｏｎ（ホットレグ管の拡張遷移部の始点から終点まで）
４．ＦｕｌｌＴｕｂｅ／ＣｏｌｄＬｅｇ／ＦｒｅｅＳｐａｎ／ＳｌｕｄｇｅＰｉｌｅ（フリースパンの始点からスラッジパイルの頂点まで）
５．ＦｕｌｌＴｕｂｅ／Ｕｂｅｎｄ／ＵｂｅｎｄＳｔｒｕｃｔｕｒｅｓ／ＳｔｒｕｃｔｕｒｅＥｄｇｅｓ（Ｕ字管の構造縁部）
６．ＦｕｌｌＴｕｂｅ／Ｕｂｅｎｄ／ＵｂｅｎｄＳｔｒｕｃｔｕｒｅｓ（Ｕ字管の縁部および中心部を含む構造全体信号）
すべてのロケールおよび必要な精度は、予測してｘｍｌファイルにパッケージ化する。これら予測した各ロケールでは、マッピングしたロケール間にスライスギャップが生じないように、スライス値群へのマッピングに必要なアルゴリズムを利用する。上記コードにより、一連の各精度が親ロケールに完全に含まれるとともに、親ロケールのあらゆるスライスが直下の子ロケールによって構成される。

ＬｏｃａｌｅＡｎａｌｙｚｅｒ（ロケールアナライザ）
ＬｏｃａｌｅＡｎａｌｙｚｅｒは、単一のＡｎａｌｙｓｉｓＬｏｃａｌｅ上での解析の開始を担う。ＬｏｃａｌｅＡｎａｌｙｚｅｒは、１つだけ含むＡｎａｌｙｓｉｓＬｏｃａｌｅに適用され、当該ロケール全体で実行する特定の解析方法（ＬｏｃａｌｅＡｎａｌｙｚｅｒＵｎｉｔｓ）を多数含む。また、ＡｎａｌｙｓｉｓＬｏｃａｌｅは、ＡｎａｌｙｓｉｓＬｏｃａｌｅツリーで説明したように、当該ロケール内で区画された領域に関連する低精度のＡｎａｌｙｓｉｓＬｏｃａｌｅを多数含む。ＬｏｃａｌｅＡｎａｌｙｚｅｒＵｎｉｔは、所与のＡｎａｌｙｓｉｓＬｏｃａｌｅにおける任意の単一解析パス種別に関与する抽象基底クラスである。各ＬｏｃａｌｅＡｎａｌｙｚｅｒＵｎｉｔは、ユーザー設定に応じて他のＬｏｃａｌｅＡｎａｌｙｚｅｒＵｎｉｔとの共有可否が決定される単一の指定ＡｎａｌｙｓｉｓＲｅｐｏｒｔＢｕｃｋｅｔを有する。以下は、ＬｏｃａｌｅＡｎａｌｙｚｅｒＵｎｉｔから派生したクラスである。
１．ＳｌｕｄｇｅＲｅｐｏｒｔＵｎｉｔ
２．ＮｏｉｓｅＭｅａｓｕｒｅｍｅｎｔＵｎｉｔ
３．ＤｅｔｅｃｔｉｏｎＣｌａｓｓｉｆｉｃａｔｉｏｎＵｎｉｔ
ＡｎａｌｙｓｉｓＲｅｐｏｒｔＢｕｃｋｅｔは、関連する結果の集合体である。同じＡｎａｌｙｓｉｓＲｅｐｏｒｔＢｕｃｋｅｔに置かれた結果はすべて、当該バケット内の他の結果に対して、空間的な重なりの有無が自動的に確認される。２つの結果の位置が重なっている場合は、以下のいずれかのユーザー設定規則に従って、一方の結果を削除する。
１．先入れ：バケットに最初に入力されたレポートを残し、新しい方を破棄する。
２．後入れ：最後に追加入力したレポートを残し、古い方を破棄する。
３．最大電圧：電圧の測定結果が最大の入力（中間レポート入力構造での報告による）を残し、小さい方を破棄する。
４．最大面積：空間面積が大きい方の入力を残し、小さい方を破棄する。

自動解析設定において、ユーザーは任意の数のＡｎａｌｙｓｉｓＲｅｐｏｒｔＢｕｃｋｅｔを作成し、そのうちの１つが各ＬｏｃａｌｅＡｎａｌｙｚｅｒＵｎｉｔに選択される。代表的なＡｎａｌｙｓｉｓＲｅｐｏｒｔＢｕｃｋｅｔは以下の通りである。
１．くぼみ
２．ＭＢＭ（製造バフマーク）
３．欠陥
４．スラッジ（内部使用のみを目的として確保）
５．ノイズ（内部使用のみを目的として確保）
ユーザーは、他のレポート入力種別と重複しているか否かに関わらず、くぼみ、ＭＢＭ、スラッジ等が読み出されるようにしたいと考える。また、ＡｎａｌｙｓｉｓＲｅｐｏｒｔＢｕｃｋｅｔは、後段の最終受け入れで使用することにより、同じバケットには存在しないが、別の規則に基づいて削除の要望が依然あるか、または別のバケットの要素（たとえば、くぼみ等）と重複していることにより兆候コードの変更が必要な重複入力の処理方法を決定する。

ＤｅｔｅｃｔｉｏｎＣｌａｓｓｉｆｉｃａｔｉｏｎＵｎｉｔ（検出分類部）
ＤｅｔｅｃｔｉｏｎＣｌａｓｓｉｆｉｃａｔｉｏｎＵｎｉｔは、単一のＤｅｔｅｃｔｉｏｎＳｔｅｐおよび単一のＣｌａｓｓｉｆｉｃａｔｉｏｎＳｔｅｐを含むＬｏｃａｌｅＡｎａｌｙｚｅｒＵｎｉｔの一形態である。ＤｅｔｅｃｔｉｏｎＣｌａｓｓｉｆｉｃａｔｉｏｎＵｎｉｔは、ＬｏｃａｌｅＡｎａｌｙｚｅｒからの通知により、ＤｅｔｅｃｔｉｏｎＳｔｅｐを介して解析を開始し、ＤｅｔｅｃｔｉｏｎＳｔｅｐの終了を待って（各検出アルゴリズムは個別のスレッドに存在）、ＣｌａｓｓｉｆｉｃａｔｉｏｎＳｔｅｐを介して分類を開始し、先程と同様にＣｌａｓｓｉｆｉｃａｔｉｏｎＳｔｅｐの終了を待つ。

ＤｅｔｅｃｔｉｏｎＳｔｅｐ（検出ステップ）
ＤｅｔｅｃｔｉｏｎＳｔｅｐクラスは、解析領域の複合検出走査を表し、複数の独立した検出パスにより構成可能であって、結果的に単一のＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔアレイが得られる。隣接する結果の各組は、重複の場合は組み合わせによって結果を統合し、重複しない結果は破棄するように構成されたＤｅｔｅｃｔｉｏｎＭｅｒｇｅｒオブジェクトに渡される。対応する検出統合規則による（必要以上に複雑で起こりそうにない）検出の例として、ＤＥＴ１‘ａｎｄ’ＤＥＴ２‘ｏｒ’ＤＥＴ３‘ｏｒ’ＤＥＴ４‘ａｎｄ’ＤＥＴ５‘ａｎｄ’ＤＥＴ６が挙げられる。

ＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔ（検出結果）
ＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔは、データ中の矩形または１次元位置を記述するための単純なデータ構造である。この構造の存続時間は、検出から分類までである。

Ｄｅｔｅｃｔｏｒ（検出器）
Ｄｅｔｅｃｔｏｒは、基本検出クラスであり、その派生としてＰｌｕｇｉｎＤｅｔｅｃｔｏｒ、ＺＲＢＤｅｔｅｃｔｏｒ、ＭａｔｌａｂＤｅｔｅｃｔｏｒ等の様々な検出器が得られる。Ｄｅｔｅｃｔｏｒの出力は、ＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔのベクトルとなる。

ＤｅｔｅｃｔｉｏｎＭｅｒｇｅｒ（検出統合）
ＤｅｔｅｃｔｉｏｎＭｅｒｇｅｒは、２つのＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔに対してＯＲ論理またはＡＮＤ論理を実行する機能クラスである。任意の単一演算の結果は、別のＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔとなって、別のＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔとの組み合わせが必要となる場合がある。ＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔの任意の複雑性を対応するＤｅｔｅｃｔｉｏｎＭｅｒｇｅｒ規則と組み合わせる方法においては、常に左から右へ、すべてのＡＮＤ項をまず初めに演算する。上述の例ＤＥＴ１‘ａｎｄ’ＤＥＴ２‘ｏｒ’ＤＥＴ３‘ｏｒ’ＤＥＴ４‘ａｎｄ’ＤＥＴ５‘ａｎｄ’ＤＥＴ６に関しては、以下のように演算する。
１．ＤＥＴ１‘ａｎｄ’ＤＥＴ２を実施（結果はＤＥＴ１２）
２．ＤＥＴ４‘ａｎｄ’ＤＥＴ５を実施（結果はＤＥＴ４５）
３．ＤＥＴ４５‘ａｎｄ’ＤＥＴ６を実施（結果はＤＥＴ４５６）
４．ＤＥＴ１２‘ｏｒ’ＤＥＴ３を実施（結果はＤＥＴ１２３）
５．ＤＥＴ１２３‘ｏｒ’ＤＥＴ４５６を実施（結果はＤＥＴ１２３４５６）
ＡＮＤ論理では、任意の２つのＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔに関して、互いに重複する部分のみが残って、新たなＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔが１つ生成される。ＯＲ論理では、任意の２つのＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔに関して、重複する場合（各結果の少なくともＮ％（Ｎは設定可能）が他の結果に含まれることを意味する）以外はすべての結果が変更されない。２つのＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔが重複する場合は、統合されて、２つの矩形ＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔの結合体である単一の大きなＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔとなる。

ＣｌａｓｓｉｆｉｃａｔｉｏｎＳｔｅｐ（分類ステップ）
ＣｌａｓｓｉｆｉｃａｔｉｏｎＳｔｅｐクラスは、特定の検出結果群の複合分類解析を表す。ＤｅｔｅｃｔｉｏｎＳｔｅｐと同様に、複数の独立したアルゴリズムにより構成可能であって、結果的に単一のＩｎｔｅｒｍｅｄｉａｔｅＲｅｐｏｒｔＥｎｔｒｙアレイ（ＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔ当たり１つ以下）が得られる。
並列マルチパスアーキテクチャ
本発明のソフトウェアは、管内の同じ領域に対して複数の解析方法を設定可能である。また、各方法の結果が異なる分析報告グループに属するように構成してもよい。

並列マルチパスアーキテクチャを図４ａおよび図４ｂにて説明する。
ステップ４１０では、報告グループを作成・確認する。各報告パスの報告グループを作成・検証する動作（４１２）は、部位設定インターフェース４１１を介して行う。

ステップ４２０では、アナライザ設定インターフェース４２１を介して報告バケットを作成する。このステップには、解析グループの割り当て（４２２）および重複削除方法の割り当て（４２３）が含まれる。

ステップ４３０では、マルチパスアナライザグルーピングを単一のアナライザ構成に設定する。この設定は、部位設定、アルゴリズムトレーニング用インターフェース、アナライザ設定インターフェース４３１を介して行う。ステップ４３２では、チャンネルエイリアシング４３２ａ、アルゴリズム構築４３２ｂ、アルゴリズム組み合わせ４３２ｃ、およびロケール網羅検証４３２ｄによって欠陥アナライザグルーピングを設定する。これらの段階については、チャンネルエイリアシング６１０、アルゴリズム構築６２０、アルゴリズム組み合わせ６６０、およびロケール網羅検証６７０といった参照項目に対応しており、図６ａ、図６ｂ、図６ｃに関する記述において詳細に説明する。なお、スラッジアナライザグルーピング４３３、ノイズアナライザグルーピング４３４、およびその他の条件のアナライザグルーピング４３５の設定においても、同様のプロセスを実行する。

以上のように、スラッジは、たとえばくぼみ解析および／または通常の欠陥解析と並列に動作してもよい。この場合のレポート入力の重複は、意図的に許可されるが、レポート入力の表示では解析グルーピングによって分離される。
度数比／頻度差（Ｆｒｅｑｕｅｎｃｙ ｒａｔｉｏｓ／ｄｅｌｔａｓ）
従来の自動解析の試みでは、特定種類の損傷メカニズムを考慮する所与の頻度または頻度群で信号が有すべき特徴の規定に向けて、相当のジョブを行っていたが、特に関心のある信号の頻度全体での挙動である場合が多い。第１の頻度からその半分の頻度まで、信号が少なくとも１０度回転しているか否か、あるいは、第１の頻度での電圧が半分の頻度での電圧より少なくとも２５％高いか否か等は、特徴付けようとしている信号が欠陥であるか否かという点とその種類とを最終的に決定するための基準である。本発明に係る分析製品のルールベース分類アルゴリズムパッケージを使用すると、電圧、角度、深さ、および長さといったあらゆる下位種別の試験の頻度間において、比率および／または直接差異に関する任意の数の測定が可能となる。

チャンネルエイリアス
発生器およびユーザーにわたり、渦電流検査パラメータには、管類の変形や部位の選好に由来する実に様々な種類が存在する。ただし、渦電流解析の基本原則により、データの解析には多数の共通点がある。そこで、データ解析の設定においては、部位特有の状況を対象としつつ一般論としての作業を可能にするため、チャンネルエイリアスの作成を行った。これにより、特定のデータストリーム・クラスに関するデータの解析が本質的に可能である。たとえば、欠陥のボビン検出を行うには通常、第１の頻度差分チャンネルを考慮に入れる。このチャンネルは、Ｘプローブのボビンコイルの場合、チャンネル１、３、または１６９が考えられる。発生器によっては、頻度が変化することになるが、これらの各インスタンスはＢｏｂｂｉｎＤｉｆｆ．Ｈｉｇｈとも称する。なお、各取得技術は、エイリアシング対象の実チャンネルのマッピングを有する。

プロセスチャンネルの場合は、当該プロセスチャンネルの目的を示す名称一覧が存在する。
エイリアシングを行えば、名称が付されたデータフィルタへのアドオンも可能となる。フィルタ設定の一群にはユーザーが名称を付け、技術ごとに特殊化してもよい。この特殊化により、けん引速度等の仕様に基づくフィルタの調整が可能となる。たとえば、メディアンフィルタでは、サンプル密度に基づいてウィンドウを調整する必要がある。また、デフォルトのスライス数は３０１であるが、設定が異なる場合は必要に応じて増減可能である。

その後、エイリアスを用いて検出および分類の設定を行う。これにより、設定の対象が損傷メカニズムの基本表示となり、変更を最小限に抑えつつ技術間で流用可能となる。
最終受け入れ
ＲｅｖｏｓｐＥＣＴの最終受け入れプロセスは、フィールドでリアルタイムに収集した解析結果を過去の解析パスで収集したデータと関連付けることによって、渦電流解析業界に革新をもたらすものである。このようなデータの「横断的」な見方をすれば、複数のデータセットにわたって複雑な関係を描くことが可能となり、長期間にわたって発生する蒸気発生器の変化率を認識可能となる。また、この最終受け入れプロセスによれば、リアルタイムに収集した関心のある兆候（閾値を超えるノイズ等）の収集および関連付けが可能となり、単体としてではなく全体として評価することによって、蒸気発生器のより大きな問題を提起する描画可能なパターンを決定可能となる。

自動最終受け入れ（ＦＡ）は、解析者設定規則を自動的に適用して、特定の高検出確率（ＰＯＤ）自動解析方法の使用に起因するオーバーコールの様々な形態を低減するソフトウェアコンポーネントである。多数の検出／分類技術を並列動作させると、ＰＯＤは高くなるが、オーバーコールと見なされる冗長な結果が多数生成される。ただし、ＦＡ重複規則が単一の最終結果を自動的に選択することによって、多数の冗長な結果の中から報告可能となる。

ＦＡ統合規則は、試験中の管に沿って規則特有の近接関係にある多数の類似結果を表す単一の結果を自動的に報告する。また、ＦＡ低電圧規則は、非常に高感度（すなわち、高ＰＯＤ）の検出閾値を適用したことに起因するオーバーコールを自動的に破棄する。ＦＡ履歴整合／指定／比較規則は、システム全体が報告すべきことを適切に報告しているか否かを自動的に判定して、偶然小さかった履歴整合結果を低電圧規則が破棄しないようにするものである。

最終受け入れプロセスを図５ａ、図５ｂ、図５ｃ、図５ｄ、図５ｅにて説明する。
最終受け入れは、アナライザ設定インターフェース５０１を介して設定する。ステップ５１０では、既存の報告バケットの選択または新しいバケットの作成（５１１）、解析グループの選択（５１２）、および最終前受け入れ重複方法の選択（５１３）の各ステップによって、報告バケット重複の削除を規定する。また、必要に応じて、別の報告バケットを追加・設定する（５１５）。

ステップ５２０では、報告バケットの選択（５２１）、低電圧規定のための関心兆候コードの選択（５２２）、および選択した報告バケットに対する最小関心電圧の判定（５２３）によって、低電圧フィルタを規定する。また、必要に応じて、低電圧フィルタをさらに規定する（５２４）。

ステップ５３０では、第１の報告済み重複の報告バケットの選択（５３１）、第１の報告済み重複の兆候コードの選択（５３２）、第２の報告済み重複の報告バケットの選択（５３３）、第２の報告済み重複の兆候コードの選択（５３４）、重複方法の決定（５３５）、および無効兆候コードの判定（５３６）によって、重複フィルタを規定する。また、必要に応じて、重複フィルタをさらに規定する（５３７）。

ステップ５４０では、複数の兆候統合フィルタを規定する。これらのフィルタは、相対的な近接関係にある複数の兆候を単一の兆候に統合することによって規定する。このプロセスには、報告バケットの選択による統合可能性の判定（５４１）、関心兆候コードの選択による統合可能性の判定（５４２）、兆候の統合を考慮する最小近さの決定（５４３）、および報告済み統合兆候の兆候コードの決定（５４４）の各ステップが含まれる。この複数の兆候統合フィルタを規定するプロセスは、多数の報告バケットが存在する場合の必要に応じて繰り返す（５４５）。

ステップ５５０では、履歴指定フィルタを規定する。このプロセスには、比較検討対象の現結果の範囲限定および未指定結果の識別方法の特定（５６０）、履歴結果と現結果間の関係基準の規定（５７０）、および「履歴からの変化」フィルタの規定（５８０）の３つのサブステップが含まれる。各プロセスのサブステップ（５６０、５７０、および５８０）について説明すると、比較検討対象の現結果の範囲限定および未指定結果の識別ステップ（５６０）には、関心のある現結果解析グループの選択（５６１）、関心プローブコードの規定（５６２）、および履歴結果中で未指定の兆候に対する新たな兆候コードの特定（５６３）が含まれる。履歴結果と現結果間の関係基準の規定ステップ（５７０）には、現結果における兆候コードの選択（５７１）、履歴結果における兆候コードの選択（５７２）、履歴結果と現結果間の指定を考慮すべき最小近さの決定（５７３）、履歴データの絶対電圧カットオフの決定による次ステップの決定（５７４）、絶対電圧がカットオフ最小値を下回る場合、付随する変化を考慮すべき履歴結果に対して現結果中で信号を縮小可能な最大電圧の決定（５７５）、および絶対電圧がカットオフ最小値を上回る場合、付随する変化を考慮すべき履歴結果に対して現結果中で信号を縮小可能な百分率最大電圧の決定（５７６）が含まれる。また、必要に応じて、履歴指定フィルタをさらに追加することもできる（５７７）。

「履歴からの変化」フィルタの規定ステップ（５８０）には、現結果の対象兆候コードの入力による「履歴からの変化」の適用（５８１）、現在データの絶対電圧カットオフの決定による次動作の決定（５８２）、現在電圧がカットオフを下回る場合、現在値と履歴値間の絶対値電圧が変化したと見なされるためにどの程度増加すべきかの決定（５８３）、および現在電圧がカットオフを上回る場合、現在データと履歴データ間の電圧割合が変化したと見なされるためにどの程度増加すべきかの決定（５８４）が含まれる。次に、ユーザーは、位相度合い信号が回転して変化したと見なされるべき量を入力する（５８５）。そして、変化したと見なされるべき壁信号中の百分率深さを入力する（５８６）。変化基準のいずれかが満たされた場合に適用する現結果コードを入力し（５８７）、変化基準のいずれも満たされない場合に適用する現結果の兆候コードを入力する（５８８）。また、必要に応じて、履歴指定フィルタをさらに追加する（５８９）。

履歴レポート比較
履歴レポート比較は、解析者設定規則を自動的に適用して、検査履歴関連の決定を行うソフトウェアコンポーネントである。この規則は、現在の検査の結果が履歴や「指定」の履歴と「上昇整合」の状態および／または履歴から「変化」した状態にあるか否か、ならびに適宜変更したフィールドで結果を報告するか否かを判定する。

この設定可能な上昇整合基準により、解析者は、上昇公差の指定およびプローブコードの検討が可能となる。また、設定可能な指定履歴基準には、電圧および角度の減少拒絶閾値の公差、ならびに最終レポートに現れる結果としての兆候コードの調整が含まれる。さらに、設定可能な「履歴からの変化」基準には、電圧および角度の閾値、ならびに値が小さい場合の絶対値比較および値が大きい場合の百分率比較が含まれる。
ロケールマッピング
本発明のロケールマッピングに関連する構成要素の機能詳細を以下に示す。なお、ロケールマッピングは、１）概要、２）アルゴリズム、および３）位置決め手順という３つの小区分に分かれている。

ロケールのグラフィック表示
本発明では、ロケールの考え方を用いることにより、各レグによって特定される管板やフリースパン等の発生器の特定領域に対する設定を一般化する。ロケールチャートは、ストリップチャートと平行して、ロケールの変化を表示するものである。ロケールチャートの幅は固定されており、表示データに存在するロケールに応じて、レベル２〜４のロケールを表示する。データカーソルを合わせたロケールはハイライトされる。また、マウスによるデータのナビゲーションおよびズームには様々なモードが存在する。

縁部補正
縁部補正は、支持構造、管板、および／または管端の自動位置決め縁部に対して、ユーザーが効果的に固定距離を加算または減算できる簡単な方法である。この方法によれば、（通常は）フリースパンに割り振られたデータを犠牲にして、特定種類の支持構造およびその内側縁部領域に割り振られたデータの量の増加（または減少）をユーザーが選択できるように、結果として得られるロケールマッピングを繊細に制御可能となる。各種標識構造には、縁部補正用の特定の設定ポイントが用意されているため、たとえば中空の支持部には１／２インチを加算してもよいが、中身の詰まった支持部には補正を行わない。

ＤａｍａｇｅＭｅｃｈａｎｉｓｍ（損傷メカニズム）
ＤａｍａｇｅＭｅｃｈａｎｉｓｍクラスは、関連する任意の数の解析ロケールおよび然るべき兆候コードに対して、名称を付けた損傷メカニズムのマッピングを行うデータ構造である。ＤａｍａｇｅＭｅｃｈａｎｉｓｍの名称は、ＡｎａｌｙｓｉｓＬｏｃａｌｅの記述文字列と併せて使用することにより、位置固有の損傷メカニズムに対してアルゴリズムをマッピングする。ＤａｍａｇｅＭｅｃｈａｎｉｓｍクラスは、設定関連のオブジェクトとして、ユーザーが自動解析を設定する際のガイドとなる。損傷メカニズムの作成とロケールへのマッピングを行った後は、自動解析の設定として、ユーザーが各ロケールにアクセスし、当該ロケールにマッピングされた所定の各メカニズムに対する検出および／または分類方法を取得する。ユーザーには、上記特定のロケールで見つけられる損傷メカニズムのみが提供・設定される。未設定のものは、容易に通告および／または追跡可能で、後で検証される。

ロケールマッピング関連のアルゴリズム
拡張遷移検出
ロケールツリーマップ構造化の重要な部分である拡張遷移部の自動検出は、通常は遷移部の近傍に存在する周方向亀裂の検出に先行して行う。ほとんどの周方向亀裂は、支持構造または拡張遷移部に隣接している。拡張遷移の信号表示を自動識別することは、「高信頼性ゾーン」で周方向亀裂を探索する際に重要な役割を果たす。

ボビン
解析対象の第１の絶対頻度チャンネルのうち最も急峻な微小勾配の部分は、関心点であって、信号の差分の最大絶対値に対応するスライスを位置決めすることによって決定される。この点では、不正コールとヒット間の識別を行う第１の校正済み絶対ロケータ頻度全体で別の相対振幅試験を行う。

Ｘプローブ
この場合は、第１の頻度表示セットにおける特定のチャンネルのうち最も急峻な微小勾配の部分が関心点である。この特定チャンネルは、表示セットに含まれるチャンネル各部の長さ全体にわたって最大電圧を生成する部分に対応する。このチャンネルの最も急峻な微小勾配は、ボビンの場合と同様に決定される。また、表示セットチャンネル全体にわたるこの関心点の近傍の位相は、真の拡張遷移位置として確認されるように、指定範囲内に存在する必要がある。

Ｕ字管遷移検出
このアルゴリズムでは、識別するＵ字管遷移点の数を予め把握しておく必要がある。必要な点が１つの場合は、第１の絶対頻度チャンネルのうち最も急峻な微小勾配の部分が決定される。また、この位置は、信号の差分の最大絶対値に対応するスライスを位置決めすることによって特定される。別の識別子としては、関心点の近傍で実行されるユーザー供給識別子を備えた相対電圧検査がある。

２つのＵ字管遷移点が必要な場合も、信号中の２つの極大値を選択することによって両関心点を決定する場合を除いて、同様の解析が行われる。また、Ｕ字管遷移点が１つの場合と同様に、両関心点の近傍で相対電圧検査が行われる。

スラッジ検出（ボビン）
このアルゴリズムは、支持板または管板信号の近傍にヌル点を決定する。このヌル点を基準として、所定電圧および２つの位相境界の外側に存在する信号要素の極座標識別を実施する。予め設定した極領域内の要素がこのスラッジ信号成分である。

適応閾値検出
信号とノイズを識別するための閾値判定は、検出プロセス全体で重要な役割を果たす。不正コール率および誤り率を最低限に抑えるため、選択した閾値は、定常時信号対ノイズ比と直接関係する必要がある。すなわち、この閾値は、解析対象の信号の支配的な統計的特性に適合する必要がある。

図２は、欠陥に起因する信号表示または管支持板を疎らに配した差分ボビン信号「基板」の小区分を示す図である。「基板」は、渦電流解析の目的に合う知的情報を一切含まないノイズに対応する。この適応閾値プロセスの目的は、ノイズの多い基板の統計的特性を利用し、異なる検出感度レベルに応じて閾値を見積ることである。

定義：標準偏差（ＳＤ）
確率統計上、値の統計的分散の尺度としては、確率分布の標準偏差、確率変数、または値の母集団もしくは集合体が挙げられる。標準偏差は一般的に、文字σ（小文字のシグマ）で表され、分散の平方根として定義される。

確率変数Ｘの標準偏差は、以下のように定義される。

適応閾値化への標準偏差の適用
渦電流データにおけるノイズに対応する電圧は、正規分布しているものと仮定する。統計的には、測定結果が多数存在する場合、約６８％が平均値から１標準偏差の間に存在し、９５％が２標準偏差の間に存在し、９９．７％が３標準偏差の間に存在する。この経験則は通常、正規分布の母集団値にも当てはまる。図３は、正規分布データのグラフである。

図３ａは、平均からの標準偏差で囲まれた正規分布曲線を示す図である。水平軸両方向に平均から１標準偏差の間（グラフ上の赤色の領域）には、ノイズに対応するデータ母集団のおよそ６８％が存在する。平均から２標準偏差の間（赤色および緑色の領域）には、ノイズに対応する母集団のおよそ９５％が存在する。そして、３標準偏差の間（赤色、緑色、および青色の領域）には、ノイズに対応する母集団のおよそ９９％が存在する。

渦電流の適応閾値化には、標準偏差の改良型を使用する。数式（１）において平均値を中央値に置き換えると、より安定的かつ母集団値の極限に左右されずに中央値絶対偏差が得られる。

渦電流信号のピーク間電圧（ｖｐｐ）や垂直最大値（ｖｍｘ）等の統計的特性が全体として正規分布に従うものと仮定して、近似的にノイズ分布を１００％含む閾値を推定する。感度は、閾値を中央値絶対偏差よりも大きくしたくなる回数に関連付けられる。

使用方法
最初のテストケースとして、中央値絶対偏差に基づく臨界閾値の変更に利用可能なレベルが１０個ある場合を考える。これらのレベルは、感度レベルと表す。レベル１の感度では、標準偏差の倍数因子がレベル１０の感度よりもはるかに高くなる。ＸプローブおよびＭＲＰＣ（最大残余パケット容量）の２次元データ表示の場合、閾値は以下のように適応的に定義される。

ここで、
Ω＝閾値
μ＝分布の中央値
ξ＝乗数
σ＝中央値絶対偏差
Ｎ＝分布の要素数（経験的には、分布の要素数が５０００を超えるまでは２．７１８４に設定する）。

２次元データは通常、フィルタリングにより平坦化または水平化する。適切なフィルタの例としては、メディアンフィルタやＣＷＴ（連続ウェーブレット変換）フィルタが挙げられる。また、ボビンデータの閾値判定は、母集団に十分な数のＶｐｐがある場合は、その中央値の直接多重化によって以下のように演算する。

Ω＝ξσ
ここで、
Ω＝閾値
ξ＝乗数
σ＝Ｖｐｐ値の集合体の中央値絶対偏差。

母集団が大きな場合に演算速度を向上するには、無作為抽出によるサンプリング法を用いて中央値を演算する。
トレーニング用データが十分であれば、類似の環境条件で収集されたデータの感度レベルを適切に推定することができる。
位置決め手順
自動位置決め：信号形成
本発明の解析では、自動位置決めアルゴリズムに使用する固有の基準セットをあらゆる種類の標識に持たせることができる。特に、設定プロセスでは、種類ごとに信号回転の校正および格納を行う。自動位置決めにおいては、検出を試みる標識ごとに問題の標識種別を判定し、アルゴリズムの適用前に然るべき回転をデータに適用する。問題の各信号については、期待通りの方向に形成が進んでいる場合はさらに精査を考慮するだけである。

自動位置決め：標識テーブルの定義可能性
自動位置決めは、標識テーブルの定義を改良することによって大いに改良可能である。標識の視認性が故障によって異なる「灰色領域」を扱う論理と併せて、所与の行および列での出現が期待される標識に関する正確な情報が利用可能である。特定の行／列位置では、特定の標識幅および視認性が無効となる可能性がある。この情報は、標識が管と接触する角度が異なるために標識が大きく見える場所を記述する際に使用してもよい。あるいは、１つの大きな構造に見える点に近接している２つの標識を効果的に組み合わせる際に使用してもよい。

自動位置決めソフトウェアでは、ＡＶＢ上昇を使用するとともに、Ｕ字管の頂点から参照することを考慮している。
自動位置決め：対称性の考察
本発明の解析の自動位置決めでは、標識テーブルによる指定がない限り、Ｕ字管の標識構造が対称割り付けになることを仮定している（ただし、必ずしも等距離ではない）。この場合、Ｕ字管の標識は、Ｕ字管の頂点が決まるごとに対で検出される。対称性が予想される場合、自動位置決めソフトウェアとしては、Ｕ字管の頂点から同じ距離（公差の範囲内）で各標識対が検出されるようにする必要がある。対称性は、標識テーブルエディタを介して、標識テーブルに頂点マーカー（１つの標識が頂点にある場合は２つの隣接マーカー）を設置することにより定義可能である。頂点に対するＡＶＢ上昇も提供される場合（四角形管の場合）、対称性の考察は無視されて、直接上昇が優先的に使用される。
アルゴリズムトレーニング用インターフェース
本発明のすべてのアルゴリズムは、専用のトレーニング用インターフェースにおいて設定する。このインターフェースは、検出アルゴリズムおよび／または分類アルゴリズムを作成してライブデータ上で試験する手段を提供する。アルゴリズムの試験中、動的閾値判定、測定位置、角度・電圧判定、合否状態等の重要なアルゴリズムステップについては、プログラムに格納しておくことで、オペレータが後で精査可能である。このように、オペレータは、解析プロセスを自由に前後移動して、設定したアルゴリズムによる解析の実施具合の詳細を確認するようにしてもよい。各ステップにおいては、システムで情報を入手して、関心のある信号に対するトレーニングを自動的に行ってもよい。

以上、具体例を参照して本発明を詳細に説明したが、その技術思想と範囲から逸脱することなく種々変更および改良が可能であることは、当業者には当然のことである。

Claims (10)

1. 管類の欠陥を包括的に監視、解析、および管理するシステムであって、
   ロケール解析装置と管類の欠陥を特定する検出分類部とを含むコンピュータプラットフォームであって、該コンピュータプラットフォームのアーキテクチャは、自動解析タスクの並列実行を可能とする分散処理システムを含む、前記コンピュータプラットフォームと、
   特定のデータストリーム・クラスに関してデータを解析するチャンネルエイリアシング手段と、
   解析者設定規則を自動的に適用して、高確率の検出結果自動解析方法の使用に起因するオーバーコールの形態を低減する自動最終受け入れ手段と、
   前記管類および関連する構成要素の特定領域に対する設定を生成するロケールマッピング手段であって、標識境界の補正と、関連する複数の解析ロケールへの損傷メカニズムのマッピングと、拡張遷移検出、適応閾値検出、および位置決め手順を含むアルゴリズムとを実行する前記ロケールマッピング手段と
   を備えるシステム。
2. アルゴリズムトレーニング用インターフェースをさらに備える、請求項１に記載のシステム。
3. 前記検出分類部が、前記管類の電圧、角度、深さ、および長さの頻度間の比率または差異に関する複数の測定結果を含む、請求項１に記載のシステム。
4. 管類の欠陥を包括的に監視、解析、および管理する方法であって、
   コンピュータプラットフォーム上で履歴データおよび取得データをロードおよび校正すること、
   ロケールによって前記履歴データおよび取得データをソートすること、
   前記データをマッピングして、前記管類および関連する構成要素の特定領域に対する設定を生成すること、
   前記マッピングしたデータに基づいて欠陥を検出すること、
   電圧、角度、深さ、および長さの頻度間の比率または直接差異に関する任意の数の測定結果を用いて前記欠陥を分類すること、
   解析者設定規則を適用して、様々な形態のオーバーコールを低減するとともに、冗長な多数の結果の中から単一の最終結果を選択して報告すること
   を含む方法。
5. チャンネルエイリアスを利用して、特定のデータストリーム・クラスのデータを解析可能とすることをさらに含む、請求項４に記載の方法。
6. 前記マッピングすることが、標識境界の補正を実行することを含む、請求項４に記載の方法。
7. 前記マッピングすることが、関連する複数の解析ロケールへ損傷メカニズムをマッピングすることを含む、請求項４に記載の方法。
8. 前記マッピングすることが、拡張遷移検出を含むアルゴリズムを実行することを含む、請求項４に記載の方法。
9. 前記マッピングすることが、適応閾値検出を含むアルゴリズムを実行することを含む、請求項４に記載の方法。
10. 前記マッピングすることが、位置決め手順を含むアルゴリズムを実行することを含む、請求項４に記載の方法。