JPH05281199A - 探傷データ評価装置及び方法 - Google Patents
探傷データ評価装置及び方法Info
- Publication number
- JPH05281199A JPH05281199A JP4103914A JP10391492A JPH05281199A JP H05281199 A JPH05281199 A JP H05281199A JP 4103914 A JP4103914 A JP 4103914A JP 10391492 A JP10391492 A JP 10391492A JP H05281199 A JPH05281199 A JP H05281199A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- flaw detection
- detection data
- evaluation
- network system
- 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.)
- Pending
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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Plasma & Fusion (AREA)
- High Energy & Nuclear Physics (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【目的】 探傷データを自動的に評価でき、データの分
析・評価効率と精度を向上させることのできる探傷デー
タ評価装置及び方法を提供する。 【構成】 探傷器1からの測定信号は、演算手段2でパ
ラメータ化されて第1ニューラルネットワーク3に入力
され、欠陥、打痕傷、付着物の判定がなされる。欠陥と
判定された信号については、第2ニューラルネットワー
ク4で欠陥の定量評価(周方向/軸方向、内面/外面の
分類、大きさ、深さなど)がなされる。S/N比が小さ
く判定が困難な信号については、ノイズ分離の学習を施
した第3ニューラルネットワーク5で定量評価される。
第3ニューラルネットワーク5でも判定困難な場合はグ
レー信号が出力される。
析・評価効率と精度を向上させることのできる探傷デー
タ評価装置及び方法を提供する。 【構成】 探傷器1からの測定信号は、演算手段2でパ
ラメータ化されて第1ニューラルネットワーク3に入力
され、欠陥、打痕傷、付着物の判定がなされる。欠陥と
判定された信号については、第2ニューラルネットワー
ク4で欠陥の定量評価(周方向/軸方向、内面/外面の
分類、大きさ、深さなど)がなされる。S/N比が小さ
く判定が困難な信号については、ノイズ分離の学習を施
した第3ニューラルネットワーク5で定量評価される。
第3ニューラルネットワーク5でも判定困難な場合はグ
レー信号が出力される。
Description
【0001】
【産業上の利用分野】本発明は、例えば原子炉蒸気発生
器伝熱管の定期検査時に行なわれる探傷検査のデータ評
価装置及び方法に関し、詳しくは、ニューラルネットワ
ークシステムを利用することにより探傷データの分析・
評価をリアルタイムで自動的に行なうことが可能な探傷
データ評価装置及び方法に関するものである。
器伝熱管の定期検査時に行なわれる探傷検査のデータ評
価装置及び方法に関し、詳しくは、ニューラルネットワ
ークシステムを利用することにより探傷データの分析・
評価をリアルタイムで自動的に行なうことが可能な探傷
データ評価装置及び方法に関するものである。
【0002】
【従来の技術】従来、PWR型原子炉蒸気発生器伝熱管
の定期検査は、渦電流探傷(ECT:eddy current tes
ting)検査法によって行なわれている。この渦電流探傷
検査法は次のような原理で伝熱管などの被検査物の欠陥
や付着物を検出するものである。まず、被検査物にコイ
ルを装着して交流電圧を印加すると、交流磁界が発生し
て被検査物(金属)に渦電流が生じる。この渦電流は被
検査物の材質や欠陥、異種金属の付着などによって異な
るため、渦電流の発生状態を測定することにより非破壊
検査を行なうことができる。渦電流の測定は実際にはコ
イルに流れる電流を測定することによって行なわれ、測
定信号を解析することによって被検査物の状態が評価さ
れる。
の定期検査は、渦電流探傷(ECT:eddy current tes
ting)検査法によって行なわれている。この渦電流探傷
検査法は次のような原理で伝熱管などの被検査物の欠陥
や付着物を検出するものである。まず、被検査物にコイ
ルを装着して交流電圧を印加すると、交流磁界が発生し
て被検査物(金属)に渦電流が生じる。この渦電流は被
検査物の材質や欠陥、異種金属の付着などによって異な
るため、渦電流の発生状態を測定することにより非破壊
検査を行なうことができる。渦電流の測定は実際にはコ
イルに流れる電流を測定することによって行なわれ、測
定信号を解析することによって被検査物の状態が評価さ
れる。
【0003】従来、この測定データの評価は、専門の分
析者よって行なわれており、オシロスロープを用いてイ
ンピーダンスのリサージュ波形を描き、この波形を分析
者が観察することにより欠陥、付着物などを判定してい
る。しかし、このような評価方法ではノイズに埋もれた
欠陥信号や付着物信号を判別することは困難であり、現
状では多重周波数法による二周波減算や三周波減算が行
なわれている。
析者よって行なわれており、オシロスロープを用いてイ
ンピーダンスのリサージュ波形を描き、この波形を分析
者が観察することにより欠陥、付着物などを判定してい
る。しかし、このような評価方法ではノイズに埋もれた
欠陥信号や付着物信号を判別することは困難であり、現
状では多重周波数法による二周波減算や三周波減算が行
なわれている。
【0004】ここで、多重周波数法とは、データの収集
時に、測定用探傷子の特性、及び被検査物によって決ま
る基本周波数の他の周波数も設定して複数の周波数を同
時に用いて測定する方法であり、具体的な評価手順は以
下の通りである。 1)先ず、多重周波数のうち基本周波数についてリサー
ジュ波形を観察し、ノイズレベルを越える有意の信号を
拾い出す。 2)基本周波数以外の各周波数において、1)の有意信
号が被検査物の構造的な欠陥によるものか、打痕傷(デ
ンティング)によるものか、付着物によるものかを判別
する。 3)欠陥と判定された信号については欠陥の深さ及び欠
陥の大きさ(平面的な大きさ)を、打痕傷、付着物と判
定された信号についてはその大きさを同定する。
時に、測定用探傷子の特性、及び被検査物によって決ま
る基本周波数の他の周波数も設定して複数の周波数を同
時に用いて測定する方法であり、具体的な評価手順は以
下の通りである。 1)先ず、多重周波数のうち基本周波数についてリサー
ジュ波形を観察し、ノイズレベルを越える有意の信号を
拾い出す。 2)基本周波数以外の各周波数において、1)の有意信
号が被検査物の構造的な欠陥によるものか、打痕傷(デ
ンティング)によるものか、付着物によるものかを判別
する。 3)欠陥と判定された信号については欠陥の深さ及び欠
陥の大きさ(平面的な大きさ)を、打痕傷、付着物と判
定された信号についてはその大きさを同定する。
【0005】
【発明が解決しようとする課題】しかし、上記のような
従来の技術においては、測定された探傷データの評価は
各分析者によって行なわれており、しかも評価は探傷デ
ータの最終表示であるリサージュ波形のみに頼っている
ため、次のような問題点があった。 1.インピーダンスのリサージュ波形のみによって評価
を行なっているため、ノイズや付着物信号に埋もれた欠
陥信号の判別が困難であり、又、測定信号(生データ)
に含まれる多くの情報が活用されない。 2.多重周波数法による評価に費やされる時間が膨大で
ある。 3.評価結果は、分析者の技能と経験に左右される。 4.評価結果は、分析者のコンデションによっても左右
される。
従来の技術においては、測定された探傷データの評価は
各分析者によって行なわれており、しかも評価は探傷デ
ータの最終表示であるリサージュ波形のみに頼っている
ため、次のような問題点があった。 1.インピーダンスのリサージュ波形のみによって評価
を行なっているため、ノイズや付着物信号に埋もれた欠
陥信号の判別が困難であり、又、測定信号(生データ)
に含まれる多くの情報が活用されない。 2.多重周波数法による評価に費やされる時間が膨大で
ある。 3.評価結果は、分析者の技能と経験に左右される。 4.評価結果は、分析者のコンデションによっても左右
される。
【0006】本発明は、かかる点に鑑みてなされたもの
であり、探傷データを自動的に評価でき、評価の効率と
精度の向上を図ることが可能な探傷データ評価装置及び
方法を提供することを目的とするものである。
であり、探傷データを自動的に評価でき、評価の効率と
精度の向上を図ることが可能な探傷データ評価装置及び
方法を提供することを目的とするものである。
【0007】
【課題を解決するための手段】請求項1の探傷データ評
価装置は、探傷手段からの測定信号を分析して被検査物
の欠陥及び/又は付着物の発生状態を評価する評価手段
を有する探傷検査用評価装置であって、上記の課題を達
成するために、前記評価手段として、所定の応答関数f
(X)をもつ複数の処理ユニットが所定の重み係数Wi
で結合され、かつ前記重み係数は与えられた学習データ
によって最適化がなされるニューラルネットワークシス
テムを備えたものである。
価装置は、探傷手段からの測定信号を分析して被検査物
の欠陥及び/又は付着物の発生状態を評価する評価手段
を有する探傷検査用評価装置であって、上記の課題を達
成するために、前記評価手段として、所定の応答関数f
(X)をもつ複数の処理ユニットが所定の重み係数Wi
で結合され、かつ前記重み係数は与えられた学習データ
によって最適化がなされるニューラルネットワークシス
テムを備えたものである。
【0008】請求項2の探傷データ評価装置におけるニ
ューラルネットワークシステムは、少なくとも入力層と
出力層を有する層構造をなし、前記入力層の処理ユニッ
トと前記出力層の処理ユニットとが前記所定の重み係数
で結合された前進型ニューラルネットワークで構成され
たものである。
ューラルネットワークシステムは、少なくとも入力層と
出力層を有する層構造をなし、前記入力層の処理ユニッ
トと前記出力層の処理ユニットとが前記所定の重み係数
で結合された前進型ニューラルネットワークで構成され
たものである。
【0009】請求項3の探傷データ評価装置における前
記評価手段は、前記探傷手段の測定信号から、前記被検
査物の欠陥及び/又は付着物に関係する因子を抽出して
前記ニューラルネットワークへの入力信号として数値化
する演算手段を備えるものである。請求項4の探傷デー
タ評価装置における探傷手段は、渦電流探傷器である。
記評価手段は、前記探傷手段の測定信号から、前記被検
査物の欠陥及び/又は付着物に関係する因子を抽出して
前記ニューラルネットワークへの入力信号として数値化
する演算手段を備えるものである。請求項4の探傷デー
タ評価装置における探傷手段は、渦電流探傷器である。
【0010】請求項5の探傷データ評価方法は、探傷手
段からの測定信号に基づいて被検査物の欠陥及び/又は
付着物の発生状態を評価する探傷データ評価方法におい
て、上記の課題を達成するために、前記評価を行なうに
際して、所定の応答関数f(X)をもつ複数の処理ユニ
ットが所定の重み係数Wi で結合され、かつ前記重み係
数は与えられた学習データによって最適化がなされるニ
ューラルネットワークシステムを使用するものである。
段からの測定信号に基づいて被検査物の欠陥及び/又は
付着物の発生状態を評価する探傷データ評価方法におい
て、上記の課題を達成するために、前記評価を行なうに
際して、所定の応答関数f(X)をもつ複数の処理ユニ
ットが所定の重み係数Wi で結合され、かつ前記重み係
数は与えられた学習データによって最適化がなされるニ
ューラルネットワークシステムを使用するものである。
【0011】請求項6の探傷データ評価方法は、前記評
価を行なうに際して、まず、前記測定信号から欠陥及び
/又は付着物に関係する因子を抽出して数値化し、該数
値化された因子を前記ニューラルネットワークシステム
に入力するものである。
価を行なうに際して、まず、前記測定信号から欠陥及び
/又は付着物に関係する因子を抽出して数値化し、該数
値化された因子を前記ニューラルネットワークシステム
に入力するものである。
【0012】なお、本明細書においては、特に断らない
限り、「欠陥」とは、欠損やひび割れだけでなく、打痕
傷、全体的な形状変化、腐蝕などの異常状態をすべて含
むものである。
限り、「欠陥」とは、欠損やひび割れだけでなく、打痕
傷、全体的な形状変化、腐蝕などの異常状態をすべて含
むものである。
【0013】
【作用】本発明においては上記のようにニューラルネッ
トワークシステムを用いて探傷データの自動評価を実現
しているが、ニューラルネットワークについて以下に説
明する。ニューラルネットワークとは、人間の神経細胞
を模擬するモデルであり、神経細胞(ニューロン)に相
当する人工の処理ユニットが所定の重み係数で結合され
ている。ここでは、簡単のため、層構造の前進型ニュー
ラルネットワークを例にとり図2を参照して説明する。
又、それぞれの処理ユニットはネットワークの交点(ノ
ード)にあたり、一般にノードと称されるので以下にお
いては処理ユニットをノードと表記する。
トワークシステムを用いて探傷データの自動評価を実現
しているが、ニューラルネットワークについて以下に説
明する。ニューラルネットワークとは、人間の神経細胞
を模擬するモデルであり、神経細胞(ニューロン)に相
当する人工の処理ユニットが所定の重み係数で結合され
ている。ここでは、簡単のため、層構造の前進型ニュー
ラルネットワークを例にとり図2を参照して説明する。
又、それぞれの処理ユニットはネットワークの交点(ノ
ード)にあたり、一般にノードと称されるので以下にお
いては処理ユニットをノードと表記する。
【0014】図2(A)において、ニューラルネットワ
ークは入力層9、中間層10、出力層11からなり、各
層は複数のノード8(u1 …u9 )から構成されてい
る。各層のノード8間はそれぞれ重み係数Wxx(後述)
で結合されている。このようなニューラルネットワーク
において、入力層9のノード8の数はパラメータ化され
た入力信号の数に応じて、出力層11のノード8の数は
出力信号の数(出力すべき項目の数)に応じて決められ
る。又、中間層については、層数、ノードの数ともに可
変である。
ークは入力層9、中間層10、出力層11からなり、各
層は複数のノード8(u1 …u9 )から構成されてい
る。各層のノード8間はそれぞれ重み係数Wxx(後述)
で結合されている。このようなニューラルネットワーク
において、入力層9のノード8の数はパラメータ化され
た入力信号の数に応じて、出力層11のノード8の数は
出力信号の数(出力すべき項目の数)に応じて決められ
る。又、中間層については、層数、ノードの数ともに可
変である。
【0015】次に、各ノード内部の処理について図2
(B)を参照して説明する。1つ前の層からの入力信号
(I1 …In )に対し、式1に示されるように、1つ前
の層に対する重み係数(W1 …Wn )がそれぞれ乗算さ
れ、更に重みづけされた入力値の総和が求められた後、
総和から閾値Hi が減算されてXが求められる。 X=ΣWi ・Ii −Hi …(1)
(B)を参照して説明する。1つ前の層からの入力信号
(I1 …In )に対し、式1に示されるように、1つ前
の層に対する重み係数(W1 …Wn )がそれぞれ乗算さ
れ、更に重みづけされた入力値の総和が求められた後、
総和から閾値Hi が減算されてXが求められる。 X=ΣWi ・Ii −Hi …(1)
【0016】次いで、このXは、非線形関数であるシグ
モイド関数(式2参照)に代入されてf(X)が求めら
れる。 f(X)=(1+tan-1 (X/u0 ))/2 …(2) なお、ノード8の応答関数は、必ずしも上記のシグモイ
ド関数に限らず、他の関数であっても良いものである。
モイド関数(式2参照)に代入されてf(X)が求めら
れる。 f(X)=(1+tan-1 (X/u0 ))/2 …(2) なお、ノード8の応答関数は、必ずしも上記のシグモイ
ド関数に限らず、他の関数であっても良いものである。
【0017】さて、ニューラルネットワークシステムを
使用するに際しては、まず、学習を行なう。ここで学習
とは、情報処理システムの目的に合うようにノード間の
重み(W1 …Wn )及び閾値Hj を調節することであ
る。学習の具体的な方法としては、入力(質問)と出力
(答)が既知である1組のデータを多数用意し、入力−
出力がすべて一致するようにノード間の重み係数(Wi
…Wn )及び閾値(Hj)を決定すれば良い。
使用するに際しては、まず、学習を行なう。ここで学習
とは、情報処理システムの目的に合うようにノード間の
重み(W1 …Wn )及び閾値Hj を調節することであ
る。学習の具体的な方法としては、入力(質問)と出力
(答)が既知である1組のデータを多数用意し、入力−
出力がすべて一致するようにノード間の重み係数(Wi
…Wn )及び閾値(Hj)を決定すれば良い。
【0018】一旦学習が終了すると、ニューラルネット
ワークシステムは「知能」をもつことになり、未知の入
力(質問)に対して各ノードの演算結果として出力
(答)がなされる。このように、ニューラルネットワー
クシステムでは、各ノードで並列処理が行なわれ、入力
から出力までの過程が簡単な演算で行なわれるので、処
理速度が非常に早い。又、一旦学習が終了しているもの
について、更に学習を行なうことができ(これにより重
み係数及び閾値がより最適な値に調節される)、順次評
価能力を向上させることができる。
ワークシステムは「知能」をもつことになり、未知の入
力(質問)に対して各ノードの演算結果として出力
(答)がなされる。このように、ニューラルネットワー
クシステムでは、各ノードで並列処理が行なわれ、入力
から出力までの過程が簡単な演算で行なわれるので、処
理速度が非常に早い。又、一旦学習が終了しているもの
について、更に学習を行なうことができ(これにより重
み係数及び閾値がより最適な値に調節される)、順次評
価能力を向上させることができる。
【0019】又、上記においては、層構造をなす前進型
ニューラルネットワークについて説明したが、より人間
の神経系に近い結合モデルである相互結合型ニューラル
ネットワーク(図3参照)も開発されており、これを使
用して測定信号の評価を行なうこともできる。図2の前
進型ニューラルネットワークでは、各層間の結合だけで
同じ層内のノード8は結合されていないが、相互結合型
ニューラルネットワーでは図3に示されるように、各ノ
ードが結合されている。
ニューラルネットワークについて説明したが、より人間
の神経系に近い結合モデルである相互結合型ニューラル
ネットワーク(図3参照)も開発されており、これを使
用して測定信号の評価を行なうこともできる。図2の前
進型ニューラルネットワークでは、各層間の結合だけで
同じ層内のノード8は結合されていないが、相互結合型
ニューラルネットワーでは図3に示されるように、各ノ
ードが結合されている。
【0020】
【実施例】図1を参照して本発明の実施例を説明する。
図において、渦電流探傷器1からの測定信号は評価シス
テムパッケージ7内の演算手段2に入力され、ここで測
定信号のパラメータ化がなされる。パラメータとして
は、例えば1.時間領域パラメータ、2.周波数領域パ
ラメータ、3.リサージュ波形を対照としたパラメータ
など、多数のパラメータの組み合わせが可能である。こ
れらのパラメータの中から検査目的に適したパラメータ
を選択し、演算手段2で数値化してニューラルネットワ
ークシステム6への入力信号とすれば良い。
図において、渦電流探傷器1からの測定信号は評価シス
テムパッケージ7内の演算手段2に入力され、ここで測
定信号のパラメータ化がなされる。パラメータとして
は、例えば1.時間領域パラメータ、2.周波数領域パ
ラメータ、3.リサージュ波形を対照としたパラメータ
など、多数のパラメータの組み合わせが可能である。こ
れらのパラメータの中から検査目的に適したパラメータ
を選択し、演算手段2で数値化してニューラルネットワ
ークシステム6への入力信号とすれば良い。
【0021】上記に例示したパラメータの具体的な数値
化の方法は次の通りである。 1.時間領域のパラメータ:測定データの時間変化成分
に関し、測定信号の時間微分や自己相関係数などの結果
からパラメータとして数値化する。 2.周波数領域のパラメータ:測定データがどのような
周波数成分から構成されているかといったことに関し、
フーリエ解析等の結果からパラメータとして数値化す
る。 3.リサージュ波形を対照としたパラメータ:リサージ
ュ波形の描く閉曲線の面積や波形の位相角などを数値化
する。
化の方法は次の通りである。 1.時間領域のパラメータ:測定データの時間変化成分
に関し、測定信号の時間微分や自己相関係数などの結果
からパラメータとして数値化する。 2.周波数領域のパラメータ:測定データがどのような
周波数成分から構成されているかといったことに関し、
フーリエ解析等の結果からパラメータとして数値化す
る。 3.リサージュ波形を対照としたパラメータ:リサージ
ュ波形の描く閉曲線の面積や波形の位相角などを数値化
する。
【0022】さて次に、本実施例におけるニューラルネ
ットワークシステム6は第1、第2及び第3ニューラル
ネットワークから構成されている。このニューラルネッ
トワークシステムは、既存のパソコンで稼働させること
ができ、データ収集場所においてリアルタイムで測定デ
ータの分析を行なうことが可能である。
ットワークシステム6は第1、第2及び第3ニューラル
ネットワークから構成されている。このニューラルネッ
トワークシステムは、既存のパソコンで稼働させること
ができ、データ収集場所においてリアルタイムで測定デ
ータの分析を行なうことが可能である。
【0023】図に示されるように、演算手段2でパラメ
ータ化された入力信号は第1ニューラルネットワーク3
に入力され、この第1ニューラルネットワーク3におい
て欠陥(本実施例では打痕傷と区別して、被検査物の欠
損やひびなどを欠陥という)、打痕傷(大きさの分類を
含む)、付着物(銅あるいはマグネタイト(Fe3 O
4 )の分類を含む)の判定が行なわれる。第1ニューラ
ルネットワーク3の出力のうち、欠陥と判定された信号
については第2ニューラルネットワーク4に入力され、
ここで欠陥の定量評価が行なわれる。欠陥の定量評価
は、周方向、軸方向、内面、外面の分類、欠陥の大きさ
及び深さの同定などが行なわれ、それぞれ出力される。
ータ化された入力信号は第1ニューラルネットワーク3
に入力され、この第1ニューラルネットワーク3におい
て欠陥(本実施例では打痕傷と区別して、被検査物の欠
損やひびなどを欠陥という)、打痕傷(大きさの分類を
含む)、付着物(銅あるいはマグネタイト(Fe3 O
4 )の分類を含む)の判定が行なわれる。第1ニューラ
ルネットワーク3の出力のうち、欠陥と判定された信号
については第2ニューラルネットワーク4に入力され、
ここで欠陥の定量評価が行なわれる。欠陥の定量評価
は、周方向、軸方向、内面、外面の分類、欠陥の大きさ
及び深さの同定などが行なわれ、それぞれ出力される。
【0024】又、S/N比(信号/ノイズ比)が小さ
く、第2ニューラルネットワーク4において判定が困難
である信号については、ノイズを分離する学習を施した
第3ニューラルネットワーク5に入力され、ここで欠陥
の定量評価が行なわれる。更に、第3ニューラルネット
ワーク5においても判定が困難である場合には、第3ニ
ューラルネットワーク5からグレー信号が出力される。
このグレー信号が出力された場合には、専門の分析者に
よる判定とニューラルネットワークシステム6による判
定とを比較して評価をおこなう。
く、第2ニューラルネットワーク4において判定が困難
である信号については、ノイズを分離する学習を施した
第3ニューラルネットワーク5に入力され、ここで欠陥
の定量評価が行なわれる。更に、第3ニューラルネット
ワーク5においても判定が困難である場合には、第3ニ
ューラルネットワーク5からグレー信号が出力される。
このグレー信号が出力された場合には、専門の分析者に
よる判定とニューラルネットワークシステム6による判
定とを比較して評価をおこなう。
【0025】上述したような構成の探傷データ評価装置
について、第1、第2及び第3の各ニューラルネットワ
ーク3,4,5に最適なパラメータを決定した後、12
個の欠陥、4個の打痕傷、4個の銅付着物、4個のマグ
ネタイト付着物の計24個のデータ(入力と出力の組)
を学習データとして、ニューラルネットワークシステム
6を構築した。
について、第1、第2及び第3の各ニューラルネットワ
ーク3,4,5に最適なパラメータを決定した後、12
個の欠陥、4個の打痕傷、4個の銅付着物、4個のマグ
ネタイト付着物の計24個のデータ(入力と出力の組)
を学習データとして、ニューラルネットワークシステム
6を構築した。
【0026】次に、実際に探傷検査を行ない、探傷器1
から得られた測定信号の評価を行なった。その結果、以
下に示す計10個の欠陥、打痕傷、付着物について10
0%の正答が得られた。又、評価に要した時間は各入力
データについての1秒以内であった。内面の周方向に、
肉厚の80%に及ぶ欠陥。外面の周方向に、肉厚の80
%に及ぶ欠陥。内面の軸方向に、肉厚の80%に及ぶ欠
陥。外面の軸方向に、肉厚の80%に及ぶ欠陥。 打痕傷A。 打痕傷B(打痕傷AとBは大きさが異なる)。 銅付着物A。 銅付着物B(付着物AとBとは大きさが異なる)。 マグネタイト付着物A。 マグネタイト付着物B(付着物AとBとは大きさが異な
る)。
から得られた測定信号の評価を行なった。その結果、以
下に示す計10個の欠陥、打痕傷、付着物について10
0%の正答が得られた。又、評価に要した時間は各入力
データについての1秒以内であった。内面の周方向に、
肉厚の80%に及ぶ欠陥。外面の周方向に、肉厚の80
%に及ぶ欠陥。内面の軸方向に、肉厚の80%に及ぶ欠
陥。外面の軸方向に、肉厚の80%に及ぶ欠陥。 打痕傷A。 打痕傷B(打痕傷AとBは大きさが異なる)。 銅付着物A。 銅付着物B(付着物AとBとは大きさが異なる)。 マグネタイト付着物A。 マグネタイト付着物B(付着物AとBとは大きさが異な
る)。
【0027】なお、本実施例では3つのニューラルネッ
トワーク3,4,5を使用しているが、単一のニューラ
ルネットワークを用いて測定データを評価するようにし
ても良いことは言うまでもない。又、本発明による評価
装置及び評価方法は、渦電流探傷検査以外の他の非破壊
検査に適用できるものである。
トワーク3,4,5を使用しているが、単一のニューラ
ルネットワークを用いて測定データを評価するようにし
ても良いことは言うまでもない。又、本発明による評価
装置及び評価方法は、渦電流探傷検査以外の他の非破壊
検査に適用できるものである。
【0028】
【発明の効果】以上のように、本発明では、ニューラル
ネットワークシステムを利用して測定データを評価する
ので、次のような効果を奏する。 1.探傷器による測定信号をパラメータ化してニューラ
ルネットワークシステムへの入力信号とすることによ
り、従来未活用であった測定信号に含まれる種々の情報
を活用することができ、その結果、従来よりも高精度の
分析・評価を行なうことができる。 2.ニューラルネットワークシステムは学習機能を有し
ているため、学習量に応じて専門の分析者以上の分析能
力をもつことが潜在的に可能である。 3.測定データの分析・評価を自動化することにより、
ヒューマンエラーを防止することができる。 4.測定データの分析・評価を自動化することにより、
分析者による作業に比べて大幅に評価時間の短縮を図る
ことができる。 5.ニューラルネットワークシステムによる測定データ
の分析・評価は、特別のコンピュータを使用しなくとも
パソコンレベルで可能であり、パソコンをデータ収集場
所に持ち込むことにより、リアルタイムで測定データの
分析・評価を行なうことができる。
ネットワークシステムを利用して測定データを評価する
ので、次のような効果を奏する。 1.探傷器による測定信号をパラメータ化してニューラ
ルネットワークシステムへの入力信号とすることによ
り、従来未活用であった測定信号に含まれる種々の情報
を活用することができ、その結果、従来よりも高精度の
分析・評価を行なうことができる。 2.ニューラルネットワークシステムは学習機能を有し
ているため、学習量に応じて専門の分析者以上の分析能
力をもつことが潜在的に可能である。 3.測定データの分析・評価を自動化することにより、
ヒューマンエラーを防止することができる。 4.測定データの分析・評価を自動化することにより、
分析者による作業に比べて大幅に評価時間の短縮を図る
ことができる。 5.ニューラルネットワークシステムによる測定データ
の分析・評価は、特別のコンピュータを使用しなくとも
パソコンレベルで可能であり、パソコンをデータ収集場
所に持ち込むことにより、リアルタイムで測定データの
分析・評価を行なうことができる。
【図1】本発明実施例による探傷データ評価装置の構成
を示すブロック図である。
を示すブロック図である。
【図2】ニューラルネットワークを説明するための概念
図であり、(A)は前進型ニューラルネットワークの構
成を、(B)はノード内の処理を示す。
図であり、(A)は前進型ニューラルネットワークの構
成を、(B)はノード内の処理を示す。
【図3】相互結合型ニューラルネットワークの構成を示
す概念図である。
す概念図である。
1…探傷器、2…演算手段、3…第1ニューラルネット
ワーク、4…第2ニューラルネットワーク、5…第3ニ
ューラルネットワーク、6…ニューラルネットワークシ
ステム、7…評価システムパッケージ、8…ノード、9
…入力層、10…中間層、11…出力層。
ワーク、4…第2ニューラルネットワーク、5…第3ニ
ューラルネットワーク、6…ニューラルネットワークシ
ステム、7…評価システムパッケージ、8…ノード、9
…入力層、10…中間層、11…出力層。
Claims (6)
- 【請求項1】 探傷手段からの測定信号を分析して被検
査物の欠陥及び/又は付着物の発生状態を評価する評価
手段を有する探傷データ評価装置であって、 前記評価手段として、所定の応答関数f(X)をもつ複
数の処理ユニットが所定の重み係数Wi で結合され、か
つ前記重み係数は与えられた学習データによって最適化
がなされるニューラルネットワークシステムを備えたこ
とを特徴とする探傷データ評価装置。 - 【請求項2】 前記ニューラルネットワークシステム
は、少なくとも入力層と出力層を有する層構造をなし、
前記入力層の処理ユニットと前記出力層の処理ユニット
とが前記所定の重み係数で結合された前進型ニューラル
ネットワークで構成されていることを特徴とする請求項
1に記載の探傷データ評価装置。 - 【請求項3】 前記評価手段は、前記探傷手段の測定信
号から前記被検査物の欠陥及び/又は付着物に関係する
因子を抽出して前記ニューラルネットワークシステムへ
の入力信号として数値化するための演算手段を備えたこ
とを特徴とする請求項1に記載の探傷データ評価装置。 - 【請求項4】 前記探傷手段は、渦電流探傷器であるこ
とを特徴とする請求項1に記載の探傷データ評価装置。 - 【請求項5】 探傷手段からの測定信号に基づいて被検
査物の欠陥及び/又は付着物の発生状態を評価する探傷
データ評価方法において、 前記評価を行なうに際して、所定の応答関数f(X)を
もつ複数の処理ユニットが所定の重み係数Wi で結合さ
れ、かつ前記重み係数は与えられた学習データによって
最適化がなされるニューラルネットワークシステムを使
用することを特徴とする探傷データ評価方法。 - 【請求項6】 前記評価を行なうに際して、まず、前記
測定信号から欠陥及び/又は付着物に関係する因子を抽
出して数値化し、該数値化された因子を前記ニューラル
ネットワークシステムに入力することを特徴とする請求
項5に記載の探傷データ評価方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP4103914A JPH05281199A (ja) | 1992-03-31 | 1992-03-31 | 探傷データ評価装置及び方法 |
KR1019930004406A KR930020299A (ko) | 1992-03-31 | 1993-03-22 | 검사 데이터를 평가하기 위한 신호 처리 장치 |
DE4310279A DE4310279A1 (de) | 1992-03-31 | 1993-03-30 | Signalverarbeitungsvorrichtung zur Auswertung von Prüfdaten |
FR9303752A FR2689273A1 (fr) | 1992-03-31 | 1993-03-31 | Appareil de traitement de signaux pour évaluation de données de contrôle. |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP4103914A JPH05281199A (ja) | 1992-03-31 | 1992-03-31 | 探傷データ評価装置及び方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH05281199A true JPH05281199A (ja) | 1993-10-29 |
Family
ID=14366700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP4103914A Pending JPH05281199A (ja) | 1992-03-31 | 1992-03-31 | 探傷データ評価装置及び方法 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JPH05281199A (ja) |
KR (1) | KR930020299A (ja) |
DE (1) | DE4310279A1 (ja) |
FR (1) | FR2689273A1 (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1021211A (ja) * | 1996-06-28 | 1998-01-23 | Taisei Corp | ニューラルネットワークおよびコンクリート構造物中の鉄筋腐食の評価方法および予測方法 |
JP2013511043A (ja) * | 2009-11-12 | 2013-03-28 | ウエスチングハウス・エレクトリック・カンパニー・エルエルシー | 蒸気発生器のモデル化及び原子力発電所の蒸気発生器細管のデータ処理方法 |
US9494558B2 (en) | 2009-12-22 | 2016-11-15 | Mitsubishi Heavy Industries, Ltd. | Flaw-detection apparatus and flaw-detection method |
JP2017502293A (ja) * | 2013-12-23 | 2017-01-19 | エレクトリシテ ド フランス | 蒸気発生器のプレートの汚染を定量予測するための方法 |
JP2020024201A (ja) * | 2018-08-02 | 2020-02-13 | 東レ株式会社 | 欠点検査方法および欠点検査装置 |
JP2020071125A (ja) * | 2018-10-31 | 2020-05-07 | Jfeスチール株式会社 | 欠陥判定方法、欠陥判定装置、鋼板の製造方法、欠陥判定モデルの学習方法、及び欠陥判定モデル |
JP2022076073A (ja) * | 2020-11-09 | 2022-05-19 | 株式会社コジマプラスチックス | 金型監視システム |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3221184B2 (ja) * | 1993-10-13 | 2001-10-22 | 株式会社日立製作所 | 故障診断装置および方法 |
DE4336588C2 (de) * | 1993-10-27 | 1999-07-15 | Eurocopter Deutschland | Verfahren zur Ermittlung der individuellen Lebensdauer eines Fluggerätes |
EP0720004B1 (de) * | 1994-12-27 | 2000-02-16 | LITEF GmbH | FDIC-Verfahren zur Minimierung von Messfehlern in einer Messanordnung von redundanten Sensoren |
DE19649563A1 (de) * | 1996-11-29 | 1998-06-04 | Alsthom Cge Alcatel | Vorrichtung und Verfahren zur automatischen Klassifikation von Objekten |
DE19747510A1 (de) * | 1997-10-28 | 1999-05-06 | Sican F & E Gmbh Sibet | Meßsystem und Verfahren zur Auswertung von Sensorsignalen |
US11615297B2 (en) | 2017-04-04 | 2023-03-28 | Hailo Technologies Ltd. | Structured weight based sparsity in an artificial neural network compiler |
US11551028B2 (en) | 2017-04-04 | 2023-01-10 | Hailo Technologies Ltd. | Structured weight based sparsity in an artificial neural network |
US11544545B2 (en) | 2017-04-04 | 2023-01-03 | Hailo Technologies Ltd. | Structured activation based sparsity in an artificial neural network |
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 |
US10387298B2 (en) | 2017-04-04 | 2019-08-20 | Hailo Technologies Ltd | Artificial neural network incorporating emphasis and focus techniques |
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 |
US11811421B2 (en) | 2020-09-29 | 2023-11-07 | Hailo Technologies Ltd. | Weights 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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01116869A (ja) * | 1987-10-30 | 1989-05-09 | Nec Corp | ダイナミックプログラミング機能を有するニューラルネットワーク |
JPH01243169A (ja) * | 1988-03-24 | 1989-09-27 | Fujitsu Ltd | パターン学習・生成方式 |
JPH0410986A (ja) * | 1990-04-27 | 1992-01-16 | Toppan Printing Co Ltd | 凹版オフセット印刷用印刷版およびそれを用いた印刷方法 |
-
1992
- 1992-03-31 JP JP4103914A patent/JPH05281199A/ja active Pending
-
1993
- 1993-03-22 KR KR1019930004406A patent/KR930020299A/ko not_active Application Discontinuation
- 1993-03-30 DE DE4310279A patent/DE4310279A1/de not_active Withdrawn
- 1993-03-31 FR FR9303752A patent/FR2689273A1/fr active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01116869A (ja) * | 1987-10-30 | 1989-05-09 | Nec Corp | ダイナミックプログラミング機能を有するニューラルネットワーク |
JPH01243169A (ja) * | 1988-03-24 | 1989-09-27 | Fujitsu Ltd | パターン学習・生成方式 |
JPH0410986A (ja) * | 1990-04-27 | 1992-01-16 | Toppan Printing Co Ltd | 凹版オフセット印刷用印刷版およびそれを用いた印刷方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1021211A (ja) * | 1996-06-28 | 1998-01-23 | Taisei Corp | ニューラルネットワークおよびコンクリート構造物中の鉄筋腐食の評価方法および予測方法 |
JP2013511043A (ja) * | 2009-11-12 | 2013-03-28 | ウエスチングハウス・エレクトリック・カンパニー・エルエルシー | 蒸気発生器のモデル化及び原子力発電所の蒸気発生器細管のデータ処理方法 |
US9494558B2 (en) | 2009-12-22 | 2016-11-15 | Mitsubishi Heavy Industries, Ltd. | Flaw-detection apparatus and flaw-detection method |
JP2017502293A (ja) * | 2013-12-23 | 2017-01-19 | エレクトリシテ ド フランス | 蒸気発生器のプレートの汚染を定量予測するための方法 |
JP2020024201A (ja) * | 2018-08-02 | 2020-02-13 | 東レ株式会社 | 欠点検査方法および欠点検査装置 |
JP2020071125A (ja) * | 2018-10-31 | 2020-05-07 | Jfeスチール株式会社 | 欠陥判定方法、欠陥判定装置、鋼板の製造方法、欠陥判定モデルの学習方法、及び欠陥判定モデル |
JP2022076073A (ja) * | 2020-11-09 | 2022-05-19 | 株式会社コジマプラスチックス | 金型監視システム |
Also Published As
Publication number | Publication date |
---|---|
KR930020299A (ko) | 1993-10-19 |
FR2689273A1 (fr) | 1993-10-01 |
DE4310279A1 (de) | 1993-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JPH05281199A (ja) | 探傷データ評価装置及び方法 | |
Margrave et al. | The use of neural networks in ultrasonic flaw detection | |
Olin et al. | Applications of statistical methods to nondestructive evaluation | |
JPH0896136A (ja) | 溶接欠陥の評価システム | |
Lee et al. | A study on using scanning acoustic microscopy and neural network techniques to evaluate the quality of resistance spot welding | |
CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
Mahmoud et al. | Neural network solution of the inverse vibration problem | |
Ren et al. | Shaking noise elimination for detecting local flaw in steel wire ropes based on magnetic flux leakage detection | |
CN112131781A (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
Morabito et al. | A fuzzy neural approach to localizing holes in conducting plates | |
Ulapane | Nondestructive evaluation of ferromagnetic critical water pipes using pulsed eddy current testing | |
Jarmulak et al. | Case-based reasoning for interpretation of data from non-destructive testing | |
Saechai et al. | Test system for defect detection in construction materials with ultrasonic waves by support vector machine and neural network | |
Wei et al. | Image processing of Casting defects based on Convolutional neural network | |
Barbosa et al. | Automation of SQUlD nondestructive evaluation of steel plates by neural networks | |
Bond et al. | Neural network analysis of nondestructive evaluation patterns | |
Buck et al. | Evaluation of machine learning tools for inspection of steam generator tube structures using pulsed eddy current | |
Ramuhalli et al. | Wavelet neural network based data fusion for improved thickness characterization | |
Sun et al. | An Eddy Current Method to Evaluate Local Wall Thinning of Carbon Steel Pipe | |
CAI et al. | Application of Big Data Analysis to Acoustic Emission Testing for Noise Discrimination | |
JPH0815232A (ja) | 多重周波数渦電流探傷信号の演算処理装置 | |
Morabito et al. | A soft computing approach to reconstruct defects on metallic plates | |
Savin et al. | Eddy current assessment of flaw severity of cylindrical products | |
Bernieri et al. | A multi-sensor probe for non-destructive testing on conductive materials | |
KR20230075029A (ko) | 스폿 용접 불량 검사 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 19971021 |