JPH08110323A - 超音波探傷試験結果の自動評価装置 - Google Patents
超音波探傷試験結果の自動評価装置Info
- Publication number
- JPH08110323A JPH08110323A JP6244448A JP24444894A JPH08110323A JP H08110323 A JPH08110323 A JP H08110323A JP 6244448 A JP6244448 A JP 6244448A JP 24444894 A JP24444894 A JP 24444894A JP H08110323 A JPH08110323 A JP H08110323A
- Authority
- JP
- Japan
- Prior art keywords
- flaw detection
- data
- echo
- echo waveform
- ultrasonic flaw
- 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- Withdrawn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
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/12—Analysing solids by measuring frequency or resonance of acoustic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/04—Wave modes and trajectories
- G01N2291/044—Internal reflections (echoes), e.g. on walls or defects
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Length Measuring Devices Characterised By Use Of Acoustic Means (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
(57)【要約】
【目的】 超音波探傷試験において、構造材内部におけ
る異常の有無の判定を、高速かつ正確に行える自動評価
装置を提供すること。 【構成】 データ作成部４は、超音波探傷試験結果を構
成する複数のエコー波形の中から、最大反射強度を示す
エコー波形と、そのエコー波形が得られた探傷点１０２
の前後２カ所の探傷点１０２におけるエコー波形を取り
出す。フーリエ処理部５は、それぞれのエコー波形を高
速フーリエ変換によって周波数分析する。あらかじめ学
習済みであるニューラルネットワーク７は、周波数分析
されたエコー波形から構造材内部の異常の有無を判定す
る。
る異常の有無の判定を、高速かつ正確に行える自動評価
装置を提供すること。 【構成】 データ作成部４は、超音波探傷試験結果を構
成する複数のエコー波形の中から、最大反射強度を示す
エコー波形と、そのエコー波形が得られた探傷点１０２
の前後２カ所の探傷点１０２におけるエコー波形を取り
出す。フーリエ処理部５は、それぞれのエコー波形を高
速フーリエ変換によって周波数分析する。あらかじめ学
習済みであるニューラルネットワーク７は、周波数分析
されたエコー波形から構造材内部の異常の有無を判定す
る。
Description
【０００１】
【産業上の利用分野】本発明は、原子力発電プラント等
の構造材内部における異常の有無を判定する超音波探傷
試験結果の自動評価装置に関する。
の構造材内部における異常の有無を判定する超音波探傷
試験結果の自動評価装置に関する。
【０００２】
【従来の技術】原子力発電プラント、火力発電プラン
ト、化学プラント等には、これら各種プラントを構成す
る構造材として、炭素鋼、ステンレス鋼、低合金鋼等が
使用されている。前記各種プラントに使用されている構
造材は、製造および運転開始後に、定期点検等によって
その健全性を確認することが望ましい。前記各種プラン
トに使用されている構造材の溶接部等の健全性を確認す
る方法の一つとして超音波探傷試験による検査がある。
ト、化学プラント等には、これら各種プラントを構成す
る構造材として、炭素鋼、ステンレス鋼、低合金鋼等が
使用されている。前記各種プラントに使用されている構
造材は、製造および運転開始後に、定期点検等によって
その健全性を確認することが望ましい。前記各種プラン
トに使用されている構造材の溶接部等の健全性を確認す
る方法の一つとして超音波探傷試験による検査がある。
【０００３】図５は超音波探傷試験方法の一例を示す説
明図である。超音波探触子１００は、超音波１０１を、
一定の間隔を開けた探傷点１０２から、一定の角度θを
持たせて、構造材の内部へ向かって入射する。入射され
た超音波１０１は、構造材内部の異常部分または底面開
口部で反射するので、超音波探触子１００はその反射波
を受信する。超音波探触子１００は、この作業を繰り返
しながら図５において矢印の示す方向へ移動していき、
構造材の溶接部周辺に対し超音波探傷を行う。この時、
ある探傷点１０２より入射した超音波１０１が異常部分
で反射すると、その探傷点１０２における超音波１０１
の反射波の振幅（以下、反射強度と称する）は、周りの
他の探傷点１０２における超音波１０１の反射強度と比
較して大きい値となる。
明図である。超音波探触子１００は、超音波１０１を、
一定の間隔を開けた探傷点１０２から、一定の角度θを
持たせて、構造材の内部へ向かって入射する。入射され
た超音波１０１は、構造材内部の異常部分または底面開
口部で反射するので、超音波探触子１００はその反射波
を受信する。超音波探触子１００は、この作業を繰り返
しながら図５において矢印の示す方向へ移動していき、
構造材の溶接部周辺に対し超音波探傷を行う。この時、
ある探傷点１０２より入射した超音波１０１が異常部分
で反射すると、その探傷点１０２における超音波１０１
の反射波の振幅（以下、反射強度と称する）は、周りの
他の探傷点１０２における超音波１０１の反射強度と比
較して大きい値となる。
【０００４】図６に超音波探傷試験において得られる反
射波の波形（以下、エコー波形と称する）例を示す。図
６の横軸は、超音波探触子１００から構造材内部の異常
部分または底面開口部までの直線距離(路程)表す。但
し、直線距離は、超音波探触子１００より超音波１０１
が入射されてから、その反射波が受信されるまでにかか
る時間で表される。図６の縦軸は、超音波探触子１００
が受信した反射波の反射強度を表す。これにより、反射
強度のピークまでの直線距離Ｌと、その反射強度Ｂとか
ら、構造材内部の異常部分の位置と大きさが推定され
る。
射波の波形（以下、エコー波形と称する）例を示す。図
６の横軸は、超音波探触子１００から構造材内部の異常
部分または底面開口部までの直線距離(路程)表す。但
し、直線距離は、超音波探触子１００より超音波１０１
が入射されてから、その反射波が受信されるまでにかか
る時間で表される。図６の縦軸は、超音波探触子１００
が受信した反射波の反射強度を表す。これにより、反射
強度のピークまでの直線距離Ｌと、その反射強度Ｂとか
ら、構造材内部の異常部分の位置と大きさが推定され
る。
【０００５】ところで、前記各種プラント（原子力発電
プラント、火力発電プラント、化学プラント等）におい
て、プラント１つ当たりの超音波探傷試験の対象となる
溶接部は膨大な数におよぶ。そのため、超音波探傷試験
の作業の合理化・正確性・安全性などの面から考えて、
その各行程をコンピュータ等によって自動化する試みが
以前より進められてきた。その結果、超音波探触子１０
０の制御（構造材上における移動、超音波１０１の入射
および反射波の受信）および超音波探傷試験結果の取得
に関しては、かなりの部分において自動化が実現してい
る。
プラント、火力発電プラント、化学プラント等）におい
て、プラント１つ当たりの超音波探傷試験の対象となる
溶接部は膨大な数におよぶ。そのため、超音波探傷試験
の作業の合理化・正確性・安全性などの面から考えて、
その各行程をコンピュータ等によって自動化する試みが
以前より進められてきた。その結果、超音波探触子１０
０の制御（構造材上における移動、超音波１０１の入射
および反射波の受信）および超音波探傷試験結果の取得
に関しては、かなりの部分において自動化が実現してい
る。
【０００６】しかし、このようにして得られた試験結果
を用いて、前記各種プラントを構成する構造材内部の異
常の有無を判定する評価作業に関しては、自動化が立ち
後れている。以下にその理由を述べる。エコー波形（図
６参照）には、実際には無数の雑音が混入している場合
が多い。また、反射強度のピークまでの直線距離（Ｌ）
やその反射強度（Ｂ）は、個々の溶接部の状況によって
その特徴が異なる。このため、エコー波形は、個々の探
傷点１０２によって様々な形を示し、その探傷点１０２
における構造材内部の異常の有無の評価には微妙な判定
が伴う。このような理由から、超音波探傷試験結果の評
価は自動化が難しく、熟練した検査官により行われてい
る。
を用いて、前記各種プラントを構成する構造材内部の異
常の有無を判定する評価作業に関しては、自動化が立ち
後れている。以下にその理由を述べる。エコー波形（図
６参照）には、実際には無数の雑音が混入している場合
が多い。また、反射強度のピークまでの直線距離（Ｌ）
やその反射強度（Ｂ）は、個々の溶接部の状況によって
その特徴が異なる。このため、エコー波形は、個々の探
傷点１０２によって様々な形を示し、その探傷点１０２
における構造材内部の異常の有無の評価には微妙な判定
が伴う。このような理由から、超音波探傷試験結果の評
価は自動化が難しく、熟練した検査官により行われてい
る。
【０００７】また、構造材内部の異常の有無を自動的に
判定する方法として、エキスパートシステムを用いる方
法がある。この方法では、熟練検査官が持っている評価
技術（知識）は、エキスパートシステムが利用できる書
式に書き換えられてルール（判断規則）化され、それを
基にデータベースが構築される。エキスパートシステム
は、そのデータベース内の判断規則を基に、個々のエコ
ー波形に対して、構造材内部の異常の有無を推論する。
判定する方法として、エキスパートシステムを用いる方
法がある。この方法では、熟練検査官が持っている評価
技術（知識）は、エキスパートシステムが利用できる書
式に書き換えられてルール（判断規則）化され、それを
基にデータベースが構築される。エキスパートシステム
は、そのデータベース内の判断規則を基に、個々のエコ
ー波形に対して、構造材内部の異常の有無を推論する。
【０００８】
【発明が解決しようとする課題】上述したように、従来
は、前記各種プラントを構成する構造材内部の異常の有
無を、超音波探傷試験結果から判定する作業は、熟練し
た検査官によって行われてきた。しかし、この従来の方
法には、検査官が熟練した評価技術を身につけるまでに
多大な時間とコストを必要とする、という問題があっ
た。また、この従来の方法では、熟練した検査官であっ
ても、多くの超音波探傷試験結果を検討し、前記構造材
内部の異常の有無を判定するには、非常に多くの時間が
かかるため、前記各種プラントの数が増えるにしたがっ
て、検査官の数が不足しつつある、という問題があっ
た。
は、前記各種プラントを構成する構造材内部の異常の有
無を、超音波探傷試験結果から判定する作業は、熟練し
た検査官によって行われてきた。しかし、この従来の方
法には、検査官が熟練した評価技術を身につけるまでに
多大な時間とコストを必要とする、という問題があっ
た。また、この従来の方法では、熟練した検査官であっ
ても、多くの超音波探傷試験結果を検討し、前記構造材
内部の異常の有無を判定するには、非常に多くの時間が
かかるため、前記各種プラントの数が増えるにしたがっ
て、検査官の数が不足しつつある、という問題があっ
た。
【０００９】また、熟練した検査官が持っている評価技
術を内容とするデータベースを構築し、エキスパートシ
ステムを用いて前記構造材内の異常の有無を自動的に評
価する方法には、以下のような問題点がある。熟練した
検査官が持っている評価技術（知識）の中には、エキス
パートシステムが推論に用いることのできる判断規則の
形式で記述し難いノウハウが多く存在する。そのため、
前記構造材内の異常の有無を判定するために必要な評価
技術（知識）を全てデータベース上に網羅することが難
しく、故に、エキスパートシステムによる構造材内部の
異常の有無の判定は判定精度が低くなる、という欠点が
あった。本発明は、このような背景の下になされたもの
で、超音波探傷試験の完全自動化を行うために、超音波
探傷試験結果の自動評価装置を提供することを目的とす
る。
術を内容とするデータベースを構築し、エキスパートシ
ステムを用いて前記構造材内の異常の有無を自動的に評
価する方法には、以下のような問題点がある。熟練した
検査官が持っている評価技術（知識）の中には、エキス
パートシステムが推論に用いることのできる判断規則の
形式で記述し難いノウハウが多く存在する。そのため、
前記構造材内の異常の有無を判定するために必要な評価
技術（知識）を全てデータベース上に網羅することが難
しく、故に、エキスパートシステムによる構造材内部の
異常の有無の判定は判定精度が低くなる、という欠点が
あった。本発明は、このような背景の下になされたもの
で、超音波探傷試験の完全自動化を行うために、超音波
探傷試験結果の自動評価装置を提供することを目的とす
る。
【００１０】
【課題を解決するための手段】請求項１記載の発明は、
構造材内部に超音波を入射し、エコー波形から前記構造
材内部の異常の有無を判定する超音波探傷試験におい
て、複数の探傷点において取得された各エコー波形の内
で、その振幅が最も大きいエコー波形と、そのエコー波
形を取得した探傷点の近傍に位置する複数の探傷点で取
得されたエコー波形とを取り出し、それらをまとめて選
別データとするデータ選別手段と、前記選別データを構
成する各エコー波形を周波数分析し、周波数分析データ
とする周波数分析手段と、前記周波数分析データを用い
て前記構造材内部の異常の有無を判定するニューラルネ
ットワークとを具備することを特徴としている。請求項
２記載の発明は、請求項１記載の超音波探傷試験結果の
自動評価装置において、前記周波数分析手段は、前記選
別データを構成する各エコー波形の周波数分析に高速フ
ーリエ変換を用いることを特徴としている。
構造材内部に超音波を入射し、エコー波形から前記構造
材内部の異常の有無を判定する超音波探傷試験におい
て、複数の探傷点において取得された各エコー波形の内
で、その振幅が最も大きいエコー波形と、そのエコー波
形を取得した探傷点の近傍に位置する複数の探傷点で取
得されたエコー波形とを取り出し、それらをまとめて選
別データとするデータ選別手段と、前記選別データを構
成する各エコー波形を周波数分析し、周波数分析データ
とする周波数分析手段と、前記周波数分析データを用い
て前記構造材内部の異常の有無を判定するニューラルネ
ットワークとを具備することを特徴としている。請求項
２記載の発明は、請求項１記載の超音波探傷試験結果の
自動評価装置において、前記周波数分析手段は、前記選
別データを構成する各エコー波形の周波数分析に高速フ
ーリエ変換を用いることを特徴としている。
【００１１】
【作用】請求項１記載の発明によれば、データ選別手段
が、複数の探傷点において取得された各エコー波形の内
で、その振幅が最も大きいエコー波形と、そのエコー波
形を取得した探傷点の近傍に位置する複数の探傷点で取
得されたエコー波形とを取り出し、選別データとする。
そして、周波数分析手段が、選別データを構成する各エ
コー波形を周波数分析し、周波数分析データとする。次
に、ニューラルネットワークが、周波数分析データを用
いて構造材内部の異常の有無を判定する。これにより、
膨大な量におよぶ超音波探傷試験結果のうち、その特徴
を最もよく示す部分のみを取り出すことができる。さら
に、ニューラルネットワークのパターン認識能力および
学習能力を、超音波探傷試験結果の評価に利用すること
ができる。請求項２記載の発明によれば、周波数分析手
段は、選別データを構成する各エコー波形の周波数分析
に高速フーリエ変換を用いることにより、周波数分析を
高速に行うことができる。
が、複数の探傷点において取得された各エコー波形の内
で、その振幅が最も大きいエコー波形と、そのエコー波
形を取得した探傷点の近傍に位置する複数の探傷点で取
得されたエコー波形とを取り出し、選別データとする。
そして、周波数分析手段が、選別データを構成する各エ
コー波形を周波数分析し、周波数分析データとする。次
に、ニューラルネットワークが、周波数分析データを用
いて構造材内部の異常の有無を判定する。これにより、
膨大な量におよぶ超音波探傷試験結果のうち、その特徴
を最もよく示す部分のみを取り出すことができる。さら
に、ニューラルネットワークのパターン認識能力および
学習能力を、超音波探傷試験結果の評価に利用すること
ができる。請求項２記載の発明によれば、周波数分析手
段は、選別データを構成する各エコー波形の周波数分析
に高速フーリエ変換を用いることにより、周波数分析を
高速に行うことができる。
【００１２】
【実施例】以下、図面を参照して、本発明の実施例につ
いて説明する。図１は本発明の一実施例による超音波探
傷試験結果の自動評価装置の構成例を示すブロック図で
ある。記憶装置１は、図示していない超音波探傷試験装
置が出力した超音波探傷試験の試験結果を格納する。図
５に示すように、超音波探傷子１００は、複数の探傷点
１０２のそれぞれにおいて超音波探傷を行う。故に、図
６に示すようなエコー波形は探傷点１０２の数だけ得ら
れる。図１において、記憶装置１は、連続した探傷点１
０２において得られた複数のエコー波形を１つのファイ
ルにまとめて格納する。本実施例では、記憶装置１は、
一例としてハードディスク装置（以下、ＨＤＤと称す
る）を用いる。データ取込部２は、ＨＤＤ１から超音波
探傷試験結果のファイルを読み出す。本実施例では、デ
ータ取込部２は、ＨＤＤ１に接続されるインタフェース
回路である。
いて説明する。図１は本発明の一実施例による超音波探
傷試験結果の自動評価装置の構成例を示すブロック図で
ある。記憶装置１は、図示していない超音波探傷試験装
置が出力した超音波探傷試験の試験結果を格納する。図
５に示すように、超音波探傷子１００は、複数の探傷点
１０２のそれぞれにおいて超音波探傷を行う。故に、図
６に示すようなエコー波形は探傷点１０２の数だけ得ら
れる。図１において、記憶装置１は、連続した探傷点１
０２において得られた複数のエコー波形を１つのファイ
ルにまとめて格納する。本実施例では、記憶装置１は、
一例としてハードディスク装置（以下、ＨＤＤと称す
る）を用いる。データ取込部２は、ＨＤＤ１から超音波
探傷試験結果のファイルを読み出す。本実施例では、デ
ータ取込部２は、ＨＤＤ１に接続されるインタフェース
回路である。
【００１３】データ離散化部３は、ＣＰＵ（中央処理装
置）・ＲＯＭ（リードオンリメモリ）・ＲＡＭ（ランダ
ムアクセスメモリ）・入出力から構成される演算装置で
ある。データ取込部２が読み出したファイルは、連続し
た探傷点１０２（図５参照）のそれぞれで得られたエコ
ー波形（図６参照）からなり、データ離散化部３は、そ
の個々のエコー波形に対して、横軸（直線距離）方向の
離散化を行う。また、このとき、エコー波形を離散化す
る間隔は、図４に示すように０．０４μｓｅｃである。
置）・ＲＯＭ（リードオンリメモリ）・ＲＡＭ（ランダ
ムアクセスメモリ）・入出力から構成される演算装置で
ある。データ取込部２が読み出したファイルは、連続し
た探傷点１０２（図５参照）のそれぞれで得られたエコ
ー波形（図６参照）からなり、データ離散化部３は、そ
の個々のエコー波形に対して、横軸（直線距離）方向の
離散化を行う。また、このとき、エコー波形を離散化す
る間隔は、図４に示すように０．０４μｓｅｃである。
【００１４】図１において、データ選別部４は、データ
離散化部３と同構成の演算装置である。データ選別部４
は、連続した探傷点１０２のそれぞれで得られた個々の
エコー波形を比較して、最も大きい反射強度を示すエコ
ー波形を選び出す。データ選別部４は、その最も大きい
反射強度を示すエコー波形が得られた探傷点１０２を中
心として、（図５に示した超音波探触子１００の移動方
向において）前後２つずつ（つまり合計４つ）の探傷点
１０２において得られたエコー波形を選び出す。以上の
処理により、データ選別部４は、連続した探傷点１０２
のそれぞれで得られた個々のエコー波形の内から、最大
の反射強度を示すエコー波形を含む合計５つのエコー波
形を選び出す。
離散化部３と同構成の演算装置である。データ選別部４
は、連続した探傷点１０２のそれぞれで得られた個々の
エコー波形を比較して、最も大きい反射強度を示すエコ
ー波形を選び出す。データ選別部４は、その最も大きい
反射強度を示すエコー波形が得られた探傷点１０２を中
心として、（図５に示した超音波探触子１００の移動方
向において）前後２つずつ（つまり合計４つ）の探傷点
１０２において得られたエコー波形を選び出す。以上の
処理により、データ選別部４は、連続した探傷点１０２
のそれぞれで得られた個々のエコー波形の内から、最大
の反射強度を示すエコー波形を含む合計５つのエコー波
形を選び出す。
【００１５】図１において、高速フーリエ変換処理部
（以下、ＦＦＴ処理部と称する）５は、データ離散化部
３と同構成の演算装置である。ＦＦＴ処理部５は、デー
タ選別部４が選び出した５つのエコー波形のそれぞれに
対して以下の方法でゲートを設定する。最初に、ＦＦＴ
処理部５は、データ選別部４が選び出した５つのエコー
波形の内、その中心に位置する探傷点１０２で取得した
エコー波形（つまり、全エコー波形の内で、その反射強
度が最も大きいエコー波形）に対し、その最大反射強度
を中心として、前後１μｓｅｃずつ、合計２μｓｅｃの
部分にゲートを設定する。ＦＦＴ処理部５は、データ選
別部４が選び出した５つのエコー波形の内、残りの４つ
のエコー波形のそれぞれに対して、先に設定したゲート
と同じ時間範囲に渡ってゲートを設定する。以上の操作
により、ＦＦＴ処理部５は、データ選別部４が選び出し
た５つのエコー波形のそれぞれに対するゲート設定を完
了する。さらに、ＦＦＴ処理部５は、そのゲートが設定
された範囲を対象として、その５つのエコー波形のそれ
ぞれに対して高速フーリエ変換を用いて周波数分析を行
う。
（以下、ＦＦＴ処理部と称する）５は、データ離散化部
３と同構成の演算装置である。ＦＦＴ処理部５は、デー
タ選別部４が選び出した５つのエコー波形のそれぞれに
対して以下の方法でゲートを設定する。最初に、ＦＦＴ
処理部５は、データ選別部４が選び出した５つのエコー
波形の内、その中心に位置する探傷点１０２で取得した
エコー波形（つまり、全エコー波形の内で、その反射強
度が最も大きいエコー波形）に対し、その最大反射強度
を中心として、前後１μｓｅｃずつ、合計２μｓｅｃの
部分にゲートを設定する。ＦＦＴ処理部５は、データ選
別部４が選び出した５つのエコー波形の内、残りの４つ
のエコー波形のそれぞれに対して、先に設定したゲート
と同じ時間範囲に渡ってゲートを設定する。以上の操作
により、ＦＦＴ処理部５は、データ選別部４が選び出し
た５つのエコー波形のそれぞれに対するゲート設定を完
了する。さらに、ＦＦＴ処理部５は、そのゲートが設定
された範囲を対象として、その５つのエコー波形のそれ
ぞれに対して高速フーリエ変換を用いて周波数分析を行
う。
【００１６】判定データ作成部６は、データ離散化部３
と同構成の演算装置である。判定データ作成部６は、Ｆ
ＦＴ処理部５から５つのエコー波形を受け取る。それぞ
れのエコー波形は、（フーリエ変換部５によって周波数
分析されているので、）横軸に周波数を、縦軸にその各
周波数におけるスペクトル値をとった波形データとなっ
ている。判定データ作成部６は、この５つのエコー波形
のそれぞれについて、最大のスペクトル値を示す周波数
を中心とした１００個の周波数のスペクトル値を抽出す
る。これにより、判定データ作成部６は、１００×５＝
５００個の判定データ（スペクトル値）を抽出すること
になる。
と同構成の演算装置である。判定データ作成部６は、Ｆ
ＦＴ処理部５から５つのエコー波形を受け取る。それぞ
れのエコー波形は、（フーリエ変換部５によって周波数
分析されているので、）横軸に周波数を、縦軸にその各
周波数におけるスペクトル値をとった波形データとなっ
ている。判定データ作成部６は、この５つのエコー波形
のそれぞれについて、最大のスペクトル値を示す周波数
を中心とした１００個の周波数のスペクトル値を抽出す
る。これにより、判定データ作成部６は、１００×５＝
５００個の判定データ（スペクトル値）を抽出すること
になる。
【００１７】ニューラルネットワーク７は、判定データ
作成部６において抽出された５００個の判定データ（ス
ペクトル値）を基に、前記各種プラント（原子力発電プ
ラント、火力発電プラント、化学プラント等）を構成す
る構造材内部の異常の有無を判定する。
作成部６において抽出された５００個の判定データ（ス
ペクトル値）を基に、前記各種プラント（原子力発電プ
ラント、火力発電プラント、化学プラント等）を構成す
る構造材内部の異常の有無を判定する。
【００１８】次に、図２を用いて、本実施例で使用され
るニューラルネットワーク７の構成を説明する。本実施
例のニューラルネットワーク７は、ニューロン８が５１
２個集まり、相互に結合することによって構成される。
個々のニューロン８は、その内部状態として、０．０〜
１．０の範囲において０．１単位で離散化された値を持
つ。また、ニューラルネットワーク７は、図２に示すよ
うに、入力層、中間層、出力層の３層に分かれ、それぞ
れ５００個、１０個、２個のニューロン８より構成され
る。各ニューロン８は重なり合う各層間（入力層と中間
層、中間層と出力層）で結合し、同じ層を構成するニュ
ーロン８同士の結合および入力層のニューロン８から出
力層のニューロン８への（中間層を越えた直接の）結合
は存在しない。
るニューラルネットワーク７の構成を説明する。本実施
例のニューラルネットワーク７は、ニューロン８が５１
２個集まり、相互に結合することによって構成される。
個々のニューロン８は、その内部状態として、０．０〜
１．０の範囲において０．１単位で離散化された値を持
つ。また、ニューラルネットワーク７は、図２に示すよ
うに、入力層、中間層、出力層の３層に分かれ、それぞ
れ５００個、１０個、２個のニューロン８より構成され
る。各ニューロン８は重なり合う各層間（入力層と中間
層、中間層と出力層）で結合し、同じ層を構成するニュ
ーロン８同士の結合および入力層のニューロン８から出
力層のニューロン８への（中間層を越えた直接の）結合
は存在しない。
【００１９】次に、図３を用いて、本実施例で使用され
るニューロン８単体について説明する。ただし、図３に
示したニューロンは、前層からの入力および次層への出
力の両方を持つので、中間層に属するニューロンという
ことになる。ニューロン８は、前層（図２に示す入力
層）の５００個のニューロンから各１つずつ合計５００
個の信号Ｏ（Ｉ−１）1〜Ｏ（Ｉ−１）500を入力され
る。そして、ニューロン８は、次層（図２に示す出力
層）の２つのニューロンへ、その内部状態を表す値
（０．０〜１．０の範囲において０．１単位で離散化さ
れた値）を、信号Ｏ（Ｉ）iとして出力する。各入力線
には、ニューロン８間の結合の強さを表す結合係数（図
４に示すＷ（Ｉ）i・1〜Ｗ（Ｉ）i・500）が設定されて
いる。この結合係数は、それぞれの２つのニューロン間
の入力線によって異なり、そのニューロン間の結合の粗
密を表している。そして、ニューロン８は、各入力線か
らの入力値の総和を、次に示す入出力関数で評価し、そ
の内部状態（つまり出力値Ｏ（Ｉ）i）を決定する。図
３のニューロン８は、第Ｉ層（但し本実施例では、この
第Ｉ層とは図２に示す中間層のこととする）に属する第
ｉ番目のユニットであるとすると、このニューロン８の
出力Ｏ（Ｉ）iは、 Ｏ（Ｉ）i ＝ ｆ（ ＮＥＴ（Ｉ）i ＋ Ｂ（Ｉ）i ）・・・・ となる。ここで、 ｆ（ｘ） ＝ １／（ １ ＋ ｅｘｐ（−ｘ／
Ｔ） ） ＮＥＴ（Ｉ）i ＝ Σ Ｗ（Ｉ）i・j ＊ Ｏ（Ｉ−
１）j Ｔ ： 温度 Ｗ（Ｉ）i・j ： 第Ｉ層ｉユニットと第Ｉ−１層ｊ
ユニット間の結合係数 Ｂ（Ｉ）i ： 第Ｉ層ｉユニットのしきい値 である。
るニューロン８単体について説明する。ただし、図３に
示したニューロンは、前層からの入力および次層への出
力の両方を持つので、中間層に属するニューロンという
ことになる。ニューロン８は、前層（図２に示す入力
層）の５００個のニューロンから各１つずつ合計５００
個の信号Ｏ（Ｉ−１）1〜Ｏ（Ｉ−１）500を入力され
る。そして、ニューロン８は、次層（図２に示す出力
層）の２つのニューロンへ、その内部状態を表す値
（０．０〜１．０の範囲において０．１単位で離散化さ
れた値）を、信号Ｏ（Ｉ）iとして出力する。各入力線
には、ニューロン８間の結合の強さを表す結合係数（図
４に示すＷ（Ｉ）i・1〜Ｗ（Ｉ）i・500）が設定されて
いる。この結合係数は、それぞれの２つのニューロン間
の入力線によって異なり、そのニューロン間の結合の粗
密を表している。そして、ニューロン８は、各入力線か
らの入力値の総和を、次に示す入出力関数で評価し、そ
の内部状態（つまり出力値Ｏ（Ｉ）i）を決定する。図
３のニューロン８は、第Ｉ層（但し本実施例では、この
第Ｉ層とは図２に示す中間層のこととする）に属する第
ｉ番目のユニットであるとすると、このニューロン８の
出力Ｏ（Ｉ）iは、 Ｏ（Ｉ）i ＝ ｆ（ ＮＥＴ（Ｉ）i ＋ Ｂ（Ｉ）i ）・・・・ となる。ここで、 ｆ（ｘ） ＝ １／（ １ ＋ ｅｘｐ（−ｘ／
Ｔ） ） ＮＥＴ（Ｉ）i ＝ Σ Ｗ（Ｉ）i・j ＊ Ｏ（Ｉ−
１）j Ｔ ： 温度 Ｗ（Ｉ）i・j ： 第Ｉ層ｉユニットと第Ｉ−１層ｊ
ユニット間の結合係数 Ｂ（Ｉ）i ： 第Ｉ層ｉユニットのしきい値 である。
【００２０】以上に示したニューロン８を用いて、図２
に示すニューラルネットワーク７の動作を説明する。ニ
ューラルネットワーク７の入力層は５００個のニューロ
ン８からなり、その各ニューロン８は０．０〜１．０の
範囲において０．１単位で離散化された内部状態を持つ
ことができる。故に、ニューラルネットワーク７は、５
００個の判定データを入力値として受け入れることがで
きる。入力層のニューロン８に入力された判定データ
は、中間層のニューロン８へ伝達される。判定データが
中間層のニューロン８へ入力されると、前述したニュー
ロン８内部の入出力関数に基づいて中間層のニューロ
ン８の出力値が定まる。さらに、中間層のニューロン８
の出力値は、出力層のニューロン８への入力となり、前
述したニューロン８内部の入出力関数に基づいて出力
層のニューロン８の出力値が定まる。
に示すニューラルネットワーク７の動作を説明する。ニ
ューラルネットワーク７の入力層は５００個のニューロ
ン８からなり、その各ニューロン８は０．０〜１．０の
範囲において０．１単位で離散化された内部状態を持つ
ことができる。故に、ニューラルネットワーク７は、５
００個の判定データを入力値として受け入れることがで
きる。入力層のニューロン８に入力された判定データ
は、中間層のニューロン８へ伝達される。判定データが
中間層のニューロン８へ入力されると、前述したニュー
ロン８内部の入出力関数に基づいて中間層のニューロ
ン８の出力値が定まる。さらに、中間層のニューロン８
の出力値は、出力層のニューロン８への入力となり、前
述したニューロン８内部の入出力関数に基づいて出力
層のニューロン８の出力値が定まる。
【００２１】ここで、ニューラルネットワーク７が、与
えられた判定データを用いて構造材内部の異常の有無を
正確に判定できるか否かは、各ニューロン８間の結合係
数の値に依存する。ニューラルネットワーク７の外部か
らは、ニューロン８間の結合係数は単なる数値としてし
か把握することができないので、ニューラルネットワー
ク７構成時には、目的とする処理（構造材内部の異常の
有無の判定）に対する結合係数の適切な設定は不可能で
ある。そこで、ニューラルネットワーク７は、何らかの
手段で結合係数の修正を行っていかなくてはならない。
結合係数を適切な値に修正し、ニューラルネットワーク
７が与えられた処理を正確に行えるようにする機能を学
習機能と呼ぶ。
えられた判定データを用いて構造材内部の異常の有無を
正確に判定できるか否かは、各ニューロン８間の結合係
数の値に依存する。ニューラルネットワーク７の外部か
らは、ニューロン８間の結合係数は単なる数値としてし
か把握することができないので、ニューラルネットワー
ク７構成時には、目的とする処理（構造材内部の異常の
有無の判定）に対する結合係数の適切な設定は不可能で
ある。そこで、ニューラルネットワーク７は、何らかの
手段で結合係数の修正を行っていかなくてはならない。
結合係数を適切な値に修正し、ニューラルネットワーク
７が与えられた処理を正確に行えるようにする機能を学
習機能と呼ぶ。
【００２２】ニューラルネットワーク７の学習機能を実
現するためのアルゴリズムには数種類のものが提案され
ているが、本実施例では、以下に述べる修正バックプロ
パゲーション法を用いて各ニューロン８間の結合係数を
修正する。ある時点tにおける結合係数Ｗi・jの修正量
ｄＷi・j（t）は、 ｄＷi・j（t） ＝ Ｋ1＊δi＊Ｏj ＋ Ｋ2＊ｄＷi・
j（t-1） によって計算される。ここで δi ＝ Ｅi＊（Ｏi＊（１−Ｏi）＋Φ）／Ｔ Ｅi ＝ Ｄi−Ｏi Φ ＝ Ｋ3＊｜δi（t-1）｜ あるいは Φ＝Ｋ3＊
｜Ｏi｜ Ｋ1：学習係数 Ｋ2：慣性項係数 Ｋ3：係数 Ｅi：出力層における最終的な誤差 Ｄi：出力層における出力の期待値 Ｏi：出力層における実際の出力値 である。本実施例のニューラルネットワーク７は、構造
材内部の結果の有無を正確に判定できるように、上記修
正バックプロパゲーション法を用いてあらかじめ学習済
みである。
現するためのアルゴリズムには数種類のものが提案され
ているが、本実施例では、以下に述べる修正バックプロ
パゲーション法を用いて各ニューロン８間の結合係数を
修正する。ある時点tにおける結合係数Ｗi・jの修正量
ｄＷi・j（t）は、 ｄＷi・j（t） ＝ Ｋ1＊δi＊Ｏj ＋ Ｋ2＊ｄＷi・
j（t-1） によって計算される。ここで δi ＝ Ｅi＊（Ｏi＊（１−Ｏi）＋Φ）／Ｔ Ｅi ＝ Ｄi−Ｏi Φ ＝ Ｋ3＊｜δi（t-1）｜ あるいは Φ＝Ｋ3＊
｜Ｏi｜ Ｋ1：学習係数 Ｋ2：慣性項係数 Ｋ3：係数 Ｅi：出力層における最終的な誤差 Ｄi：出力層における出力の期待値 Ｏi：出力層における実際の出力値 である。本実施例のニューラルネットワーク７は、構造
材内部の結果の有無を正確に判定できるように、上記修
正バックプロパゲーション法を用いてあらかじめ学習済
みである。
【００２３】次に、図１に構成例を示した超音波探傷試
験結果の自動評価装置の動作を説明する。ＨＤＤ１に
は、事前にまとめて実行された超音波探傷試験の試験結
果ファイルが複数個格納されている。この試験結果ファ
イルは、連続して並んだ複数の探傷点１０２のそれぞれ
において取得されたエコー波形から構成される。本実施
例では、１回の超音波探傷で検査を受ける探傷点１０２
を５０カ所とする。超音波探触子１００は、１つの探傷
点１０２につきエコー波形を１つ取得するので、１つの
試験結果ファイルは５０個のエコー波形から構成される
ことになる。操作者が、ＨＤＤ１に格納されている試験
結果ファイルの中から、１つの試験結果ファイルを指定
すると、データ取込部２は、その指定された試験結果フ
ァイルをＨＤＤ１より読み込む。
験結果の自動評価装置の動作を説明する。ＨＤＤ１に
は、事前にまとめて実行された超音波探傷試験の試験結
果ファイルが複数個格納されている。この試験結果ファ
イルは、連続して並んだ複数の探傷点１０２のそれぞれ
において取得されたエコー波形から構成される。本実施
例では、１回の超音波探傷で検査を受ける探傷点１０２
を５０カ所とする。超音波探触子１００は、１つの探傷
点１０２につきエコー波形を１つ取得するので、１つの
試験結果ファイルは５０個のエコー波形から構成される
ことになる。操作者が、ＨＤＤ１に格納されている試験
結果ファイルの中から、１つの試験結果ファイルを指定
すると、データ取込部２は、その指定された試験結果フ
ァイルをＨＤＤ１より読み込む。
【００２４】データ取込部２によって読み込まれた試験
結果ファイルは、データ離散化部３へ送られる。データ
離散化部３は、試験結果ファイルを構成する５０個のエ
コー波形のそれぞれを０．０４μｓｅｃ単位で横軸方向
に離散化する。これによって、各エコー波形は、図４に
示すように横軸方向に離散化された離散化データとな
る。
結果ファイルは、データ離散化部３へ送られる。データ
離散化部３は、試験結果ファイルを構成する５０個のエ
コー波形のそれぞれを０．０４μｓｅｃ単位で横軸方向
に離散化する。これによって、各エコー波形は、図４に
示すように横軸方向に離散化された離散化データとな
る。
【００２５】データ離散化部３によって離散化された５
０個のエコー波形は、データ選別部４へ送られる。デー
タ選別部４は、５０個のエコー波形の中から、最も大き
い反射強度を示すエコー波形と、そのエコー波形を取得
した探傷点１０２の（超音波探触子１００の移動方向に
おいて）前後２つずつの探傷点１０２で取得されたエコ
ー波形とを取り出して選別データとする。
０個のエコー波形は、データ選別部４へ送られる。デー
タ選別部４は、５０個のエコー波形の中から、最も大き
い反射強度を示すエコー波形と、そのエコー波形を取得
した探傷点１０２の（超音波探触子１００の移動方向に
おいて）前後２つずつの探傷点１０２で取得されたエコ
ー波形とを取り出して選別データとする。
【００２６】データ選択部４で選択された選別データ
（５つのエコー波形）は、ＦＦＴ処理部５へ送られる。
ＦＦＴ処理部５は、選別データを構成する５つのエコー
波形のそれぞれに対してゲートを設定し、ＦＦＴ（高速
フーリエ変換）を用いて周波数分析を行う。これによ
り、横軸が直線距離、縦軸が反射強度を表していたエコ
ー波形は、横軸が１〜５ＭＨｚの周波数を表し、縦軸が
各周波数におけるスペクトルの強さを表す波形データ
（以下、周波数分析データと称する）に変換される。
（５つのエコー波形）は、ＦＦＴ処理部５へ送られる。
ＦＦＴ処理部５は、選別データを構成する５つのエコー
波形のそれぞれに対してゲートを設定し、ＦＦＴ（高速
フーリエ変換）を用いて周波数分析を行う。これによ
り、横軸が直線距離、縦軸が反射強度を表していたエコ
ー波形は、横軸が１〜５ＭＨｚの周波数を表し、縦軸が
各周波数におけるスペクトルの強さを表す波形データ
（以下、周波数分析データと称する）に変換される。
【００２７】フーリエ変換部５で得られた５つの周波数
分析データは、判定データ作成部６へ送られる。判定デ
ータ作成部６は、５つの周波数分析データのそれぞれに
ついて、各周波数分析データにおける最大のスペクトル
値（以下、極大スペクトル値と称する）を取り出す。次
に、判定データ作成部６は、取りだした５つの極大スペ
クトル値を比較し、その中で最大の値を示すスペクトル
値（以下、最大スペクトル値と称する）を取り出し、そ
の値を１．０に正規化する。そして、判定データ作成部
６は、正規化された最大スペクトル値（１．０）を基準
として、残った４つの極大スペクトル値を０．０〜１．
０の値で正規化する。さらに、判定データ作成部６は、
５つの周波数分析データのそれぞれについて、各極大ス
ペクトル値を中心とした１００個のスペクトル値を抽出
し、その１００個のスペクトル値を０．０〜１．０の値
で正規化する。１つの周波数分析データにつき１００個
のスペクトル値が抽出されるので、５つの周波数分析デ
ータでは合計５００個のスペクトル値が抽出される。こ
れら５００個のスペクトル値（各値は０．０〜１．０で
正規化されている）のそれぞれが、ニューラルネットワ
ーク７の入力層にある５００個のニューロン８の個々の
入力になる。
分析データは、判定データ作成部６へ送られる。判定デ
ータ作成部６は、５つの周波数分析データのそれぞれに
ついて、各周波数分析データにおける最大のスペクトル
値（以下、極大スペクトル値と称する）を取り出す。次
に、判定データ作成部６は、取りだした５つの極大スペ
クトル値を比較し、その中で最大の値を示すスペクトル
値（以下、最大スペクトル値と称する）を取り出し、そ
の値を１．０に正規化する。そして、判定データ作成部
６は、正規化された最大スペクトル値（１．０）を基準
として、残った４つの極大スペクトル値を０．０〜１．
０の値で正規化する。さらに、判定データ作成部６は、
５つの周波数分析データのそれぞれについて、各極大ス
ペクトル値を中心とした１００個のスペクトル値を抽出
し、その１００個のスペクトル値を０．０〜１．０の値
で正規化する。１つの周波数分析データにつき１００個
のスペクトル値が抽出されるので、５つの周波数分析デ
ータでは合計５００個のスペクトル値が抽出される。こ
れら５００個のスペクトル値（各値は０．０〜１．０で
正規化されている）のそれぞれが、ニューラルネットワ
ーク７の入力層にある５００個のニューロン８の個々の
入力になる。
【００２８】判定データ作成部６で抽出された５００個
のスペクトル値は、ニューラルネットワーク７の入力層
の５００個のニューロン８に入力される。入力層の各ニ
ューロン８は、それぞれに入力されたスペクトル値を、
中間層の各ニューロン８に伝達する。中間層の各ニュー
ロン８は、入力層から入力されたスペクトル値に対し
て、前述した入出力関数による処理を施し、その結果
生じた内部状態（０．０〜１．０の範囲において０．１
単位で離散化された値）を、次層（出力層）の２つのニ
ューロン８に伝達する。出力層の２つのニューロン８
は、中間層の各ニューロン８と同じように前層（中間
層）の各ニューロン８から入力された値（０．０〜１．
０の範囲において０．１単位で離散化された値）に対し
て入出力関数による処理を施し、その内部状態（０．
０〜１．０の範囲において０．１単位で離散化された
値）を確定させる。
のスペクトル値は、ニューラルネットワーク７の入力層
の５００個のニューロン８に入力される。入力層の各ニ
ューロン８は、それぞれに入力されたスペクトル値を、
中間層の各ニューロン８に伝達する。中間層の各ニュー
ロン８は、入力層から入力されたスペクトル値に対し
て、前述した入出力関数による処理を施し、その結果
生じた内部状態（０．０〜１．０の範囲において０．１
単位で離散化された値）を、次層（出力層）の２つのニ
ューロン８に伝達する。出力層の２つのニューロン８
は、中間層の各ニューロン８と同じように前層（中間
層）の各ニューロン８から入力された値（０．０〜１．
０の範囲において０．１単位で離散化された値）に対し
て入出力関数による処理を施し、その内部状態（０．
０〜１．０の範囲において０．１単位で離散化された
値）を確定させる。
【００２９】図２に示したように、ニューラルネットワ
ーク７の出力層は２つのニューロン８で構成される。仮
に、出力層の２つのニューロン８のうち、片方のニュー
ロンをニューロンａ、もう一方のニューロンをニューロ
ンｂと呼ぶことにする。このとき、ニューロンａの内部
状態が０．５〜１．０であり、かつ、ニューロンｂの内
部状態が０．０〜０．５である場合は、構造材内部に異
常部分が発見されたことを表し、また、ニューロンａの
内部状態が０．０〜０．５であり、かつ、ニューロンｂ
の内部状態が０．５〜１．０である場合は、構造材内部
に異常部分が無いことを表すとする。ニューラルネット
ワーク７は、上記に示す判定を正確に行えるように、あ
らかじめ学習済みであるので、入力層の５００個のニュ
ーロン８に入力された判定データから、構造材内部の異
常の有無を判定することができる。
ーク７の出力層は２つのニューロン８で構成される。仮
に、出力層の２つのニューロン８のうち、片方のニュー
ロンをニューロンａ、もう一方のニューロンをニューロ
ンｂと呼ぶことにする。このとき、ニューロンａの内部
状態が０．５〜１．０であり、かつ、ニューロンｂの内
部状態が０．０〜０．５である場合は、構造材内部に異
常部分が発見されたことを表し、また、ニューロンａの
内部状態が０．０〜０．５であり、かつ、ニューロンｂ
の内部状態が０．５〜１．０である場合は、構造材内部
に異常部分が無いことを表すとする。ニューラルネット
ワーク７は、上記に示す判定を正確に行えるように、あ
らかじめ学習済みであるので、入力層の５００個のニュ
ーロン８に入力された判定データから、構造材内部の異
常の有無を判定することができる。
【００３０】以上、本発明の実施例を図面を参照して詳
述してきたが、具体的な構成はこの実施例に限られるも
のではなく、本発明の要旨を逸脱しない範囲の設計の変
更等があっても本発明に含まれる。例えば、本実施例で
用いたニューラルネットワーク７は、入力層が５００個
のニューロン８から、中間層が１０個のニューロン８か
ら、出力層が２個のニューロン８からそれぞれ成り立っ
ていたが、各層のニューロン８数はこの数に限られるも
のではない。また、本実施例で用いたニューラルネット
ワーク７は、中間層は１層のみであるが、中間層を２層
以上設ける事も考えられる。また、ニューラルネットワ
ーク７およびニューロン８のモデル・学習方法等を定義
する入出力関数・処理方法は、必ずしも実施例に示した
入出力関数・処理方法に限定されるものではなく、構造
材内部の異常の有無の判定に必要とされる機能が満たさ
れるならば、他に提案されているニューラルネットワー
クのモデル・学習方法等を適用する事が可能である。ま
た、本実施例では、ＨＤＤ１に記憶されている超音波探
傷試験の試験結果ファイルは５０個のエコー波形から構
成されているとしたが、必ずしも試験結果ファイルは５
０個のエコー波形から構成されている必要はない。
述してきたが、具体的な構成はこの実施例に限られるも
のではなく、本発明の要旨を逸脱しない範囲の設計の変
更等があっても本発明に含まれる。例えば、本実施例で
用いたニューラルネットワーク７は、入力層が５００個
のニューロン８から、中間層が１０個のニューロン８か
ら、出力層が２個のニューロン８からそれぞれ成り立っ
ていたが、各層のニューロン８数はこの数に限られるも
のではない。また、本実施例で用いたニューラルネット
ワーク７は、中間層は１層のみであるが、中間層を２層
以上設ける事も考えられる。また、ニューラルネットワ
ーク７およびニューロン８のモデル・学習方法等を定義
する入出力関数・処理方法は、必ずしも実施例に示した
入出力関数・処理方法に限定されるものではなく、構造
材内部の異常の有無の判定に必要とされる機能が満たさ
れるならば、他に提案されているニューラルネットワー
クのモデル・学習方法等を適用する事が可能である。ま
た、本実施例では、ＨＤＤ１に記憶されている超音波探
傷試験の試験結果ファイルは５０個のエコー波形から構
成されているとしたが、必ずしも試験結果ファイルは５
０個のエコー波形から構成されている必要はない。
【００３１】
【発明の効果】以上説明したように、請求項１記載の発
明によれば、振幅が最も大きいエコー波形と、そのエコ
ー波形を取得した探傷点の近傍に位置する複数の探傷点
で取得されたエコー波形とを取り出し、それらを用いて
ニューラルネットワークが構造材内部の異常の有無を判
定する。これにより、膨大な量におよぶ超音波探傷試験
結果のうち、そのエコー波形の特徴を最もよく示す部分
のみを抽出することができる。故に、超音波探傷試験結
果の評価時に必要とされる記憶容量を少なくする事がで
き、また、ニューラルネットワーク等各手段に対する演
算時の負担が軽減される。さらに、ニューラルネットワ
ークのパターン認識能力および学習能力を超音波探傷試
験結果の評価に利用することができるので、論理的な判
断規則として記述し難い熟練検査官のノウハウを超音波
探傷試験の自動評価に利用することができる。また、請
求項２記載の発明によれば、周波数分析手段は、選別デ
ータを構成する各エコー波形の周波数分析に高速フーリ
エ変換を用いることにより、周波数分析をより高速に行
うことができる。以上より、構造材内部の異常の有無の
判定を、高速かつ正確に行える超音波探傷試験の自動評
価装置を提供することができ、超音波探傷試験全体の省
力化および迅速化を図ることができる。
明によれば、振幅が最も大きいエコー波形と、そのエコ
ー波形を取得した探傷点の近傍に位置する複数の探傷点
で取得されたエコー波形とを取り出し、それらを用いて
ニューラルネットワークが構造材内部の異常の有無を判
定する。これにより、膨大な量におよぶ超音波探傷試験
結果のうち、そのエコー波形の特徴を最もよく示す部分
のみを抽出することができる。故に、超音波探傷試験結
果の評価時に必要とされる記憶容量を少なくする事がで
き、また、ニューラルネットワーク等各手段に対する演
算時の負担が軽減される。さらに、ニューラルネットワ
ークのパターン認識能力および学習能力を超音波探傷試
験結果の評価に利用することができるので、論理的な判
断規則として記述し難い熟練検査官のノウハウを超音波
探傷試験の自動評価に利用することができる。また、請
求項２記載の発明によれば、周波数分析手段は、選別デ
ータを構成する各エコー波形の周波数分析に高速フーリ
エ変換を用いることにより、周波数分析をより高速に行
うことができる。以上より、構造材内部の異常の有無の
判定を、高速かつ正確に行える超音波探傷試験の自動評
価装置を提供することができ、超音波探傷試験全体の省
力化および迅速化を図ることができる。
【図１】本発明の一実施例による超音波探傷試験結果の
自動評価装置の構成を表すブロック図である。
自動評価装置の構成を表すブロック図である。
【図２】本発明の一実施例による超音波探傷試験結果の
自動評価装置で使用されるニューラルネットワーク７の
説明図である。
自動評価装置で使用されるニューラルネットワーク７の
説明図である。
【図３】本発明の一実施例による超音波探傷試験結果の
自動評価装置で使用されるニューロン８の説明図であ
る。
自動評価装置で使用されるニューロン８の説明図であ
る。
【図４】離散化されたエコー波形の説明図である。
【図５】超音波探傷試験方法の説明図である。
【図６】超音波探傷試験結果として得られるエコー波形
の説明図である。
の説明図である。
１……ハードディスク装置、 ２……データ取込部、
３……データ離散化部、４……データ選別部、 ５……
ＦＦＴ処理部、 ６……判定データ作成部、７……ニュ
ーラルネットワーク、 ８……ニューロン
３……データ離散化部、４……データ選別部、 ５……
ＦＦＴ処理部、 ６……判定データ作成部、７……ニュ
ーラルネットワーク、 ８……ニューロン
Claims (2)
- 【請求項１】 構造材内部に超音波を入射し、エコー波
形から前記構造材内部の異常の有無を判定する超音波探
傷試験において、 複数の探傷点において取得された各エコー波形の内で、
その振幅が最も大きいエコー波形と、そのエコー波形を
取得した探傷点の近傍に位置する複数の探傷点で取得さ
れたエコー波形とを取り出し、それらをまとめて選別デ
ータとするデータ選別手段と、 前記選別データを構成する各エコー波形を周波数分析
し、周波数分析データとする周波数分析手段と、 前記周波数分析データを用いて前記構造材内部の異常の
有無を判定するニューラルネットワークとを具備するこ
とを特徴とする超音波探傷試験結果の自動評価装置。 - 【請求項２】 請求項１記載の超音波探傷試験結果の自
動評価装置において、 前記周波数分析手段は、前記選別データを構成する各エ
コー波形の周波数分析に高速フーリエ変換を用いること
を特徴とする超音波探傷試験結果の自動評価装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6244448A JPH08110323A (ja) | 1994-10-07 | 1994-10-07 | 超音波探傷試験結果の自動評価装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6244448A JPH08110323A (ja) | 1994-10-07 | 1994-10-07 | 超音波探傷試験結果の自動評価装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08110323A true JPH08110323A (ja) | 1996-04-30 |
Family
ID=17118809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6244448A Withdrawn JPH08110323A (ja) | 1994-10-07 | 1994-10-07 | 超音波探傷試験結果の自動評価装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08110323A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006136622A1 (es) * | 2005-06-20 | 2006-12-28 | Airbus España, S.L. | Procedimiento de detección y control preventivo de la defectología en piezas de materiales compuestos |
| JP2012233771A (ja) * | 2011-04-28 | 2012-11-29 | Osaka Gas Co Ltd | 敷設鋳鉄管の材質判定方法及び敷設鋳鉄管材質判定システム |
-
1994
- 1994-10-07 JP JP6244448A patent/JPH08110323A/ja not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006136622A1 (es) * | 2005-06-20 | 2006-12-28 | Airbus España, S.L. | Procedimiento de detección y control preventivo de la defectología en piezas de materiales compuestos |
| JP2012233771A (ja) * | 2011-04-28 | 2012-11-29 | Osaka Gas Co Ltd | 敷設鋳鉄管の材質判定方法及び敷設鋳鉄管材質判定システム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Margrave et al. | The use of neural networks in ultrasonic flaw detection | |
| Olin et al. | Applications of statistical methods to nondestructive evaluation | |
| US20030074145A1 (en) | Laser doppler vibrometer for remote assessment of structural components | |
| Sun et al. | Machine learning for ultrasonic nondestructive examination of welding defects: A systematic review | |
| JPH05281199A (ja) | 探傷データ評価装置及び方法 | |
| Lee et al. | A study on using scanning acoustic microscopy and neural network techniques to evaluate the quality of resistance spot welding | |
| Yaacoubi et al. | A model-based approach for in-situ automatic defect detection in welds using ultrasonic phased array | |
| JPH08110323A (ja) | 超音波探傷試験結果の自動評価装置 | |
| Lardner et al. | Automated sizing and classification of defects in CANDU pressure tubes | |
| Saechai et al. | Test system for defect detection in construction materials with ultrasonic waves by support vector machine and neural network | |
| Ehtisham et al. | Predicting the defects in wooden structures by using pre-trained models of Convolutional Neural Network and Image Processing | |
| Chapman et al. | Artificial intelligence in the eddy current inspection of aircraft engine components: Materials Evaluation, Vol. 49, No. 9, pp. 1090–1094 (Sep. 1991) | |
| Pawar et al. | Detection and classification of defects in ultrasonic testing using deep learning | |
| Eremenko et al. | System of standardless diagnostic of cell panels based on Fuzzy-ART neural network | |
| JPH09210970A (ja) | 超音波探傷データ評価装置 | |
| JPH08110326A (ja) | ニューラルネットワークシステムにおけるパターン生成方法 | |
| JPH10115604A (ja) | 超音波探傷データ評価装置 | |
| Tippetts et al. | Data registration for automated non-destructive inspection with multiple data sets | |
| JPH09171006A (ja) | 超音波探傷データ評価装置 | |
| Du et al. | Stress wave tomography of wood internal defects based on deep learning and contour constraint under sparse sampling | |
| Kang et al. | Hybrid knowledge-based architecture for building an intelligent nondestructive signal inspection system | |
| Yunker et al. | Comparative Study on Deep Learning Methods for Defect Identification and Classification in Composite Aerostructure Material | |
| Madhumitha et al. | Application of Decision trees for the identification of weld central line in austenitic stainless steel weld joints | |
| Mucciardi | Adaptive Nonlinear Modeling for Ultrasonic Signal Processing | |
| Yunker et al. | EVALUATING MODEL ROBUSTNESS FOR DEFECT IDENTIFICATION AND CLASSIFICATION IN COMPOSITE AEROSTRUCTURE MATERIAL |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20020115 |