KR0183651B1 - Non-destructive testing system of airplane - Google Patents
Non-destructive testing system of airplane Download PDFInfo
- Publication number
- KR0183651B1 KR0183651B1 KR1019960018748A KR19960018748A KR0183651B1 KR 0183651 B1 KR0183651 B1 KR 0183651B1 KR 1019960018748 A KR1019960018748 A KR 1019960018748A KR 19960018748 A KR19960018748 A KR 19960018748A KR 0183651 B1 KR0183651 B1 KR 0183651B1
- Authority
- KR
- South Korea
- Prior art keywords
- aircraft
- vibration
- inspection system
- neural network
- input
- Prior art date
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
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/48—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by amplitude comparison
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
본 발명에 따른 항공기의 비파괴 검사 시스템은 진동 발생 수단, 진동 감지 수단 및 마이크로컴퓨터를 포함한다. 진동 발생 수단은, 항공기의 구조물에 부착되어, 인가되는 고주파 신호에 따라 진동한다. 진동 감지 수단은 구조물의 진동을 감지하여 구조물의 고유 진동수와 같은 주파수의 감지 신호를 발생시킨다. 마이크로컴퓨터는, 고주파 신호를 상기 진동 발생 수단에 인가하고, 항공기의 설계, 해석 및 시험 평가에 의한 관계식들이 신경 회로망 모델로써 상호 연계되어 이루어진 알고리듬에 의하여 감지 신호를 처리하여, 구조물에서 발생되는 결함 영역의 크기 및 위치에 따른 데이터를 출력한다.The non-destructive inspection system for an aircraft according to the present invention includes vibration generating means, vibration sensing means and a microcomputer. The vibration generating means is attached to the structure of the aircraft and vibrates in accordance with the applied high frequency signal. Vibration sensing means detects the vibration of the structure to generate a detection signal of the same frequency as the natural frequency of the structure. The microcomputer applies a high frequency signal to the vibration generating means, processes the detection signal by an algorithm in which relations based on the design, analysis, and test evaluation of the aircraft are interconnected as a neural network model, thereby generating a defective area in the structure. Outputs data based on the size and location of the.
Description
제1도는 본 발명의 일 실시예에 따른 항공기의 비파괴 검사 시스템을 보여주는 도면이다.1 is a view showing a non-destructive inspection system of an aircraft according to an embodiment of the present invention.
제2도는 제1도의 시스템의 마이크로컴퓨터에 적용되는 신경 회로망 모델을 보여주는 도면이다.2 is a diagram showing a neural network model applied to the microcomputer of the system of FIG.
제3도는 제2도의 모델의 입력값 패턴 및 목표 출력값 패턴을 보여주는 도면이다.3 is a diagram illustrating an input value pattern and a target output value pattern of the model of FIG. 2.
제4도는 제2도의 모델의 학습 알고리듬을 보여주는 흐름도이다.4 is a flow chart showing the learning algorithm of the model of FIG.
* 도면의 주요부분에 대한 부호의 설명* Explanation of symbols for main parts of the drawings
1 : 항공기의 구조물 2 : 광섬유 센서1: structure of aircraft 2: fiber optic sensor
3 : 압전 액츄에이터 4 : 마이크로컴퓨터3: piezoelectric actuator 4: microcomputer
5 : 콘솔5: console
본 발명은 항공기의 비파괴 검사 시스템에 관한 것으로서, 보다 상세하게는, 항공기 구조물의 상태를 검사하기 위한 비파괴 검사 시스템에 관한 것이다.The present invention relates to a non-destructive inspection system for an aircraft, and more particularly, to a non-destructive inspection system for inspecting the state of the aircraft structure.
항공기 구조물의 상태 예를 들어, 파손 또는 균열 여부는, 항공기의 안전 운행 및 수명에 중대한 영향을 미치게 된다. 그럼에도 불구하고, 종래에는 항공기 구조물의 상태를 검사하기 위한 전용 비파괴 검사 시스템이 마련되지 않았다. 그리고 항공기 구조물의 상태를 검사하기 위하여 일반적인 비파괴 검사 시스템을 사용하였다. 이에 따라 다음과 같은 문제점들이 대두되고 있다. 첫째, 일반적인 비파괴 검사 시스템으로부터의 출사파가 항공기의 내부 구조물까지 입사하는 데에 많은 장애가 뒤따른다. 따라서 항공기의 내부 구조물의 상태를 정확하고 정밀하게 검사할 수 없다. 둘째 , 항공기 운행 중의 온-라인 모니터링이 불가능하다.The condition of the aircraft structure, for example, whether it is broken or cracked, has a significant impact on the safe operation and life of the aircraft. Nevertheless, conventionally, there is no dedicated non-destructive inspection system for inspecting the condition of aircraft structures. And general nondestructive inspection system was used to inspect the condition of aircraft structure. Accordingly, the following problems are emerging. First, there are many obstacles to the incident wave from the general non-destructive inspection system to enter the aircraft's internal structure. As a result, the condition of the aircraft's internal structures cannot be accurately and precisely inspected. Second, on-line monitoring during aircraft operation is not possible.
본 발명은 상기와 같은 문제점들을 개선하기 위하여 창안된 것으로서, 항공기의 내부 구조물의 상태까지 정확하고 정밀하게 검사할 수 있을 뿐만 아니라, 운행 중의 온-라인 모니터링이 가능한 항공기의 비파괴 검사 시스템을 제공하는 것에 그 목적이 있다.The present invention was devised to improve the above problems, and to provide a non-destructive inspection system for an aircraft that can not only accurately and precisely inspect the state of the internal structure of the aircraft, but also enable on-line monitoring during operation. The purpose is.
상기 목적을 달성하기 위한 본 발명의 항공기의 비파괴 검사 시스템은 진동 발생 수단, 진동 감지 수단 및 마이크로컴퓨터를 포함한다. 상기 진동 발생 수단은, 항공기의 구조물에 부착되어, 인가되는 고주파 신호에 따라 진동한다. 상기 진동 감지 수단은, 상기 구조물의 진동을 감지하여, 상기 구조물의 고유 진동수와 같은 주파수의 감지 신호를 발생시킨다. 상기 마이크로컴퓨터는, 상기 고주파 신호를 상기 진동 발생 수단에 인가하고, 상기 항공기의 설계, 해석 및 시험 평가에 의한 관계식들이 신경 회로망 모델로써 상호 연계되어 이루어진 알고리듬에 의하여 상기 감지 신호를 처리하여, 상기 구조물에서 발생되는 결함 영역의 크기 및 위치에 따른 데이터를 출력한다.The non-destructive inspection system of the aircraft of the present invention for achieving the above object includes a vibration generating means, a vibration sensing means and a microcomputer. The vibration generating means is attached to the structure of the aircraft, and vibrates in accordance with an applied high frequency signal. The vibration detecting means detects the vibration of the structure and generates a detection signal having the same frequency as the natural frequency of the structure. The microcomputer applies the high frequency signal to the vibration generating means, and processes the detection signal by an algorithm in which relations by design, analysis, and test evaluation of the aircraft are interconnected as a neural network model, thereby providing the structure. Outputs data according to the size and location of the defect area generated in.
이에 따라, 항공기의 내부 구조물의 상태까지 정확하고 정밀하게 검사할 수 있을 뿐만 아니라, 운행 중의 온-라인 모니터링이 가능하다.As a result, not only accurate and precise inspection of the state of the internal structure of the aircraft, but also on-line monitoring during operation is possible.
이하 첨부된 도면들을 참조하면서 본 발명에 따른 바람직한 실시예를 설명하기로 한다.Hereinafter, exemplary embodiments of the present invention will be described with reference to the accompanying drawings.
제1도는 본 발명의 일 실시예에 따른 항공기의 비파괴 검사 시스템을 보여준다. 제1도를 참조하면, 본 실시예에 따른 항공기의 비파괴 검사 시스템은, 항공기의 구조물 1에 부착되어, 인가되는 제1전기적 신호에 따라 진동하는 압전 액츄에이터(Piezoelectric actuator) 3; 상기 구조물 1의 진동을 감지하여 제2전기적 신호를 발생시키는 광섬유 센서(Optical fiber sensor) 2; 및 내장된 알고리듬에 의하여, 상기 제1전기적 신호를 상기 압전 액츄에이터 3에 인가하고, 상기 제2전기적 신호를 처리하여 상기 구조물의 상태에 따른 데이터를 출력하는 마이크로컴퓨터(Microcomputer) 4; 및 검사자로부터의 명령을 상기 마이크로컴퓨터 4에 입력시키는 한편, 상기 마이크로컴퓨터 4로부터의 데이터를 디스플레이하는 콘솔(Console) 5; 를 갖추고 있다. 여기서 마이크로컴퓨터 4 및 콘솔 5는 항공기 내부에 설치됨에 따라, 검사자 예를들어, 조종사가 운행 중에도 항공기 구조물의 상태를 검사할 수 있다.1 shows a non-destructive inspection system for an aircraft according to an embodiment of the present invention. Referring to FIG. 1, a non-destructive inspection system for an aircraft according to the present embodiment includes: a piezoelectric actuator 3 attached to the structure 1 of the aircraft and vibrating according to an applied first electrical signal; An optical fiber sensor 2 for detecting a vibration of the structure 1 and generating a second electrical signal; And a microcomputer 4 for applying the first electrical signal to the piezoelectric actuator 3 by a built-in algorithm, and processing the second electrical signal to output data according to the state of the structure. And a console 5 for inputting commands from the inspector to the microcomputer 4, and displaying data from the microcomputer 4; Equipped with. Here, the microcomputer 4 and the console 5 are installed inside the aircraft, so that an inspector, for example, a pilot can inspect the state of the aircraft structure while driving.
제1도의 시스템의 동작 원리를 살펴보면 다음과 같다. 먼저 검사자는 콘솔 5를 통하여 마이크로컴퓨터 4에 항공기 구조물의 상태를 검사하라는 명령을 내린다. 다음에 마이크로컴퓨터 4가 제1전기적 신호 예를 들어, 소정의 고주파 신호를 압전 액츄에이터 3에 인가시킴에 따라, 압전 액츄에이터 3 및 구조물 1은 진동하게 된다. 다음에 광섬유 센서 2는, 구조물 1의 고유 진동수와 같은 주파수로써 제2전기적 신호를 발생시킨다. 마이크로컴퓨터 4는, 상기 제2전기적 신호의 주파수 데이터를 처리하여 상기 구조물 1의 상태 예를 들어, 결함 영역의 크기 및 위치에 따른 데이터를 출력시킨다. 여기서 마이크로컴퓨터 4의 데이터 처리 알고리듬은, 항공기 구조의 설계, 해석, 및 시험 평가에 의한 관계식들로써 이루어진다. 출력된 구조물 상태의 데이터는 콘솔 5에 의하여 디스플레이되므로, 검사자가 구조물 1의 상태를 확인할 수 있다. 이와 같이 압전 액츄에이터 3가 항공기의 구조물 1에 부착되어 진동을 발생시키고, 이에 따른 구조물 1의 고유 진동수를 이용하여 구조물 결함 영역의 크기 및 위치를 산출함에 따라, 항공기의 내부 구조물의 상태까지 정확하고 정밀하게 검사할 수 있다.The operating principle of the system of FIG. 1 is as follows. First, the inspector tells Microcomputer 4 to check the status of the aircraft structure via Console 5. The microcomputer 4 then applies a first electrical signal, for example a predetermined high frequency signal, to the piezoelectric actuator 3, causing the piezoelectric actuator 3 and the structure 1 to vibrate. The optical fiber sensor 2 then generates a second electrical signal at the same frequency as the natural frequency of the structure 1. The microcomputer 4 processes the frequency data of the second electrical signal to output data according to the state of the structure 1, for example, the size and location of the defective area. The data processing algorithm of the microcomputer 4 here consists of relational expressions by design, analysis, and test evaluation of the aircraft structure. Since the output structure data is displayed by the console 5, the inspector can check the state of the structure 1. As such, the piezoelectric actuator 3 is attached to the structure 1 of the aircraft to generate vibration, and accordingly, the size and location of the structure defect area are calculated using the natural frequency of the structure 1, so that the state of the internal structure of the aircraft is accurate and precise. Can be checked.
상기한 바와 같이 마이크로컴퓨터 4의 데이터 처리 알고리듬은, 항공기 구조의 설계, 해석, 및 시험 평가에 의한 관계식들로써 이루어진다. 이와 같은 관계식들은 검사의 정확도, 정밀도, 및 속도를 높이기 위하여 신경 회로망 모델(Neural Network model)로써 상호 연계된다.As described above, the data processing algorithm of the microcomputer 4 is made up of relations by design, analysis, and test evaluation of the aircraft structure. Such relations are interconnected as a neural network model to increase the accuracy, precision, and speed of inspection.
신경 회로망 모델이란, 사람의 인지 또는 지식의 습득 과정을 모방하여 인공적으로 구현된 모델이다. 하나의 신경 세포 즉, 뉴런(neuron)은, 세포체(cel1 body), 신경 전달축(axon), 시넵스(synapse), 및 수상 돌기(樹狀突起, dendrite)로 구성된다. 뉴런이 자극을 받으면, 세포체에 전달되는 전기, 화학적 물질로써 활성화 에너지를 생성한다. 생성된 활성화 에너지는 신경 전달축을 통하여 전송되고, 인접 뉴런의 시넵스 및 수상 돌기를 통하여 세포체에 전달된다. 여기서 전달된 활성화 에너지는, 전송된 활성화 에너지에 연결 강도(weight)가 곱해지그런데 양이 된다. 이 연결 강도는, 일종의 매개 변수로서, 에너지 전달 상의 지연 시간, 전송하는 신경 전달축의 저항, 그리고 전달받는 시넵스 및 수상 돌기의 저항에 비례하는 크기를 갖는다. 한 뉴런의 활성화 에너지는 인접 영역의 모든 뉴런들에 전달되고, 전달된 각 뉴런의 활성화 에너지는 다음 인접 영역의 모든 뉴런들에 전달된다. 이와 같은 과정을 반복함으로써 활성화 에너지에 따른 신호가 두뇌(brain)에 전달된다. 이와 같은 원리를 갖는 신경 회로망 모델을 이용하여 상기 데이터 처리 알고리듬의 관계식들을 연계함으로써, 검사의 정확도, 정밀도, 및 속도를 높일 수 있다.The neural network model is an artificially implemented model that mimics the process of acquiring human cognition or knowledge. One neuron, or neuron, is composed of a cell body (cel1 body), a neurotransmission axis (axon), synapse, and dendrite. When neurons are stimulated, they produce activation energy as electrical and chemical substances that are delivered to cell bodies. The generated activation energy is transmitted through the neurotransmission axis and through the synapses and dendrites of adjacent neurons to the cell body. The activation energy transferred here is multiplied by the connection weight multiplied by the transmitted activation energy. This connection strength, as a parameter, has a magnitude proportional to the delay time on energy transfer, the resistance of the transmitting neurotransmission axis, and the resistance of the transmitted synepses and dendrites. The activation energy of one neuron is transferred to all neurons in the adjacent region, and the activation energy of each delivered neuron is transferred to all neurons in the next adjacent region. By repeating this process, a signal according to the activation energy is transmitted to the brain. By using the neural network model having such a principle, by linking the relations of the data processing algorithm, it is possible to increase the accuracy, precision and speed of the inspection.
제2도는 제1도의 시스템의 마이크로컴퓨터에 적용되는 신경 회로망 모델을 보여준다. 제2도에서 f1, f2, f3, f4, 및 f5는 구조물의 고유 진동수; I1, I2, I3, I4, 및 I5는 입력층 (Input layer)뉴런; Oi는 각 입력층 뉴런의 출력값; J1, J2, J3, ..., Jn은 은닉층(Hidden layer) 뉴런; Wji는 각 입력층 뉴런과 은닉층 뉴런 사이의 연결 강도; Oj는 각 은닉층 뉴런의 출력값; K1, K2는 출력층(Output layer) 뉴런; Wkj는 각 출력층 뉴런과 은닉층 뉴런 사이의 연결 강도; Ok는 각 출력층 뉴런의 출력값; OKs는 결함 영역의 크기 (size)에 대한 데이터; 그리고 Ok1은 결함 영역의 위치(location)에 대한 데이터; 를 나타낸다.FIG. 2 shows a neural network model applied to the microcomputer of the system of FIG. In FIG. 2, f 1 , f 2 , f 3 , f 4 , and f 5 are natural frequencies of the structure; I 1 , I 2 , I 3 , I 4 , and I 5 are input layer neurons; Oi is the output value of each input layer neuron; J 1 , J 2 , J 3 ,..., J n are Hidden layer neurons; Wji is the strength of the connection between each input layer neuron and the hidden layer neuron; Oj is the output value of each hidden layer neuron; K 1 , K 2 are output layer neurons; Wkj is the strength of the connection between each output layer neuron and the hidden layer neuron; Ok is the output value of each output layer neuron; OKs is data about the size of the defective area; And Ok 1 is data for the location of the defective area; Indicates.
제2도에 도시된 바와 같이 입력층, 은닉층, 및 출력층으로 된 신경회로망 모델의 구조를 다층 인식자(Multilayer Perceptron) 구조라 부른다. 각 은닉층 뉴런의 출력값 Oj를 구하려면 다음과 같은 단계들이 수행된다. 먼저 각 입력층 뉴런의 출력값 Oi와 해당되는 연결 강도 Wji 와의 곱 Oi·Wji를 구한다. 다음에 각 Oi·Wji를 합산하여 ΣOi·Wji를 구한다. 다음에 합산값Σ Oi·Wji에서 해당되는 은닉층 뉴런의 문턱값(threshold)을 뺀 ΣOi·wji·θj를 구한다. 그리고 상기 ΣOi·Wji·θj의 값에 해당되는 은닉층 뉴런의 전달 함수 F를 곱하면 된다. 이를 한 수식으로 표현하면, ΣOj = F(Oi·Wji·θj)이다. 상기 전달 함수 F로서, 구조물의 검출에 적합한 로그 - 시그모이드 함수(log-sigmoid function)를 이용한다.As shown in FIG. 2, a structure of a neural network model including an input layer, a hidden layer, and an output layer is called a multilayer perceptron structure. To obtain the output value Oj of each hidden layer neuron, the following steps are performed. First, the product Oi · Wji of the output value Oi of each input layer neuron and the corresponding connection strength Wji is obtained. Next, sum each Oi Wji to obtain? Oi Wji. Next, ΣOi wji θj is obtained by subtracting the threshold of the corresponding hidden layer neuron from the sum value Σ Oi Wji. The transfer function F of the hidden layer neuron corresponding to the value of ΣOi Wji θ j may be multiplied. This expression is expressed by one equation:? Oj = F (OiWji? Θj). As the transfer function F, a log-sigmoid function suitable for the detection of the structure is used.
제2도와 같은 신경 회로망 모델을 실제 적용하려면, 각 연결 강도 Wji , Wkj의 최적값을 설정하는 학습 알고리듬을 수행해야 한다. 이와 같은 학습 알고리듬을 수행하려면, 먼저 입력층 뉴런의 입력값 패턴 및 출력층 뉴런의 목표 출력값 패턴을 설정해야 한다. 제3도는 제2도의 모델의 입력값 패턴 및 목표 출력값 패턴을 보여준다. 제3도에서 [If]는 입력층 뉴런의 입력값 패턴; [Tk]는 출력층 뉴런의 목표 출력값 패턴; f1,..., f5는 1차 입력 진동수 ; f'1,…,f'5는 2차 입력 진동수; f1,…,f5는 3차 입력 진동수; s는 1차 출력되는 결함 영역의 크기; 1은 1차 출력되는 결함 영역의 위치; s'는 2차 출력되는 결함 영역의 크기; 1'은 2차 출력되는 결함 영역의 위치; s는 3차 출력되는 결함 영역의 크기; 1은 3차 출력되는 결함 영역의 위치; 를 의미한다.In order to actually apply neural network models as shown in FIG. 2, a learning algorithm for setting optimal values of each connection strength Wji and Wkj must be performed. In order to perform such a learning algorithm, first, an input value pattern of input layer neurons and a target output value pattern of output layer neurons should be set. 3 shows the input value pattern and the target output value pattern of the model of FIG. In FIG. 3, If represents an input value pattern of input layer neurons; [Tk] is a target output value pattern of the output layer neurons; f 1 , ..., f 5 are the primary input frequencies; f ' 1 ,.. , f ' 5 is the secondary input frequency; f 1 ,.. , f 5 is the third input frequency; s is the size of the defect area to be output first; 1 is the position of the defect area output primary; s' is the size of the defect area output second; 1 'is the position of the defective area to be output second; s is the size of the defect area output third; 1 is the position of the defective area output third; Means.
제4도는 제2도의 모델의 학습 알고리듬을 보여준다. 제4도와 같은 학습 알고리듬을 역전파 학습 알고리듬(Backpropagation learning algorithm)이라 부른다. 그 과정을 설명하면 다음과 같다. 먼저 각 연결 강도 Wji, Wkj의 초기 입력값을 설정한다.(제1단계). 본 실시예의 경우, 각 연겸 강도 Wji, Wkj의 초기 입력값을 -0.5 내지 0.5 사이에서 설정하였다. 다음에 예정된 입력층 뉴런의 입력값 패턴 [If]를 입력하여, 각 출력층 뉴런의 출력값 패턴[Ok]를 계산한다. 이러한 계산을 일반적으로 순방향 계산이라 부른다(제2단계). 다음에 예정된 출력층 뉴런의 목표 출력값 패턴 [Tk]에 대한 상기 실제 출력값 패턴 [Ok]의 오차를 계산한다. 본 실시예의 경우, 평균 제곱 오차(Mean Squared Error) E를 적용하였다. 이를 수식으로 표현하면, E =1/2Σ(TK-Ok)2이 된다. 이러한 계산을 일반적으로 역방향 계산이라 부른다(제38단계). 다음에 계산된 오차가 소정의 제한값 이하이면,상기 제2단계에서 적용되었던 각 연결 강도 Wji, Wkj의 입력값을 최적값으로 설정한다(제4단계). 만약 오차가 소정의 제한값보다 크면, 이에 따른 각 연결 강도 Wji, Wkj의 증감량을 계산하여 반영시킨 후, 상기 제2단계 이하의 단계들을 반복 수행한다(제5단계). 이와 같은 학습 알고리듬을 수행하여 각 연결 강도 Wji, Wkj의 최적값을 반영함으로써, 항공기 구조물의 사태를 정확하고 정밀하게 검사할 수 있게 된다. 한편, 경우에 따라서, 은닉층 뉴런 J1,J2, J3,..,Jn에 대한 목표 출력값 패턴이 반영된 학습 알고리듬이 수행될 수도 있다.4 shows the learning algorithm of the model of FIG. The learning algorithm as shown in FIG. 4 is called a backpropagation learning algorithm. The process is as follows. First, initial input values of the connection strengths Wji and Wkj are set (step 1). In the case of this example, the initial input value of each edge strength Wji and Wkj was set between -0.5 and 0.5. Next, the input value pattern [If] of a predetermined input layer neuron is input, and the output value pattern [Ok] of each output layer neuron is calculated. This calculation is generally called forward calculation (second step). Next, the error of the actual output value pattern [Ok] with respect to the target output value pattern [Tk] of the predetermined output layer neurons is calculated. In the present embodiment, a mean squared error E is applied. If this is expressed by a formula, E = 1 / 2Σ (TK-Ok) 2. This calculation is generally called a backward calculation (step 38). If the calculated error is less than or equal to the predetermined limit value, the input values of the respective connection strengths Wji and Wkj applied in the second step are set to optimal values (step 4). If the error is larger than the predetermined limit value, the increase and decrease of each connection strength Wji and Wkj are calculated and reflected, and then the steps below the second step are repeated (step 5). By performing such a learning algorithm to reflect the optimum value of each connection strength Wji, Wkj, it is possible to accurately and precisely inspect the situation of the aircraft structure. On the other hand, in some cases, a learning algorithm reflecting a target output value pattern for the hidden layer neurons J 1 , J 2 , J 3 , .., J n may be performed.
이상 설명된 바와 같이 본 발명에 따른 항공기의 비파괴 검사 시스템에 의하면, 항공기의 내부 구조물의 상태까지 정확하고 정밀하게 검사할 수 있을 뿐만 아니라, 운행 중의 온-라인 모니터링이 가능함에 따라 항공기의 신뢰도를 증진시킬 수 있게 된다.As described above, according to the non-destructive inspection system of the aircraft, not only can accurately and precisely inspect the state of the internal structure of the aircraft, but also improves the reliability of the aircraft by enabling on-line monitoring during operation. You can do it.
본 발명은, 상기 실시예에 한정되지 않고, 청구범위에서 정의된 발명의 사상 및 배경 내에서 당업자에 의하여 변형 및 개량될 수 있다.The present invention is not limited to the above embodiments, but may be modified and improved by those skilled in the art within the spirit and background of the invention as defined in the claims.
Claims (3)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1019960018748A KR0183651B1 (en) | 1996-05-30 | 1996-05-30 | Non-destructive testing system of airplane |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1019960018748A KR0183651B1 (en) | 1996-05-30 | 1996-05-30 | Non-destructive testing system of airplane |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR970075870A KR970075870A (en) | 1997-12-10 |
| KR0183651B1 true KR0183651B1 (en) | 1999-05-15 |
Family
ID=19460177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1019960018748A KR0183651B1 (en) | 1996-05-30 | 1996-05-30 | Non-destructive testing system of airplane |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR0183651B1 (en) |
-
1996
- 1996-05-30 KR KR1019960018748A patent/KR0183651B1/en active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR970075870A (en) | 1997-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cooper et al. | Static load estimation using artificial neural network: Application on a wing rib | |
| Margrave et al. | The use of neural networks in ultrasonic flaw detection | |
| US6505130B1 (en) | Laser doppler vibrometer for remote assessment of structural components | |
| Luo et al. | Dynamic learning rate neural network training and composite structural damage detection | |
| Parra dos Anjos Lima et al. | Artificial immune systems with negative selection applied to health monitoring of aeronautical structures | |
| Boffa et al. | About the combination of high and low frequency methods for impact detection on aerospace components | |
| US20240013044A1 (en) | Method for characterizing a part through non-destructive inspection | |
| Boller | Structural health management of ageing aircraft and other infrastructure | |
| KR0183651B1 (en) | Non-destructive testing system of airplane | |
| Haynes et al. | Machine learning-based prognostics of fatigue crack growth in notch pre-cracked aluminum 7075-T6 rivet hole | |
| Alqahtani et al. | Fatigue damage detection and risk assessment via neural network modeling of ultrasonic signals | |
| Addin et al. | Prediction and detection of failures in laminated composite materials using neural networks-a review | |
| Sofge | Structural health monitoring using neural network based vibrational system identification | |
| CN104697807B (en) | A kind of high-speed train pantograph intermittent fault detection method | |
| Iskandarani | Correlating and Modeling of Extracted Features from PVT Images of Composites using Optical Flow Technique and Weight Elimination Algorithm Optimization [OFT-WEA]. | |
| Asokkumar et al. | Identification of key performance indicators for shm in structures of increasing complexity based on artificial neural networks | |
| Tenreiro et al. | Structural monitoring of adhesive joints using machine learning | |
| US20230314386A1 (en) | Method for characterizing a part through non-destructive inspection | |
| Addin | Review on prediction and detection of failures in laminated composite materials using neural networks | |
| Eremenko et al. | Composite materials nondestructive testing system based on low frequency acoustic methods | |
| Ahmad et al. | Reliability of flaw detection by nondestructive inspection | |
| WO1992007325A1 (en) | Apparatus and method for on-line prediction of unmeasurable process information | |
| Martinelli et al. | Hybrid artificial intelligence approach to continuous bridge monitoring | |
| Ballarin et al. | Damage Identification in a Helicopter Rotor Blade Root in Realistic Load Conditions With Neural Network-Based Algorithms | |
| Sendeckyj et al. | Some smart structures concepts |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20131210 Year of fee payment: 16 |
|
| FPAY | Annual fee payment |
Payment date: 20141209 Year of fee payment: 17 |
|
| FPAY | Annual fee payment |
Payment date: 20151208 Year of fee payment: 18 |