KR101364404B1 - 자동 에디 전류 비파괴 테스트 분석을 위한 방법 - Google Patents

Abstract

본 발명은 정확한 튜브 영역들을 지적하기 위한 검출 알고리즘들 뿐만 아니라, 에디 전류 데이터 분석을 포함하는 분류 가능성 및 확장가능한 처리 능력을 연장가능한 검출 어레이와 결합하는 컴퓨터 구조를 사용하여 튜브 결함들을 정확하게 검출하기 위한 방법 및 시스템에 관한 것이다. 복수의 분류 도구들은 결함들을 반복적이고 정확하게 검출하기 위해 검출을 판별하고, 정확하게 적절한 보고 코드들을 할당하기 위해 사용된다.

Description

자동 에디 전류 비파괴 테스트 분석을 위한 방법{METHOD FOR AUTOMATED EDDY CURRENT NON-DESTRUCTIVE TESTING ANALYSIS}

본 발명은 자동 감시 및 분석 시스템에 관한 것으로서, 보다 상세하게는 정확한 튜브 영역들을 지적하기 위한 검출 알고리즘들 뿐만 아니라, 에디 전류 데이터 분석을 포함하는 분류 가능성 및 확장가능한 처리 능력을 연장가능한 검출 어레이와 결합하는 컴퓨터 아키텍쳐를 사용하여 튜브 결함들을 정확하게 검출하기 위한 방법 및 시스템에 관한 것으로, 이들 튜브 영역들은 결함 분석을 위한 관리가능한 세그먼트들로 더 분리될 수 있다.

본 PCT 출원서는 2009년 1월 19일 출원된 미국가출원 제61/145,666호의 양 출원서에 공통된 모든 내용에 대하여 미국특허법 제119(e)조 하의 우선권 및 이익을 주장한다. 상기 가출원의 개시 내용은 참조에 의해 여기에 그 전체로서 반영된다.

자동 감시 및 분서 시스템 및 프로세스 분야에 있어서, 특히 에디 전류 데이터 분석이 필요하고 수행되는 작업의 품질에 대한 필요가 증명되어야 하는 때에 분류 가능성 및 확장가능한 처리 능력을 연장가능한 검출 어레이와 결합하는 아키텍쳐(architecture)에 대한 필요가 있었다. 프로세스 튜브 결함들이 포함되면, 상기 튜브의 정확한 영역들을 정확하게 지적할 필요가 있다. 이로써, 이러한 영역들은 결함 분석을 위한 명확하고 정확한 영역들을 제공하는 관리가능한 세그먼트들로 분리될 수 있다. 결함들을 반복적이고 정확하게 검출하기 위한 검출 및 정확하고 적절한 보고 코드들을 판별하기 위해 구성될 수 있는 분류 도구들의 사용에 대한 필요가 또한 있다.

여기에 인용된 모든 문서들은 그 전체로서 참조에 의해 반영된다.

튜브 결함들을 포괄적으로 감시, 분석, 및 관리하기 위한 시스템에 있어서, 상기 시스템은, 자동 분석 태스크들의 병행 실행을 지원하기 위한 분산 처리 시스템을 포함하는 아키텍쳐를 갖는 컴퓨터 플랫폼으로, 상기 플랫폼은 튜브 결함들을 정확히 지적하기 위한 검출 분류 장치 및 로케일 분석기를 포함하고; 특정 클래스의 데이터스트림에 의하여 데이터를 분석하기 위한 채널 에일리어싱 수단; 검출 자동 분석 방법의 높은 확률을 이용함으로써 생성되는 오버콜의 형태를 감소시키기 위해, 자동적으로 분석자가 구성한 규칙을 적용하는 자동 최종 수락 수단; 및 상기 튜브 및 연관된 부품들의 소정 영역들에 설정들을 생성하기 위한 로케일 매핑 수단을 포함하고, 상기 로케일 매핑 수단은 랜드마크 에지 교정을 구현하고, 확장 전이 검출, 적응적인 문턱값 검출 및 위치잡기 방법들을 포함하는 알고리즘들을 구현하고 또한 복수의 관련 분석 로케일들에 손상 메카니즘을 매핑하는 것을 특징으로 한다.

튜브 결함들을 포괄적으로 감시, 분석, 및 관리하기 위한 방법에 있어서, 상기 방법은, 컴퓨터 플랫폼에서 이력 데이터 및 획득 데이터를 적재하고 조정하는 단계; 로케일에 의해 상기 이력 데이터 및 상기 획득 데이터를 정렬하는 단계; 상기 튜브 및 연관된 부품들의 소정 영역들에 설정들을 생성하기 위해 상기 데이터를 매핑하는 단계; 상기 매핑된 데이터에 기초하여 결함들을 검출하는 단계; 전압, 각도, 깊이, 및 길이에 대하여 주파수 사이의 비율 또는 직접 차이 측정치들의 수를 이용해 상기 결함들을 분류하는 단계; 및 다양한 형태의 오버콜을 감소시키고 다양한 잉여 결과들 중에서 보고될 하나의 최종 결과를 선택하기 위해 분석자가 구성한 규칙들을 적용하는 단계를 포함한다.

본 발명은 유사한 참조부호는 유사한 요소들을 지정하고 있는 이하의 도면들과 함께 설명될 것이다.
도 1은, 본 발명의 방법을 구현하는 시스템의 기능도이다.
도 1a는, 본 발명의 방법을 구현하는 시스템을 위한 상위레벨 흐름도이다.
도 1b는, 복수 레벨들에서의 로케일 매핑의 예가 도시된 도면이다.
도 1c는, 튜브 시트 확장에 대해 매핑된 로케일 분리부분이 도시된 도면이다.
도 1d는, 지지 구조에 대해 매핑된 로케일 분리부분이 도시된 도면이다.
도 2는, 노이즈 영역 및 소망하는 신호 지시자들이 도시된 차이 보빈 신호의 하부 섹션이 도시된 도면이다.
도 3은, 정규 분포가 도시된 도면이다.
도 3a는, 평균으로부터 표준 편차에 의해 한정된 부분들이 도시된 정규 분포가 도시된 도면이다.
도 4a 및 도 4b는, 동시발생 복수경로 구조의 블록도이다.
도 5a 내지 도 5e는, 최종 수락 프로세스 흐름의 블록도이다.
도 6a 내지 도 6c는, 복수 알고리즘 분석 관리의 블록도이다.

도 1은, 본 발명의 방법을 구현하는 시스템의 일 예가 도시된 블록도이다. 본 발명에 따른 이러한 방법 및/또는 시스템은 출원인(지텍사(Zetec,Inc.))의 내부적인 약자 "RevospECT"으로 지칭될 수 있다.

도 2는, 에디 전류 테스트 데이터를 분석하기 위한 방법의 흐름도이다. 본 발명의 시스템/방법(20)은 아키텍쳐, 채널 에일리어싱, 최종 수락, 로케일 매핑 및 훈련 사용자 인터페이스의 사용을 포함한다. 이러한 구성요소들 각각은 이하에서 설명된다.

시스템 아키텍쳐

처리 팜( Processing Farm )

도 1에 대하여, 상기 시스템 하드웨어는 많은 자동 분석 태스크들의 병행 실행을 관리하는 분산 처리 시스템(팜)(40)을 포함하고 생산량 목표를 달성하기 위해 사용된다. 이러한 설계 목표는 낮은 네트워크 오버헤드 및 확대가능성에 있다. 이러한 팜은 가공되지 않은 데이터(45) 및 셋업들에 접근하는 데 사용되는 윈도우즈 작동 시스템(OS)에 기초한 파일 서버들을 포함한다. 본 발명에 있어서, 상기 팜의 입력은 상기 데이터(45) 및 필요한 셋업 파일들로의 UNC 경로 및 데이터베이스 안의 데이터를 찾기 위한 SQL 서버 연결 스트링 및 변수들이다.

"처리 팜"은 이하의 4개의 구성요소들로 이루어진다:

1. 클라이언트는 분석자가 완료를 위해 상기 팜에 작업들을 제출하는 데 사용하는 소프트웨어이다.이것은 분석자의 장비에서 실행된다. 도 1은 3가지 종류의 클라이언트들, 감독자 클라이언트(10), 계기판 클라이언트(30), 및 구성자(20)를 보여준다.

2. 스케쥴러는 수행될 작업들을 수신하고 처리 노드들에 분배한다. 상기 스케쥴러는 매우 낮은 오버헤드 네트워크 - 및 CPU - 유사이고, 모든 노드들 및 클라이언트들에 의해 접근가능한 컴퓨터라면 어디서든 실행될 수 있다.

3. 처리 노드는 각 컴퓨터에서 실행되고, 1-N 처리 응용프로그램을 실행시킨다. N은 상기 장비에서 검출된 CPU 코어의 수에 디폴트설정된다.

4. 처리 응용프로그램은 작업, 진척상황 보고, 상태 메세지 전송, 및 최종 완료 성공/실패를 수행한다.

작업을 요청하는 클라이언트를 위해 개발된 단순한 설계로 인해, 상기 팜은 실제 처리 응용프로그램에 대해서는 일반적이다. 통신 요구사항을 만족시키기 위해 처리 응용프로그램에 의해 구현되는 인터페이스 클래스를 가지는 dll이 존재한다. 처리 노드의 인스턴스는 하나의 특정 종류의 처리 응용프로그램에 한정되지만, 복수의 노드들은 하나의 컴퓨터에서 실행될 수 있다.

상기 팜은 동시에 다양한 분석들의 수행을 허용하는 것에 의해 데이터 처리량에 대한 목표를 충족시키는 방법을 제공한다.

상위레벨 프로젝트 흐름

도 1a는 여기에서 설명하는 진보적인 방법을 구현하는 시스템의 주요 프로세스들을 보여주는 프로세스 도면이다.

선작업 구성(110)에 있어서, 채널 에일리어스가 구성되고 로케일들이 셋업되고 검출기들이 정의되고, 분류기가 정의되고, 검출기들 및 분류기들이 로케일들에 매핑된다. 이러한 용어들의 의미는 이하에서 자세하게 설명된다. 이전 이력 데이터(111) 또한 상기 선작업 구성에서 임포트된다. 이전 이력 데이터는 보고서 비교를 가능하게 하고, 손상 보고서들(damage reports)의 확인(validation)을 지원하고, 형태론 추적(morphology tracking)을 지원한다. 채널 에일리어싱은 특정 변수들에 독립적인 기술적인(descriptive) 채널 명명(naming)을 제공한다. 또한 이것은 검출기들 및 분류기들로의 채널들의 이식성(portability)을 제공한다. 로케일들은 도 1b 내지 도 1d에 도시된 바와 같이 복수의 레벨들로 정의될 수 있다.

검출기들 역시 상기 선작업 구성에서 구성된다. 복수의 검출기들은 시스템이 특정하게 제한적인 기술 매개변수들을 충족하도록 정의될 수 있다. 상기 시스템의 연장가능한 아키텍쳐는 규칙에 기초하고 적응적인 문턱값 검출 알고리즘을 포함하여, 다양한 알고리즘에 기초한 복수의 검출 모드들을 허용한다. 분류기들 또한 상기 선작업 구성에서 구성된다. 분류기들은 복수의 테스트 조건들에 대하여 복수의 분류 규칙들 및 균등/비균등 규칙들을 사용하여 셋업될 수 있다. 분류 알고리즘은 규칙에 기초한 방법들 및 극좌표 판별기(polar coordinate discriminator)를 포함한다. 상기 검출기들 및 분류기들의 로케일들에의 매핑은 관계 규칙들을 설정하는 것에 의해 달성된다. 복수의 검출기들은 하나의 분류기에 할당될 수 있다. 검출기 및 분류기 세트들은 다양한 상세 레벨들에 있는 복수의 로케일들에 할당될 수 있다. 복수의 검출기들 및 분류기들의 조합들은 불리언 형태(Boolean terms)로 생성될 수 있다. 도 1d는 검출기들 및 분류기들이 어떻게 다양한 로케일들에 적용되는지를 보여준다.

상기 선작업 구성이 완료된 후, 상기 구성은 잠기고 작업 생산은 시작될 수 있다. 이 단계의 프로세스 요소들은 작동(Operation), 분석(Analyzing), 확인(Validation), 및 보고(Reporting)라는 주제 아래 도 1a에 도시되어 있다.

작동 동안, 계기판 클라이언트(112)는 데이터 서버를 선택하고, 네트워크 드라이브들을 매핑하고, 조정 그룹들(calibration groups)을 적재(load)하고, 작업 진척상황 큐를 감시하고, 프로세스에서 조정 그룹들에 경고를 표시한다. 경고의 예들은 중지, 작업중, 및 실패이다. 개별적인 파일 경고들은 제출, 분석 시작, 대기, 완료 및 실패를 포함한다.

상기 작업의 적재 및 조정 단계(130)는 조정 표준으로의 자동 조정을 포함한다. 유사한 표준들은 함께 적재될 수 있다. 복수의 표준들로부터의 결함들은 서로 결합될 수 있고 조정 그룹에서 사용될 수 있다.

랜드마크 자동 위치잡기(140) 및 로케일 매핑(150) 또한 상기 작업 단계의 일부로서 수행된다.

상기 분석 단계에 있어서, 결함 검출(161), 결함 분류(162) 및 슬러지 및 노이즈 같은 결과들을 위한 단일 통과 측정(163)이 수행된다. 데이터는 단일 통과 측정을 통해 처리되기 전에 검출(161) 및 분류(163)를 통해 흐른다. 데이터는 구성에 기초하여 로케일들로 분리된다. 검출은 구성에 기초하여 로케일들에 적용된다. 분류는 구성에 기초하여 검출된 결함들에 적용되고, 분류된 결함들은 최종 수락을 위한 "버킷들(buckets)"로 기재된다.

노이즈 측정 분석에 있어서, 검출된 결함들은 억제된다. 노이즈 값들은 로케일 및 기술에 의해 측정된다. 노이즈는 가공되지 않은 데이터에 기초하여 측정된다. 노이즈 측정 모드들은 피크간 전압, 수직 최대값 및 수평 최대값을 포함한다. 로케일당 최대 노이즈 값은 할당될 수 있다. 일 실시예에 있어서, 미리 설정된 문턱값을 초과하는 노이즈만이 기록된다.

최종 수락(170)은 상기 분석 단계 후에 실행된다. 최종 수락에 있어서, 원한다면 다른 기준들과 조합하여 과거의 조건들에 기초하여 보고할 조건들을 결정하는 것에 의해 중첩은 해결된다. 근접 필터는 미리 결정된 공간 안에서 조합되고 단일 조건으로 지시되는 복수의 조건들을 허용한다. 최종 수락 동안 이력 보고서 비교 또한 수행되고, 이전 보고서들로부터의 변화는 플래그표시되고 보고된다. 노이즈 측정 또한 신호대노이즈 보고를 지원하기 위해 보고된 결함의 국지적인 영역에 대하여 보고된다.

상기 필드 작업 프로세스의 최종 단계는 보고 단계(180)이다. 이 단계에서, 현장에 특수한 보고 필터들이 사용될 수 있다.

복수 알고리즘 아키텍쳐

자동 분석 코어 아키텍쳐의 기초는 상기 튜브 안에서 분석의 주요 위치들을 결정하고, 손상 메커니즘 검출의 최대 확률을 허용하기 위해 이러한 특정 영역들 각각에서 어떠한 갯수의 분류 알고리즘들과 어떠한 갯수의 검출 알고리즘들을 결합하는 유연성을 제공하는 데 있다. 상기 아키텍쳐는 또한 상기 튜브의 모든 슬라이스가 분석되고 정확하게 어디서 어떻게 분석의 중첩이 발생하는지에 대해 보증하는 데 있어서 완벽한 제어를 달성한다. 상기 아키텍쳐는 어떠한 레벨의 위치 조밀도에서도 분석하는 유연성을 제공하여, 예를 들어 튜브 시트 확장 전이에 있어서의 손상 메커니즘을 매우 자세히 찾을 수 있거나 전체 튜브시트 영역을 보다 포괄적으로 스캔할 수 있게 한다.

복수 알고리즘 분석 관리는 도 6a 내지 도 6c의 흐름도에 도시되어 있다. 채널 에일리어싱: 채널 에일리어싱의 목적은 재사용할 수 있는 채널 셋업의 생성을 가능하게 하는 것이다. 재사용성은 2가지 주요 장점들을 가진다: 1) 최적예가 채용되고 재채용되는 더 높은 신뢰성; 및 2) 기존의 구성 요소들의 영향으로 인한 감소된 작업 준비 시간.

알고리즘 빌더: 모든 RevospECT 알고리즘들은 RevospECT 훈련 인터페이스에 구성되어 있고, 이것은 검출 및/또는 분류 알고리즘들을 생성하고 실시간 데이터로 이것을 테스트하는 수단을 제공한다. 상기 알고리즘의 테스트 동안, 동적 문턱값 결정, 측정 위치들, 각도 및 전압 결정, 통과/실패 상태 등과 같은 주요 알고리즘 단계들은 조작자에 의한 추후의 리뷰를 위해 프로그램에 저장된다. 그러므로, 상기 조작자는 상기 분석 프로세스를 통해 전후방으로 진행할 수 있고, 현재 구성된 알고리즘이 어떻게 분석을 수행했는지 정확한 상세사항들을 볼 수 있다. 각 단계에서, 정보는 관심 신호를 자동으로 훈련하기 위해 상기 시스템에서 이용가능하다.

알고리즘 결합기: 모든 RevospECT 알고리즘들은 조직되고 분석을 위해 알고리즘 구성 인터페이스 안의 목표 증기 생성기의 세부사항들에 적용된다.

상기 증기 생성기는 관심 영역으로 정의되는데, 로케일(Locale)이라 지칭한다. (알고리즘 빌더 안에 내장된) 검출기 및 분류기 알고리즘들의 특정 조합들은 결합되고 (분석을 위한 고객의 지침에 기초하여) 관심 로케일들에 적용된다. 특정 로케일들에 적용되는 검출기 및 분류기 알고리즘들의 조합들은 분석기 그루핑들(analyzer groupings)이라고 지칭한다. 분석기 그룹들은 분석을 위한 상기 고객의 지침에 정의된 특정 관심 손상 메커니즘들을 찾기 위해 생성된다.

로케일 범위 도구: 상기 알고리즘 구성 인터페이스는 모든 로케일들의 시각적인 표현들, 및 각 로케일에 대한 분석기 그루핑 범위의 상태에 기초한 색코드 로케일들을 제공한다. 상기 로케일 범위 도구는 분석을 위한 고객의 지침에 기초한 각각의 관심 손상 메커니즘에 의해 모든 로케일들을 표현한다. 시각적인 표현에 더하여, 상기 로케일 범위 도구는 각각의 손상 메커니즘에 의해, 각 로케일에 연관된 분석기 그루핑의 텍스트에 기초한 요약을 각 뷰에 묶는다.

복수 알고리즘 분석은 이하에 의해 진행된다:

채널 에일리어싱(610)은 현장 구성 인터페이스(611)에서 수행된다. 이를 통해 채널들이 매핑된다(612). 상기 채널 매핑 단계에서, 각 채널에 대하여, 코일이 선택된다(613). 주파수 종류가 선택되고(614), 미리 결정된 필터들이 적용된다(615).

튜브의 종류들 및 현장 선호도로부터, 생성기들 및 고객들을 가로지르는 에디 전류 검사 매개변수들에 커다란 변화가 있다. 하지만, 이러한 데이터의 분석은 에디 전류 분석의 기본원리로 인해 커다란 공통점을 가진다. 데이터 분석을 구성하는 현장에 특수한 상황들을 목표로 하면서 보편적으로 작동하는 것을 허용하기 위해, 상기 채널 에일리어스가 생성된다. 이것은 특정 클래스의 데이터스트림의 개념이라는 용어로 데이터를 분석하는 것을 허용한다. 예를 들어, 보빈 결함 검출은 일반적으로 1차 주파수 차이 채널을 고려한다. 이것은 XPobe의 보빈 코일들에 대한 채널 1, 3 또는 169일 수 있다. 이것은 생성기에 따라서 주파수들을 달리할 수 있다. 그러나, 이러한 인스턴스들 각각은 BobbinDiff.High.로 지칭될 수 있다. 각각의 획득 기술은 실제 채널을 에일리어스에 매핑한다.

프로세스 채널들에 있어서, 프로세스 채널의 목적을 지시하는 명칭 목록이 존재한다. 이러한 에일리어스는 또한 명명된 데이터 필터들에 추가되는 것을 지원한다. 필터 설정들의 집합은 사용자에 의해 명명되고, 기술마다 특수하게 할 수 있다. 이러한 특수화는 견인 속도와 같은 상세내용들에 기초하여 필터들을 조정하는 능력을 제공한다. 예를 들어, 중간 필터는 샘플 밀도에 기초하여 조정된 윈도우를 필요로 한다. 이에 더하여 301 슬라이스들은 디폴트로 설정될 수 있으나, 다른 설정을 위해 필요한 만큼 증가시키거나 감소시킬 수 있다.

상기 에일리어스는 그후 검출 및 분류 설정들을 위해 사용된다. 이것은 상기 설정들이 손상 메커니즘 기본 표현을 목표로 하도록 허용하고, 최소의 변형으로 하나의 기술로부터 다른 기술로 이동하도록 한다.

상기 알고리즘 빌더(620) 단계는 훈련 인터페이스(621)를 통해 구현된다. 규칙에 기초한 검출기(630)는 이 단계에서 생성되고, 상기에서 설명한 바와 같이, 채널 선택(631), 필터 적용(632), 측정 종류 선택(633) 및 테스트 논리 적용(634)을 포함한다. 복수 검출기 구성들이 상기 시스템에 정의될 수 있다. 검출기들은 특정하게 제한적인 기술 매개변수들을 충족하도록 구성될 수 있다. 현재 알고리즘: 연속 웨이블릿 변환 필터를 가진 미시건 주 적응적인 문턱값 규칙에 기초한 알고리즘; 또는 지텍 고객 규칙에 기초한 알고리즘.

규칙에 기초한 분류기(640)는 또한 상기 훈련 인터페이스(621)를 통해 상기 알고리즘 빌더 단계(620)에서 생성된다. 분류기의 생성은 채널 선택(641), 측정 종류 선택(642), 및 테스트 논리 적용(643)을 포함한다.

적응적인 문턱값 검출기(650)는 또한 상기 훈련 인터페이스(621)를 통해 상기 알고리즘 빌더 단계(620)에서 생성된다. 문턱값 검출기의 생성은 채널 선택(641), 필터들의 적용(652), 및 테스트 논리 적용(653)을 포함한다.

상기 알고리즘 결합기(660)는 필요한 검출기들 및 분류기들(662)을 결합하기 위해 구성 인터페이스(661)를 통해 구현된다. 관심 로케일은 로케일 매핑 트리(663)에서 선택된다. 다음으로, 검출기들(664) 및 분류기들(665)은 알고리즘 뱅크로부터 선택된다(664). 검출기들 및 분류기들은 그후 상기 로케일 프레임(666) 안에서 분석기 그루핑들로 쌍지워진다. 상기 훈련 인터페이스(621)를 통해, 분석기 그루핑들은 디버그될 수 있고(668), 상기 결합 프로세스는 도시된 바와 같이 필요하다면 반복된다.

로케일 범위는 상기 구성 인터페이스(661)를 통해 작동하는 로케일 범위 도구(670)에 의해 수행된다. 분석 범위(672)는 시각적 로컬라이저 안에서 제1 관심 로케일(673)을 선택하고, 관심 손상 메커니즘들을 선택하고(674), 범위 상태를 리뷰하고(675), 범위 보고서들을 인쇄하는(676) 것에 확인된다. 이 프로세스는 추가적인 로케일들(677)에 대하여 반복될 수 있다.

구성자 클라이언트(20)는 각 로케일마다 검출기들, 판별기들, 및 분류기들을 정의한다. 특정 로케일들은 집합적으로 또는 독립적으로 구성된다. 독립적인 로케일들은 검출, 판별 및 분류를 위해 정의되고, 복수의 검출기들, 판별기들, 및 분류기들은 and/or 논리로 설정된다. 분류 코드들은 구성에 기초하여 할당된다.

로케일들

정확하게 정의된 로케일들은 효과적인 분석 프로세스에 필수적이다. 이것은 정확한 랜드마크 검출을 필요로 하는 로케일들로 튜브들을 재분리(sub-division)하는 것을 포함한다. 복수의 진보한 알고리즘을 이용한 자동 랜드마크 검출은 랜드마크 검출에 정확도를 제공한다.

복수단계 자동 랜드마크 구조 검출(도 1d 140) 프로세스가 사용된다: 단계 1 구성 랜드마크 표와 데이터 파싱. 단계 2 정확한 구조 위치들을 생성하기 위한 랜드마크 검출 알고리즘을 이용한 데이터 파싱. 단계 3 구조들의 특정 로케일들로의 재분리. 로케일들은 복수의 레벨들로 정의된다: 1차 로케일들은 통상 튜브 영역들이다. 예: HL, CL 및 U-Bend. 2차 로케일들은 통상 적절한 구조 영역들이다. 예: 지지 플레이트, 튜브시트 및 프리스팬. 3차 로케일들은 통상 구조 재분리영역들이다. 예: 튜브 시트 확장, 튜브 시트 확장 전이, 지지 중심 및 지지 에지. 4차 로케일들은 통상 전이 분리 영역들이다. 예: 확장 전이 중심, 확장 전이 입구, 및 확정 전이 출구. 로케일 정렬에 관련된 도 1b 내지 도 1d를 참조하라.

분석 로케일

AnalysisLocale은 상기 튜브 안의 단일 또는 종합 영역을 기술하는 데이터 구조체이다. 이것은 어떠한 레벨의 조밀도도 설명할 수 있고, 이하의 예들은 다음과 같이 제안한다:

1. 전체튜브/핫렉(전체핫렉)

2. 전체튜브/U-굴곡//프리스팬(프리스팬의 각 분리 조각은 상기 U-굴곡에 포함되어 있음)

3. 전체튜브/핫렉/튜브시트/확장(핫렉 확장 전이의 시작부터 끝)

4. 전체튜브/콜드렉/프리스팬/슬러지더미(프리스팬의 시작부터 슬러지더미의 상단까지)

5. 전체튜브/U-굴곡/U-굴곡구조체/구조에지들(U-굴곡 안의 구조체들의 에지들)

6. 전체튜브/U-굴곡/U-굴곡구조체들(에지들 및 중심들을 포함하는, U-굴곡 안의 전체 구조체 신호들)

모든 로케일들 및 필요한 조밀도의 레벨들은 예측되고, xml 파일로 패키지된다. 이러한 예측된 로케일들 각각은 상기 튜브 안의 슬라이스 값들의 세트에 이를 매핑하는 데 필요한 알고리즘들을 채용하여, 매핑된 로케일들 사이에 어떠한 슬라이스 갭도 불가능하게 한다. 코드는 후속하는 조밀도 레벨 각각이 그 부모 안에 완전히 포함되어 있고 부모 로케일의 모든 슬라이스는 직접 자식 로케일에 의해 확인됨을 보장한다.

로케일 분석기

로케일 분석기는 단일 AnalysisLocale의 분석을 시작하는 데 책임이 있다. 이것은 정확히 하나의 AnalysisLocale을 포함하고 이에 적용되고, 그 로케일의 전체에 수행되기 위해 특정 분석 방법의 어레이(LocaleAnalyserUnits)를 포함한다. 상기 AnalysisLocale은 또한 보다 작은 조밀도의 어레이 AnalysisLocales을 포함하고, 그 각각은 AnalysisLocaleTree에 의해 기술되는 바와 같이 그 로케일 안으로 한정되는 영역에 관련이 있다. 상기 LocalAnalyzerUnit는 주어진 AnalysisLocale에 어떠한 종류의 단일 분석 패스에도 책임이 있는 추상 베이스 클래스이다. 각 LocalAnalyzerUnit는 사용자 구성에 따라 다른 LocalAnalyzerUnit들과 공유할 수도 있고 공유하지 않을 수도 있는 단일 지정된 AnalysisReportBucket을 가진다. 이하의 클래스들은 LocalAnalyzerUnit으로부터 파생된다:

1. SludgeReportUnit

2. NoiseMeasurementUnit

3. DetectionClassificationUnit

상기 AnalysisReportBucket은 관련된 결과들의 집합이다. 동일한 AnalysisReportBucket 안에 있는 모든 결과들은 그 버킷 안의 다른 결과들과 공간적으로 중첩되는지 자동적으로 검사된다. 2개의 결과에 대한 위치들이 중첩되는 것으로 발견되면, 상기 결과들 중 하나는 이하의 사용자 구성 규칙 중 하나에 의해 결정된 바와 같이 제거된다:

1. 선입 - 버킷 안의 첫번째 보고 엔트리는 유지되고 새로운 엔트리가 폐기된다.

2. 후입 - 추가된 마지막 보고 엔트리가 유지되고 오래된 엔트리가 폐기된다.

3. 최대 볼트 - (중간 보고 엔트리 구조 안에 보고된 바와 같이) 최대 볼트 측정치를 가지는 엔트리가 유지되고 더 작은 엔트리가 폐기된다.

4. 최대 공간 - 최대 공간을 차지하는 엔트리가 유지되고 더 작은 엔트리가 폐기된다.

자동 분석 구성 동안, 사용자는 어떠한 수의 AnalysisReportBucket을 생성할 수 있고, 이중 하나는 각각의 LocaleAnalyzerUnit을 위해 선택된다. 통상적인 AnalysisReportBucket은 이하와 같다:

1. 함몰부들(Dents)

2. MBMs(manufacturing buff marks)

3. 결함들

4. 슬러지(Sludge, 내부 사용을 위해서만 보존)

5. 노이즈(Noise, 내부 사용을 위해서만 보존)

그 의도는 다른 종류의 보고 엔트리들과 중첩되는지 상관없이 사용자는 함몰부들, mbms, 슬러지 등을 가지기를 원한다는 것이다. AnalysisReportBucket은 또한 그후 상기 최종 수락 단계 동안 동일한 버킷 안에 없지만 추가적인 규칙들에 기초하여 제거하기를 원하거나 (예를 들어, 함몰부들과 같은) 다른 버킷으로부터의 어떤 것과 중첩하는 것에 기초하여 그 지시 코드가 변경될 필요가 있을 수 있는 중첩되는 엔트리들을 가지고 무엇을 할지 결정하기 위해 사용된다.

검출 분류 장치( Detection Classification Unit )

DetectionClassficationUnit은 단일 DetectionStep 및 단일 ClassificationStep을 포함하는 LocaleAnalyzerUnit의 형태이다. 상기 DetectionClassficationUnit은 상기 DetectionStep을 통해 분석을 시작하도록 상기 LocaleAnalyzer에 의해 통지되고, 그후 상기 DetectionStep이 끝나기를 기다린다(각각의 검출 알고리즘은 분리된 쓰레드 상에 있다). 그후 상기 ClassificationStep을 통해 분류를 시작하고, 그후 유사하게 상기 ClassificationStep이 끝나기를 기다린다.

검출 단계( Detection Step )

상기 DetectionStep 클래스는 분석 영역의 조합적인 검출 스캔을 대표한다. 이것은 복수의 독립적인 검출 통과들로 구성될 수 있고, 단일 어레이 DetectionResults로 결과가 발생할 수 있다. 이웃하는 결과들의 각 쌍은 중첩되면 결합하는 것에 의해 또는 중첩하지 않는 어떤 것은 버리는 것에 의한 결과들을 통합하도록 구성되어 있는 DetectionMerger 오브젝트로 양도된다. (매우 복잡하거나 전혀 유사하지 않은) 대응하는 검출 통합 규칙들을 갖는 검출들의 예는 다음과 같다: DET1 'and' DET2 'or' DET3 'or' DET4 'and' DET5 'and' DET6.

검출 결과( Detection Result )

DetectionResult는 데이터 안의 사각 또는 1차원 위치를 기술하도록 설계된 단순한 데이터 구조체이다. 이것은 검출과 분류 사이의 시간으로 한정되는 수명을 가진다.

검출기( Detector )

Detector는 베이스 검출 클래스이다. 이로부터 PluginDetector, ZRBDetector, 및 MatlabDetector를 포함하는 다른 다양한 종류의 검출기가 파생된다. 상기 Detector의 출력은 DetectionResults의 벡터이다.

검출 통합기( Detection Merger )

DetectionMeger는 2개의 DetectionResults에 대하여 'or' 논리 또는 'and' 논리를 구현하는 데 책임이 있는 기능적인 클래스이다. 단일 연산의 결과가 다른 DetectionResult이고, 이것은 다른 DetectionResult과 결합될 필요가 있을 수 있다. 어떠한 복잡도의 DetectionResults와 대응하는 DetectionMerger 규칙을 결합하는 방법은 모든 'AND' 항을 먼저, 언제나 좌측에서 우측으로 연산하는 것이다. 따라서 주어진 이전의 예:

DET1 'and' DET2 'or' DET3 'or' DET4 'and' DET5 'and' DET6

의 연산은 다음과 같다:

1. DET1 'and' DET2 수행(결과 = DET12)

2. DET4 'and' DET5 수행(결과 = DET45)

3. DET45 'and' DET6 수행(결과 = DET456)

4. DET12 'or' DET3 수행(결과 = DET123)

5. DET123 'or' DET456 수행(결과 = DET123456)

'and'의 정의는 이하와 같다: 2개의 DetectionResult들에 대하여, 다른 하나와 중첩하는 그 일부만이 유지되고 새로운 단일 DetectionResult가 된다. 'or'의 정의는 이하와 같다: 2개의 DetectionResult들에 대하여, 중첩하는 지점을 제외한 모든 결과들이 변경되지 않은 채 유지된다(각 결과의 적어도 N%는 다른 결과에 포함된다는 의미이고, 여기서 N은 구성될 수 있다). 2개의 DetectionResult들이 중첩할 때 이들은 2개의 사각 DetectionResult의 통합인 하나의 더 큰 DetectionResult로 통합된다.

분류 단계( Classification Step )

ClassificationStep 클래스는 검출 결과들의 특정 세트의 조합 분류 분석을 나타낸다. 상기 DetectionStep과 유사하게, 이것은 복수의 독립적인 알고리즘들로 구성될 수 있고, IntermediateReportEntries의 단일 어레이(DetectionResult당 하나 이상은 아님)로 결과가 발생할 수 있다.

동시발생 복수 통과 아키텍쳐( Concurrent Multiple Pass Architecture )

본 발명의 소프트웨어는 튜브 안의 동일한 영역(들)에 대하여 구성되는 복수의 분석 방법들을 허용하고, 각 방법의 결과들이 다른 분석 보고 그룹에 특성(attribute)이 되도록 구성될 수 있다.

동시발생 복수 통과 아키텍쳐는 도 4a 내지 도 4b에 도시되어 있다.

단계 410에서, 보고 그룹들은 생성되고 확답받는다. 각 보고 통과에 대한 보고 그룹들의 생성 및 확인 행동은 현장 구성 인터페이스(411)를 통해 수행된다.

단계 420에서, 분석기 구성 인터페이스(421)를 통해 보고 버킷들이 생성된다. 이 단계는 분석 그룹들의 할당(422) 및 중첩 및 제거 방법의 할당(423)을 포함한다.

단계 430에서, 복수-통과 분석기 그루핑들은 단일 분석기 구성으로 구성된다. 이것은 현장 구성, 알고리즘 훈련 인터페이스, 분석기 구성 인터페이스(431)을 통해 수행된다. 단계 432에서, 결함 분석기 그루핑은 채널 에일리어싱(432a), 알고리즘 빌딩(432b), 알고리즘 결합(432c) 및 로케일 범위 확인(432d)을 수행하는 것에 의해 구성된다. 이러한 단계들은 이하의 참조 항목들에 대응하는, 도 6a 내지 도 6c를 동반하는 설명에서 상세히 설명된다: 채널 에일리어싱(610), 알고리즘 빌딩(620), 알고리즘 결합(660), 및 로케일 범위 확인(670). 유사한 프로세스가 슬러지 분석기 그루핑들(433), 노이즈 분석기 그루핑들(434), 및 다른 조건들을 위한 분석기 그루핑들(435)을 구성하기 위해 수행된다.

이러한 방식으로, 슬러지는 예를 들어 함몰부들 및/또는 정규 결함 분석과 함께 동시에 실행될 수 있다. 이 경우에 있어서 보고 엔트리들의 중첩은 의도적으로 허용되지만, 상기 보고 엔트리들은 보고 엔트리 표시에 있어서 분석 그루핑에 의해 분리된다.

주파수 비율들/차이들( Frequency ratios / deltas )

자동 분석에 있어서의 이전 시도들이 특성을 특징짓는 적당한 작업을 한다면, 특정 종류의 손상 메카니즘을 고려하여 신호는 주어진 주파수 또는 주파수 들의 세트를 가질 것이다. 그러나, 많은 경우들에 있어 이는 특정 관심 주파수들 전체에 걸친 신호의 행동양식이다. 기본 주파수(prime frequency)로부터 반 기본 주파수(half prime frequency)로 적어도 10도 회전하였는가? 기본 주파수에서 전압이 반 기본 주파수에서보다 적어도 25% 큰가? 이것들은 우리가 특징잡으려고 하는 신호가 결함인지와 어떤 종류인지를 궁극적으로 판단하는 일종의 기준이다. 본 발명의 분석 생산의 법칙에 기초한 분류 알고리즘 패키지는 하나 또는 모든 테스트 형들; 전압, 각도, 깊이 및 길이에 대한 주파수들 간에 만들어지는 비율 및/또는 직접적인 차이 측정치들이 어떠한 수를 갖든지 간에 허용한다.

채널 에일리어스 ( Channel Aliases )

튜브의 종류들 및 현장 선호도로부터, 생성기들 및 고객들을 가로지르는 에디 전류 검사 매개변수들에 커다란 변화가 있다. 하지만, 이러한 데이터의 분석은 에디 전류 분석의 기본원리로 인해 커다란 공통점을 가진다. 데이터 분석을 구성하는 현장에 특수한 상황들을 목표로 하면서 보편적으로 작동하는 것을 허용하기 위해, 상기 채널 에일리어스가 생성된다. 이것은 특정 클래스의 데이터스트림의 개념이라는 용어로 데이터를 분석하는 것을 허용한다. 예를 들어, 보빈 결함 검출은 일반적으로 1차 주파수 차이 채널을 고려한다. 이것은 XPobe의 보빈 코일들에 대한 채널 1, 3 또는 169일 수 있다. 이것은 생성기에 따라서 주파수들을 달리할 수 있다. 그러나, 이러한 인스턴스들 각각은 BobbinDiff.High.로 지칭될 수 있다. 각각의 획득 기술은 실제 채널을 에일리어스에 매핑한다.

프로세스 채널들에 있어서, 프로세스 채널의 목적을 지시하는 명칭 목록이 존재한다.

이러한 에일리어스는 또한 명명된 데이터 필터들에 추가되는 것을 지원한다. 필터 설정들의 집합은 사용자에 의해 명명되고, 기술마다 특수하게 할 수 있다. 이러한 특수화는 견인 속도와 같은 상세내용들에 기초하여 필터들을 조정하는 능력을 제공한다. 예를 들어, 중간 필터는 샘플 밀도에 기초하여 조정된 윈도우를 필요로 한다. 이에 더하여 301 슬라이스들은 디폴트로 설정될 수 있으나, 다른 설정을 위해 필요한 만큼 증가시키거나 감소시킬 수 있다.

상기 에일리어스는 그후 검출 및 분류 설정들을 위해 사용된다. 이것은 상기 설정들이 손상 메커니즘 기본 표현을 목표로 하도록 허용하고, 최소의 변형으로 하나의 기술로부터 다른 기술로 이동하도록 한다.

최종 수락 ( Final Acceptance )

상기 RevospECT 최종 수락 프로세스는 이전의 분석 단계에서 모아진 데이터와 필드에서 실시간으로 모아지고 있는 분석 결과들을 연관시킴으로써 에디 전류 분석 산업에 혁신을 제공한다. 데이터의 이 "크로스-정전(Cross-Outage)" 뷰는 다중 데이터 설정들에서 뽑아진 복잡한 관계들을 허용하고, 이것은 오랜 기간에 걸쳐 일어나는 증기 생성기들에서의 변화율을 보는 것을 허용한다. 덧붙여, 이러한 최종 수락 프로세스는 실시간으로 모이는 관심(문턱값을 깨는 노이즈 포함)의 지시자들을 모으고 연관시키는 것을 허용하며, 증기 생성기에서 큰 이슈들을 제공하는 끌어낼 수 있는 패턴들을 판단하기 위해, 단일 유닛들보다는, 그 전체에서 이러한 지시자들을 평가한다.

자동 최종 수락(FA)은 소정의 높은 감지 가능성(probability of detection, POD) 자동 분석 방법들을 이용하는 것으로부터 기인했을 다양한 형태의 오버콜(overcall)을 줄이기 위해 분석자가 구성한 규칙들을 자동으로 적용하는 소프트웨어 구성요소이다. 많은 감지/분류 기법들을 병행 실행하는 것은 POD를 높이지만 오버콜로 보일 수 있는 많은 불필요한 결과들을 생성하나, FA 중첩 규칙들은 많은 불필요한 결과들 중에서 보고할 단일의 최종 결과의 선택을 자동화한다.

FA 통합 규칙들은 테스트되는 튜브를 따라 일부 규칙에 특정된 근접치에 모두 있을 많은 유사한 결과들을 대표하는 단일 결과의 보고를 자동화한다. FA 저전압 규칙들은 매우 민감한 (즉, 높은 POD) 감지 문턱값들을 적용하는 것으로부터 기인할 수 있는 오버콜들을 자동으로 폐기한다. FA 이력 매치/어드레스/비교 규칙들은 전반적인 시스템이 제 몫을 다하고 있는지를 적당히 보고할지 또는 보고하지 않을지, 및 저전압 규칙들이 적게 일어나는 이력-매칭 결과들을 폐기하는 것을 방지할지에 대한 자동화된 판단을 제공한다.

최종 수락 프로세스는 도 5a 내지 5e에 도시되어 있다.

최종 수락은 분석기 구성 인터페이스(501)을 통해 구성된다. 단계 510에서, 기존의 보고 버킷을 선택하거나 새로운 것을 만드는 단계(511)와, 분석 그룹을 선택하는 단계(512)와, 사전-최종 수락 중첩 방법을 선택하는 단계(513)를 통해 보고 버킷 중첩 삭제가 설정된다(510). 필요하다면, 추가적인 보고 버킷들이 추가되고 구성된다(515).

단계 520에서, 저전압 필터들은 보고 버킷을 선출하고(521), 저전압 정의를 위한 관심의 지시 코드를 선택하고(522), 선택된 보고 버킷을 위한 관심의 최소전압을 판단(523)하는 것에 의해 설정된다. 필요에 따라 더 많은 저전압 필터들이 설정된다(524).

단계 530에서, 중첩 필터들이 설정된다. 이것은 제1보고 중첩의 보고 버킷을 선택하고(531), 제1보고 중첩의 지시 코드를 선택하고(532), 제2보고 중첩의 보고 버킷을 선택하고(533), 제2보고 중첩의 지시자를 선택하고(534), 중첩 방식을 판단하고(535), 오버라이드(override) 지시 코드를 판단(536)하는 것에 의해 수행된다. 필요에 따라 더 많은 중첩 필터들이 추가된다 (537).

단계 540에서, 다중 지시자 통합 필터들이 설정된다. 이러한 필터들은 상대적으로 근접한 여러 지시자들이 단일 지시자로 통합되는 데에 설정한다. 이 프로세스로의 단계들은, 통합 가능성을 판단하도록 보고 버킷을 선택하고(541), 통합 가능성을 판단하도록 관심 지시 코드를 선택하고(542), 지시자들이 통합을 위해 고려되는 최소 근접성을 판단하고(543), 보고되는 통합 지시자들에 대한 지시 코드를 판단(544)하는 것이다. 다중 지시자 통합 필터들을 설정하는 프로세스는 필요한 만큼의 보고 버킷들에 대해 반복된다.

단계 550에서, 이력 어드레싱 필터들이 설정된다. 이 프로세스는 세 개의 하위 단계들을 갖는데, 비교를 위해 검사할 현재 이력 결과들의 범위를 한정하고 태깅될 어드레스되지 않은 결과들을 식별하고(560), 이력과 현재 결과들 간의 관계 기준을 설정하고(570), "이력으로부터의 변경" 필터를 설정(580)하는 것이다. 이러한 프로세스들 각각의 하위 단계들(560, 570 및 580)은 이하에서 논의될 것이다: 어드레스되지 않은 결과들을 식별하고 비교를 위해 검토할 현재 이력 결과들의 범위를 한정하는 것(560)은 관심 있는 현재 결과 분석 그룹을 선택하고(561), 관심 있는 프로브 코드들을 설정(562)하고, 이력 결과들에서 어드레스되지 않은 지시 코드들을 위한 새로운 지시 코드들을 식별하는 것(563)을 포함한다. 이력과 현재 결과들 간의 관계 기준을 설정하는 단계(570)는 현재 결과들에서 지시 코드를 선택(571)하고, 이력 결과들에서 지시 코드를 선택(572)하고, 어드레싱을 위해 고려될 필요가 있는 현재 이력 결과들과 최소 근접 이력 결과들을 판단(573)하고, 다음 단계를 판단하기 위해, 즉, 절대 전압이 차단(cutoff) 최소값 미만이면 관련 변화와 더 비교되도록 이력 결과들에 대한 현재 결과에서 신호가 작아질 수 있는 최대 전압값을 판단하고(575), 절대 전압이 차단 최소값 초과이면 관련 변화에 더 고려되도록 이력 결과들에 대한 현재 결과에서 신호가 작아질 수 있는 최대 전압 백분율을 판단(576)하기 위해 이력 데이터의 절대 전압에 대한 차단을 판단(574)하는 것을 포함한다. 필요에 따라 더 많은 이력 어드레싱 필터들이 추가될 수 있다(577).

"이력으로부터의 변경" 필터들을 설정하는 단계(580)는, "이력으로부터의 변경"을 적용하기 위한 목표 현재 결과 지시 코드에 착수하고(581), 다음 동작을 판단하기 위한, 즉, 현재 전압이 차단 값보다 미만이면 얼마나 많은 절대 전압이 현재와 이력 값들 사이에서 변경되도록 커져야 하는지를 판단(583)하거나, 현재 전압이 차단 값보다 초과이면 얼마나 많은 전압 백분율이 변경이 고려되는 현재와 이력 데이터 사이에서 커져야 하는지를 판단(584)하기 위해 현재 데이터의 절대 전압 차단을 판단하는 것(582)을 수반한다. 다음으로, 사용자는 변경이 고려되도록 회전되어야 하는 위상각 신호(phase degree signal)의 양을 입력한다(585). 변경되도록 고려되어야 하는 벽 신호를 통한 백분율 깊이가 입력된다(586). 어떤 변화 기준이 만족되면 적용될 현재 결과 코드가 입력(587)되고, 만족되는 변화 기준이 없을 때 적용할 현재 결과 지시 코드가 입력(588)된다. 필요하다면 더 많은 이력 어드레싱 필터들이 추가된다(589).

이력 보고 비교 ( Historical Report Compare )

이력 보고 비교는 검사 이력 관련 결정들을 수행하기 위해 분석자가 구성한 규칙들을 자동으로 적용하는 소프트웨어 구성요소이다. 상기 규칙들은 현재 검사로부터의 결과가 이력에 "상승 일치"하는지, 이력을 "어드레스"하는지, 및/또는 이력"으로부터 변경"되는지 여부와, 적절히 변경한 필드들을 가지는 결과를 보고할지 판단한다.

구성가능한 상승 일치(elevation-matching) 기준은 분석자가 고려해야 할 상승 오차와 고려할 프로브 코드들을 특정하는 것이 가능하게 한다. 구성가능한 어드레스 이력 기준은 전압과 각도 감소량 거절 문턱값들에 있어 허용오차와, 최종 보고에서 나타나야 하는 결과의 지시 코드의 조정을 포함한다. 구성가능한 이력으로부터의 변경 기준은 작은 값들에 대한 절대 비교와 큰 값들에 대한 백분율 비교를 지원하며, 전압과 각도 문턱값들을 포함한다.

로케일 매핑 ( Locale Mapping )

이하는 본 발명의 로케일 매핑 관련 구성요소들에 대한 기능적인 상세이다. 로케일 매핑은 3개의 하부섹션들: 1)일반; 2)알고리즘; 3)위치잡기 방법들로 나누어져 왔음을 알아야 한다.

시각적 로케일 표시 ( Graphical Locale Display )

본 발명은 각 렉(leg)에 특정된 튜브시트(tubesheet), 프리스팬(freespan) 등과 같은 생성기의 특정 영역들에 대해 설정을 일반화하기 위해 로케일 개념을 이용한다. 로케일 차트는 막대 차트와 나란히 제공되는 로케일들의 가변적인 표시를 제공한다. 로케일 차트는 도시된 데이터에 존재하는 로케일들에 따라, 2 내지 4 레벨들 사이의 로케일들을 표시되는 고정된 폭이다. 상기 로케일들은 데이터 커서가 그곳에 떨어지면 하이라이트되고, 마우스로 데이터를 찾아가고 확대하는 다양한 모드들이 있다.

에지 교정 ( Edge Correction )

에지 교정은 지지 구조들, 튜브 시트들 및/또는 튜브 끝들의 자동 위치된 에지들에 고정된 거리를 사용자가 효과적으로 추가하거나 또는 뺄 수 있게 하는 심플한 방법이다. 이것은 결과적인 로케일 매핑에 있어 민감한 제어를 가능하게 하여, 프리스팬에 할당되는 데이터의 비용으로 (전형적으로) 특정 종류의 지지 구조와 그 내부 에지 영역에 할당되는 데이터의 양을 사용자가 증가 (또는 감소) 시킬 수 있다. 각 랜드마크 구조 형태는 에지 교정을 위한 특정 구성 점이 허용되므로, 예를 들어 끝이 뾰족한 지지대는 추가의 1/2인치로 주어질 수 있으나 반면 두꺼운 지지대는 교정이 주어지지 않는다.

손상 메커니즘 ( Damage Mechanisms )

DamageMechanism 클래스는 모든 수의 관련된 분석 로케일들과 적당한 지시 코드(들)에 대해 명명된 손상 메커니즘을 매핑하는 것에 대한 책임이 있는 데이터 구조체이다. DamageMechanism의 명칭은 위치 특정 손상 메커니즘들에 알고리즘을 매핑하기 위해 AnalysisLocale 설명 스트링과 함께 이용된다. 상기 DamageMechanism 클래스는 설정 관련 오브젝트로서 의미를 가지고, 사용자가 자동 분석을 설정하도록 안내하는 데에 이용된다. 손상 메커니즘들이 한번 생성되어 로케일들에 매핑이 되면, 자동 분석을 설정하는 것은 사용자가 각 로케일을 방문하여 그 로케일에 매핑된 소정의 매커니즘들 각각을 위한 감지 및/또는 분류 방법을 고르는 것으로 구성된다. 특정 로케일에서 발견될 수 있는 이러한 손상 메커니즘들만이 사용자에게 구성되도록 제공될 것이고, 구성되지 않고 남아 있는 것은 쉽게 경고 및/또는 이후 확인을 위해 추적될 수 있다.

로케일 매핑 -관련 알고리즘 ( Locale Mapping - related Algorithms )

확장 전이 감지 ( Expansion Transition Detection )

확장 전이들의 자동 감지-로케일 트리 맵 구성에서 중요한 부분-은 전형적으로 전이의 근처에 있는 주변의 균열들의 감지에 대한 전구체(precursor)이다. 대부분의 주변 균열들은 지지 구조 또는 확장 전이에 인접하게 위치한다. 확장 전이 신호 지시자의 자동 식별은 무엇보다도 주변 균열들에 대한 "높은 신뢰 영역" 내에서 탐색을 하는 키 역할을 할 것이다.

보빈 ( Bobbin )

분석되고 있는 절대적인 주요 주파수 채널 부분의 가장 가파른 미소한 기울기는 관심 지점이다. 이 지점은 신호의 미분의 최대 절대값에 대응하는 슬라이스를 위치시킴으로써 결정된다. 추가적인 상대적인 크기 테스트는 거짓 호출과 히트 사이를 구분하는 조정된 절대적인 주요 및 로케이터 주파수에 걸쳐 있는 이 지점에서 수행된다.

X- 프로브 (X- probe )

이러한 경우, 주요 주파수 디스플레이 세트에서 특정 채널 부분의 가장 가파른 미소한 기울기는 관심의 지점이다. 이 특정 채널은 디스플레이 세트에 포함되는 채널들의 각 부분의 길이에 걸쳐 최대 전압을 가져오는 것에 대응한다. 이 채널에서 가장 가파른 미소한 기울기는 보빈 케이스에서와 같이 판단된다. 추가로, 모든 디스플레이 세트 채널에 걸쳐 관심의 이 지점 근처에서 위상은 실제 확장 전이 위치로서 확인되도록 지정된 영역 내에 있어야만 한다.

U-굴곡 전이 감지 (U- Bend Transition Detection )

식별을 위한 U-굴곡 전이 지점들의 수에 대한 사전 지식이 알고리즘에 필요하다. 단일 지점이 요구되면, 절대적인 주요 주파수 채널 부분의 가장 가파른 미소한 기울기가 결정된다. 이 위치는 신호의 미분의 최대 절대값에 대응하는 슬라이스를 위치시킴으로서 확인된다. 추가의 식별자로서, 사용자가 공급한 것으로 상대적인 전압 체크가 관심 지점의 근처에서 수행되었다.

관심의 두 지점들이 신호에서 두 국부적인 최대값들을 선택함으로서 결정되는 것을 제외하고 두 개의 U-굴곡 전이 지점들이 요구되었을 때 유사한 분석이 수행된다. 상대적인 전압 체크는 단일 U-굴곡 경우에서와 같이 양 지점의 근처에서 수행된다.

슬러지 감지 ( 보빈 ) ( Sludge Detection ( Bobbin ))

알고리즘은 지지 플레이트 또는 튜브 시트 신호의 근처에서 널(null) 위치를 판단한다. 이러한 널 위치를 기준으로 사용하여, 규정된 전압과 두 개의 위상경계의 바깥에 놓인 신호 요소들의 극좌표 판별을 수행한다. 미리 설정된 극좌표 도메인 안의 요소들은 슬러지 신호 구성요소들이다.

적응적인 문턱값 감지 ( Adaptive Threshold Detection )

노이즈로부터 신호를 구별하기 위한 문턱값 판단은 전반적인 감지 프로세스에서 중대한 부분이다. 거짓 호출 비율과 실패율을 최소로 유지하기 위하여, 선택된 문턱값은 주위의 신호대잡음비와 직접적인 관계를 가져야 한다. 달리 말하자면, 문턱값은 분석되고 있는 신호의 우세한 통계적 특성에 적응해야 한다.

도 2는 튜브 지지 플레이트들 또는 결점들로 인한 신호 지시들로 띄엄띄엄 채워진 차이 보빈 신호 "기판"의 하부섹션을 나타낸다. "기판"은 에디 전류 분석을 목적으로 아무 지적 정보(intellectual information)도 포함하지 않은 노이즈에 대응한다. 적합한 문턱값 처리의 의도는 감지 민감도의 다른 레벨들에 기초한 문턱값을 산출하는 노이즈 기판에서 통계학적 특성들의 장점을 취하기 위함이다.

정의: 표준 편차 ( SD )

확률과 통계에서, 확률 분포의 표준 편차, 랜덤 변수, 또는 값들의 모집단 또는 다중세트는 그 값들의 통계적인 분산의 척도이다. 표준 편차는 보통 σ(아래의 경우 시그마)로 표시된다. 이는 변화량의 제곱근으로서 정의된다.

랜덤 변수 X의 표준 편차는 다음과 같이 정의된다:

적응적인 문턱값에서 표준 편차의 응용 ( Application of Standard Deviation in Adaptive Thresholding )

에디 전류 데이터의 노이즈에 대응하는 전압이 정규 분포되었다고 가정한다. 통계적으로, 측정의 큰 세트에 대해, 대략 68%가 평균값의 1 표준 편차 내에 있을 것이고, 95%는 2 내에서 있을 것이고, 99.7%는 3 내에 있을 것이다. 이러한 경험 법칙은 일반적으로 정규 분포를 갖는 모집단 값들에 적합하다. 도 3은 그래프 상에서 정규 분포된 데이터를 도시한다.

도 3a는 평균으로부터 표준 편차에 의해 한정된 정규 분포 곡선을 나타낸다. 수평축 상에서 양측 방향으로 평균으로부터 멀어지는 1 표준 편차(위쪽 그래프의 빨강 영역)는 노이즈에 대응하는 데이터 모집단의 68 퍼센트 주변의 근처를 나타낸다. 평균으로부터 멀어지는 2 표준 편차들(빨강과 초록 영역들)은 노이즈에 대응하는 모집단의 대략 95 퍼센트를 나타낸다. 그리고, 3 표준 편차들(빨강, 초록, 파랑 영역들)은 노이즈에 대응하는 모집단의 대략 99 퍼센트를 나타낸다.

표준 편차의 변형이 에디 전류 적응적인 문턱값을 위해 이용된다. 수학식(1)의 평균값을 중간값(median)으로 대체함으로써, 모집단 값들의 극한값들에 덜 의존적이며 더욱 안정적인 증명과 함께 중간값 절대 편차(median absolute deviation)가 얻어진다.

피크간 전압(volts peak-to-peak, vpp) 또는 수직 최대(vmx)와 같은 에디 전류 신호에서의 통계학적 특성들의 풀(pool)은 정규 분포를 따른다고 가정함으로써, 우리는 노이즈 분포의 대략 100%를 포함할 수 있는 아래 문턱값을 추정한다. 민감도는 우리가 중간값 절대 편차 위의 문턱값을 올리기 원하는 횟수와 관련된다.

용법 ( Usage )

초기 테스트의 경우로, 중간값 절대 편차에 기초하여 문턱값을 변경시키기에 유용한 10 레벨들이 있다. 이들은 민감도 레벨로서 나타난다. 1의 민감도는 10의 민감도보다 더 많은 표준 편차의 곱셈 인자를 높인다. x프로브와 최대 잔여 패킷 용량(maximum residual packet capacity, MRPC)에 대해, 다음의 문턱값이 적응적인측면에서 다음과 같이 정의된다.

단,

Ω=문턱값

μ=분포의 중간값

ξ=곱수

σ=중간값 절대 편차

N= 분포에서 요소들의 개수. 경험적인 판단에 의하면, N은 분포에서 요소들의 개수가 5000 이상일 때까지 2.7184로 설정된다.

전형적으로, 2차원 데이터는 평평 또는 수평 영역을 이루도록 걸러진다. 적절한 필터의 예로서, 중간값 또는 연속 웨이블릿 변환(continuous wavelet transformation, CWT) 필터들이 있다. 보빈 데이터에 대한 문턱값 판단은 모집단에서 충분히 많은 수의 Vpp의 중간값의 직접적인 배수들을 이용하여 계산된다. 즉,

단,

Ω=문턱값

ξ=곱수

σ=Vpp 값들의 풀로부터 중간값 절대 편차

큰 모집단에 대한 계산 속도를 향상시키기 위해, 무작위 선택을 이용한 샘플링 방법들이 중간값 계산에 이용된다.

충분한 훈련 데이터로, 유사한 환경 조건들에서 모은 데이터들에 적합한 민감도 레벨이 추정될 수 있다.

위치잡기 방법들 ( Locating Schemes )

자동 로케이팅 -신호 형성 ( Auto Locating - Signal formation )

본 발명 분석은 모든 랜드마크 종류가 자동 로케이팅 알고리즘에 의해 이용될 자신만의 특정 기준 세트를 가지는 것을 허용한다. 특히, 각 종류에 대한 신호 회전은, 설정 과정 동안 조정되어 저장된다. 자동 로케이팅 동안, 우리가 탐지하고자 시도하는 각 랜드마크에 대해 문제의 랜드마크 종류가 결정되고, 이후 적절한 회전이 알고리즘의 적용에 앞서 데이터에 적용된다. 문제의 각 신호는 예기된 방향으로 형성되는 경우 더욱 정밀한 조사를 위해서 고려될 뿐이다.

자동 로케이팅 - 랜드마크 표 한정성 ( Auto Locating - Landmark Table Definability )

자동 로케이팅 개선이 우리의 랜드마크 표의 향상된 정의에 의해 많은 부분 이루어졌다. 이제 어떤 주어진 행과 열에서도 우리가 보기를 기대하는 랜드마크들에 관한 정확한 정보를 랜드마크 가시성이 왔다갔다 하는 '회색 영역'을 처리하기 위한 논리와 함께 이용할 수 있다. 특정한 랜드마크 폭과 가시성은 특정 행/열 위치에서 오버라이드될 수 있다. 이 정보는 튜브에 대한 랜드마크의 접촉 각도가 달라서 랜드마크가 크게 나타나는 장소를 설명하는데 이용될 수 있고, 또는 하나의 큰 구조로서 나타나는 지점 부근에서 매우 가까워지고 있는 두 개의 랜드마크들을 효과적으로 결합하는데 이용될 수 있다.

이제 Avb 엘리베이션들이 자동 로케이팅 소프트웨어에 의해 이용되고 U-굴곡의 정점으로부터 참조되도록 고려될 수 있다.

자동 로케이팅 대칭 고려사항( Auto Locating - Symmetry Considerations )

본 발명 분석 자동 로케이팅은, 랜드마크 표에 의해 달리 지적하지 않는 한, U-굴곡에서 랜드마크 구조들이 대칭 방식으로 (반드시 등거리는 아님) 설계될 것이라고 가정한다. 이러한 경우, U-굴곡에서 랜드마크의 감지는 U-굴곡의 정점이 판단되자마자 동시에 쌍으로 행해진다. 대칭이 예상된다면, 자동 로케이팅 소프트웨어는 랜드마크들의 각 쌍이 U-굴곡의 정점으로부터 유사한 거리에서 (오차범위 내에서) 감지되도록 요청한다. 대칭은 랜드마크 표 편집자를 거쳐서 상기 랜드마크 표에 정점 표지를 (또는 정점"에" 있는 하나의 랜드마크의 경우에는 두 개의 측면 표지들) 놓음으로써 정의될 수 있다. 정점에 관련된 avb 엘리베이션들이 또한 공급되면 (직각의 굴곡인 경우에), 대칭 고려사항은 엘리베이션 직접 사용에 비해 중요치 않으며 무시된다.

알고리즘 훈련 인터페이스 ( Algorithm Training Interface )

본 발명의 모든 알고리즘은 맞춤형 훈련 인터페이스에서 구성되고, 이는 감지 및/또는 분류 알고리즘을 생성하여 사용중인 데이터에서 이들을 시험하는 수단을 제공한다. 알고리즘을 시험하는 동안 동적인 문턱값 판단, 측정 위치, 각도와 전압 판단, 통과/실패 상태, 등과 같은 핵심 알고리즘 단계들은 조작자에 의한 차후 검토를 위한 프로그램에 저장된다. 이에 따라, 조작자는 분석 프로세스를 통해 마음대로 앞뒤로 나아갈 수 있고, 어떻게 현재 구성된 알고리즘이 그 분석을 수행했는지에 대한 정확한 세부사항들을 검토할 수 있다. 각각의 단계에서, 관심 신호를 자동으로 훈련하도록 정보는 시스템에 사용가능하다.

본 발명이 상세히 특정 예들 참조하여 설명되었으나, 그 정신 및 범위를 벗어나지 않는 한 다양한 변경 및 수정이 이루어질 수 있음은 당업자에게 명확할 것이다.

10: 감독자 클라이언트 15: 선택적 감독자 클라이언트
20: 구성자 클라이언트 30: 계기판 클라이언트
40: 팜 45: 현장 데이타

Claims (10)

1. 자동 분석 태스크들의 병행 실행을 지원하기 위한 분산 처리 시스템을 포함하는 구조를 갖는 컴퓨터 플랫폼;
   특정 클래스의 데이터스트림에 의하여 데이터를 분석하기 위한 채널 에일리어싱 수단;
   오버콜을 감소시키기 위해, 자동적으로 분석자가 구성한 규칙을 적용하는 자동 최종 수락 수단; 및
   튜브 및 연관된 부품들의 소정 영역들을 구분하기 위한 로케일 매핑 수단을 포함하고,
   상기 플랫폼은 튜브 결함들의 위치를 잡기 위한 검출 분류 장치 및 로케일 분석기를 포함하며,
   상기 로케일 매핑 수단은 랜드마크 에지 교정을 구현하고, 확장 전이 검출, 적응적인 문턱값 검출 및 위치잡이 방법들을 포함하는 알고리즘들을 구현하고 또한 복수의 관련 분석 로케일들에 손상 메카니즘을 매핑하는, 튜브 결함들의 포괄적 감시, 분석, 및 관리를 위한 시스템.
2. 제 1 항에 있어서,
   알고리즘 훈련 인터페이스를 더 포함하는 튜브 결함들의 포괄적 감시, 분석, 및 관리를 위한 시스템.
3. 제 1 항에 있어서,
   상기 검출 분류 장치는 제1 및 제2 주파수에서 획득된 테스트 데이터 사이의 차이 또는 비율을 측정하는, 튜브 결함들의 포괄적 감시, 분석, 및 관리를 위한 시스템.
4. 컴퓨터 플랫폼에서, 제1 및 제2 시각에서 획득된 테스트 데이터를 적재하고 조정하는 단계;
   로케일에 의해, 상기 제1 및 제2 시각에서 획득된 테스트 데이터를 정렬시키는 단계;
   튜브 및 연관된 부품들의 소정 영역들로 상기 제1 및 제2 시각에서 획득된 테스트 데이터를 구분하는 단계;
   상기 구분된 데이터에 기초하여 결함들을 검출하는 단계;
   제1 및 제2 주파수에서 획득된 테스트 데이터 사이의 차이 또는 비율에 기초하여 상기 결함들을 분류하는 단계; 및
   다양한 형태의 오버콜을 감소시키고 다양한 잉여 결과들 중에서 보고될 하나의 최종 결과를 선택하기 위해 분석자가 구성한 규칙들을 적용하는 단계를 포함하는, 튜브 결함들의 포괄적 감시, 분석, 및 관리를 위한 방법.
5. 제 4 항에 있어서,
   미리 결정된 테스트 변수들의 집합을 채널 에일리어스에 할당하는 단계를 더 포함하고, 상기 채널 에일리어스는 상기 미리 결정된 테스트 변수들의 집합이 적용될 수 있는 데이터스트림의 특정 클래스에 상기 미리 결정된 테스트 변수들의 집합을 적용하는 데 사용되는, 튜브 결함들의 포괄적 감시, 분석, 및 관리를 위한 방법.
6. 제 4 항에 있어서,
   상기 구분하는 단계는, 랜드마크 에지 교정을 구현하는 단계를 포함하는 튜브 결함들의 포괄적 감시, 분석, 및 관리를 위한 방법.
7. 제 4 항에 있어서,
   상기 구분하는 단계는, 손상 메카니즘을 복수의 관련 분석 로케일들에 매핑하는 단계를 포함하는 튜브 결함들의 포괄적 감시, 분석, 및 관리를 위한 방법.
8. 제 4 항에 있어서,
   상기 구분하는 단계는, 확장 전이 검출을 포함하는 알고리즘들을 구현하는 단계를 포함하는 튜브 결함들의 포괄적 감시, 분석, 및 관리를 위한 방법.
9. 제 4 항에 있어서,
   상기 구분하는 단계는, 적응적인 문턱값 검출을 포함하는 알고리즘들을 구현하는 단계를 포함하는 튜브 결함들의 포괄적 감시, 분석, 및 관리를 위한 방법.
10. 제 4 항에 있어서,
    상기 구분하는 단계는, 위치잡이 방법들을 포함하는 알고리즘들을 구현하는 단계를 포함하는 튜브 결함들의 포괄적 감시, 분석, 및 관리를 위한 방법.

Images