KR101645605B1

KR101645605B1 - 패턴 인식을 이용한 평판 구조물의 결함 위치 탐지 방법 및 그 장치

Info

Publication number: KR101645605B1
Application number: KR1020140118293A
Authority: KR
Inventors: 김광로
Original assignee: 국방과학연구소
Priority date: 2014-09-05
Filing date: 2014-09-05
Publication date: 2016-08-05
Also published as: KR20160029252A

Abstract

측정 대상이 되는 평판 구조물에 복수의 AE 센서를 부착하고, 평판 구조물의 결함에 의해 발생하는 탄성파를 상기 복수의 AE 센서로 검출하며, 복수의 AE 센서가 상기 탄성파를 검출한 시간차를 특징값으로 하는 특징벡터를 생성하고, 특징벡터와, LS-SVM 알고리즘을 이용하여 미리 학습된 패턴 인식 모델로부터 평판 구조물의 결함 위치를 추정하는 평판 구조물의 결함 위치 탐지 방법에 관한 것이다.

Description

패턴 인식을 이용한 평판 구조물의 결함 위치 탐지 방법 및 그 장치{METHOD FOR LOCALIZING ACOUSTIC EMISSION SOURCE IN PLATE-LIKE STRUCTURES USING PATTERN RECOGNITION}

본 발명은 평판 구조물의 결함 위치를 탐지하기 위한 탐지 방법에 관한 것으로, 좀 더 자세하게는 평판 구조물에 설치된 센서에 의해 검출된 탄성파 신호의 시간 배열 특징을 특징 데이터로 하는 패턴 인식 모델을 구성하고 이러한 패턴 인식 모델을 이용하여 평판 구조물의 결함 위치를 탐지하는 방법에 관한 것이다.

재료가 외부로부터 하중을 받아 변형을 일으킬 때나 재료 내에 균열이 발생, 성장할 때 원자의 재배열이 일어나며 이때 물체는 급속한 에너지 해방에 의한 탄성파를 방출한다. 이 탄성파 방출을 음향방출(Acoustic Emission, AE)이라 한다.

이러한 AE는 구조 재질의 고유의 감쇠 특성에 따라 수십 미터가 이격된 위치에서도 또한 AE가 전파된 이후에도 충분히 포착 가능한 신호로서 존재한다. 따라서, 구조물 전체를 센서나 투시 장치로 검사해야하는 다른 비파괴 검사법들과는 달리, AE는 적은 수의 센서를 이용하여 매우 큰 구조물에 대하여, 또한 구조물이 가동 상태를 유지하면서도 결함의 발생이나 위치 추정이 가능하다. 따라서, AE는 비파괴 시험이나 구조 건전성 모니터링에서도 중요한 도구로 사용되어 왔다.

이러한 AE의 특성을 이용한 구조물 손상 위치 추정 방법 중 가장 대표적인 방법에 대하여 특허문헌 1에서 예시하고 있다. 도 1에서 도시된 바와 같이 특허문헌 1에서 예시하고 있는 종래 구조물 손상 위치 추정 방법은, 감시대상 구조물의 특정 영역을 둘러싸도록 복수 개의 AE 센서(S1, S2, S3)를 배치하여, AE 신호를 검출하도록 하고 있다.

이러한 특허문헌 1에서 예시된 종래 기술에서는, 감시대상 구조물의 탄성파 전파 속도를 토대로 재료 내부의 AE 발생원에서 발생 된 신호가 구조물 표면에 부착된 각각의 AE 센서(S1, S2, S3)에 도달하는 시간차를 이용하여 구조물 내부의 AE 발생원의 위치를 측정할 수 있도록 하고 있다. 따라서, 이러한 종래 기술의 경우, 첫째, 대상 구조물의 재질이 균질한 등방성 재료여서 모든 방향으로의 탄성파의 전파 속도가 동일해야만 정확한 위치 추정이 가능하고 둘째로, 대상 구조물에 리벳, 볼트 구멍과 같은 기하학적인 장애물이 없어야 정확한 위치추정이 가능하다.

따라서, 항공기 등과 같이, 이방성을 갖는 복합 재료로 이루어지고, 리벳, 볼트 구멍과 같은 기하학적인 장애물을 다수 포함하는 경우에도 결함 발생 위치를 정확하게 추정할 수 있는 방법이 요구된다.

공개특허공보 제2004-0056574호

본 발명은 상기와 같은 문제점을 해결하기 위한 것으로,복합 재료로 이루어지고 기하학적인 장애물을 다수 포함하고 있는 복잡한 평판 구조물에 있어서도, 높은 정확도로 결함의 위치를 판정할 수 있는 결함 위치 판정 방법을 제공하는 것을 목적으로 한다.

상기 목적을 달성하기 위하여, 본 발명은, 측정 대상이 되는 평판 구조물에 복수의 AE(Acoustic Emission) 센서를 부착시키는 단계; 평판 구조물의 결함에 의해 발생하는 탄성파를 복수의 AE 센서로 검출하는 단계; 복수의 AE 센서가 탄성파를 검출한 시간차를 특징값으로 하는 특징벡터를 생성하는 단계; 특징벡터와, LS-SVM 알고리즘을 이용하여 미리 학습된 패턴 인식 모델로부터 평판 구조물의 결함 위치를 추정하는 단계로 이루어지는 평판 구조물의 결함 위치 탐지 방법을 제공한다.

상기 목적을 달성하기 위하여 본 발명은, 평판 구조물의 결함 위치 탐지를 위한 패턴 인식 모델의 구축 방법에 있어서, 측정 대상이 되는 평판 구조물의 표면에 복수의 AE 센서를 부착시키는 단계; 평판 구조물의 결함을 시뮬레이션하기 위해, 평판 구조물 상의 소정의 위치에서 탄성파를 발생시키는 단계; 복수의 AE 센서가 상기 탄성파를 감지하는 단계; 복수의 AE 센서가 감지한 탄성파 신호를 처리하는 단계; 복수의 AE 센서가 상기 탄성파를 감지한 시간차를 특징값으로 이용하는 특징벡터를 생성하는 단계; 특징벡터와 최소 자승법을 이용한 서포트 벡터 머신(Least Square-Support Vector Machine, LS-SVM) 알고리즘을 이용하여, 서포트 벡터를 결정하는 단계; 복수의 AE 센서가 상기 탄성파를 감지한 시간차와 이 때의 평판 구조물 상의 결함 위치로 이루어지는 데이터 세트를 이용하여 상기 시간차와 상기 평판 구조물 상의 결함 위치의 관계를 학습하는 단계; 학습을 통해 최적화된 패턴 인식 모델을 완성하는 단계를 특징으로 하는, 평판 구조물의 결함 위치 탐지를 위한 패턴 인식 모델의 구축 방법을 제공한다.

바람직하게는, 상기 탄성파는 연필심 파단에 의해 생성된다.

바람직하게는, 상기 탄성파 신호를 처리하는 단계는, AE 센서가 검출한 탄성파 신호를 분석이 가능한 크기로 증폭시키고, 신호 필터를 이용하여 처리하는 단계; 처리된 탄성파 신호를 저장하는 단계; 저장된 신호를 재생시키면서 텍스트 파일의 형태로 변환하는 단계를 포함한다.

바람직하게는, 상기 학습 단계는, 패턴 인식 모델에 학습 데이터를 입력하는 단계; 결정된 서포트 벡터 정보와 상기 입력된 학습 데이터를 이용하여 결함 위치를 추정하는 단계; 학습 데이터에서 실제 탄성파가 생성된 위치와, 결함 추정 위치와의 오차를 계산하는 단계; 오차가 소정값 이상인 경우에는, 서포트 벡터를 결정하기 위한 LS-SVM 알고리즘의 매개 변수를 수정하고, 오차가 소정값 미만인 경우에는 학습을 종료하는 단계를 포함한다.

본 발명에 따른 평판 구조물의 결함 위치 판정 방법에 따르면, 복잡한 기하학적 장애물과 이방성을 갖는 복잡한 평판 구조물에서도 결함 발생 위치를 높은 정확도로 추정할 수 있다.

또한, 본 발명에 따른 평판 구조물의 결함 위치 탐지를 위한 패턴 인식 모델의 구축 방법에 따르면 적의 회수의 시험과 파라메터로도 결함 발생 위치를 추정할 수 있는 모델을 구축할 수 있다.

도 1은 종래의 음향방출을 이용한 결함 위치 추정 원리를 나타내는 개략도이다.
도 2는 서포트 벡터 머신 알고리즘을 설명한 도면이다.
도 3은 복수의 AE 센서가 상기 탄성파를 감지한 시간차를 특징값으로 하는 특징벡터를 생성하는 원리를 설명한 도면이다.
도 4는 본 발명에 따른 평판 구조물의 결함 위치 판정 장치를 나타내는 개략도이다.
도 5는 본 발명에 따른 평판 구조물의 결함 위치 판정 방법을 설명하기 위한 절차 흐름도이다.
도 6은 본 발명에 따른 평판 구조물의 결함 위치 탐지를 위한 패턴 인식 모델의 구축 방법을 설명하기 위한 절차 흐름도이다.
도 7은 본 발명에 따른 평판 구조물의 결함 위치 탐지를 위한 패턴 인식 모델의 구축 방법에 있어서 LS-SVM 모델의 학습 방법을 설명하기 위한 절차 흐름도이다.
도 8은 종래 음향 방출을 이용한 결함 위치 추정 방법에 따른 비교예의 시험 결과를 나타내는 도면이다.
도 9는 본 발명의 평판 구조물의 결함 위치 탐지 방법에 따른 실시예의 시험 결과를 나타내는 도면이다.

본 발명의 구체적인 실시예를 첨부한 도면을 참조하여 이하에서 자세히 설명한다.

본 발명에서는 측정 대상이 되는 평판 구조물의 재질이나, 기하학적 장애물의 존재 유무와 상관없이 결함 위치를 정확하게 추정할 수 있도록, 최신 패턴 인식 기법인, 최소 자승법을 이용한 서포트 벡터 머신(Least Square-Support Vector Machine, LS-SVM) 알고리즘을 활용하도록 하고 있다.

따라서, 본 발명의 구체적인 실시예를 설명하기에 앞서, 도 2를 참조하여 LS-SVM 알고리즘에 대해서 구체적으로 설명한다. 도 2에서는 서포트 벡터 머신의 알고리즘을 도시한 도면이다.

서포트 벡터 머신(Support Vector Machine, SVM)은 통계적 학습이론에 기반을 둔 것으로서, 패턴이나 통계적 처리가 필요한 정보를 인식하고 이를 분리하거나 근사할 수 있는 함수를 결정하여 새롭게 입력된 데이터에 적용하여 그 결과를 얻어내는 것이다.

도 2에서는 이러한 SVM을 이용하여 두개의 클래스로 분류하는 기본 개념을 설명하고 있다. 선형적으로 분리가 가능한 데이터에 대한 이진 분류 문제에서의 선형 분류 함수는 무수히 많이 존재할 수 있다. 따라서, 도 2에서 도시되어 있듯이, 분리면과 학습 데이터(1, 2)의 마진(Margin)이 최대가 되는 최적의 분리면을 찾아야 하는데, 이를 최적 분류 초평면(Optimal separating hyperplane)이라 한다. 또한, 마진을 이루는 영역을 떠받치고 있는 데이터 점들을 서포트 벡터라고 정의한다.

그러나, SVM은 2차 계획법(QP)을 문제를 풀어야 하는 단점이 있다. 일반적으로 대용량의 QP 문제를 해결하기 위해서는 많은 계산 비용이 요구되며, QP 기반 시스템을 효과적으로 구현하는 것은 쉽지 않다. 또한 대규모 데이터 처리 시에는 입출력을 맞추어야 하는 단점이 있다. 이와 같이 SVM의 단점을 보완한 것이 최소 자승법을 이용한 서포트 벡터 머신(LS-SVM)이다. LS-SVM은 QP 대신에 최소자승 방법을 이용한 추정방법이다. LS-SVM은 계산하기 쉬워 계산 비용을 줄이는 결과를 얻으며, 선형방정식으로 구현하여 주어진 문제를 해결할 수 있다.

이러한 LS-SVM 알고리즘을 이용하여, 평판 구조물의 결함 위치를 추정하기 위해서는 탄성파 신호의 특징을 정의하고, 그 특징 데이터들을 입력하여야 한다. 본 발명에서는 AE 발생원에서 발생된 신호가 구조물 표면에 부착된 각각의 AE 센서에 도달하는 시간차를 특징값으로 이용하도록 하고 있다.

도 3에서는 AE 센서에 도달하는 탄성파 신호의 시간차와 탄성파 신호의 발생원, 즉 결함 추정 위치와의 관계를 패턴으로 구성하는 방법을 설명하고 있다. 측정 대상이 되는 평판 구조물(10) 내의 측정 대상 영역 내에 복수 개의 AE 센서(S1, S2, S3, S4)가 배치된다. 도 3에서는 4개의 센서가 배치되어 센서 내에 임의의 사각 형태의 측정 영역이 형성되고, 이 측정 영역 내에서 평판 구조물(10)의 결함에 기인한 탄성파가 AE 발생원으로부터 발생되면, 구조물을 따라 전파되어 AE 센서(S1, S2, S3, S4)에 도달하게 된다. 이 때, 평판 구조물(10)의 재질, AE 발생원의 위치, 기하학적 장애물의 유무 등에 따라 각 AE 센서(S1, S2, S3, S4)로 탄성파가 도달하는 시간에 차이(Δt1, Δt2, Δt3, Δt4)가 발생하게 된다.

이러한 시간의 차이(Δt1, Δt2, Δt3, Δt4)를 탄성파 신호의 특징값으로 추출하여, 특징벡터를 구성하게 되면, 이러한 특징벡터는 특정 재질이나 기하학적 구조물을 갖는 평판 구조물(10) 상의 결함 발생 위치를 나타내게 된다.

이하에서는 도 4를 이용하여, 본 발명에 따른 평판 구조물의 결함 위치 판정 장치를 자세히 설명한다.

본 발명에 따른 평판 구조물의 결함 위치 판정 장치는, 평판 구조물의 결함에 의해 발생하는 탄성파를 검출하는 복수의 AE 센서(S1, S2, S3, S4); AE 센서(S1, S2, S3, S4)로부터 검출된 탄성파 신호를 처리하기 위한 수단(20); 처리된 탄성파 신호들에 있어서, 복수의 AE 센서(S1, S2, S3, S4)가 탄성파를 감지한 시간차 특징값으로 이용하는 특징벡터를 생성하기 위한 데이터 획득 시스템(30); 획득된 특징벡터와 LS-SVM 알고리즘을 이용하여 미리 학습된 패턴 인식 모델로부터 평판 구조물 상의 결함의 위치를 판정하는 수단(40)을 포함한다.

AE 센서(S1, S2, S3, S4)는 구조물 내에 국부적으로 형성된 변형 에너지가 급격히 방출될 때 발생하는 탄성파로부터의 음향방출신호를 수신하는 센서이다. 바람직하게는 AE 센서(S1, S2, S3, S4)는 압전 소자로 이루어질 수 있다.

탄성파 신호를 처리하기 위한 수단(20)은 AE 센서(S1, S2, S3, S4)로부터 검출된 탄성파의 음향방출신호를 처리하기 위한 수단으로서, 바람직하게는 AE 센서(S1, S2, S3, S4)가 검출한 탄성파 신호를 분석이 가능한 크기로 증폭시키는 증폭기(21) 및 증폭된 탄성파 신호를 처리하기 위한 신호 필터(22)를 포함한다. 증폭기(21)는 AE 센서(S1, S2, S3, S4)별로 하나씩 설치되는 것으로 대역통과필터(band pass filter)로 구성될 수 있다. 신호 필터(22)는 저주파 및 고주파 신호 처리를 위한 필터로서, 증폭기로부터 증폭된 신호를 받아 처리하여 아날로그 신호를 출력한다.

데이터 획득 시스템(30)에서는, 각 AE 센서(S1, S2, S3, S4)가 탄성파가 검출된 시간을 추출하여 이들 간의 차이를 특징값으로 하여 특징벡터를 구성한다.

결함 위치 판정 수단(40)은 데이터 획득 시스템(30)으로부터 특징벡터를 전달 받아, 이를 이미 학습이 완료된 LS-SVM 알고리즘에 적용하여, 탄성파 신호의 발생원을 탐지함으로써, 결함 발생 위치를 추정한다. 이러한 결함 위치 판정 장치를 이용한 결함 위치 판정 방법 및 이를 위한 패턴 인식 모델의 구축 방법에 대해서는 다음에서 자세히 설명한다.

이하에서는, 도 5 및 도 6을 이용하여 본 발명에 따른 결함 위치 판정 방법을 실시하기 위한 패턴 인식 모델의 구축 방법에 대해 설명한다.

본 발명에 따른 평판 구조물의 결함 위치 판정 방법을 실시하기 위해서는 그보다 앞서 패턴 인식 모델이 구축되어야 한다. 이는 실제 평판 구조물의 결함으로부터 탄성파가 발생되어 AE 센서가 이를 탐지한 경우에, 복수의 AE 센서가 탄성파를 감지한 시간 차를 테스트 데이터로 입력하였을 때, 이러한 시간 차로부터 평판 구조물의 결함 발생 위치를 추정하기 위한 패턴 인식 모델을 구축하는 것을 말한다.

패턴 인식 모델을 구축하기 위해서는 먼저 평판 구조물(10)의 측정 대성 영역을 확정하고, 해당 측정 대상 영역의 소정의 위치에 복수의 AE 센서(S1, S2, S3, S4)를 설치한다(S110). 도 3에서는 구조물 표면에 가상의 사각형의 측정 대상 영역을 확정하고, 해당 측정 영역을 커버할 수 있도록 서로 일정 간격으로 배치된 4개의 AE 센서(S1, S2, S3, S4)가 배치되는 것이 도시되어 있다. 이러한 배치 형태에 한정되지 않으며, 측정 대상이 되는 평판 구조물의 특성에 따라, AE 센서의 수나 배치 형태를 달리할 수 있다.

다음으로, 평판 구조물의 결함을 시뮬레이션하기 위해 평판 구조물의 측정 대상 영역 중의 소정의 위치에서 탄성파를 발생시킨다(S120). 바람직하게는 ASTM 표준에서 추천하는 연필심 파단(Pencil lead break, PLB) 방법을 이용하여 탄성파를 발생시킨다(S120).

다음으로, 평판 구조물(10)에 설치된 복수의 AE 센서(S1, S2, S3, S4)로 발생된 탄성파를 측정한다(S130). 측정된 탄성파 신호는 증폭기(21) 및 (22) 신호 필터를 통해 처리 과정을 통한다(S140). 또한, 바람직하게는 AE 센서(S1, S2, S3, S4)를 통해 획득된 탄성파 신호는 패턴 인식 모델의 시스템 내에 저장되고, 이후에 획득된 신호를 재생시키면서 텍스트 파일 형식으로 전환된다.

다음으로, 평판 구조물(10)에 설치된 복수의 AE 센서가(S1, S2, S3, S4)가 각각 탄성파를 검출한 시간을 추출하여, 탄성파가 발생한 시간으로부터 각 AE 센서(S1, S2, S3, S4)가 검출한 시간의 차이를 특징값으로 하는 특징벡터를 생성한다(S150).

다음으로, 구성된 특징벡터를 입력값으로 하여 LS-SVM 알고리즘을 이용하여 서포트 벡터를 결정한다(S160). 결정된 서포트 벡터와, 복수의 AE 센서가 탄성파를 감지한 시간차 및 이때의 평판 구조물 상의 결함 위치로 이루어지는 데이터 세트를 이용하여 상기 시간차와 상기 평판 구조물 상의 결함 위치의 관계를 학습하는 단계(S170)를 거치면, 도 2에서 도시된 최적 분류 초평면에 해당하는 최적의 LS-SVM 모델을 완성(S180)하는 것에 의해 패턴 인식 모델이 구축된다.

이를 통해 완성된 패턴 인식 모델에서는 입력 데이터인 각 AE 센서가 탄성파를 탐지한 시간차와 출력 데이터인 평판 구조물의 결함 위치 간의 정확한 상호 관계를 나타내는 비선형 함수를 추정할 수 있다. 따라서, 후술하는 바와 같이, 실제 평판 구조물에서 결함이 발생하는 경우에, 평판 구조물에 설치된 복수의 AE 센서 각각이 결함에 의해 발생된 탄성파를 탐지한 시간차에 관한 데이터를 이러한 비선형 함수에 입력하면, 탄성파의 발생원 즉, 결함의 발생 위치를 정확하게 추정하는 것이 가능하다.

한편, 이하에서는 도 6을 이용하여 최적의 LS-SVM 모델을 완성하기 위한 학습 단계를 구체적으로 설명한다.

최적의 LS-SVM 모델을 완성하기 위한 학습에 있어서는, 우선, 복수의 AE 센서가 탄성파를 감지한 시간차 및 이때의 평판 구조물 상의 결함의 발생 위치로 이루어지는 데이터 세트를 학습 데이터로 하여 패턴 인식 모델에 입력한다(S171).

다음으로, 이미 결정되어 있는 서포트 벡터 정보로 구성된 초평면을 이용하여 결함 발생 위치를 추정한다(S172). 그리고 추정된 결함 발생 위치와 실제 탄성파를 발생시킨 발생원의 위치 간의 오차를 계산한다(S173).

상기 오차를 소정값과 대비(S174)하여 소정값 미만인 경우에는 학습을 종료(S175)한다. 상기 오차를 소정값과 대비(S174)하여 소정값 이상인 경우에는 이러한 오차를 최소화 할 수 있도록, 모델의 매개함수(parameter)를 수정(S176)하여 최적화한다. 이후 다른 학습 데이터를 이용하여 동일 단계를 반복하고, 추정된 결함 발생 위치와 실제 탄성파를 발생시킨 발생원의 위치 간의 오차가 소정값 미만을 만족하면 학습을 종료한다.

이하에서는 도 5 및 도 6에서 도시된 방법에 의해 구축된 패턴 인식 모델을 이용하여 평판 구조물의 결함 위치를 탐지하는 방법을 도 7을 이용하여 설명한다.

먼저, 평판 구조물(10)의 측정 대상 영역을 확정하고, 해당 측정 대상 영역의 소정의 위치에 복수의 AE 센서(S1, S2, S3, S4)를 설치한다(S210). 이때, AE 센서의 개수 및 설치 위치와 배치 구조는 패턴 인식 모델 구축시와 동일한 것이어야 한다.

다음으로, 측정 대상이 되는 평판 구조물(10)에 결함에 의한 음향방출이 있는지 감시한다. 평판 구조물(10)에 결함이 발생 된 경우에는 탄성파가 발생하고, 구조물을 통해 전파되어, 복수의 AE 센서(S1, S2, S3, S4) 각각에 의해 검출된다(S220).

다음으로, 패턴 인식 모델의 구축시와 동일하게 각 AE 센서(S1, S2, S3, S4)에 탄성파가 도달하여 검출된 시간을 추출하여 이를 특징값으로 하여 특징벡터(S230)를 생성한다.

다음으로, 이 특징벡터를 입력값으로 하여 패턴 인식 모델에 적용하여, 결함의 발생 위치를 추정한다(S240). 학습이 완료된 최적화된 패턴 인식 모델은, 평판 구조물에 설치된 복수의 AE 센서 각각이 결함에 의해 발생 된 탄성파를 탐지한 시간차와 탄성파 발생 위치 사이의 비선형 함수가 결정되어 있어, 탄성파의 발생원 즉, 결함의 발생 위치를 정확하게 추정하는 것이 가능하다.

도 8에서는 종래 AE 센서를 이용한 결함 탐지 방법에 따른 결함 위치 추정 결과를 나타내며, 도 9에서는 동일 시편에 대하여 본 발명에 따른 결함 위치 탐지 방법에 따른 위치 추정 결과를 나타낸다.

본 발명에 따른 결함 위치 탐지 방법에 따라 계산한 결함 추정 위치와 실제 탄성파의 입력 위치 간의 거리 오차를 계산한 결과 4.3mm 정도의 실효값(Root Mean Square, RMS)을 얻었다. 한편, 동일 시편에 대하여 종래 AE 센서를 이용한 결함 탐지 방법의 경우에는, 도 8에서 도시된 바와 같이 그림자 효과(Blind Area)가 없는 곳에서는 정확한 결과를 나타내고 있지만, 기하학적 장애물이 있는 위치로 판단되는 곳에서는 그림자 효과에 의해 최대 200mm 정도의 위치 추정 오차를 보인다.

이와 같이, 본 발명에 따른 결함 위치 탐지 방법의 경우, 종래 기술과는 달리, 복잡한 기하학적 장애물과 이방성을 갖는 복잡한 평판 구조물에서도 결함 발생 위치를 높은 정확도로 추정할 수 있다.

10: 평판 구조물 20: 신호 처리 수단
21: 증폭기 22: 신호 필터
30: 데이터 획득 시스템 40: 결함 위치 반성 수단

Claims

측정 대상이 되는 평판 구조물에 복수의 AE(Acoustic Emission) 센서를 부착시키는 단계;
상기 평판 구조물의 결함에 의해 발생하는 탄성파를 상기 복수의 AE 센서로 검출하는 단계;
상기 탄성파가 상기 결함의 발생원으로부터 상기 평판 구조물을 따라 전파되어 상기 복수의 AE 센서에 도달하는데 소요되는 시간의 차이값(Δt)을 상기 탄성파 신호의 특징값으로 추출하여 특징벡터를 생성하는 단계;
상기 특징벡터와, LS-SVM 알고리즘을 이용하여 미리 학습된 패턴 인식 모델로부터 상기 평판 구조물의 결함 위치를 추정하는 단계로 이루어지는 평판 구조물의 결함 위치 탐지 방법.
평판 구조물의 결함 위치 탐지를 위한 패턴 인식 모델의 구축 방법에 있어서,
측정 대상이 되는 평판 구조물의 표면에 복수의 AE 센서를 부착시키는 단계;
상기 평판 구조물의 결함을 시뮬레이션하기 위해, 상기 평판 구조물 상의 소정의 위치에서 탄성파를 발생시키는 단계;
상기 복수의 AE 센서가 상기 탄성파를 감지하는 단계;
상기 복수의 AE 센서가 감지한 탄성파 신호를 처리하는 단계;
상기 탄성파의 발생원으로부터 상기 탄성파가 상기 평판 구조물을 따라 전파되어 상기 복수의 AE 센서의 각각에 도달하는데 소요되는 시간의 차이값(Δt)을 특징값으로 추출하여 특징벡터를 생성하는 단계;
상기 특징벡터와 최소 자승법을 이용한 서포트 벡터 머신(Least Square-Support Vector Machine, LS-SVM) 알고리즘을 이용하여, 서포트 벡터를 결정하는 단계;
상기 복수의 AE 센서가 상기 탄성파를 감지한 시간차와 이때의 상기 평판 구조물 상의 결함 위치로 이루어지는 데이터 세트를 이용하여 상기 시간차와 상기 평판 구조물 상의 결함 위치의 관계를 학습하는 단계;
상기 학습을 통해 최적화된 패턴 인식 모델을 완성하는 단계를 특징으로 하는, 평판 구조물의 결함 위치 탐지를 위한 패턴 인식 모델의 구축 방법.
청구항 2에 있어서,
상기 탄성파는 연필심 파단에 의해 생성되는 것을 특징으로 하는, 평판 구조물의 결함 위치 탐지를 위한 패턴 인식 모델의 구축 방법.
청구항 2 또는 청구항 3에 있어서,
상기 탄성파 신호를 처리하는 단계는,
AE 센서가 검출한 탄성파 신호를 분석이 가능한 크기로 증폭시키고, 신호 필터를 이용하여 처리하는 단계;
상기 처리된 탄성파 신호를 저장하는 단계;
저장된 신호를 재생시키면서 텍스트 파일의 형태로 변환하는 단계를 포함하는 것을 특징으로 하는, 평판 구조물의 결함 위치 탐지를 위한 패턴 인식 모델의 구축 방법.
청구항 2 또는 청구항 3에 있어서,
상기 학습 단계는,
패턴 인식 모델에 학습 데이터를 입력하는 단계;
상기 결정된 서포트 벡터 정보와 상기 입력된 학습 데이터를 이용하여 결함 위치를 추정하는 단계;
상기 학습 데이터에서 실제 탄성파가 생성된 위치와, 상기 결함 추정 위치와의 오차를 계산하는 단계;
상기 오차가 소정값 이상인 경우에는, 상기 서포트 벡터를 결정하기 위한 LS-SVM 알고리즘의 매개 변수를 수정하고, 상기 오차가 소정값 미만인 경우에는 학습을 종료하는 단계를 포함하는 것을 특징으로 하는 , 평판 구조물의 결함 위치 탐지를 위한 패턴 인식 모델의 구축 방법.