KR102391064B1 - 합성곱신경망 기반 복합재 구조물의 손상위치탐지 시스템 및 그 방법 - Google Patents

합성곱신경망 기반 복합재 구조물의 손상위치탐지 시스템 및 그 방법 Download PDF

Info

Publication number
KR102391064B1
KR102391064B1 KR1020200090092A KR20200090092A KR102391064B1 KR 102391064 B1 KR102391064 B1 KR 102391064B1 KR 1020200090092 A KR1020200090092 A KR 1020200090092A KR 20200090092 A KR20200090092 A KR 20200090092A KR 102391064 B1 KR102391064 B1 KR 102391064B1
Authority
KR
South Korea
Prior art keywords
damage location
neural network
convolutional neural
damage
composite structure
Prior art date
Application number
KR1020200090092A
Other languages
English (en)
Other versions
KR20220011334A (ko
Inventor
김태원
원종익
우성충
오현택
Original Assignee
한양대학교 산학협력단
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020200090092A priority Critical patent/KR102391064B1/ko
Publication of KR20220011334A publication Critical patent/KR20220011334A/ko
Application granted granted Critical
Publication of KR102391064B1 publication Critical patent/KR102391064B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
    • G01B7/18—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge using change in resistance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L1/00—Measuring force or stress, in general
    • G01L1/18—Measuring force or stress, in general using properties of piezo-resistive materials, i.e. materials of which the ohmic resistance varies according to changes in magnitude or direction of force applied to the material
    • G01L1/183—Measuring force or stress, in general using properties of piezo-resistive materials, i.e. materials of which the ohmic resistance varies according to changes in magnitude or direction of force applied to the material by measuring variations of frequency of vibrating piezo-resistive material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L9/00—Measuring steady of quasi-steady pressure of fluid or fluent solid material by electric or magnetic pressure-sensitive elements; Transmitting or indicating the displacement of mechanical pressure-sensitive elements, used to measure the steady or quasi-steady pressure of a fluid or fluent solid material, by electric or magnetic means
    • G01L9/0001—Transmitting or indicating the displacement of elastically deformable gauges by electric, electro-mechanical, magnetic or electro-magnetic means
    • G01L9/0008—Transmitting or indicating the displacement of elastically deformable gauges by electric, electro-mechanical, magnetic or electro-magnetic means using vibrations
    • G01L9/0022—Transmitting or indicating the displacement of elastically deformable gauges by electric, electro-mechanical, magnetic or electro-magnetic means using vibrations of a piezoelectric element
    • G01L9/0025—Transmitting or indicating the displacement of elastically deformable gauges by electric, electro-mechanical, magnetic or electro-magnetic means using vibrations of a piezoelectric element with acoustic surface waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L9/00—Measuring steady of quasi-steady pressure of fluid or fluent solid material by electric or magnetic pressure-sensitive elements; Transmitting or indicating the displacement of mechanical pressure-sensitive elements, used to measure the steady or quasi-steady pressure of a fluid or fluent solid material, by electric or magnetic means
    • G01L9/0041—Transmitting or indicating the displacement of flexible diaphragms
    • G01L9/008—Transmitting or indicating the displacement of flexible diaphragms using piezoelectric devices

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

합성곱신경망 기반 복합재 구조물의 손상위치탐지 시스템 및 그 방법이 개시된다. 일 실시예에 따른 복합재 구조물의 손상위치 탐지 방법은, 압전형 센서로부터 획득한 진동 신호에 대한 신호 정보화 과정을 통해 시간-주파수 이미지 정보를 추출하는 단계; 상기 추출된 시간-주파수 이미지 정보를 이용하여 탐지 모델을 학습시키는 단계; 상기 학습된 탐지 모델에 복합재 구조물의 손상위치를 탐지하고자 하는 진동 신호를 입력하는 단계; 및 상기 학습된 탐지 모델을 이용하여 상기 입력된 진동 신호로부터 복합재 구조물의 손상위치를 탐지하는 단계를 포함할 수 있다.

Description

합성곱신경망 기반 복합재 구조물의 손상위치탐지 시스템 및 그 방법{SYSTEM AND METHOD FOR THE DAMAGE LOCATION DETECTION OF COMPOSITE STRUCTURES BASED ON A CONVOLUTIONAL NEURAL NETWORK}
아래의 설명은 복합재 구조물의 손상위치를 탐지하는 기술에 관한 것이다.
복합재는 종래에 사용되어 왔던 단일재료들의 장점이 결합된 재료로서 최근 자동차, 항공 분야 등에서의 사용량이 증가하고 있다. 또한, 복합재 구조물은 이방성을 가지고 있어 적절히 활용할 시 유연한 설계가 가능하다.
복합재는 기존의 금속재료와 달리 파손모드가 복잡하며, 미시적 손상으로 인한 구조적 강도의 저하로부터 시작해 미시적 손상의 누적에 의한 구조적 파괴로 이어질 수 있으므로 복합재 구조물에서 발생하는 손상에 대한 지속적인 모니터링이 요구된다.
기존 손상위치 탐지 방법은 재료내부의 손상원으로부터 발생하는 탄성파의 속도가 일정하다는 전제하에 각 센서에 탄성파가 도착하는 시간과 거리를 계산하여 손상원의 위치를 탐지한다. 그러나 이와 같은 방법은 철 또는 알루미늄과 같은 등방성 재료에서는 높은 정확도를 보이지만 복합재와 같은 이방성 재료에서는 탄성파의 속도가 일정하지 않아 정확한 탐지가 어렵다.
압전형 센서로부터 획득한 진동 신호에 대한 전처리 과정을 통해 추출된 시간-주파수 이미지 정보를 이용하여 합성곱신경망(Convolutional Neural Network, CNN)을 학습시켜 복합재 구조물의 손상위치를 탐지하는 시스템 및 방법을 제공할 수 있다.
스케일로그램과 같은 탄성파의 고차원 정보를 반영할 수 있는 합성곱신경망을 활용하여 손상위치를 탐지할 수 있는 시스템 및 방법을 제공할 수 있다.
복합재 구조물의 손상위치 탐지 방법은, 압전형 센서로부터 획득한 진동 신호에 대한 신호 정보화 과정을 통해 시간-주파수 이미지 정보를 추출하는 단계; 상기 추출된 시간-주파수 이미지 정보를 이용하여 탐지 모델을 학습시키는 단계; 상기 학습된 탐지 모델에 복합재 구조물의 손상위치를 탐지하고자 하는 진동 신호를 입력하는 단계; 및 상기 학습된 탐지 모델을 이용하여 상기 입력된 진동 신호로부터 복합재 구조물의 손상위치를 탐지하는 단계를 포함할 수 있다.
상기 추출하는 단계는, 상기 압전형 센서를 이용하여 측정된 진동 신호로부터 손상에 의한 탄성파를 획득하고, 상기 획득된 탄성파를 시간-주파수 이미지 데이터로 변환하는 단계를 포함할 수 있다.
상기 추출하는 단계는, 상기 압전형 센서를 이용하여 측정된 진동 신호에 하이패스 필터링을 적용하여 탄성파를 추출하고, 상기 추출된 탄성파를 이산 웨이블릿 디노이징을 통해 노이즈를 제거하는 단계를 포함할 수 있다.
상기 추출하는 단계는, 상기 노이즈가 제거된 탄성파를 국소 퓨리에 변환(STFT: Short Time Fourier Transformation) 또는 연속 웨이블릿 변환(CWT: Continuous Wavelet Transformation)을 포함하는 시간-주파수 분석 기법을 이용하여 3차원 데이터를 생성하는 단계를 포함할 수 있다.
상기 학습시키는 단계는, 상기 복합재 구조물의 손상위치를 탐지하기 위한 모듈형 합성곱신경망(Modular CNN) 기반의 탐지 모델을 구성하고, 상기 추출된 시간-주파수 이미지 정보를 이용하여 상기 구성된 모듈형 합성곱신경망 기반의 탐지 모델을 학습시킴에 따라 특징값을 추출하고, 상기 추출된 특징값의 병합 및 계산 과정을 통해 손상 위치를 도출하는 단계를 포함하고, 상기 모듈형 합성곱신경망은, 복수 개의 합성곱신경망 모듈로 구성되어 상기 복합재 구조물의 구조와 센서 소자의 개수에 대응되도록 생성될 수 있다.
상기 모듈형 합성곱신경망(Modular CNN) 기반의 탐지 모델은, 합성곱층, 최대 풀링층, 합성곱층, 최대 풀링층, 완전연결층, 완전연결층의 순서로 구성되어 있는 복수 개의 합성곱신경망 모듈을 포함할 수 있다.
복합재 구조물의 손상위치를 탐지하기 위한 손상위치 탐지 시스템은, 압전형 센서로부터 획득한 진동 신호에 대한 신호 정보화 과정을 통해 시간-주파수 이미지 정보를 추출하는 이미지 추출부; 상기 추출된 시간-주파수 이미지 정보를 이용하여 탐지 모델을 학습시키는 학습부; 상기 학습된 탐지 모델에 복합재 구조물의 손상위치를 탐지하고자 하는 진동 신호를 입력하는 신호 입력부; 및 상기 학습된 탐지 모델을 이용하여 상기 입력된 진동 신호로부터 복합재 구조물의 손상위치를 탐지하는 손상위치 탐지부를 포함할 수 있다.
상기 이미지 추출부는, 상기 압전형 센서를 이용하여 측정된 진동 신호로부터 손상에 의한 탄성파를 획득하고, 상기 획득된 탄성파를 시간-주파수 이미지 데이터로 변환할 수 있다.
상기 이미지 추출부는, 상기 압전형 센서를 이용하여 측정된 진동 신호에 하이패스 필터링을 적용하여 탄성파를 추출하고, 상기 추출된 탄성파를 이산 웨이블릿 디노이징을 통해 노이즈를 제거할 수 있다.
상기 이미지 추출부는, 상기 노이즈가 제거된 탄성파를 국소 퓨리에 변환(STFT) 또는 연속 웨이블릿 변환(CWT)을 포함하는 시간-주파수 분석 기법을 이용하여 3차원 데이터를 생성할 수 있다.
상기 학습부는, 상기 복합재 구조물의 손상위치를 탐지하기 위한 모듈형 합성곱신경망(Modular CNN) 기반의 탐지 모델을 구성하고, 상기 추출된 시간-주파수 이미지 정보를 이용하여 상기 구성된 모듈형 합성곱신경망 기반의 탐지 모델을 학습시킴에 따라 특징값을 추출하고, 상기 추출된 특징값의 병합 및 계산 과정을 통해 손상 위치를 도출하는 것을 포함하고, 상기 모듈형 합성곱신경망은, 복수 개의 합성곱신경망 모듈로 구성되어 상기 복합재 구조물의 구조와 센서 소자의 개수에 대응되도록 생성될 수 있다.
합성곱신경망을 사용하여 복합재료와 같은 이방성 재료의 손상신호 특징을 분석하여 보다 정확하게 복합재 구조물의 손상위치를 예측할 수 있다. 신호의 다차원 데이터인 스케일로그램과 같은 시간-주파수의 상태 이미지를 학습시킨 인공지능을 기반으로 손상위치를 탐지함에 따라 이방성 재료뿐만 아니라, 비균질하거나 구조가 복잡해 탄성파의 성질을 분석하기 힘든 경우에도 효과적으로 손상위치를 탐지할 수 있다.
모듈형 합성곱신경망 기반의 탐지 모델을 통해 입력되는 이미지의 수에 따라 합성곱신경망 모듈을 생성하여 유동적으로 입력값의 수를 조절할 수 있다. 이에 따라, 사용되는 센서의 수에 따라 모듈을 생성하여 모델을 구축할 수 있어 상황에 따라 유연하게 대처할 수 있으며, 각 입력값들에 대해 각각을 단독적으로 특징을 추출함에 따라 손상위치의 탐지 정확도를 향상시킬 수 있다.
도 1은 일 실시예에 따른 손상위치 탐지 시스템의 구성을 설명하기 위한 블록도이다.
도 2는 일 실시예에 따른 손상위치 탐지 시스템에서 복합재 구조물에서의 손상위치를 탐지하는 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 손상위치 탐지 시스템에서 복합재 구조물에서의 손상위치를 탐지하는 상세 동작을 설명하기 위한 흐름도이다.
도 4는 일 실시예에 따른 손상위치 탐지 시스템에서 연필심 파단 실험을 수행하는 것을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 스케일로그램을 기반으로 손상위치를 탐지하는 탐지 모델을 설명하기 위한 예이다.
도 6은 일 실시예에 따른 합성곱신경망 모듈의 구조를 설명하기 위한 도면이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
도 1은 일 실시예에 따른 손상위치 탐지 시스템의 구성을 설명하기 위한 블록도이고, 도 2는 일 실시예에 따른 손상위치 탐지 시스템에서 복합재 구조물에서의 손상위치를 탐지하는 방법을 설명하기 위한 흐름도이다.
손상위치 탐지 시스템(100)의 프로세서는 이미지 추출부(110), 학습부(120), 신호 입력부(130) 및 손상위치 탐지부(140)를 포함할 수 있다. 이러한 프로세서의 구성요소들은 손상위치 탐지 시스템에 저장된 프로그램 코드가 제공하는 제어 명령에 따라 프로세서에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 프로세서 및 프로세서의 구성요소들은 도 2의 복합재 구조물에서의 손상위치를 탐지하는 방법이 포함하는 단계들(210 내지 240)을 수행하도록 손상위치 탐지 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
프로세서는 복합재 구조물에서의 손상위치를 탐지하는 방법을 위한 프로그램의 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 예를 들면, 손상 위치 탐지 시스템에서 프로그램이 실행되면, 프로세서는 운영체제의 제어에 따라 프로그램의 파일로부터 프로그램 코드를 메모리에 로딩하도록 손상위치 탐지 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서가 포함하는 이미지 추출부(110), 학습부(120), 신호 입력부(130) 및 손상위치 탐지부(140) 각각은 메모리에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(210 내지 240)을 실행하기 위한 프로세서의 서로 다른 기능적 표현들일 수 있다.
단계(210)에서 이미지 추출부(110)는 압전형 센서로부터 획득한 진동 신호에 대한 신호 정보화 과정을 통해 시간-주파수 이미지 정보를 추출할 수 있다. 이때, 신호 정보화 과정이란, 진동 신호에 별도의 처리 과정을 수행하는 것을 의미하며, 전처리 과정이 포함될 수 있다. 이미지 추출부(110)는 압전형 센서를 이용하여 측정된 진동 신호로부터 손상에 의한 탄성파를 획득하고, 획득한 탄성파를 시간-주파수 이미지 데이터로 변환할 수 있다. 이미지 추출부(110)는 압전형 센서를 이용하여 측정된 진동 신호에 하이패스 필터링을 적용하여 탄성파를 추출하고, 추출된 탄성파의 노이즈를 이산 웨이블릿 디노이징을 통해 제거할 수 있다. 이미지 추출부(110)는 노이즈가 제거된 탄성파를 국소 퓨리에 변환(STFT: Short Time Fourier Transformation) 또는 연속 웨이블릿 변환(CWT: Continous Wavelet Transformation)을 포함하는 시간-주파수 분석 기법을 이용하여 3차원 데이터를 생성할 수 있다.
단계(220)에서 학습부(120)는 추출된 시간-주파수 이미지 정보를 이용하여 탐지 모델을 학습시킬 수 있다. 학습부(120)는 복합재 구조물의 손상위치를 탐지하기 위한 모듈형 합성곱신경망(Modular CNN) 기반의 탐지 모델을 구성하고, 추출된 시간-주파수 이미지 정보를 이용하여 구성된 모듈형 합성곱신경망 기반의 탐지 모델을 학습시킴에 따라 특징값을 추출하고, 추출된 특징값의 병합 및 계산 과정을 통해 손상 위치를 도출할 수 있다.
단계(230)에서 신호 입력부(130)는 손상에 의한 진동신호를 탐지하고 학습된 탐지 모델에 탐지된 진동 신호를 입력할 수 있다.
단계(240)에서 손상위치 탐지부(140)는 학습된 탐지 모델을 이용하여 입력된 진동 신호로부터 복합재 구조물의 손상위치를 탐지할 수 있다.
도 3은 일 실시예에 따른 손상위치 탐지 시스템에서 복합재 구조물에서의 손상위치를 탐지하는 상세 동작을 설명하기 위한 흐름도이다.
도 4를 참고하면, 연필심 파단 실험을 수행하는 것을 설명하기 위한 도면이다. 실시예에서는 이방성 재료에서의 효용성을 확인하기 위해 대표적인 이방성 복합재인 탄소섬유 강화 복합재를 사용하고, 압전형 센서로 가장 기본적이고 취급이 용이한 PVDF 센서를 사용하는 것을 예를 들어 설명하기로 한다. 이때, 압전형 센서(압전 소자)로 PVDF 이외에도 PZT, 상용가속도 센서 등 다양한 센서가 사용될 수 있다. 또한, 탄성파 모사를 위하여 가장 대표적으로 사용되는 연필심 파단 실험을 시행하는 것을 설명하기로 한다. 시험편은 한 변의 길이가 300mm인 정사각형 평판이며, 시험편에 일정한 간격으로 격자를 생성한 후, 시험편의 중심을 원점으로 하는 좌표계가 생성될 수 있다. 시험편에 일정한 간격으로 PVDF 센서가 부착될 수 있으며, PVDF 센서는 손상원의 2차원 위치 파악을 위해 복합재 구조물의 각 네 모서리를 기준으로 일정한 위치와 각도로 설치될 수 있다. 이때, 구조물에 따라 부착되는 센서의 수와 위치는 상황에 따라 조절이 가능하다. 실시예에서 사용된 시험편과 같은 2차원 구조물에서의 손상원 위치 탐지를 위해서 최소 3개의 센서가 요구되며, 이 경우, 센서들이 일직선상에 놓여서는 안 된다. 또한, 연필심파단 실험을 각 격자점에서 실시하여 시험편의 손상에 의한 탄성파 모사 신호가 획득될 수 있다.
손상위치 탐지 시스템은 압전형 센서를 이용하여 진동 신호를 측정할 수 있(301). 이때, 압전형 센서를 이용하여 손상에 의한 진동 신호가 측정될 수 있다. 실시예에서는 도 4의 실험을 통해 계측된 진동 신호를 이용하는 것을 예를 들어 설명하기로 한다.
손상위치 탐지 시스템은 계측된 진동 신호를 대상으로 하이패스 필터링(302)을 적용하고 불필요한 진동 신호를 제거하여 손상에 의한 탄성파를 추출(303)할 수 있다. 손상위치 탐지 시스템은 이산 웨이블릿 변환(DWT) 디노이징(304)를 통해 탄성파 신호의 노이즈(백색잡음)을 제거할 수 있다. 손상위치 탐지 시스템은 노이즈가 제거된 탄성파를 대상으로 연속 웨이블릿 변환(CWT)(305)을 이용하여 웨이블릿 기반 시간-주파수에 따른 세기를 나타내는 스케일로그램을 생성(306)할 수 있다. 이때, 불연속적으로 변하는 신호를 효과적으로 분석하는 연속 웨이블릿 변환의 식은 수학식 1과 같이 나타낼 수 있다.
수학식 1:
Figure 112020075794738-pat00001
수학식 1에서
Figure 112020075794738-pat00002
는 기존신호
Figure 112020075794738-pat00003
를 웨이블릿 함수
Figure 112020075794738-pat00004
를 통해 연속 웨이블릿을 시행한 결과이며, a는 스케일링 지수, b는 시간 변화 지수이다. 진동 신호들을 대상으로 스케일로그램을 추출할 때, 연속 웨이블릿 기법을 통해 추출한 스케일로그램이 아닌 국소 퓨리에 변환을 통해 추출한 스펙토그램과 같은 시간-주파수 정보를 포함하는 이미지로 대체 가능하다.
손상위치 탐지 시스템은 시간-주파수 이미지 정보(307)를 모듈형 합성곱 신경망(308) 기반의 탐지 모델에 입력할 수 있다. 이때, 모듈형 합성곱 신경망 기반의 탐지 모델은 사전에 학습 데이터에 의하여 학습될 수 있다. 손상위치 탐지 시스템은 모듈형 합성곱 신경망 기반의 탐지 모델의 학습 결과로서, 손상원 위치를 탐지(309)할 수 있다.
도 5는 일 실시예에 따른 스케일로그램을 기반으로 손상위치를 탐지하는 탐지 모델을 설명하기 위한 예이다.
손상위치 탐지 시스템은 손상위치를 탐지하기 위한 탐지 모델을 구성할 수 있다. 이때, 모듈형 합성곱신경망 기반의 탐지 모델로 구성될 수 있다. 모듈형 합성곱신경망 기반의 탐지 모델은 복수 개의 합성곱신경망 모듈로 구성될 수 있다. 이때, 합성곱신경망 모듈은 합성곱신경망 모듈에 입력되는 스케일로그램으로부터 특징을 추출하는데 사용될 수 있다. 도 6은, 합성곱신경망 모듈의 구조를 나타낸 예이다. 합성곱신경망 모듈의 구조는 [합성곱층-최대 풀링층-합성곱층-최대 풀링층-완전연결층-완전연결층]의 순서로 이루어질 수 있다. 합성곱층은 이미지의 각 픽셀값에 대하여 필터와의 합성곱 계산을 적용하는 층으로 수학식 2를 통해 계산될 수 있다. 수학식 2에서
Figure 112020075794738-pat00005
는 i번째 행, j번째 열의 픽셀값, X는 원본 이미지의 픽셀값, F는 필터 행렬 값이다.
수학식 2:
Figure 112020075794738-pat00006
최대 풀링층은 이미지를 일정한 크기로 분할 한 후, 각 이미지 조각의 최대 픽셀값을 추출하는 연산을 진행하는 층을 의미한다. 완전연결층은 각각이 로지스틱 회귀 모델인 노드 간에 횡적/종적으로 2차원적 연결을 이루는 층을 의미한다.
예를 들면, 합성곱신경망 모듈은 시험편에 설치한 PVDF 센서의 수인 4개가 생성될 수 있다. 실제 상황에서는 구조물의 구조와 상황에 따라 설치하는 센서의 수와 일치되도록 합성곱신경망 모듈을 생성하여 사용 가능하다.
손상위치 탐지 시스템은 모듈형 합성곱신경망에 스케일로그램을 입력 데이터로 입력할 수 있다. 손상위치 탐지 시스템은 모듈형 합성곱신경망에 입력된 스케일로그램을 합성곱신경망 모듈의 결과 데이터로서 특징을 추출할 수 있다. 이렇게 추출된 특징값은 완전연결층을 통해 병합, 계산 과정을 수행하게 되며, 최종적으로 손상 위치가 도출될 수 있다.
이러한 모듈형 합성곱신경망을 학습시키기 위하여 추출된 스케일로그램을 입력 데이터, 연필심 파단 실험의 실험 위치 좌표를 출력 데이터로 하는 데이터베이스가 구축될 수 있다. 이때, 학습을 위해 사용된 데이터는 예를 들면, 100개로써 그 일부를 표 1에 표기하였다.
표 1:
Figure 112020075794738-pat00007
이러한 데이터를 이용하여 모듈형 합성곱신경망을 반복적으로(예를 들면, 총 30,000회) 학습시킬 수 있으며, 학습에 사용된 파라미터는 표 2에 표기하였다.
표 2:
Figure 112020075794738-pat00008
검증을 위한 데이터로는 학습을 위해 사용된 데이터 이외에 다른 데이터(예를 들면, 3개의 데이터)를 사용할 수 있으며, 실제 위치좌표와 학습된 모듈형 합성곱신경망 기반의 탐지 모델을 이용한 탐지 위치 좌표와의 오차를 표 3에 표기하였다. 오차는 실험에 사용된 위치 좌표와 학습된 모듈형 합성곱신경망에서 탐지한 위치 좌표간의 거리로 표현할 수 있다.
표 3:
Figure 112020075794738-pat00009
손상위치 탐지 시스템은 복합재 구조물에 손상이 발생했을 경우 발생되는 진동 신호를 기반으로 손상위치를 탐지해낼 수 있다.
일 실시예에 따르면, 기존의 탄성파가 도착하는 시간차이와 같은 일부 특징을 추출해서 단차원의 데이터만을 사용하는 기존 방식과는 달리, 신호의 다차원 데이터인 스케일로그램과 같은 시간-주파수의 상태 이미지를 학습시킨 인공지능을 기반으로 손상위치를 탐지함에 따라 이방성 재료뿐만 아니라, 비균질하거나 구조가 복잡해 탄성파의 성질을 분석하기 힘든 경우에도 효과적으로 활용할 수 있다.
기존에 사용되어 왔던 합성곱신경망의 경우 신경망을 설계할 때 설정한 입력값의 수만큼을 고정적으로 사용 가능하였으며 입력값들로부터 추출된 특성들이 입력값 간에 서로 영향을 주었던 반면, 실시예에서 제안한 모듈형 합성곱신경망은 입력되는 이미지의 수에 따라 합성곱신경망 모듈을 생성하여 유동적으로 입력값의 수를 조절할 수 있다. 이에 따라, 사용되는 센서의 수에 따라 모듈을 생성하여 모델을 구축할 수 있어 상황에 따라 유연하게 대처할 수 있다. 또한 각 입력값들에 대해 단독적으로 특징을 추출함에 따라 좀 더 높은 정확도로 손상위치를 탐지할 수 있다.
일 실시예에 따르면, 손상에 의한 탄성파(진동 신호)를 데이터 학습 기반으로 분석하므로 기존의 해석적인 기법을 통한 위치 탐지기법의 적용이 힘든 복잡한 구조물에서의 손상위치 탐지가 가능하다. 또한, 실시예에서 활용한 센서는 유연하고 얇은 PVDF 센서이므로 얇은 틈새, 곡률이 존재하는 표면에 부착하는 것 역시 가능하다. 이러한 점에서 항공기, 차량, 건축물과 같은 복잡한 형상의 구조물과 방탄복, 휴대기기와 같은 소형 구조물에 이르기까지 매우 광범위하게 적용할 수 있다. 또한, 실시예에서 사용한 PVDF 센서뿐만 아니라 PZT 센서 또는 가속도 센서 등에도 적용가능 하며 신호 대비 노이즈 비가 낮은 양질의 신호를 획득할 수 있어 더 높은 정확도를 보일 것으로 예상된다. 따라서 정밀한 손상위치 탐지가 요구되는 반도체 등의 분야에서도 사용될 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (12)

  1. 복합재 구조물의 손상위치 탐지 방법에 있어서,
    압전형 센서로부터 획득한 진동 신호에 대한 신호 정보화 과정을 통해 시간-주파수 이미지 정보를 추출하는 단계;
    상기 추출된 시간-주파수 이미지 정보를 이용하여 탐지 모델을 학습시키는 단계;
    상기 학습된 탐지 모델에 복합재 구조물의 손상위치를 탐지하고자 하는 진동 신호를 입력하는 단계; 및
    상기 학습된 탐지 모델을 이용하여 상기 입력된 진동 신호로부터 복합재 구조물의 손상위치를 탐지하는 단계
    를 포함하고,
    상기 추출하는 단계는,
    상기 압전형 센서를 이용하여 측정된 진동 신호로부터 획득된 손상에 의한 탄성파를 획득하고, 상기 획득된 탄성파에 대하여 노이즈를 제거하고, 상기 노이즈가 제거된 탄성파를 시간-주파수 분석 기법을 이용하여 시간-주파수 이미지 정보로 변환하는 단계
    를 포함하고,
    상기 학습시키는 단계는,
    상기 복합재 구조물의 손상위치를 탐지하기 위한 모듈형 합성곱신경망(Modular CNN) 기반의 탐지 모델을 구성하고, 상기 추출된 시간-주파수 이미지 정보를 이용하여 상기 구성된 모듈형 합성곱신경망 기반의 탐지 모델을 학습시킴에 따라 특징값을 추출하고, 상기 추출된 특징값의 병합 및 계산 과정을 통해 손상 위치를 도출하는 단계
    를 포함하고,
    상기 모듈형 합성곱신경망은, 복수 개의 합성곱신경망 모듈로 구성되어 상기 복합재 구조물의 구조와 센서 소자의 개수에 대응되도록 생성되는
    것을 특징으로 하는 손상위치 탐지 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 추출하는 단계는,
    상기 압전형 센서를 이용하여 측정된 진동 신호를 하이패스 필터링을 적용하여 탄성파를 추출하고, 상기 추출된 탄성파를 이산 웨이블릿 디노이징을 통해 노이즈를 제거하는 단계
    를 포함하는 손상위치 탐지 방법.
  4. 제3항에 있어서,
    상기 추출하는 단계는,
    상기 노이즈가 제거된 탄성파를 국소 퓨리에 변환(STFT: Short Time Fourier Transformation) 또는 연속 웨이블릿 변환(CWT: Continuous Wavelet Transformation)을 포함하는 시간-주파수 분석 기법을 이용하여 3차원 데이터를 생성하는 단계
    를 포함하는 손상위치 탐지 방법.
  5. 삭제
  6. 제1항에 있어서,
    상기 모듈형 합성곱신경망(Modular CNN) 기반의 탐지 모델은, 합성곱층, 최대 풀링층, 합성곱층, 최대 풀링층, 완전연결층, 완전연결층의 순서로 구성되어 있는 복수 개의 합성곱신경망 모듈을 포함하는 것을 특징으로 하는 손상위치 탐지 방법.
  7. 복합재 구조물의 손상위치를 탐지하기 위한 손상위치 탐지 시스템에 있어서,
    압전형 센서로부터 획득한 진동 신호에 대한 신호 정보화 과정을 통해 시간-주파수 이미지 정보를 추출하는 이미지 추출부;
    상기 추출된 시간-주파수 이미지 정보를 이용하여 탐지 모델을 학습시키는 학습부;
    상기 학습된 탐지 모델에 복합재 구조물의 손상위치를 탐지하고자 하는 진동 신호를 입력하는 신호 입력부; 및
    상기 학습된 탐지 모델을 이용하여 상기 입력된 진동 신호로부터 복합재 구조물의 손상위치를 탐지하는 손상위치 탐지부
    를 포함하고,
    상기 이미지 추출부는,
    상기 압전형 센서를 이용하여 측정된 진동 신호로부터 획득된 손상에 의한 탄성파를 획득하고, 상기 획득된 탄성파에 대하여 노이즈를 제거하고, 상기 노이즈가 제거된 탄성파를 시간-주파수 분석 기법을 이용하여 시간-주파수 이미지 정보로 변환하는 것을 포함하고,
    상기 학습부는,
    상기 복합재 구조물의 손상위치를 탐지하기 위한 모듈형 합성곱신경망(Modular CNN) 기반의 탐지 모델을 구성하고, 상기 추출된 시간-주파수 이미지 정보를 이용하여 상기 구성된 모듈형 합성곱신경망 기반의 탐지 모델을 학습시킴에 따라 특징값을 추출하고, 상기 추출된 특징값의 병합 및 계산 과정을 통해 손상 위치를 도출하는 것을 포함하고,
    상기 모듈형 합성곱신경망은, 복수 개의 합성곱신경망 모듈로 구성되어 상기 복합재 구조물의 구조와 센서 소자의 개수에 대응되도록 생성되는 것
    을 포함하는 손상위치 탐지 시스템.
  8. 삭제
  9. 제7항에 있어서,
    상기 이미지 추출부는,
    상기 압전형 센서를 이용하여 측정된 진동 신호를 하이패스 필터링을 적용하여 탄성파를 추출하고, 상기 추출된 탄성파를 이산 웨이블릿 디노이징을 통해 노이즈를 제거하는
    것을 특징으로 하는 손상위치 탐지 시스템.
  10. 제9항에 있어서,
    상기 이미지 추출부는,
    상기 노이즈가 제거된 탄성파를 국소 퓨리에 변환(STFT) 또는 연속 웨이블릿 변환(CWT)을 포함하는 시간-주파수 분석 기법을 이용하여 3차원 데이터를 생성하는
    것을 특징으로 하는 손상위치 탐지 시스템.
  11. 삭제
  12. 제7항에 있어서,
    상기 모듈형 합성곱신경망(Modular CNN) 기반의 탐지 모델은, 합성곱층, 최대 풀링층, 합성곱층, 최대 풀링층, 완전연결층, 완전연결층의 순서로 구성되어 있는 복수 개의 합성곱신경망 모듈을 포함하는 것을 특징으로 하는 손상위치 탐지 시스템.
KR1020200090092A 2020-07-21 2020-07-21 합성곱신경망 기반 복합재 구조물의 손상위치탐지 시스템 및 그 방법 KR102391064B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200090092A KR102391064B1 (ko) 2020-07-21 2020-07-21 합성곱신경망 기반 복합재 구조물의 손상위치탐지 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200090092A KR102391064B1 (ko) 2020-07-21 2020-07-21 합성곱신경망 기반 복합재 구조물의 손상위치탐지 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20220011334A KR20220011334A (ko) 2022-01-28
KR102391064B1 true KR102391064B1 (ko) 2022-04-27

Family

ID=80051249

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200090092A KR102391064B1 (ko) 2020-07-21 2020-07-21 합성곱신경망 기반 복합재 구조물의 손상위치탐지 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102391064B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102633564B1 (ko) * 2022-09-26 2024-02-02 서울대학교산학협력단 컨볼루션 신경망을 기반으로 파이프 시스템 내 소음원의 위치를 추정하는 방법 및 장치

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117907445A (zh) * 2024-01-13 2024-04-19 大连理工大学 基于超声导波和时空混合网络的复合材料加筋板损伤识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101431237B1 (ko) * 2014-02-25 2014-08-22 한국건설기술연구원 구조물의 이상거동 검출 및 안전성 평가 시스템과 그 방법
KR101901352B1 (ko) * 2017-06-30 2018-09-21 인천대학교 산학협력단 지진 관측에 대한 예측 시스템

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090005999A (ko) * 2007-07-10 2009-01-14 김형윤 구조물 건전성 감시용 손상 예측 시스템 및 그 방법
KR20160073614A (ko) * 2014-12-17 2016-06-27 순천향대학교 산학협력단 고하중에서의 스마트 콘크리트 구조물의 식별을 위한 웨이블릿 기반 비선형 자동회귀 이동 평균 모델링 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101431237B1 (ko) * 2014-02-25 2014-08-22 한국건설기술연구원 구조물의 이상거동 검출 및 안전성 평가 시스템과 그 방법
KR101901352B1 (ko) * 2017-06-30 2018-09-21 인천대학교 산학협력단 지진 관측에 대한 예측 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102633564B1 (ko) * 2022-09-26 2024-02-02 서울대학교산학협력단 컨볼루션 신경망을 기반으로 파이프 시스템 내 소음원의 위치를 추정하는 방법 및 장치

Also Published As

Publication number Publication date
KR20220011334A (ko) 2022-01-28

Similar Documents

Publication Publication Date Title
Lin et al. Structural damage detection with automatic feature‐extraction through deep learning
Tibaduiza et al. A damage classification approach for structural health monitoring using machine learning
KR102391064B1 (ko) 합성곱신경망 기반 복합재 구조물의 손상위치탐지 시스템 및 그 방법
Sen et al. Sparsity-based approaches for damage detection in plates
Rébillat et al. Nonlinear structural damage detection based on cascade of Hammerstein models
Kerola et al. Spectral graph skeletons for 3D action recognition
CN102105771A (zh) 数据频率分析的方法和装置
Mainini et al. Data to decisions: Real-time structural assessment from sparse measurements affected by uncertainty
CN101606166A (zh) 使用余弦变换的形状表示
Chakraborty et al. Damage classification structural health monitoring in bolted structures using time-frequency techniques
Alazzawi et al. Damage identification using the PZT impedance signals and residual learning algorithm
Meyer et al. Systematic identification of external influences in multi-year microseismic recordings using convolutional neural networks
Li et al. A survey of Convolutional Neural Networks—From software to hardware and the applications in measurement
Adi et al. Detection of foreign object debris (Fod) using convolutional neural network (CNN)
KR20210060157A (ko) 인공지능 기반 고장 진단 장치 및 방법
Guo et al. Impact load identification and localization method on thin-walled cylinders using machine learning
Bigoni et al. Predictive monitoring of large-scale engineering assets using machine learning techniques and reduced-order modeling
Liu et al. Singular value decomposition for novelty detection in ultrasonic pipe monitoring
Zhang et al. Bearing fault diagnosis base on multi-scale 2D-CNN model
Zhou et al. On the use of hidden Markov modeling and time-frequency features for damage classification in composite structures
Goswami et al. A scalable neural-network modular-array architecture for real-time multi-parameter damage detection in plate structures using single sensor output
KR101724151B1 (ko) 앰비규어티 패턴인식을 이용한 금속 이물질의 충격 위치와 질량 동시추정 방법
Maldonado et al. Enhancing vibration analysis by embedded sensor data validation technologies
KR102127855B1 (ko) 검출 반복성을 최대화 하는 특징점 선별방법
Marques et al. Chaotic patterns in aeroelastic signals

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right