KR102490553B1 - 음향방출 신호를 이용한 비파괴 검사 방법 - Google Patents

음향방출 신호를 이용한 비파괴 검사 방법 Download PDF

Info

Publication number
KR102490553B1
KR102490553B1 KR1020210051850A KR20210051850A KR102490553B1 KR 102490553 B1 KR102490553 B1 KR 102490553B1 KR 1020210051850 A KR1020210051850 A KR 1020210051850A KR 20210051850 A KR20210051850 A KR 20210051850A KR 102490553 B1 KR102490553 B1 KR 102490553B1
Authority
KR
South Korea
Prior art keywords
signal
data
destruction
parameter
frequency
Prior art date
Application number
KR1020210051850A
Other languages
English (en)
Other versions
KR20220145140A (ko
Inventor
이병일
김광복
김창일
우진호
나민국
강병호
김봉기
Original Assignee
주식회사 아이디케이
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 주식회사 아이디케이 filed Critical 주식회사 아이디케이
Priority to KR1020210051850A priority Critical patent/KR102490553B1/ko
Publication of KR20220145140A publication Critical patent/KR20220145140A/ko
Application granted granted Critical
Publication of KR102490553B1 publication Critical patent/KR102490553B1/ko

Links

Images

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
    • 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
    • G01N29/4463—Signal correction, e.g. distance amplitude correction [DAC], distance gain size [DGS], noise filtering
    • 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
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Mathematical Physics (AREA)
  • Analytical Chemistry (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Acoustics & Sound (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

본 발명의 일실시예는 신호 측정부가 시험편의 파괴 실험에서 발생한 파괴 신호를 파괴 단계별로 측정하는 파괴 신호 측정 단계와, 신호 전처리부가 상기 파괴 신호를 필터링 및 증폭하는 신호 전처리 단계와, 데이터 연산부가 상기 필터링 및 증폭된 상기 파괴 신호를 제1 학습데이터로 가공하는 연산 단계와, 상기 시험편의 파괴 상태를 다단계로 구분하는 제2 학습데이터를 생성하는 단계와, 상기 제1 학습데이터를 입력단으로 하고, 상기 제2 학습데이터를 출력단으로 하여 데이터 분석부가 기계 학습(Machine Learning)하는 단계와, 상기 기계 학습된 데이터 분석부가, 진단대상물의 상기 파괴 상태를 상기 다단계로 구분하여 진단하는 진단 단계를 포함하는 음향방출 신호를 이용한 비파괴 검사 방법을 제공할 수 있다.

Description

음향방출 신호를 이용한 비파괴 검사 방법{Nondestructive inspection method using acoustic emission signal}
본 발명은 비파괴 검사 방법에 관한 것으로, 더욱 상세하게는 음향방출 신호를 이용한 비파괴 검사 방법에 관한 것이다.
구조물에 대한 비파괴 검사는 초음파, 방사선, 자분 탐상, 와전류 탐상 등의 다양한 방법으로 이루어지고 있다. 그러나, 대부분의 검사가 외부에서 에너지를 인가하여 그에 대한 응답을 측정하는 능동적(active) 방식으로 이루어지고 있어 실시간 검사가 어려우며, 검사가 가능한 재료와 형상이 제한적이라는 한계가 있다. 또한, 종래의 검사 방식으로는 구조물의 결함이 충분히 성장한 이후에 진단이 가능하므로, 사고 발생을 사전에 방지할 수 있는 충분한 시간 확보가 어렵다는 문제점이 있다.
이에 따라, 결함 초기 단계 진단이 가능하면서, 다양한 재료 및 형태를 가진 구조물에 실시간 검사가 가능한 수동적(passive) 방식의 비파괴 검사 방법의 개발이 요구되고 있다.
본 발명이 이루고자 하는 기술적 과제는, 다양한 재료 및 형태를 가진 구조물의 결함을 초기에 진단할 수 있는 실시간 비파괴 검사 방법을 제공하는 것이다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 달성하기 위하여, 본 발명의 일실시예는 신호 측정부가 시험편의 파괴 실험에서 발생한 파괴 신호를 파괴 단계별로 측정하는 파괴 신호 측정 단계와, 신호 전처리부가 상기 파괴 신호를 필터링 및 증폭하는 신호 전처리 단계와, 데이터 연산부가 상기 필터링 및 증폭된 상기 파괴 신호를 제1 학습데이터로 가공하는 연산 단계와, 상기 시험편의 파괴 상태를 다단계로 구분하는 제2 학습데이터를 생성하는 단계와, 상기 제1 학습데이터를 입력단으로 하고, 상기 제2 학습데이터를 출력단으로 하여 데이터 분석부가 기계 학습(Machine Learning)하는 단계와, 상기 기계 학습된 데이터 분석부가, 진단대상물의 상기 파괴 상태를 상기 다단계로 구분하여 진단하는 진단 단계를 포함하는 음향방출 신호를 이용한 비파괴 검사 방법을 제공할 수 있다.
본 발명의 일 실시예에 있어서, 상기 신호 전처리 단계 이전에, 신호 측정부가 파괴가 일어나지 않은 상태로 작동하는 진단대상물에서 정상 신호를 측정하는 정상 신호 측정 단계를 더 포함하고, 상기 신호 전처리 단계는, 상기 정상 신호와 상기 파괴 신호를 구분하기 위한 기준 주파수값을 설정하는 단계 및 설정된 상기 기준 주파수값에 기초하여, 상기 파괴 신호에서 상기 정상 신호의 주파수 대역을 가지는 주파수 성분을 제거하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 파괴 신호에서 상기 정상 신호의 주파수 대역을 가지는 상기 주파수 성분을 제거하는 단계는, 상기 신호 측정부에서 측정된 상기 파괴 신호에서 상기 기준 주파수값 미만의 주파수 대역을 갖는 상기 주파수 성분을 제거할 수 있다.
본 발명의 일 실시예에 있어서, 상기 연산 단계는, 상기 신호 전처리 단계를 거친 상기 파괴 신호에서 제1 파라미터를 추출하는 단계 및 하기 수학식 (1) 및 (2)에 따라 상기 제1 파라미터에서 제2 파라미터를 추출하는 단계를 포함하고,
Figure 112021046677760-pat00001
…(1)
Figure 112021046677760-pat00002
…(2)
상기 수학식 (1) 및 (2)에서,
Figure 112021046677760-pat00003
: h로 레이블링(labeling)된 제2 파라미터
i : 제2 파라미터 값의 인덱스
Figure 112021046677760-pat00004
: h로 레이블링된 제1 파라미터
2k+1 : 연속적으로 측정된 제1 파라미터 값의 개수
j : 연속적으로 측정된 2k+1개의 제1 파라미터 값의 인덱스
Figure 112021046677760-pat00005
: 가중치로 정의되고,
상기 가중치는, 상기 파괴 신호에 포함된 잡음(Noise)을 억제하도록 설정될 수 있다.
본 발명의 일 실시예에 있어서, 상기 연산 단계는, 상기 제2 파라미터들을 다차원 군집화(Multi-dimensional Clustering) 방식으로 분석하여, 상기 제2 파라미터들 간의 상관관계와, 상기 파괴 단계의 연관성을 정의하는 단계를 포함하고, 상기 제1 학습데이터는, 상기 제2 파라미터를 상기 다차원 군집화 방식으로 분석한 데이터를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 연산 단계는, 연속적으로 측정된 다수의 상기 파괴 신호에서 추출된 상기 제1 파라미터 값으로부터, 하기 수학식 (3) 및 (4)에 따라 통계 인자를 추출하는 단계 및 상기 통계 인자들을 다차원 군집화 방식으로 분석하여, 상기 통계 인자들 간의 상관관계와, 상기 파괴 단계의 연관성을 정의하는 단계;를 포함하고,
Figure 112021046677760-pat00006
…..(3)
Figure 112021046677760-pat00007
…..(4)
상기 수학식 (3) 및 (4)에서,
Figure 112021046677760-pat00008
: h로 레이블링된 제1 파라미터
Figure 112021046677760-pat00009
복수개의 제1 파라미터 값의 평균
Figure 112021046677760-pat00010
: 복수개의 제1 파라미터 값의 분산으로 정의되고,
상기 제1 학습데이터는, 상기 통계 인자를 상기 다차원 군집화 방식으로 분석한 데이터를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 연산 단계는, 상기 파괴 신호를 주파수도메인 신호로 변환하는 단계와, 상기 주파수도메인 신호에서 출력 가중 주파수를 추출하는 단계를 포함하고, 상기 출력 가중 주파수는, 상기 주파수도메인 신호의 주파수에 상기 주파수도메인 신호의 출력을 가중한 값의 평균이며, 상기 제1 학습데이터는, 상기 출력 가중 주파수 데이터를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 제2 학습 데이터는, 상기 파괴 상태를 탄성 단계, 소성 단계 및 변형도 경화 단계 중 적어도 하나의 단계로 구분하여 진단할 수 있다.
본 발명의 일 실시예에 있어서, 상기 데이터 분석부는 인공신경망(Artificial Neural Network)으로 구성되고, 상기 데이터 분석부가 상기 기계 학습하는 단계는, 비선형회귀분석(Non-linear regression analysis) 방식으로 이루어질 수 있다.
본 발명의 일 실시예에 따른 음향방출 신호를 이용한 비파괴 검사 방법은, 음향방출 신호에서 직접 추출한 제1 파라미터가 아닌, 복수개의 제1 파라미터에서 추출한 통계 인자 및 제2 파라미터를 분석에 이용함으로써, 데이터의 산란으로 인한 오류 발생을 효과적으로 방지할 수 있다.
또한, 제1 파라미터, 제2 파라미터 및 출력 가중 주파수 등 다양한 형태의 데이터를 분석함으로써, 진단 결과의 정확성을 보다 향상시킬 수 있다.
그리고, 미세 결함이 발생하는 단계에서도 파괴 진단이 가능하므로, 진단대상물의 파괴를 조기에 예측할 수 있다. 이에 따라, 파괴에 대응할 수 있는 시간적 여유를 확보할 수 있다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 설명 또는 청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시예에 따른 음향방출 신호를 이용한 비파괴 검사 방법을 수행하는 비파괴 검사 장치의 구성을 나타내는 블록도이다.
도 2는 도 1의 비파괴 검사 장치를 개략적으로 도시한 도면이다.
도 3은 재료의 인장 파괴 시 시간에 따른 하중 변화 그래프에, 파괴 단계를 구분하여 표시한 도면이다.
도 4(a)는 파괴가 일어나지 않은 상태로 작동하는 진단대상물에서 측정한 정상 신호를 시간 도메인 및 주파수 도메인으로 각각 나타낸 그래프이고, 4(b)는 파괴가 일어난 진단대상물에서 측정한 음향방출 신호를 시간 도메인 및 주파수 도메인으로 각각 나타낸 그래프이다.
도 5는 단일 음향방출 신호의 파형을 나타내는 그래프에서, 제1 파라미터를 표시한 도면이다.
도 6은 제2 파라미터를 다차원 군집화 방식으로 분석한 데이터를 나타내는 그래프이다.
도 7은 제1 파라미터의 통계 인자를 다차원 군집화 방식으로 분석한 데이터를 나타내는 그래프이다.
도 8은 파괴 단계에 따른 출력 가중 주파수의 변화를 도시한 그래프이다.
도 9은 본 발명의 일 실시예에 따른 음향방출 신호를 이용한 비파괴 검사 방법으로 진단대상물을 검사하는 과정을 도시한 흐름도이다.
도 10는 도 9의 데이터 연산부가 파괴 신호를 제1 학습데이터로 가공하는 과정을 도시한 흐름도이다.
이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에서, "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예컨대 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예컨대 모듈은ASIC(application-specific integrated circuit)으로 구성될 수 있다.
이하 첨부된 도면을 참고하여 본 발명의 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 음향방출 신호를 이용한 비파괴 검사 방법을 수행하는 비파괴 검사 장치의 구성을 나타내는 블록도이다. 도 2는 도 1의 비파괴 검사 장치를 개략적으로 도시한 도면이다.
도 1 및 2를 참조하면, 본 발명의 일 실시예에 따른 음향방출 신호를 이용한 비파괴 검사 방법은, 비파괴 검사 장치(1)에 의해 수행될 수 있다. 비파괴 검사 장치(1)는 음향방출(Acoustic Emission; AE) 신호를 이용하여 진단대상물(2)의 상태를 실시간으로 검사하는 장치일 수 있다. 구체적으로, 비파괴 검사 장치(1)는, 진단대상물(2)에 파괴가 일어날 때 발생하는 음향방출 신호를 분석하여, 파괴 단계를 다단계로 구분하여 진단할 수 있다. 여기서, 음향방출 신호는 진단대상물(2)을 이루는 재료가 파괴될 때 발생하는 탄성파(Elastic wave)로부터 얻은 전기적 신호일 수 있다. 진단대상물(2)은 예를 들어, 발전소를 구성하는 구조물일 수 있다.
비파괴 검사 장치(1)는 신호 측정부(100), 신호 전처리부(200), 데이터 연산부(300) 및 데이터 분석부(400)를 포함할 수 있다.
도 3은 재료의 인장 파괴 시 시간에 따른 하중 변화 그래프에, 파괴 단계를 구분하여 표시한 도면이다.
도 1내지 3를 참조하면, 신호 측정부(100)는 진단대상물(2)에서 발생하는 음향방출 신호를 측정할 수 있다. 구체적으로, 신호 측정부(100)는 진단대상물(2)에서 발생하는 탄성파를 전기적 신호인 음향방출 신호로 변환하여 수집할 수 있다. 예를 들어, 신호 측정부(100)는 음향방출 센서일 수 있다. 이러한 신호 측정부(100)는 진단대상물(2)의 표면에 부착될 수 있다.
진단대상물(2)에서 발생하는 음향방출 신호는, 파괴 신호 및 정상 신호를 모두 포함할 수 있다. 이때, 파괴 신호는 진단대상물(2)에 파괴가 일어날 때에만 고유하게 발생하는 음향방출 신호일 수 있다. 그리고, 정상 신호는 파괴가 일어나지 않은 진단대상물(2)이 정상 작동 시 발생하는 음방방출 신호일 수 있다. 이러한 정상 신호는, 파괴를 진단하는 관점에서, 잡음(Noise)으로 분류될 수 있다. 비파괴 검사 장치(1)가 진단대상물(2)의 파괴 단계를 진단하기 위해서는, 이러한 파괴 신호와 정상 신호에 각각에 대한 데이터가 요구될 수 있다.
파괴 신호에 대한 데이터를 얻기 위해, 신호 측정부(100)가 시험편의 음향방출 신호를 측정할 수 있다. 구체적으로, 진단대상물(2)과 유사한 재료 및 형태를 가진 시험편에 신호 측정부(100)를 설치한 상태에서, 시험편을 파괴하는 실험을 실시할 수 있다. 이때, 시험편을 파괴하는 방법은 인장 파괴(Tensile fracture)일 수 있다.
보다 구체적으로, 신호 측정부(100)는 시험편의 파괴 신호를 파괴 단계별로 측정할 수 있다. 이때, 파괴 단계는 다단계로 구분될 수 있다. 구체적으로, 파괴 단계는 탄성 단계(R1), 소성 단계(R2) 및 변형도 경화 단계(R3) 중 적어도 하나로 구분될 수 있다. 일 실시예로, 파괴 단계는 탄성 단계(R1), 소성 단계(R2) 및 변형도 경화 단계(R3)로 이루어지는 세 단계로 구분될 수 있다.
이러한 파괴 단계들은, 시간에 따른 하중 변화 그래프를 기준으로 정의될 수 있다. 탄성 단계(R1)는 하중 인가가 시작된 시점에서부터, 재료의 항복 강도에 도달하는 시점까지의 구간을 의미할 수 있다. 이러한 탄성 단계(R1)는, 진단대상물(2)에 미세한 결함이 발생한 단계를 의미할 수 있다. 소성 단계(R2)는 항복 강도에 도달한 이후, 하중이 일정하게 유지되는 구간을 의미할 수 있다. 변형도 경화 단계(R3)는 소성 단계(R2) 이후, 하중이 완만하게 증가하는 구간을 의미할 수 있다. 이러한 소성 단계(R2) 및 변형도 경화 단계(R3)는, 진단대상물(2)에 발생한 결함이 성장하여, 재료의 파단에 보다 가까워진 단계를 의미할 수 있다.
신호 측정부(100)는 시험편의 파괴가 진행됨에 따라 방출되는 파괴 신호를, 파괴 단계 별로 구분하여 측정할 수 있다. 즉, 하나의 파괴 신호는, 하나의 파괴 단계에 대응될 수 있다.
정상 신호에 대한 데이터를 얻기 위해, 신호 측정부(100)는 파괴가 일어나지 않은 상태에서 정상 작동하는 진단대상물(2)의 음향방출 신호를 측정할 수 있다. 예를 들어, 정상 신호는 진단대상물(2)의 정상 작동 시 발생하는 기계음, 진동 또는 작업장의 소음 등을 포함할 수 있다. 이러한 경우, 정상 신호는 파괴 신호에 비해 상대적으로 저주파 성분을 많이 포함할 수 있다.
도 4(a)는 파괴가 일어나지 않은 상태로 작동하는 진단대상물에서 측정한 정상 신호를 시간 도메인 및 주파수 도메인으로 각각 나타낸 그래프이고, 4(b)는 파괴가 일어난 진단대상물에서 측정한 음향방출 신호를 시간 도메인 및 주파수 도메인으로 각각 나타낸 그래프이다.
도 1, 2 및 4를 참조하면, 신호 전처리부(200)는 신호 측정부(100)에서 측정된 음향방출 신호를 필터링(Filtering) 및 증폭할 수 있다. 구체적으로, 신호 전처리부(200)는 신호 측정부(100)에서 측정된 음향방출 신호에서, 정상 신호는 제거하고, 파괴 신호는 증폭할 수 있다. 보다 구체적으로, 신호 전처리부(200)는, 신호 측정부(100)에서 측정된 음향방출 신호 중, 기준 주파수값 이하의 주파수 성분은 제거하고, 기준 주파수값 이상의 주파수 성분은 증폭시킬 수 있다. 예를 들어, 신호 전처리부(200)는 프리앰프(Pre-amplifier)일 수 있다.
기준 주파수값은 정상 신호와 파괴 신호를 구분하는 값일 수 있다. 이러한 기준 주파수값은, 전술한 정상 신호 및 파괴 신호에 대한 데이터를 기반으로 하여, 사용자에 의해 설정될 수 있다.
도 4(a) 상단의 시간도메인 그래프를 살펴보면, 파괴가 발생하지 않았으므로, 미세한 전압만이 일정한 크기로 측정된 것을 확인할 수 있다. 그리고, 도4(b) 하단의 주파수 도메인 그래프를 살펴보면, 정상 신호는 주로 200kHz 이하의 주파수 성분으로 이루어진 것을 확인할 수 있다.
도 4(b)의 상단의 시간도메인 그래프를 살펴보면, 파괴 발생으로 인해 도 4(a)에 비해 상대적으로 큰 전압의 음향방출 신호가 측정되었음을 확인할 수 있다. 그리고, 도 4(b)의 하단의 주파수 도메인 그래프를 살펴보면, 도4(a) 하단의 정상 신호에서는 거의 존재하지 않던 200kHz 이상의 고주파 성분들을 포함하고 있음을 확인할 수 있다. 따라서, 파괴 신호는 주로 200kHz 이상의 고주파 성분들을 포함하고 있음을 알 수 있다.
이러한 경우, 200kHz를 기준 주파수값으로 설정하여 정상 신호와 파괴 신호를 구분할 수 있다. 이에 따라, 신호 전처리부(200)는 200kHz 이하의 주파수 성분은 제거하고, 200kHz 이상의 주파수 성분은 증폭시킬 수 있다. 이때, 기준 주파수값은 200kHz로 한정되는 것은 아니며, 진단대상물(2)을 이루는 재료, 진단대상물(2)의 형태 및 작업 환경에 따라 달라질 수 있다.
이러한 방법으로, 신호 전처리부(200)는 대부분의 정상 신호를 제거하고, 파괴 신호는 증폭시킬 수 있다. 이에 따라, 비파괴 검사 장치(1)는 파괴 신호를 보다 용이하게 검출하여, 검사할 수 있다.
도 5는 단일 음향방출 신호의 파형을 나타내는 그래프에서, 제1 파라미터를 표시한 도면이다. 도 6은 제2 파라미터를 다차원 군집화 방식으로 분석한 데이터를 나타내는 그래프이다. 도 7은 제1 파라미터의 통계 인자를 다차원 군집화 방식으로 분석한 데이터를 나타내는 그래프이다. 도 8은 파괴 단계에 따른 출력 가중 주파수의 변화를 도시한 그래프이다.
도 1, 2 그리고 도5 내지 8를 참조하면, 데이터 연산부(300)는 신호 전처리부(200)에서 증폭된 파괴 신호를, 파괴 단계를 진단하기 위한 데이터로 가공할 수 있다. 구체적으로, 데이터 연산부(300)는 증폭된 파괴 신호를 제1 학습데이터로 가공할 수 있다. 여기서, 제1 학습데이터는 파괴 단계 별로 구분되는 파괴 신호의 특성을 나타내는 데이터일 수 있다. 예를 들어, 데이터 연산부(300)는 데이터 수집(Data acquisition; DAQ) 장치일 수 있다.
이하에서는, 데이터 연산부(300)가 제1 학습데이터를 가공하는 과정을 설명하기로 한다. 제1 학습데이터는 제1 파라미터의 통계 인자 및 제2 파라미터의 다차원 군집화(Multi-dimensional clustering) 데이터와, 출력 가중 주파수 데이터 중 적어도 하나를 포함할 수 있다. 일 실시예로, 제1 학습데이터는 제1 파라미터의 통계 인자 및 제2 파라미터의 다차원 군집화 데이터와, 출력 가중 주파수 데이터를 모두 포함할 수 있다.
데이터 연산부(300)는 필터링 및 증폭된 음향방출 신호로부터, 제1 파라미터를 추출할 수 있다. 제1 파라미터는 단일 음향방출 신호가 가진 파형의 특성을 나타내는 인자일 수 있다. 제1 파라미터는 히트(Hit), 문턱값(Threshold; TH), 최대진폭(Peak Amplitude; PA), 카운트(Count; CT), 상승시간(Rising Time; RT), 지속시간(Duration; D), 에너지(Energy), 강도(Strength), 평균시그날레벨(Average Signal Level; ASL) 및 RMS(Root Mean Square)중 적어도 하나를 포함할 수 있다. 그러나, 제1 파라미터의 종류는 이에 한정되는 것은 아니며, 음향방출 신호 파형의 특성을 나타내는 다른 인자를 더 포함할 수도 있다.
히트는 독립적인 파형을 가지는 단일 음향방출 신호 각각을 의미할 수 있다. 구체적으로, 음향방출 신호는 연속적으로 발생하는 복수개의 돌발형 신호로 이루어지며, 서로 구분되는 독립적인 파형을 가지는 신호들 각각을 하나의 히트로 정의할 수 있다. 이러한 히트가 발생한 횟수는, 파괴 발생 또는 파괴 단계의 진전을 나타내는 하나의 인자일 수 있다. 보다 구체적으로, 일정 시점부터 발생한 히트의 누적 개수, 또는 일정 시간 동안 발생한 히트의 개수 등이 제1 파라미터로 정의될 수 있다.
문턱값은 음향방출 신호 발생 여부를 판단하는 기준 값일 수 있다. 이러한 문턱값은, 파형의 특성에 따라, 사용자가 그 값을 설정할 수 있다.
최대진폭은 각 히트가 가지는 파형의 최대 진폭값을 의미할 수 있다.
카운트는 각 히트의 파형에서, 문턱값을 교차하는 파고(Wave height)의 개수일 수 있다.
상승시간은 각 히트가 문턱값을 초과한 시점부터, 최대 진폭에 도달하는 시점까지의 시간일 수 있다.
지속시간은 각 히트의 파형이 문턱값을 초과한 시점부터, 다시 문턱값 이하로 내려가는 시점까지의 시간일 수 있다.
에너지는 각 히트의 파형을 적분한 값을 의미할 수 있다.
강도는 진폭의 절대값에 시간을 내적(Inner product)한 값일 수 있다.
평균시그날레벨은 진폭의 절대값에 시간을 내적한 뒤, 그 값을 시간으로 나눈 값일 수 있다.
RMS는 각 히트의 지속시간 내 발생한 순간 전압의 제곱을 평균하여, 그 제곱근을 구한 값일 수 있다.
이러한 제1 파라미터들은, 연속적으로 측정된 다수의 음향방출 신호 각각에 대응되도록, 연속적으로 다수개가 추출될 수 있다.
데이터 연산부(300)는 연속적으로 추출된 복수개의 제1 파라미터로부터, 제2 파라미터를 추출할 수 있다. 제2 파라미터는 하기의 수학식 (1) 및 (2)로 정의될 수 있다.
Figure 112021046677760-pat00011
…(1)
Figure 112021046677760-pat00012
…(2)
상기 수학식 (1) 및 (2)에서 사용된 기호는 하기와 같이 정의된다.
Figure 112021046677760-pat00013
: h로 레이블링(labeling)된 제2 파라미터
i : 제2 파라미터 값의 인덱스
Figure 112021046677760-pat00014
: h로 레이블링된 제1 파라미터
2k+1 : 연속적으로 측정된 제1 파라미터 값의 개수
j : 연속적으로 측정된 2k+1개의 제1 파라미터 값의 인덱스
Figure 112021046677760-pat00015
: 가중치
상기 수학식 (1) 및 (2)를 참조하면, 제2 파라미터는 제1 파라미터의 가중평균일 수 있다. 여기서, 가중치는 전술한 신호 전처리부(200)에서 필터링 되지 않은 잡음을 억제하도록 설정될 수 있다.
즉, 제2 파라미터는, 제1 파라미터에 비해 잡음이 보다 완화된 값을 가질 수 있다. 따라서, 제2 파라미터는 제1 파라미터에 비해, 데이터의 산란(scattering)이 적을 수 있다.
데이터 연산부(300)는 이러한 제2 파라미터를, 다차원 군집화 방식으로 분석할 수 있다. 구체적으로, 데이터 연산부(300)는 다수의 제2 파라미터들 간의 상관관계를 각각 분석할 수 있다. 그리고, 파괴 단계와 연관성이 높은, 제2 파라미터들 간의 상관관계를 도출해낼 수 있다. 이에 따라, 데이터 연산부(300)는 제2 파라미터들 간의 상관관계와, 파괴 단계와의 연관성을 정의할 수 있다. 아래에서는, 도 6의 예시와 함께, 다차원 군집 분석에 대해 보다 구체적으로 설명하기로 한다.
도 6(a)은 제2 파라미터를 다차원 군집 분석한 결과 중, 카운트와 최대진폭과의 상관관계를 나타내고 있다. 여기서, 탄성 단계(R1)에 대응되는 데이터는 ○으로, 소성 단계(R2)에 대응되는 데이터는 □으로, 변형도 경화 단계(R3)에 대응되는 데이터는 △으로 표시하였다. 이때, 그래프 내에서 파괴 단계 별 데이터들의 위치가 서로 중첩되는 것을 확인할 수 있다. 또한, 각 파괴 단계 별로 데이터들이 군집(clustering)되지 않고, 흩어지는 것을 확인할 수 있다. 즉, 그래프 내에서 파괴 단계 별 데이터들이 위치하는 영역이 서로 명확하게 구분되지 않는다고 볼 수 있다. 이러한 경우, 카운트와 최대 진폭의 상관관계는, 파괴 단계와의 연관성이 적다고 판단할 수 있다.
도 6(b)는 제2 파라미터를 다차원 군집 분석한 결과 중, 카운트와 평균시그날레벨의 상관관계를 나타내고 있다. 이때, 파괴 단계 별로 데이터들이 조밀하게 군집해 있음을 확인할 수 있다. 또한, 파괴 단계 별 데이터 군집(cluster)들이 서로 이격되어 있음을 확인할 수 있다. 즉, 그래프 내에서 데이터가 표시되는 위치에 따라, 파괴 단계를 명확하게 구분할 수 있다. 이러한 경우, 카운트와 평균시그날레벨의 상관관계는, 파괴 단계과 연관성이 높다고 판단할 수 있다. 구체적으로, 카운트 및 평균시그날레벨의 값을 이용하여, 파괴 단계를 다단계로 구분하여 진단할 수 있다.
여기서, 전술한 카운트, 최대진폭 및 평균시그날레벨의 상관관계는 설명의 편의를 위한 예시일 뿐이며, 진단대상물(2)의 재료 및 형태에 따라, 다차원 군집화의 결과는 달라질 수 있다.
이러한 방식으로, 데이터 연산부(300)는 제2 파라미터들 간의 상관관계를 다차원 군집화 방식으로 분석할 수 있다. 이에 따라, 데이터 연산부(300)는 제2 파라미터들 간의 상관관계와, 파괴 단계와의 연관성을 정의할 수 있다.
데이터 연산부(300)는 연속적으로 측정된 복수개의 제1 파라미터의 통계 인자를 추출할 수 있다. 제1 파라미터의 통계인자는 하기 수학식 (3) 및 (4)로 정의될 수 있다.
Figure 112021046677760-pat00016
…..(3)
Figure 112021046677760-pat00017
…..(4)
상기 수학식 (3) 및 (4)에서 사용된 기호는 하기와 같이 정의된다.
Figure 112021046677760-pat00018
: h로 레이블링된 제1 파라미터
Figure 112021046677760-pat00019
복수개의 제1 파라미터 값의 평균
Figure 112021046677760-pat00020
: 복수개의 제1 파라미터 값의 분산으로 정의되고,
이때, 제1 파라미터의 통계 인자는, 상기 수학식 (3) 및 (4)에서 정의된 평균(μ)과 분산(σ) 이외에, 첨두치(η), 왜도(κ) 등을 더 포함할 수 있다. 이러한 제1 파라미터의 통계 인자들은, 제1 파라미터에 비해 데이터의 산란이 완화된 값일 수 있다.
첨두치는 복수개의 제1 파라미터들 중 최대값을 의미할 수 있다.
왜도는 복수개의 제1 파라미터 값의 분포가 기울어진 정도 및 방향을 나타내는 값일 수 있다.
데이터 연산부(300)는 제1 파라미터의 통계 인자를 다차원 군집화 방식으로 분석할 수 있다. 구체적으로, 데이터 연산부(300)는 제1 파라미터의 통계 인자들 간의 상관관계를 각각 분석할 수 있다. 그리고, 파괴 단계와 연관성이 높은 제1 파라미터의 통계 인자들 간의 상관관계를 도출해낼 수 있다. 이에 따라, 데이터 연산부(300)는 제1 파라미터의 통계 인자들 간의 상관관계와, 파괴 단계와의 연관성을 정의할 수 있다.
이러한 제1 파라미터의 통계 인자를 다차원 군집화 방식으로 분석하는 과정은, 전술한 제2 파라미터를 다차원 군집화 방식으로 분석하는 과정과 동일하므로, 중복되는 설명은 생략하기로 한다.
도 7을 참조하여, 제1 파라미터의 평균(μ)과 분산(σ)의 상관관계를 살펴보면, 그래프 내에서 파괴 단계 별 데이터들이 대부분 조밀하게 군집한 것을 확인할 수 있다. 그리고, 대부분의 데이터들이 파괴 단계 별로 서로 상이한 영역에 위치하고 있음을 확인할 수 있다. 따라서, 제1 파라미터의 평균(μ)과 분산(σ)의 상관관계는, 파괴 단계와 연관성이 높다고 판단할 수 있다. 구체적으로, 제1 파라미터의 평균(μ)과 분산(σ) 값을 이용하여, 진단대상물(2)의 파괴 단계를 진단할 수 있다. 여기서, 평균(μ)과 분산(σ)의 상관관계는 설명의 편의를 위한 예시일 뿐이며, 진단대상물(2)의 재료 및 형태에 따라 분석 결과는 달라질 수 있다.
이러한 방식으로, 데이터 연산부(300)가 제1 파라미터의 통계 인자를 분석에 이용함으로써, 보다 효율적인 분석이 이루어질 수 있다. 구체적으로, 제1 파라미터는 음향방출 신호 각각에서 직접 추출한 데이터로써, 상대적으로 산란이 큰 데이터일 수 있다. 따라서, 제1 파라미터를 직접 분석하는 방식은, 이러한 데이터 산란으로 인한 오류가 발생할 가능성이 크다고 볼 수 있다. 반면에, 복수개의 제1 파라미터에서 추출한 통계 인자를 이용하는 방식은, 상대적으로 산포가 적은 데이터를 이용함으로써, 이러한 데이터 산란으로 인한 오류를 방지할 수 있다.
데이터 연산부(300)는 시간 도메인 신호인 음향방출 신호를, 주파수 도메인 신호로 변환할 수 있다. 이때, 시간 도메인 신호를 주파수 도메인 신호로 변환하는 방법은, 고속 푸리에 변환(fast Fourier transform) 방법일 수 있다. 주파수 도메인 신호로 변환된 음향방출 신호는, 주파수와 출력(Amplitude spectrum)으로 정의될 수 있다.
데이터 연산부(300)는 주파수 도메인으로 변환된 음향방출 신호에서, 출력 가중 주파수(F) 데이터를 추출할 수 있다. 출력 가중 주파수(F)는 복수개의 음향방출 신호의 주파수에, 그 출력(Amplitude spectrum)을 가중한 평균일 수 있다. 예를 들어, 데이터 연산부(300)는 음향방출 신호에 필터 뱅크(Filter bank)를 적용하는 방식으로, 출력 가중 주파수(F)를 추출할 수 있다.
이러한 출력 가중 주파수(F)는, 파괴 단계에 따라 변화할 수 있다. 구체적으로, 도 8을 참조하면, 출력 가중 주파수(F)는 탄성 단계(R1)에서는 상대적으로 높은 값을 가지며, 이후 소성 단계(R2) 및 변형도 경화 단계(R3)로 갈수록 낮아질 수 있다. 즉, 탄성 단계(R1)에서는 상대적으로 고주파의 파괴 신호가 발생하고, 소성 단계(R2) 및 변형도 경화 단계(R3)로 갈수록 점차 낮은 주파수의 파괴 신호가 발생할 수 있다. 따라서, 출력 가중 주파수(F)는, 파괴 단계 별로 구분되는 음향방출 신호의 주파수 특성을 나타낼 수 있다. 즉, 출력 가중 주파수(F) 값을 이용하여, 진단대상물(2)의 파괴 단계를 진단할 수 있다.
전술한 바와 같은 방법으로, 데이터 연산부(300)는 필터링 및 증폭된 음향방출 신호를 제1 학습데이터로 가공할 수 있다. 여기서, 제1 학습데이터는 파괴 단계 별 음향방출 신호의 특성을 나타내는 데이터로써, 제1 파라미터의 통계 인자의 다차원 군집화 데이터, 제2 파라미터의 다차원 군집화 데이터 및 출력 가중 주파수(F) 데이터를 포함할 수 있다. 이러한 제1 학습데이터를 기반으로 하여, 데이터 분석부(400)가 기계학습을 수행할 수 있다.
데이터 분석부(400)는 진단대상물(2)의 파괴 단계를 진단할 수 있다. 구체적으로, 데이터 분석부(400)는 기계 학습(Machine learning)된 데이터를 기반으로, 진단대상물(2)의 파괴 단계를 진단할 수 있다. 보다 구체적으로, 데이터 분석부(400)는 제1 학습데이터를 입력단으로 하고, 제2 학습데이터를 출력단으로 하여, 기계 학습할 수 있다. 그리고, 이러한 기계 학습된 데이터를 기반으로, 진단대상물(2)의 파괴 단계를 다단계로 구분하여 진단할 수 있다.
여기서, 제2 학습데이터는 파괴 단계를 다단계로 구분하는 데이터일 수 있다. 일 실시예로, 제2 학습데이터는 파괴 단계를 탄성 단계(R1), 소성 단계(R2) 및 변형도 경화 단계(R3)로 구분하는 데이터일 수 있다.
일 실시예로, 데이터 분석부(400)는 인공신경망(Artificial Neural Network)으로 구성될 수 있다. 이러한 경우, 데이터 분석부(400)가 기계 학습하는 방식은, 비선형회귀분석(Non-linear regression analysis) 방식일 수 있다.
기계 학습이 완료된 데이터 분석부(400)는, 진단대상물(2)의 파괴 단계를 진단할 수 있다. 구체적으로, 기계 학습이 완료된 데이터 분석부(400)를 포함하는 비파괴 검사 장치(1)는, 진단대상물(2)의 파괴 단계를 다단계로 구분하여 진단할 수 있다. 이러한 경우, 진단대상물(2)에서 발생한 음향방출 신호는, 전술한 바와 같이 신호 측정부(100)를 통해 측정되어, 신호 전처리부(200)에서 필터링 및 증폭된 뒤, 데이터 연산부(300)에서 제1 학습데이터와 동일한 방법으로 가공될 수 있다. 그리고, 데이터 분석부(400)는 기계 학습된 데이터를 기반으로, 가공된 진단대상물(2)의 음향방출 신호를 분석하여, 진단대상물(2)의 파괴 단계를 다단계로 구분하여 진단할 수 있다.
도 9은 본 발명의 일 실시예에 따른 음향방출 신호를 이용한 비파괴 검사 방법으로 진단대상물을 검사하는 과정을 도시한 흐름도이다. 도 10는 도 9의 데이터 연산부가 파괴 신호를 제1 학습데이터로 가공하는 과정을 도시한 흐름도이다.
이하에서는, 도 9 및 10을 참조하여, 본 발명의 일 실시예에 따른 음향방출 신호를 이용한 비파괴 검사 방법의 과정을 설명하기로 한다.
먼저, S100 단계에서, 신호 측정부(100)가 시험편의 파괴 신호를 측정할 수 있다.
그리고, S230 단계에서, 신호 전처리부(200)가 파괴 신호를 필터링 및 증폭할 수 있다.
S230 단계 이전에, S210 및 S220 단계가 먼저 실시될 수 있다.
먼저, S210 단계에서, 신호 측정부(100)가 진단대상물(2)의 정상 신호를 측정할 수 있다.
그리고, S220 단계에서, 사용자가 정상 신호와 파괴 신호를 구분하기 위한 기준 주파수값을 설정할 수 있다.
S230 단계가 완료된 뒤, S300 단계에서 데이터 연산부(300)가 파괴 신호를 제1 학습데이터로 변환할 수 있다.
그리고, S420 단계에서, 데이터 분석부(400)가 제1 학습데이터를 입력단으로 하고, 제2 학습데이터를 출력단으로 하여, 기계 학습을 수행할 수 있다.
S420 단계 이전에, S410 단계에서, 사용자는 파괴 단계를 다단계로 구분하는 제2 학습데이터를 생성할 수 있다.
S420 단계가 완료된 이후, 데이터 분석부(400)는 진단대상물(2)의 음향방출 신호를 분석하여, 파괴 단계를 다단계로 구분하여 진단할 수 있다.
이하에서는, 데이터 연산부(300)에 의해 수행되는 S300 단계를 보다 상세히 살펴보기로 한다. S300 단계는S311~S313 단계, S321~S322 단계 및 S331~S332 단계로 이루어질 수 있다.
S311~S313 단계를 살펴보면, 먼저, S311단계에서, 파괴 신호로부터 제1 파라미터를 추출할 수 있다.
그리고, S312 단계에서, 연속적으로 측정된 다수의 제1 파라미터에서, 제2 파라미터를 추출할 수 있다.
그리고, S313 단계에서, 제2 파라미터를 다차원 군집화 방식으로 분석할 수 있다.
S321~S322 단계를 살펴보면, 먼저, S321 단계에서, 전술한 S311 단계와 동일하게, 파괴 신호에서 제1 파라미터를 추출할 수 있다.
그리고, S322 단계에서, 연속적으로 측정된 다수의 제1 파라미터에서 통계 인자를 추출할 수 있다.
그리고, S323 단계에서, 제1 파라미터의 통계 인자를 다차원 군집화 방식으로 분석할 수 있다.
S331~S332 단계를 살펴보면, 먼저, S331 단계에서, 파괴 신호를 주파수 도메인 신호로 변환할 수 있다.
그리고, S332 단계에서, 주파수 도메인으로 변환된 파괴 신호에, 필터뱅크를 적용하여, 출력 가중 주파수를 추출할 수 있다.
전술한 바와 같은, 본 발명의 일 실시예에 따른 음향방출 신호를 이용한 비파괴 검사 방법은, 음향방출 신호에서 직접 추출한 제1 파라미터가 아닌, 복수개의 제1 파라미터에서 추출한 제2 파라미터 및 통계 인자를 분석함으로써, 데이터의 산란으로 인한 오류 발생을 효과적으로 방지할 수 있다.
또한, 제1 파라미터, 제2 파라미터 및 출력 가중 주파수 등 다양한 형태의 데이터를 분석함으로써, 진단 결과의 정확성을 보다 향상시킬 수 있다.
그리고, 미세 결함이 발생하는 단계에서도 파괴 진단이 가능하므로, 진단대상물(2)의 파괴를 조기에 예측할 수 있다. 이에 따라, 파괴에 대응할 수 있는 시간적 여유를 확보할 수 있다.
전술한 본 발명의 실시예에 따른 방법은 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능한 기록매체에 기록될 수 있다. 컴퓨터 판독 가능한 기록매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능한 기록매체에 기록되는 프로그램 명령은 본 발명의 실시예를 위하여 특별히 설계되고 구성된 것이거나, 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용가능한 것일 수 있다. 컴퓨터 판독 가능한 기록매체는, 하드디스크, 플로피디스크, 자기테이프 등의 자기기록 매체, CD-ROM, DVD 등의 광기록 매체, 플롭티컬디스크 등의 자기-광 매체, ROM, RAM, 플래시 메모리 등과 같이, 프로그램 명령을 저장하고 수행하도록 구성된 하드웨어를 포함한다. 프로그램 명령은, 컴파일러에 의해 만들어지는 기계어 코드, 인터프리터를 사용하여 컴퓨터에서 실행될 수 있는 고급언어 코드를 포함한다. 하드웨어는 본 발명에 따른 방법을 처리하기 위하여 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있고, 그 역도 마찬가지이다.
본 발명의 실시예에 따른 방법은 프로그램 명령 형태로 전자장치에서 실행될 수 있다. 전자장치는 스마트폰이나 스마트패드 등의 휴대용 통신 장치, 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 가전 장치를 포함한다.
본 발명의 실시예에 따른 방법은 컴퓨터 프로그램 제품에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 기록매체의 형태로, 또는 어플리케이션 스토어를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
본 발명의 실시예에 따른 구성요소, 예컨대 모듈 또는 프로그램 각각은 단수 또는 복수의 서브 구성요소로 구성될 수 있으며, 이러한 서브 구성요소들 중 일부 서브 구성요소가 생략되거나, 또는 다른 서브 구성요소가 더 포함될 수 있다. 일부 구성요소들(모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 본 발명의 실시예에 따른 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 후술하는 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
1: 비파괴 검사 장치
2: 진단대상물
100: 신호 측정부
200: 신호 전처리부
300: 데이터 연산부
400: 데이터 분석부

Claims (9)

  1. 신호 측정부가 시험편의 파괴 실험에서 발생한 파괴 신호를 파괴 단계별로 측정하는 파괴 신호 측정 단계;
    신호 전처리부가 상기 파괴 신호를 필터링 및 증폭하는 신호 전처리 단계;
    데이터 연산부가 상기 필터링 및 증폭된 상기 파괴 신호를 제1 학습데이터로 가공하는 연산 단계;
    상기 시험편의 파괴 상태를 다단계로 구분하는 제2 학습데이터를 생성하는 단계;
    상기 제1 학습데이터를 입력단으로 하고, 상기 제2 학습데이터를 출력단으로 하여 데이터 분석부가 기계 학습(Machine Learning)하는 단계;
    상기 기계 학습된 데이터 분석부가, 진단대상물의 상기 파괴 상태를 상기 다단계로 구분하여 진단하는 진단 단계;를 포함하며,
    상기 연산 단계는,
    상기 신호 전처리 단계를 거친 상기 파괴 신호에서 제1 파라미터를 추출하는 단계; 및
    하기 수학식 (1) 및 (2)에 따라 상기 제1 파라미터에서 제2 파라미터를 추출하는 단계;를 포함하고,
    Figure 112022099900498-pat00041
    …(1)
    Figure 112022099900498-pat00042
    …(2)
    상기 수학식 (1) 및 (2)에서,
    Figure 112022099900498-pat00043
    : h로 레이블링(labeling)된 제2 파라미터
    i : 제2 파라미터 값의 인덱스
    Figure 112022099900498-pat00044
    : h로 레이블링된 제1 파라미터
    2k+1 : 연속적으로 측정된 제1 파라미터 값의 개수
    j : 연속적으로 측정된 2k+1개의 제1 파라미터 값의 인덱스
    Figure 112022099900498-pat00045
    : 가중치로 정의되고,
    상기 가중치는,
    상기 파괴 신호에 포함된 잡음(Noise)을 억제하도록 설정되는,
    음향방출 신호를 이용한 비파괴 검사 방법.
  2. 제1항에 있어서,
    상기 신호 전처리 단계 이전에,
    신호 측정부가 파괴가 일어나지 않은 상태로 작동하는 진단대상물에서 정상 신호를 측정하는 정상 신호 측정 단계;를 더 포함하고,
    상기 신호 전처리 단계는,
    상기 정상 신호와 상기 파괴 신호를 구분하기 위한 기준 주파수값을 설정하는 단계; 및
    설정된 상기 기준 주파수값에 기초하여, 상기 파괴 신호에서 상기 정상 신호의 주파수 대역을 가지는 주파수 성분을 제거하는 단계;를 포함하는,
    음향방출 신호를 이용한 비파괴 검사 방법.
  3. 제2항에 있어서,
    상기 파괴 신호에서 상기 정상 신호의 주파수 대역을 가지는 상기 주파수 성분을 제거하는 단계는,
    상기 신호 측정부에서 측정된 상기 파괴 신호에서 상기 기준 주파수값 미만의 주파수 대역을 갖는 상기 주파수 성분을 제거하는,
    음향방출 신호를 이용한 비파괴 검사 방법.
  4. 삭제
  5. 제1항에 있어서,
    상기 연산 단계는,
    상기 제2 파라미터들을 다차원 군집화(Multi-dimensional Clustering) 방식으로 분석하여, 상기 제2 파라미터들 간의 상관관계와, 상기 파괴 단계의 연관성을 정의하는 단계;를 포함하고,
    상기 제1 학습데이터는,
    상기 제2 파라미터를 상기 다차원 군집화 방식으로 분석한 데이터를 포함하는,
    음향방출 신호를 이용한 비파괴 검사 방법.
  6. 제1항에 있어서,
    상기 연산 단계는,
    연속적으로 측정된 다수의 상기 파괴 신호에서 추출된 상기 제1 파라미터 값으로부터, 하기 수학식 (3) 및 (4)에 따라 통계 인자를 추출하는 단계; 및
    Figure 112022099900498-pat00026
    …..(3)
    Figure 112022099900498-pat00027
    …..(4)
    상기 통계 인자들을 다차원 군집화 방식으로 분석하여, 상기 통계 인자들 간의 상관관계와, 상기 파괴 단계의 연관성을 정의하는 단계;를 포함하고,
    상기 수학식 (3) 및 (4)에서,
    Figure 112022099900498-pat00028
    : h로 레이블링된 제1 파라미터
    Figure 112022099900498-pat00029
    복수개의 제1 파라미터 값의 평균
    Figure 112022099900498-pat00030
    : 복수개의 제1 파라미터 값의 분산으로 정의되고,
    상기 제1 학습데이터는,
    상기 통계 인자를 상기 다차원 군집화 방식으로 분석한 데이터를 포함하는,
    음향방출 신호를 이용한 비파괴 검사 방법.
  7. 제1항에 있어서,
    상기 연산 단계는,
    상기 파괴 신호를 주파수도메인 신호로 변환하는 단계;
    상기 주파수도메인 신호에서 출력 가중 주파수를 추출하는 단계;를 포함하고,
    상기 출력 가중 주파수는,
    상기 주파수도메인 신호의 주파수에 상기 주파수도메인 신호의 출력을 가중한 값의 평균이며,
    상기 제1 학습데이터는,
    상기 출력 가중 주파수 데이터를 포함하는,
    음향방출 신호를 이용한 비파괴 검사 방법.
  8. 제1항에 있어서,
    제2 학습 데이터는,
    상기 파괴 상태를 탄성 단계, 소성 단계 및 변형도 경화 단계 중 적어도 하나의 단계로 구분하여 진단하는,
    음향방출 신호를 이용한 비파괴 검사 방법.
  9. 제1항에 있어서,
    상기 데이터 분석부는 인공신경망(Artificial Neural Network)으로 구성되고,
    상기 데이터 분석부가 상기 기계 학습하는 단계는,
    비선형회귀분석(Non-linear regression analysis) 방식으로 이루어지는,
    음향방출 신호를 이용한 비파괴 검사 방법.
KR1020210051850A 2021-04-21 2021-04-21 음향방출 신호를 이용한 비파괴 검사 방법 KR102490553B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210051850A KR102490553B1 (ko) 2021-04-21 2021-04-21 음향방출 신호를 이용한 비파괴 검사 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210051850A KR102490553B1 (ko) 2021-04-21 2021-04-21 음향방출 신호를 이용한 비파괴 검사 방법

Publications (2)

Publication Number Publication Date
KR20220145140A KR20220145140A (ko) 2022-10-28
KR102490553B1 true KR102490553B1 (ko) 2023-01-20

Family

ID=83835388

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210051850A KR102490553B1 (ko) 2021-04-21 2021-04-21 음향방출 신호를 이용한 비파괴 검사 방법

Country Status (1)

Country Link
KR (1) KR102490553B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007315863A (ja) * 2006-05-24 2007-12-06 Jtekt Corp アコースティックエミッション検出装置および制御装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007315863A (ja) * 2006-05-24 2007-12-06 Jtekt Corp アコースティックエミッション検出装置および制御装置

Also Published As

Publication number Publication date
KR20220145140A (ko) 2022-10-28

Similar Documents

Publication Publication Date Title
Miao et al. Online defect recognition of narrow overlap weld based on two-stage recognition model combining continuous wavelet transform and convolutional neural network
CN107209512B (zh) 用于机器的声学或振动分析的学习阶段的方法、系统及计算机程序
CN105548832A (zh) 高压电力电缆故障识别方法
Hall et al. Acoustic emissions diagnosis of rotor-stator rubs using the KS statistic
CN109142514B (zh) 一种基于脉冲涡流阵列的缺陷检测装置及方法
O'brien et al. A pattern recognition system based on acoustic signals for fault detection on composite materials
US6591682B1 (en) Device and process for signal analysis
CN111044621A (zh) 一种基于声音品质及声学特征的无损检测系统及方法
CN110632484A (zh) 一种基于elm的gis局部放电缺陷诊断分类系统及方法
JP6281273B2 (ja) 音響装置の検査装置及び音響装置の検査方法並びに音響装置の検査プログラム
JPH01156627A (ja) 音響放射のモニタ方法
CN111024527A (zh) 一种基于多传感器数据融合的裂纹扩展监测方法
Bond et al. NDE in-process for metal parts fabricated using powder based additive manufacturing
Unal et al. Fault diagnosis of rolling bearings using data mining techniques and boosting
CN117233347B (zh) 一种碳钢球化等级测量方法、系统及设备
KR102490553B1 (ko) 음향방출 신호를 이용한 비파괴 검사 방법
Noori Hoshyar et al. Statistical features and traditional SA-SVM classification algorithm for crack detection
KR101290928B1 (ko) 음질인자를 이용한 고장 진단 장치 및 방법
Nunes et al. Acoustic structural integrity assessment of ceramics using supervised machine learning and uncertainty-based rejection
KR102445651B1 (ko) Ae 센서를 이용한 모터 소음 검사장치 및 검사방법
Alekhin et al. Application of the case-based reasoning approach for identification of acoustic-emission control signals of complex technical objects
JP7311889B2 (ja) 非破壊検査システム、方法およびプログラム
CN114881938A (zh) 基于小波分析和神经网络的晶粒度检测方法及系统
CN114660162A (zh) 一种评估焊点材料疲劳退化程度的方法
CN113326589A (zh) 一种敏感特征筛选方法及装置、存储介质

Legal Events

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