KR20190127542A

KR20190127542A - 음향 방출 시험을 위한 방법 및 장치

Info

Publication number: KR20190127542A
Application number: KR1020190028549A
Authority: KR
Inventors: 휴 텟 홍; 우 원-재; 디. 섀퍼 조셉; 카오 앤; 제이. 매튜스 메리; 피케 매튜 지; 피. 파우카 빅터; 리 롱종
Original assignee: 더 보잉 컴파니
Priority date: 2018-05-04
Filing date: 2019-03-13
Publication date: 2019-11-13
Also published as: JP2019219382A; JP7272853B2; EP3564660A1; CN110441402A

Abstract

장치는 음향 감지 시스템과 분석기 모듈을 구비한다. 음향 감지 시스템은 물체에 대해 배치되어 있고, 음향 감지 시스템은 음향 방출을 검출하고 검출된 음향 방출에 대한 음향 파형 데이터를 생성한다. 분석기 모듈은, 컴퓨터 시스템 내에 구현되어, 물체에 대한 로드 데이터와 음향 파형 데이터를 수신하고, 음향 파형 데이터를 이용해 복수의 주파수 분포 함수를 생성하며, 복수의 주파수 분포 함수의 각각의 복수의 포인트(point)를 포함하는 주파수 분포 함수 시간 진화 이미지(frequency distribution function time evolution image)를 생성한다.

Description

음향 방출 시험을 위한 방법 및 장치{METHOD AND APPARATUS FOR ACOUSTIC EMISSIONS TESTING}

본 발명은 일반적으로 음향 방출(acoustic emission), 특히 물체(object)로부터의 음향 방출을 검출하는 것에 관한 것이다. 더욱 구체적으로는, 본 발명은 시간이 지남에 따라 이러한 물체의 구조적 건전성(structural integrity, 구조적 보전성)을 평가하기 위해 물체의 음향 방출을 분석하기 위한 방법 및 장치에 관한 것이다.

음향 방출(acoustic emission)은, 재료가 구조적 변화를 받을 때 물체 또는 재료에서 방출되는 음향파(acoustic wave)이다. 예를 들어, 제한 없이, 음향 방출은 복합재 물체(composite object)가 구조적 변화를 받을 때 발생할 수 있다. 이러한 구조적 변화는, 크랙 형성(crack formation), 크랙 확장(crack extension), 스플릿 형성(split forming), 스플릿 확장, 박리(delamination), 어떤 다른 타입의 구조적 변화, 또는 그 조합의 형태를 취할 수 있다.

이들 음향파는, 그 후, 분석될 수 있는 데이터를 생성하기 위해 사용되는 음향 센서를 이용하여 검출될 수 있다. 그러나, 음향 방출 검출 및 분석을 수행하기 위한 현재 이용 가능한 방법을 이용하여 원하는 레벨의 정확도로 구조적 변화의 본질(nature) 또는 방법을 식별하는 것은 원하는 것보다 더 어렵고 지루하며 시간을 소비할 수 있다. 몇몇의 경우에는, 구조적 변화의 특성 또는 모드를 식별하는 것이 현재 이용 가능한 방법을 이용할 수 없을 수도 있다.

음향 방출 검출 및 시험의 몇 가지 현재 이용가능한 방법은, 검출된 음향 방출에 기초하여 발생된 신호가 단일 타입(type, 유형)의 구조적 이벤트(structural event)의 결과인 것을 요구할 수 있다. 그러나, 복합재 물체가지만 이에 한정되지 않는 몇몇의 물체는 다중 타입의 구조적 변화를 동시에 받을 수 있다. 음향 검출 및 시험의 몇 가지 현재 이용 가능한 방법은, 다중 타입의 구조적 변화가 동시에 발생할 때 쉽고 빠르게 판단할 수 없을 수도 있다. 특히, 다중의 구조적 변화가 주어진 시간 간격 동안 물체에서 발생할 때, 음향 검출 및 시험의 현재 이용 가능한 방법은 특정 모드의 구조적 변화를 식별할 수 없을 수도 있다. 그러므로, 적어도 위에서 논의된 문제 중 몇 가지, 뿐만 아니라 다른 가능한 문제를 고려하는 방법 및 장치를 갖는 것이 바람직할 것이다.

하나의 예시적인 실시예에서는, 장치가 제시된다. 그 장치는 음향 감지 시스템과 분석기 모듈을 구비한다. 음향 감지 시스템은 물체에 대해 배치되어 있다. 음향 감지 시스템은 음향 방출을 검출하고 검출된 음향 방출에 대한 음향 파형 데이터를 생성한다. 분석기 모듈은, 컴퓨터 시스템 내에 구현되어, 로드 데이터와 물체에 대한 음향 파형 데이터를 수신하고, 음향 파형 데이터를 이용하여 복수의 주파수 분포 함수를 생성하며, 복수의 주파수 분포 함수의 각각의 복수의 포인트(point)을 포함하는 주파수 분포 함수 시간 진화 이미지(frequency distribution function time evolution image)를 생성한다.

또 다른 예시적인 실시예에서는, 음향파를 이용하여 물체를 분석하기 위한 방법이 제시된다. 물체에 대한 로드 데이터가 수신된다. 물체에 대한 음향 파형 데이터는 음향 감지 시스템으로부터 수신되되, 여기서 음향 파형 데이터는 물체로부터 발산되는 음향 방출을 나타내고, 음향 감지 시스템을 이용하여 검출된다. 음향 파형 데이터를 이용하여 복수의 주파수 분포 함수가 생성된다. 복수의 주파수 분포 함수의 각각의 복수의 포인트를 포함하는 주파수 분포 함수 시간 진화 이미지가 생성된다.

또 다른 예시적인 실시예에서는, 방법이 제시된다. 물체에서 방사되는 음향방출은 음향 파형 데이터를 생성하기 위해 음향 감지 시스템을 이용하여 검출된다. 분석기 모듈에 의해, 음향 파형 데이터를 이용하여 복수의 주파수 분포 함수가 생성되는데, 여기서 복수의 주파수 분포 함수의 각각은 각각의 시간 또는 각각의 로드 중 하나의 식별자를 갖는다. 복수의 주파수 분포 함수에서의 주파수 분포 함수의 양에 상당하는 열의 양과 복수의 주파수 분포 함수의 각각의 주파수 분포 함수에서의 주파수 빈의 양에 상당하는 행의 양을 갖는 어레이가 작성된다. 이 어레이는 복수의 주파수 분포 함수의 각각의 복수의 포인트가 그 어레이 내에 포함되도록 채워지는데, 이 어레이는 분석기 모듈이 오퍼레이터에 의해 이전에 식별할 수 없었던 물체의 구조적 변화를 음향 파형 데이터의 각 파형에 대한 단일 포인트를 포함하는 주파수 플로트를 이용하여 식별하는 것을 가능하게 한다.

특징 및 기능은 본 발명의 각종의 실시예에서 독립적으로 달성될 수 있거나 또는 더 자세한 사항이 다음의 설명 및 도면을 참조하여 보여질 수 있는 또 다른 실시예에 결합될 수 있다.

예시적인 실시예의 특징으로 간주되는 신규한 특징이 첨부된 특허청구범위에 기재되어 있다. 그렇지만, 이용(use)의 바람직한 모드, 또 다른 목적 및 그 특징뿐만 아니라 예시적인 실시예는 첨부도면과 함께 읽을 때 본 발명의 예시적인 실시예의 다음의 상세한 설명을 참조함으로써 가장 잘 이해될 것이다:
도 1은 예시적인 실시예에 따른 시험 환경의 도면이다;
도 2는 물체, 음향 감지 시스템, 및 분석기 모듈을 예시적인 실시예에 따라 블록도의 형태로 나타낸 도면이다;
도 3은 예시적인 실시예에 따른 항공기의 사시도를 나타낸 도면이다;
도 4는 음향 방출을 이용하여 물체를 분석하는 프로세스를 예시적인 실시예에 따라 플로우차트의 형태로 나타낸 도면이다;
도 5는 주파수 분포 함수를 생성하기 위한 프로세스를 예시적인 실시예에 따라 플로우차트의 형태로 나타낸 도면이다;
도 6은 출력을 생성하기 위해 복수의 주파수 분포 함수에 학습 알고리즘의 세트를 적용하기 위한 하나의 프로세스를 예시적인 실시예에 따라 플로우차트의 형태로 나타낸 도면이다;
도 7은 출력을 생성하기 위해 복수의 주파수 분포 함수에 학습 알고리즘의 세트를 적용하기 위한 다른 프로세스를 예시적인 실시예에 따라 플로우차트의 형태로 나타낸 도면이다;
도 8은 음향 방출을 이용하여 항공기에서의 복합재 물체를 분석하는 프로세스를 예시적인 실시예에 따라 플로우차트의 형태로 나타낸 도면이다;
도 9는 데이터 처리 시스템을 예시적인 실시예에 따라 블록도의 형태로 나타낸 도면이다;
도 10은 항공기 제조 및 서비스 방법을 예시적인 실시예에 따라 블록도의 형태로 나타낸 도면이다;
도 11은 항공기를 예시적인 실시예에 따라 블록도의 형태로 나타낸 도면이다;
도 12는 주파수 분포 함수 시간 진화 이미지를 예시적인 실시예에 따라 나타낸 도면이다;
도 13은 물체, 음향 감지 시스템 및 분석기 모듈을 예시적인 실시예에 따라 블록도의 형태로 나타낸 도면이다;
도 14는 파라미터를 조정하는 데 사용될 수 있는 변화 그래프의 차이를 예시적인 실시예에 따라 나타낸 도면이다.
도 15는 정규화된 로딩 곡선에서 벗어난 주파수 분포 함수 시간 진화 이미지를 예시적인 실시예에 따라 나타낸 도면이다;
도 16은 주파수 분포 함수 시간 진화 이미지의 단수 값 분해로부터의 단수 값의 플로트를 예시적인 실시예에 따라 나타낸 도면이다;
도 17은 음향파를 이용하여 물체를 분석하기 위한 방법의 플로우차트를 예시적인 실시예에 따라 나타낸 도면이다;
도 18은 분석용 어레이를 만들기 위한 방법의 플로우차트를 예시적인 실시예에 따라 나타낸 도면이다; 그리고
도 19는 파라미터를 튜닝하기 위한 방법의 플로우차트를 예시적인 실시예에 따라 나타낸 도면이다.

예시적인 실시예는 다른 고려 사항들을 고려하고 있다. 예를 들어, 예시적인 실시예는 발생하는 다중의 구조적 이벤트의 식별 및 분류를 가능하게 하는 물체로부터의 음향 방출을 검출 및 분석하기 위한 방법 및 장치를 갖는 것이 바람직할 수 있음을 고려하고 있다. 특히, 예시적인 실시예는 음향 파형과 특정 모드의 구조적 변화 사이의 정확한 상관(correlation)을 허용하는 물체의 로드 이력(load history)에 대하여 음향 방출을 분석하기 위한 방법 및 장치를 갖는 것이 바람직할 수 있음을 고려하고 있다.

따라서, 예시적인 실시예는 음향 방출을 이용하여 물체를 분석하기 위한 방법 및 장치를 제공한다. 하나의 예시적인 예에서, 물체로부터 방출되는 음향 방출은 음향 파형 데이터를 생성하기 위해 음향 검출 시스템을 이용하여 검출된다. 음향 파형 데이터는 물체에 대한 로드 데이터와 함께 수신된다. 복수의 빈이 로드 데이터에 대해 생성된다. 복수의 주파수 분포 함수는 음향 파형 데이터를 이용하여 복수의 빈에 대해 생성된다. 학습 알고리즘의 세트는, 오퍼레이터가 물체의 구조적 건전성을 더욱 쉽고 빠르게 평가하는 것을 가능하게 하는 출력을 생성하기 위해 복수의 주파수 분포 함수에 적용된다.

특히, 예시적인 실시예들은 다중 모드의 구조적 변화가 동시에 물체에서 발생할 때를 결정하는 것과 관련된 문제를 해결하는 방법 및 장치를 제공한다. 또한, 예시적인 실시예들은 다중 모드의 구조적 변화가 시간 간격(time interval) 동안 발생하더라도 소정의 시간 간격 동안 물체에서 발생하는 구조적 변화의 각각의 특정 모드를 식별하는 것과 관련된 문제를 해결하는 방법 및 장치를 제공한다.

예시적인 실시예들은 최대 주파수 대 시간의 포인트 플로트와 같은 음향 방출 데이터에 대한 전통적인 주파수 플로트에 있어서 일부 신호 특징이 가려지거나 손실되고 있음을 고려하고 있다. 예시적인 실시예는 식별되지 않은 피크가 식별되지 않은 구조적 변화와 관련이 있음을 고려하고 있다.

예시적인 실시예들은 종래의 프로세스에서 오퍼레이터에 의해 이전에 식별할 수 없었던 구조적 변화를 식별하는 방법과 장치를 제공한다. 예시적인 실시예들은, 어떤 경우에는, 이전에 식별할 수 없었던 구조적 변화를 식별하기 위해 음향 파형 데이터를 보다 효율적으로 이용하는 방법과 장치를 제공한다. 예시적인 실시예들은 이전에 식별할 수 없었던 구조적 변화를 식별하기 위해 음향 파형 데이터에서 패턴을 보다 효율적으로 찾을 수 있는 방법과 장치를 제공한다.

예시적인 실시예들은 시험 비용을 줄이고 부품을 제조하기 위한 사이클 시간을 단축할 수 있는 방법과 장치를 제공한다. 예시적인 실시예들은 새로운 재료의 개발에 사용될 수 있는 방법과 장치를 제공한다. 예시적인 실시예들에 의해 식별된 새로운 재료의 동작 특징과 구조적 변화는 종래의 방법보다 더 큰 확실성을 가질 것이다.

이제 도면을 참조하면, 특히 도 1을 참조하면, 시험 환경의 도면이 예시적인 실시예에 따라 도시되어 있다. 이 예시적인 예에서, 시험 환경(test environment; 100)은 물체(102)의 시험을 수행하기 위해 사용될 수 있다. 이 예시적인 예에서, 물체(102)는 복합재 물체의 형태를 취한다. 그러나, 다른 예시적인 예에서, 물체(102)는, 금속 물체와 같지만 이에 한정되지 않는 어떤 다른 타입의 물체일 수도 있다.

음향 감지 시스템(acoustic sensing system; 104)은 물체(102)로부터 방출되는 음향 방출을 검출하기 위해 사용된다. 음향 감지 시스템(104)은 음향 센서(acoustic sensor; 106), 신호 조절 장치(signal conditioner; 107), 및 송신기(transmitter; 108)를 포함한다. 음향 센서(106)의 각각의 음향 센서는 물체(102)와 접촉하여 배치되고 로드(load, 부하)가 물체(102)에 인가되는 바와 같이 시간이 지남에 따라 물체(102)를 통해 방출될 수 있는 음향파를 검출할 수 있다. 이 로드(도시하지 않음)는, 시간이 지남에 따라 일정할 수도 있고, 시간이 지남에 따라 변할 수도 있으며, 시간이 지남에 따라 변화하는 간격과 혼합된 일정한 간격의 패턴을 따를 수도 있다.

이 예시적인 예에서, 음향 센서(106)는 신호 조절 장치(107)를 통해 송신기(108)로 전송되는 음향 방출 신호를 생성한다. 신호 조절 장치(107)는 이들 음향 방출 신호를 증폭, 필터링, 증폭 및 필터링 양쪽 모두를 행할 수 있다. 송신기(108)는, 음향 방출 신호를, 그 후에 처리를 위해 무선으로 분석기 모듈(109)로 송신되는 음향 파형 데이터로 변환할 수 있다. 몇몇의 경우에는, 송신기(108)는 음향 파형 데이터로의 변환 전에 음향 방출 신호의 이득을 조정할 수 있는 전치 증폭기 또는 증폭기 컴포넌트를 포함한다.

도시된 바와 같이, 분석기 모듈(analyzer module; 109)은 컴퓨터 시스템(110)으로 구현된다. 이 예시적인 예에서, 송신기(108)는 컴퓨터 시스템(110) 내의 분석기 모듈(109)로 음향 파형 데이터를 무선으로 전송한다. 다른 예시적인 예에서, 송신기(108)는 하나 이상의 유선 접속을 통해 분석기 모듈(109)로 음향 파형 데이터를 전송할 수 있다.

분석기 모듈(109)은 음향 파형 데이터 및 로드 데이터를 모두 수신한다. 로드 데이터는 시간이 지남에 따라 물체(102)에 인가되는 로드 또는 물체(102)에 의해 경험되는 로드의 측정값을 포함할 수 있다. 분석기 모듈(109)은, 검출된 음향 방출에 기초하여 시간이 지남에 따라 물체(102)의 본질과 구조적인 변경의 모드를 식별하는 데 필요한 시간과 컴퓨터 처리 리소스의 양을 감소시키는 식으로 음향 파형 데이터 및 로드 데이터를 처리한다. 특히, 분석기 모듈(109)은 오퍼레이터가 더욱 쉽고 빠르게 물체(102)의 구조적 건전성을 평가하는 것을 가능하게 하는 출력을 생성한다.

이제 도 2를 참조하면, 물체, 음향 검출 시스템 및 분석기 모듈의 도면이 예시적인 실시예에 따라 블록도의 형태로 도시되어 있다. 물체(200)는 다수의 다른 타입을 취할 수 있다. 하나의 예시적인 예에서, 물체(200)는 복합재 물체(202)의 형태를 취한다. 그러나, 다른 예시적인 예에서, 물체(200)는 금속 물체, 적어도 부분적인 금속 조성물을 갖는 물체, 또는 어떤 다른 타입의 물체의 형태를 취할 수도 있다.

구현에 따라, 물체(200)는 물체(200)의 수명에서의 임의의 스테이지(stage)의 것일 수도 있다. 예를 들어, 제한 없이, 물체(200)는 시험 스테이지, 시스템 통합 스테이지, 서비스 중 스테이지(in-service stage), 유지보수 스테이지, 수리 스테이지, 또는 물체의 수명 중의 시간 내의 어떤 다른 지점에 있을 수도 있다. 하나의 예시적인 예에서, 복합재 물체(202)는 복합 시험 쿠폰(composite test coupon)일 수 있다. 도 1에서의 물체(102)는 도 2에서의 물체(200)에 대한 하나의 구현의 예이다.

음향 감지 시스템(204)은 물체(200)의 로딩(loading, 하중)에 응답하여 물체(200)로부터의 음향 방출(206)을 검출하기 위해 사용된다. 이 로딩은, 구현에 따라, 다수의 다른 방식으로 수행될 수도 있다. 예를 들어, 몇몇의 경우에는, 외부 로드가 확장된 시간 주기 동안 물체(200)에 인가될 수 있는 반면에, 음향 감지 시스템(204)은 이 로딩으로 인해 생기는 음향 방출(206)을 검출하기 위해 사용된다. 다른 예시적인 예에서, 로딩은 물체(200)의 더 큰 구조(물) 또는 시스템으로의 통합에 기인할 수 있다.

물체(200)의 로딩은 시간이 지남에 따라 물체(200)의 구조적 건전성에 영향을 미칠 수 있다. 예를 들어, 로딩은 물체(200)의 구조적 건전성을 저감시키는, 특정의 구조적 변화를 물체(200)에 일으킬 수 있다. 이들 구조적 변화는, 크랙 형성, 스플리팅(splitting, 갈라짐), 크랙의 확장, 분할의 확장, 섬유 파단(fiber breakage), 박리, 어떤 다른 타입의 바람직하지 않은 구조적 변화, 또는 그 조합을 포함할 수 있지만, 이에 한정되는 것은 아니다.

음향 방출(206)은 물체(200)에서의 구조적 변화로 인해 물체(200)를 통해 방출되는 음향파이다. 음향 감지 시스템(204)은 음향 센서의 세트(set of acoustic sensors; 208)를 포함한다. 본원에 사용된 바와 같이, 항목의 "세트(a set of)"는 하나 이상의 항목을 포함할 수 있다. 이런 식으로, 음향 센서의 세트(208)는 하나 이상의 음향 센서를 포함할 수 있다.

음향 센서(210)는 음향 센서의 세트(208) 중의 하나의 음향 센서의 예이다. 하나의 예시적인 예에서, 음향 센서(210)는 음향 방출(206)을 검출하기 위해 물체(200)와 접촉하여 배치된다.

음향 센서의 세트(208)는 음향 방출(206)을 검출하고 검지된 음향 방출(206)에 대한 음향 파형 데이터(212)를 생성한다. 음향 파형 데이터(212)는 분석기 모듈(214)로 전송된다. 분석기 모듈(214)은 유선 통신 링크, 무선 통신 링크, 다른 타입의 통신 링크, 또는 그 조합 중 임의의 수의 통신 링크를 이용하여 음향 검출 시스템(204)으로부터 음향 파형 데이터(212)를 수신할 수 있다.

이 예시적인 예에서, 분석기 모듈(214)은 소프트웨어, 하드웨어, 펌웨어, 또는 그 조합으로 구현될 수 있다. 소프트웨어가 사용되는 경우, 분석기 모듈(214)에 의해 수행되는 동작(operation)은, 예를 들어, 제한 없이, 프로세서 유닛에서 실행되도록 구성된 프로그램 코드를 이용하여 구현될 수 있다. 펌웨어가 사용되는 경우, 분석기 모듈(214)에 의해 수행되는 동작은, 예를 들어, 제한 없이, 프로세서 유닛에서 실행되도록 영구 메모리에 저장된 프로그램 코드 및 데이터를 이용하여 구현될 수 있다.

하드웨어가 사용되는 경우, 하드웨어는 분석기 모듈(214)의 동작을 수행하도록 동작하는 하나 이상의 회로를 포함할 수 있다. 구현에 따라, 하드웨어는 회로 시스템, 집적 회로, 응용 주문형 집적 회로(application specific integrated circuit, ASIC), 프로그래머블 로직 디바이스(programmable logic device), 또는 임의의 수의 동작을 수행하도록 구성된 어떤 다른 적절한 타입의 하드웨어 장치의 형태를 취할 수 있다.

프로그래머블 로직 디바이스는 특정 동작을 수행하도록 구성될 수 있다. 이 장치는 영구적으로 이들 동작을 수행하도록 구성될 수 있거나 또는 재구성될 수 있다. 프로그래머블 로직 디바이스는, 예를 들어, 제한 없이, 프로그래머블 로직 어레이(programmable logic array), 프로그래머블 어레이 로직(programmable array logic), 필드 프로그래머블 로직 어레이(field programmable logic array), 필드 프로그래머블 게이트 어레이(field programmable gate array), 또는 어떤 다른 타입의 프로그래머블 하드웨어 디바이스(programmable hardware device)의 형태를 취할 수 있다.

이 예시적인 예에서, 분석기 모듈(214)은 컴퓨터 시스템(216)을 이용하여 구현된다. 도 1의 컴퓨터 시스템(110)으로 구현되는 분석기 모듈(109)은 컴퓨터 시스템(216)으로 구현되는 분석기 모듈(214)에 대한 하나의 구현의 예일 수 있다. 컴퓨터 시스템(216)은 서로 통신하는 단일 컴퓨터 또는 다중 컴퓨터를 포함할 수 있다.

음향 파형 데이터(212)를 수신하는 것에 더하여, 분석기 모듈(214)은 또한 로드 데이터(218)를 수신한다. 하나의 예시적인 예에서, 로드 데이터(218)는 로드 감지 시스템(load sensing system; 220)에 의해 생성된 데이터일 수 있다. 로드 감지 시스템(220)은 시간이 지남에 따라 물체(200)의 로딩을 측정하는 하나 이상의로드 센서를 포함할 수 있다.

다른 예시적인 예에서, 분석기 모듈(214)은 데이터베이스(222)로부터 로드 데이터(218)를 검색한다. 예를 들어, 제한 없이, 로드 데이터(218)는 동일하거나 유사한 로딩 조건 하에 물체(200)와 유사한 물체에 대해 생성된 이전에 생성된 로드 데이터일 수 있다.

분석기 모듈(214)은 로드 데이터(218)에 대한 복수의 빈(bin; 224)을 작성(create)한다. 복수의 빈(224)은 복수의 빈 폭(bin width; 226)을 갖는다. 특히, 복수의 빈(224)의 각 빈은 복수의 빈 폭(226)에서 대응하는 빈 폭을 갖는다. 하나의 예시적인 예에서는, 복수의 빈 폭(226)이 동일할 수 있다. 그러나, 다른 예시적인 예에서는, 복수의 빈 폭(226) 중의 하나 이상의 빈 폭이 다를 수 있다.

몇몇의 예시적인 예에서, 복수의 빈 폭(226)은 복수의 시간-기반의 복수의 빈 폭이다. 바꾸어 말하면, 복수의 빈(224)의 각 빈은 시간 간격에 대응할 수 있다. 다른 예시적인 예에서, 복수의 빈 폭(226)은 복수의 로드-기반의 빈 폭이다. 바꾸어 말하면, 복수의 빈(224)의 각 빈은 로드 간격에 대응할 수 있다.

분석기 모듈(214)은 복수의 빈(224) 및 음향 파형 데이터(212)를 이용하여 복수의 주파수 분포 함수(frequency distribution function; 228)를 생성한다. 하나의 예시적인 예에서, 복수의 주파수 분포 함수(228)는 복수의 주파수 히스토그램(frequency histogram; 230)의 형태를 취한다.

복수의 주파수 분포 함수(228)는 복수의 빈(224)의 각 빈에 대한 하나의 주파수 분포 함수를 포함한다. 예를 들어, 분석기 모듈(214)은 빈(234)에 대한 주파수 분포 함수(frequency distribution function; 232)를 생성한다. 빈(234)은 정의된 시간 간격 또는 정의된 로드 간격일 수 있는 정의된 빈 폭을 갖는다.

하나의 예시적인 예에서, 분석기 모듈(214)은 선택된 주파수 범위를 복수의 주파수 빈(235)으로 분할함으로써 주파수 분포 함수(232)를 생성한다. 구현에 따라, 복수의 주파수 빈(235)은 동일하거나 다른 빈 폭을 가질 수 있다. 복수의 주파수 빈(235)에서의 각 주파수 빈은 카운트(count)를 유지하는 데 사용되는바, 따라서 증가될 수 있다.

분석기 모듈(214)은, 그 후, 로드 데이터(218)에 대한 음향 파형 데이터(212)를 처리한다. 예를 들어, 복수의 빈(224)의 각 빈에 대해, 분석기 모듈(214)은 음향 파형 데이터(212)를 이용하여 그 빈 내에 들어가는 파형의 세트를 식별한다. 그 후, 분석기 모듈(214)은 복수의 빈(224)의 각 빈에 대해 식별된 파형의 세트에 대한 고속 푸리에 변환(Fast Fourier Transform)을 계산(compute)한다.

하나의 예시적인 예로서, 분석기 모듈(214)은 음향 파형 데이터(212)를 이용하여 빈(234) 내에 들어가는 파형의 세트(238)를 식별한다. 몇몇의 예시적인 예에서, 복수의 빈(224)에 대한 복수의 빈 폭(226)는 적어도 하나의 파형이 복수의 빈(224)의 각 빈 내에 완전히 들어가도록 선택될 수 있다. 다음으로, 분석기 모듈(214)은 빈(234) 내에 들어가는 파형의 세트(238)에 대해 고속 푸리에 변환을 계산한다. 분석기 모듈(214)은, 그 후, 계산된 고속 푸리에 변환에 기초하여 파형의 세트(238)에 대한 주파수 피크(frequency peak; 240)를 식별한다.

하나의 예시적인 예에서, 분석기 모듈(214)은 파형의 세트(238) 중의 각 파형에 대해 정의된 수의 주파수 피크(frequency peak)를 선택한다. 본원에 사용된 바와 같이, "다수(number of)"의 항목은 하나 이상의 항목을 포함할 수 있다. 이런 식으로, 정의된 수의 주파수 피크는 하나 이상의 주파수 피크를 포함할 수 있다. 몇몇의 경우에는, 분석기 모듈(214)에 의해 선택된 다수의 주파수 피크는, 예를 들어, 제한없이, 파형의 세트(238)에 대해 계산된 고속 푸리에 변환(Fast Fourier Transformer)에 기초하여 파형의 세트(238) 중의 각각의 파형에 대한 3, 4, 5, 8 또는 몇몇의 다른 수의 주파수 피크로 될 수 있다.

분석기 모듈(214)은, 식별된 주파수 피크가 대응하는 주파수 빈 내에 속할 때, 복수의 주파수 빈(235) 중의 대응하는 주파수 빈을 증가시킨다. 예를 들어, 주파수 피크(240) 중의 어느 것이 약 80 킬로헤르쯔(kilohertz, kHz) 내지 약 90 킬로헤르쯔로의 범위에 대응하는 주파수 빈 내에 들어가는 경우에, 그 주파수 빈은 이 범위 내에 들어가는 주파수 피크의 총수만큼 증가된다. 이 프로세스는 빈(234)에 대한 주파수 분포 함수(232)를 작성한다.

다른 예시적인 예에서, 복수의 주파수 빈(235)은 다르게 축적될 수 있다. 예를 들어, 복수의 주파수 빈(235) 중의 하나의 주파수 빈은 음향 파형 데이터(212)를 이용하여 계산된 그 주파수 빈에서의 에너지의 축적(accumilation)일 수 있다.

빈(234)에 대한 주파수 분포 함수(232)를 작성하는 프로세스는, 궁극적으로 복수의 주파수 분포 함수(228)를 작성하기 위해 복수의 빈(224)의 각각에 대해 반복된다. 복수의 주파수 분포 함수(228)는, 오퍼레이터에게 물체(200)의 구조적 건전성을 신속하게 평가하는 간단한 방법을 제공한다.

물체(200)가 시험 물체일 때, 복수의 주파수 분포 함수(228)의 또 다른 처리가 분석기 모듈(214)에 의해 수행된다. 예를 들어, 제한 없이, 분석기 모듈(214)은 복수의 주파수 분포 함수(228)를 이용하여 복수의 클러스터(cluster; 242)를 작성한다. 복수의 클러스터(242)는 흥미있는 복수의 클러스터이다.

하나의 예시적인 예에서, 분석기 모듈(214)은 복수의 클러스터(242)를 확립하기 위해 복수의 주파수 분포 함수(228)에 하나 이상의 비감독 학습 알고리즘(unsupervised learning algorithms)을 적용한다. 복수의 클러스터(242)의 각 클러스터는 복수의 주파수 분포 함수(228)로부터의 주파수 분포 함수의 그룹화(grouping)이다.

본원에 사용된 바와 같이, 비감독 학습 알고리즘은 라벨(label)된 응답이 없는 데이터를 포함하는 데이터 세트로부터 추론(inference)을 묘사하기 위한 기계 학습 알고리즘이다. 비감독 학습의 일례는 클러스터링(clustering, 집단화)이다. 클러스터링 알고리즘은 클러스터로 지칭될 수 있는 동일한 그룹의 요소가 다른 그룹의 요소보다 서로 더 유사한 방식으로 요소의 세트를 그룹화하기 위한 알고리즘일 수 있다.

이들 예시적인 예에서, 분석기 모듈(214)은 복수의 클러스터(242)를 형성하도록 복수의 주파수 분포 함수(228) 중의 주파수 분포들을 그룹화하기 위해 일련의 비감독 학습 알고리즘을 사용할 수 있다. 구현에 따라, k-평균 클러스터링 알고리즘(k-means clustering algorithm), 혼합 모델 클러스터링 알고리즘, 계층적 클러스터링 알고리즘, 몇몇의 다른 타입의 클러스터링 알고리즘, 몇몇의 다른 타입의 비감독 학습 알고리즘, 또는 그 조합이 복수의 클러스터(242)를 식별하기 위해 사용될 수 있다.

복수의 클러스터(242)의 각 클러스터는 물체(200)의 구조적 건전성에 영향을 미치는 구조적 변화에 대응한다. 하나의 예시적인 예에서, 복수의 클러스터(242)의 각 클러스터는 물체(200)의 구조적 건전성을 감소시키는 다른 모드의 구조적 변화에 대응한다.

하나의 예시적인 예에서, 분석기 모듈(214)은 복수의 클러스터(242)에 대한 복수의 디스크립터(descriptor; 244)를 식별한다. 클러스터에 대한 디스크립터는, 중심(centroid), 평균(mean), 또는 클러스터에 대한 몇몇의 다른 타입의 대표적인 주파수 분포 함수일 수 있다. 하나의 예시적인 예로서, 디스크립터는 그 클러스터에 대한 중심 주파수 분포 함수일 수 있다.

복수의 클러스터(242)는 대체 시험 데이터(alternate test data; 236)를 이용하여 복수의 모드의 구조적 변화와 연관될 수 있다. 대체 시험 데이터(236)는 물체(200)에서의 구조적 변화가 쉽게 식별될 수 있는 데이터일 수 있다. 예를 들어, 대체 시험 데이터(236)는 x-레이 이미징 데이터(x-ray imaging data), 초음파 이미징 데이터, 적외선 이미징 데이터, 모델링 데이터(modeling data), 또는 몇몇의 다른 타입의 데이터의 형태를 취할 수 있다. 모델링 데이터는 컴퓨터 모델로부터 생성될 수 있다.

하나의 예시적인 예로서, 제한 없이, 대체 시험 데이터(236)는 물체(200)의 로딩 중에 물체(200)에 대해 생성된 인-시튜 x-레이 데이터(in-situ x-ray data)의 형태를 취한다. 대체 시험 데이터(236)는, 그 후 물체(200)에서의 구조적 변화를 감지하고 이들 구조적 변화를 복수의 모드(246)로서 식별하기 위해 사용된다. 복수의 모드(246)의 각 모드는 다른 타입의 구조적 변화일 수 있다. 몇몇의 경우에는, 복수의 모드(246)의 각 모드는 구조적 손상(structural compromise)의 하나의 모드로서 지칭될 수도 있다.

예를 들어, 제한 없이, 물체(200)가 복합 시험 쿠폰(composite test coupon)의 형태를 취할 때, 복수의 모드(246)는 크랙 형성(crack formation), 크랙 확장(crack extension), 스플리팅(splitting, 갈라짐), 스플릿 확장을 포함할 수 있다. 몇몇의 경우에는, 복수의 모드(246)는 또한 섬유 파단(fiber breakage), 박리(delamination) 또는 몇몇의 다른 형태의 구조적 손상을 포함할 수도 있다.

복수의 모드(246) 및 복수의 클러스터(242)는 모두, 복수의 클러스터(242)의 각 클러스터가 실질적으로 복수의 모드(246)의 대응하는 모드와 중첩되도록, 로드 데이터(218)에 역으로 맵핑된다. 바꾸어 말하면, 복수의 모드(246)는 로드 데이터(218)를 이용하여 특정 시간, 로드 조건, 또는 양쪽 모두에 역으로 매핑될 수 있다.

마찬가지로, 복수의 클러스터(242)는 로드 데이터(218)를 이용하여 특정 시간, 로드 조건 또는 양쪽 모두에 역으로 매핑될 수 있다. 예를 들어, 제한 없이, 로드 데이터(218)에 대한 복수의 빈(224)의 각 빈은 복수의 클러스터(242) 중의 특정 클러스터에 들어가는 하나 이상의 파형을 유지하는 것으로 지정될 수 있다.

하나의 예시적인 예에서, 복수의 클러스터(242)의 각 클러스터가 시간에 관해 복수의 모드(246)의 대응하는 모드와 실질적으로 중첩되거나, 선택된 공차(tolerance) 내에서 중첩될 수 있다. 이런 식으로, 복수의 클러스터(242)의 각 클러스터는 복수의 모드(246)의 대응하는 모드와 짝을 이룰 수 있거나, 또는 복수의 모드(246)의 대응하는 모드에 할당될 수 있다. 하나의 예시적인 예에서, 복수의 클러스터(242)의 각 클러스터에 대응하는 디스크립터는 복수의 모드(246)의 대응하는 모드와 짝을 이룬다. 바꾸어 말하면, 복수의 디스크립터(244)는 복수의 모드(246)와 짝을 이룰 수 있다.

하나의 예시적인 예에서, 복수의 클러스터(242)는 제1 디스크립터를 갖는 제1 클러스터, 제2 디스크립터를 갖는 제2 클러스터, 제3 디스크립터를 갖는 제3 클러스터, 및 제4 디스크립터를 갖는 제4 클러스터를 포함할 수 있다. 이 예시적인 예에서, 제1 클러스터 및 제1 디스크립터는 제1 모드의 구조적 변화를 나타낸다. 제2 클러스터 및 제2 디스크립터는 제2 모드의 구조적 변화를 나타낸다. 제3 클러스터 및 제3 디스크립터는 제3 모드의 구조적 변화를 나타낸다. 제4 클러스터 및 제4 디스크립터는 제4 모드의 구조적 변화를 나타낸다. 물론, 다른 예시적인 예에서, 복수의 클러스터(242)는 4개의 클러스터보다 적거나 또는 4개의 클러스터보다 많은 클러스터를 포함할 수 있다.

일단 복수의 클러스터(242)의 각 클러스터가 대응하는 모드의 구조적 변화와 관련되어 있다면, 복수의 클러스터(242)에 대한 복수의 디스크립터(244)가 장래의 사용을 위해 저장된다. 예를 들어, 복수의 디스크립터(244)는, 각 디스크립터에 대한 모드 분류에 따라, 데이터베이스(222), 몇몇의 다른 타입의 데이터 구조 또는 데이터 저장소(data storage)에 저장될 수 있다.

하나의 예시적인 예에서, 분석기 모듈(214)은 복수의 디스크립터(244)의 대응하는 디스크립터와 복수의 모드(246)의 각 모드의 페어링(pairing, 짝 이루기)을 식별하는 디스크립터 분류 출력(248)을 생성한다. 디스크립터 분류 출력(248)은, 장래의 사용을 위해, 데이터베이스(222), 몇몇의 다른 타입의 데이터 구조 또는 데이터 저장소에 저장될 수 있다. 이런 식으로, 디스크립터 분류 출력(248)은 물체(200)와 구조적으로 동일하거나 또는 물체(200)와 구조적으로 유사한 하나 이상의 부품의 구조적 건전성(structural integrity)을 평가하기 위해 사용될 수 있는 베이스라인 데이터(baseline data, 기준 데이터)를 확립한다.

다른 예시적인 예에서, 물체(200)는 시험 물체가 아닐 수도 있다. 오히려, 물체(200)는 서비스 중 스테이지, 유지 보수 스테이지, 수리 스테이지, 인증 스테이지, 또는 물체(200)의 수명에서의 몇몇의 다른 타입의 스테이지에 있을 수 있다. 이들 예시적인 예에서는, 일단 복수의 주파수 분포 함수(228)가 생성되면, 분석기 모듈(214)은 복수의 주파수 분포 함수(228)에 하나 이상의 감독 학습 알고리즘을 적용한다.

본원에 사용된 바와 같이, 감독 학습 알고리즘은 라벨(label)된 훈련 데이터로부터 추론을 묘사하기 위한 기계 학습 알고리즘이다. 이들 예시적인 예에서, 이 라벨된 트레이닝 데이터는, 복수의 클러스터(242) 중의 한 클러스터와 대응하는 복수의 디스크립터(244)의 각 디스크립터를, 복수의 모드(246)의 대응하는 모드로 라벨링하는 디스크립터 분류 출력(248)의 형태를 취한다.

지지 벡터 머신(support vector machine)은 감독 학습 알고리즘의 한 가지 타입의 예이다. 예를 들어, 제한 없이, 지지 벡터 머신은 분류 출력(250)을 생성하기 위해 복수의 주파수 분포 함수(228) 및 저장된 복수의 디스크립터(247)에 적용될 수 있다. 저장된 복수의 디스크립터(247)는 복수의 디스크립터(244)와 유사한 방식으로 생성된다. 저장된 복수의 디스크립터(247)는 데이터베이스(222), 몇몇의 다른 타입의 데이터 구조 또는 데이터 저장소에 저장될 수 있다.

특히, 이진 결정(binary decision)은 저장된 복수의 디스크립터(247)에 기초하여 복수의 빈(224)의 각 빈에 대해 이루어진다. 구체적으로는, 복수의 빈(224)의 각 빈에 대해 생성된 주파수 분포 함수는 복수의 디스크립터(244)의 각 디스크립터에 대하여 분석된다.

예를 들어, 제한 없이, 빈(234)에 대한 주파수 분포 함수(232)는 저장된 복수의 디스크립터(247)의 각 디스크립터에 대하여 분석될 수 있다. 판정(determination)은, 주파수 분포 함수(232)가 선택된 공차 내의 디스크립터와 일치하는지 여부에 관해 이루어진다. 주파수 분포 함수(232)가 선택된 공차 내에서 디스크립터와 일치하는 경우, 빈(234) 내에 들어가는 파형의 세트(238)가 그 디스크립터에 대응하는 모드를 나타내는 것으로 분류될 수 있다. 이 결정은 저장된 복수의 디스크립터(247)의 각 디스크립터에 대해 수행된다.

이러한 타입의 이진 결정이 저장된 복수의 디스크립터(247)의 각 디스크립터에 대해 이루어지고 있기 때문에, 복수의 빈(224)의 각 빈은 다중 모드의 구조적 변화를 나타내는 것으로 분류될 수 있다. 이런 식으로, 복수의 빈(224) 중 임의의 주어진 빈에 들어가는 파형의 세트는 하나 이상의 모드의 구조적 변화를 나타내는 것으로 분류될 수 있다. 몇몇의 경우에는, 특정 빈의 파형의 세트는 복수의 모드(246) 중의 임의의 특정 모드를 나타내지 않도록 결정될 수 있다.

하나의 예시적인 예에서, 분석기 모듈(214)은 상술한 분석에 기초하여 복수의 모드(246)의 하나 이상의 모드를 이용하여 복수의 빈(224)의 각 빈의 분류를 포함하는 분류 출력(250)을 생성한다. 다른 예시적인 예에서, 분석기 모듈(214)은 복수의 모드(246)의 하나 이상의 모드를 이용하여 음향 파형 데이터(212)의 각 파형의 분류를 식별하는 분류 출력(250)을 생성한다.

따라서, 예시적인 실시예들은 물체(200)의 구조적 건전성을 평가하기 위한 정확하고 효율적인 방법을 제공한다. 이러한 타입의 평가에 기초하여 얻어진 정보는, 그 후, 인증, 유지보수, 수리, 시스템 통합, 몇몇의 다른 타입의 작업, 또는 그 조합에 대하여 물체(200)에 관한 결정을 행하기 위해 사용될 수 있다.

분석기 모듈(214)에 의해 수행되는 처리는, 다른 타입의 물체 및 로드 조건에 대해 쉽게 맞추어질 수 있다. 하나의 예시적인 예로서, 복수의 빈 폭(226)이 물체(200)의 로딩의 타입에 기초하여 선택될 수 있다. 예를 들어, 제한 없이, 물체(200)가 더 빠르게 로드될 때는, 음향 방출(206)은 더 급속하게 발생할 수 있다. 복수의 빈 폭(226)은 이벤트의 더 명확한 분리를 허용하기 위해 더 작은 빈을 작성하도록 선택될 수 있다. 그렇지만, 물체(200)가 더 느리게 로드될 때는, 음향 방출(206)은 더 느리게 발생할 수 있다. 복수의 빈 폭(226)은, 그 후, 처리해야 할 필요가 있는 데이터의 전체 볼륨을 줄이기 위해 더 큰 빈을 작성하도록 선택될 수 있다.

더욱이, 몇몇의 예시적인 예에서, 분석기 모듈(214)은 그래픽 사용자 인터페이스를 통해 디스크립터 분류 출력(248), 분류 출력(250), 또는 양쪽 모두를 디스플레이 시스템에 디스플레이하도록 구성될 수 있다. 몇몇의 경우에는, 복수의 주파수 분포 함수(228)가 디스플레이 시스템(252)에 디스플레이될 수도 있다. 이런 식으로, 오퍼레이터는 물체(200)에 관한 결정을 빠르고 쉽게 행할 수 있다.

도 2에서의 물체(200), 음향 검출 시스템(204), 분석기 모듈(214)의 도면은 예시적인 실시예가 구현될 수 있는 방식에 물리적 또는 구조적 제한을 내포하는 것으로 의도되지 않는다. 도시된 것들에 더하여 또는 도시된 것들 대신에 다른 컴포넌트가 사용될 수도 있다. 일부 컴포넌트는 선택적일 수도 있다. 또한, 일부 기능적 컴포넌트를 설명하기 위해 블록들이 제공된다. 이들 블록 중 하나 이상은, 예시적인 실시예에서 구현되는 경우에 다른 블록들과 결합되거나, 다른 블록들로 분할되거나, 또는 다른 블록들과 결합 및 분할될 수 있다.

예를 들어, 제한 없이, 몇몇의 경우에, 음향 감지 시스템(204)은 도 1에서의 신호 조절 장치(107)와 같은 적어도 하나의 신호 조절 장치(도시하지 않음), 및 도 1에서의 송신기(108)와 같은 송신기(도시하지 않음)를 포함할 수도 있다. 하나의 예시적인 예로서, 신호 조절 장치는 음향 센서(210)에 의해 검출된 음향 방출 신호의 주파수 성분을 증폭 및 필터링하기 위해 사용될 수 있다. 음향 방출 신호는, 그 후, 음향 파형 데이터(212)를 분석기 모듈(214)로 송신하는 송신기에 의해 음향 파형 데이터(212)로 변환될 수 있다. 송신기는 하나 이상의 무선 통신 링크, 유선 통신 링크, 또는 다른 타입의 통신 링크를 이용하여 음향 파형 데이터(212)를 분석기 모듈(214)로 송신할 수 있다.

몇몇의 경우에는, 단일의 신호 조절 장치가 음향 센서의 세트(208)에 의해 생성된 음향 방출 신호의 세트를 증폭 및 필터링하기 위해 사용될 수도 있다. 다른 예시적인 예에서, 음향 센서의 세트(208)의 각 음향 센서는 다른 신호 조절 장치에 연결될 수 있다. 또 다른 예시적인 예에서, 신호 조절 장치는 음향 센서의 세트(208)의 각 음향 센서의 일부로서 통합될 수도 있다.

더욱이, 분류 출력(250)은 하나 이상의 감독 학습 알고리즘을 이용하여 생성되는 것으로 설명되었지만, 다른 예시적인 예에서는, 준감독 학습 알고리즘(semi-supervised learning algorithm) 또는 감독 및 비감독 학습을 결합하는 프로세스가 분류 출력(250)을 생성하기 위해 사용될 수도 있다. 또한 더욱이, 디스크립터 분류 출력(248)은 하나 이상의 비감독 학습 알고리즘을 이용하여 생성되는 것으로 설명되었지만, 다른 예시적인 예에서는 준감독 학습 알고리즘 또는 감독 및 비감독 학습을 결합하는 프로세스가 디스크립터 분류 출력(248)을 생성하기 위해 사용될 수도 있다.

이제 도 3을 참조하면, 항공기의 사시도의 도면이 예시적인 실시예에 따라 도시되어 있다. 이 예시적인 예에서, 항공기(300)는 동체(306)에 부착된 날개(302) 및 날개(304)를 포함한다. 항공기(300)는 또한 날개(302)에 부착된 엔진(308) 및 날개(304)에 부착된 엔진(310)도 포함한다.

더욱이, 항공기(300)는 꼬리 부분(312)을 포함한다. 수평 스태빌라이저(horizontal stabilizer, 수평 안정판)(314), 수평 스태빌라이저(316) 및 수직 스태빌라이저(318)는 꼬리 부분(312)에 부착되어 있다.

도 2에서의 음향 센서 시스템(204) 또는 도 1에서의 음향 센서 시스템(104)과 같은 음향 센서 시스템(도시하지 않음)은, 항공기의 수명 동안 항공기(300)의 각종 부품의 음향 방출을 모니터하도록 비행기(300)에 관하여 배치될 수 있다. 예를 들어, 제한 없이, 음향 센서 시스템은 항공기(300)를 따라 적절한 장소(location; 320)에 각종의 음향 센서(도시하지 않음)를 포함할 수도 있다. 장소(320)는, 항공기(300)의 어떤 부품의 표면과 접촉하고 있거나, 항공기(300)의 어떤 부품 또는 구조(물) 내에 매립되거나, 항공기(300)의 어떤 부품 또는 구조(물)에 근접하고 있지만 그와 접촉하고 있지 않거나, 또는 그 조합의 장소를 포함할 수도 있다.

항공기(300)의 수명 동안 임의의 스테이지에서, 음향 검출 시스템(204)에 의해 생성된 음향의 파형 데이터는 도 2에서의 분석기 모듈(214)에 의해 수집 및 분석될 수 있다. 이런 식으로, 항공기(300)의 각종 부품이나 구조(물)의 구조적 건전성이 분석될 수 있고, 임의의 검출된 원하지 않는 구조적 변화가 분류될 수 있다.

이제 도 4를 참조하면, 음향 방출을 이용하여 물체를 분석하기 위한 프로세스의 도면이 예시적인 실시예에 따라 플로우차트의 형태로 도시되어 있다. 도 4에 도시된 프로세스는 도 2에 도시된 분석기 모듈(214)에 의해 구현될 수 있다.

프로세스는, 음향 파형 데이터가 음향 감지 시스템에 의해 검출되는 것과 같은 물체로부터 방출되는 음향 방출을 나타내는 음향 센서 시스템으로부터 물체에 대한 음향 파형 데이터를 수신함으로써(동작 400) 시작될 수 있다. 다음에, 물체에 대한 로드 데이터가 수신된다(동작 402). 그 후, 복수의 빈(bin)이 로드 데이터에 대해 작성된다(동작 404).

동작 404에서, 구현에 따라, 복수의 빈은 복수의 시간 빈(time bin) 또는 복수의 로드 빈(load bin)일 수 있다. 복수의 주파수 분포 함수가, 그 후, 음향 파형 데이터를 이용하여 복수의 빈에 대해 생성된다(동작 406). 동작 406에서는, 주파수 분포 함수가 복수의 빈의 각 빈에 대해 생성된다. 몇몇의 예시적인 예에서는, 복수의 주파수 분포 함수는 복수의 주파수 히스토그램의 형태를 취한다.

그 후, 오퍼레이터가 더욱 쉽고 빠르게 물체의 구조적 건전성을 평가하는 것을 가능하게 하는 출력을 생성하기 위해 복수의 주파수 분포 함수 및 음향 파형 데이터에 학습 알고리즘의 세트가 적용되고(동작 408), 이 프로세스는 그 후에 종료된다. 도 4에 설명된 프로세스는, 물체가 동시에 발생하는 다중 모드의 구조적 변화를 받을 때 물체의 구조적 건전성을 정확하게 평가하기 위해 필요하게 되는 전체적인 시간, 노력 및 컴퓨터-기반 프로세싱 리소스를 줄일 수 있다.

이제 도 5를 참조하면, 복수의 주파수 분포 함수를 생성하기 위한 프로세스의 도면이 예시적인 실시예에 따라 플로우차트의 형태로 도시되어 있다. 도 5에 도시된 프로세스는, 도 2에 설명된 분석기 모듈(214)에 의해 구현될 수 있다. 이 프로세스는 도 4에서의 동작 406을 구현하기 위해 사용될 수 있다.

이 프로세스는, 복수의 주파수 빈을 작성함으로써 시작된다(동작 500). 동작 500에서, 복수의 주파수 빈의 각 빈은 정의된 빈 폭을 가질 수 있다. 복수의 주파수 빈의 빈 폭은 동일할 수 있거나 서로 다를 수 있다. 하나의 예시적인 예에서, 동작 500은 정의된 주파수 간격에 기초하여 선택된 주파수 범위를 복수의 주파수 빈으로 분할함으로써 수행된다.

그 후, 하나의 빈(bin)이 처리를 위해 복수의 빈으로부터 선택된다(동작 502). 동작 502에서, 복수의 빈은, 예를 들어, 도 4에서의 동작 404에서 생성된 복수의 빈일 수 있다.

다음에, 선택된 빈 내에 들어가는 파형의 세트가 식별된다(동작 504). 파형의 세트에 대해 고속 푸리에 변환(FFT)이 계산된다(동작 506). 다수의 주파수 피크가 파형의 세트의 각 파형에 대해 식별된다(동작 508). 그 안에 주파수 피크가 들어가는 복수의 주파수 빈의 각 주파수 빈이 증가된다(동작 510). 이런 식으로, 주파수 분포 함수가 선택된 빈에 대해 생성된다. 동작 510은, 복수의 주파수 빈이 동작 506에서 계산된 고속 푸리에 변환 및 동작 508에서 식별된 파형의 세트의 각 파형에 대해 식별된 다수의 주파수 피크에 기초하여 업데이트될 수 있는 방법의 일례이다.

그 다음에 어느 추가적인 빈이 처리될 필요가 있는지 여부에 관한 판정이 행해진다(동작 512). 추가적인 빈이 처리될 필요가 없다면, 이 프로세스는 종료된다. 그렇지 않으면, 이 프로세스는 전술한 동작 502로 되돌아간다. 도 5에서 설명된 프로세스는 복수의 빈에 대한 복수의 주파수 분포 함수의 생성을 초래한다.

이제 도 6을 참조하면, 출력을 생성하기 위해 복수의 주파수 분포 함수에 학습 알고리즘의 세트를 적용하기 위한 하나의 프로세스의 도면이 예시적인 실시예에 따라 플로우차트의 형태로 도시되어 있다. 도 6에 도시된 프로세스는, 도 2에서의 분석기 모듈(214)에 의해 구현될 수 있으며, 도 4에서의 동작 408이 구현될 수 있는 방법의 일례일 수 있다.

이 프로세스는, 복수의 클러스터를 확립하기 위해 복수의 주파수 분포 함수에 일련의 비감독 학습 알고리즘을 적용함으로써 시작될 수 있다(동작 600). 동작 600에서, 복수의 주파수 분포 함수는 비감독 학습 알고리즘에 기초하여 클러스터로 그룹화된다.

다음에, 복수의 디스크립터가 복수의 클러스터에 대해 식별된다(동작 602). 동작 602에서, 디스크립터는 각 클러스터에 대해 식별된다. 디스크립터는 클러스터에 대한 대표적인 주파수 분포 함수이다. 특정 클러스터에 대한 디스크립터는, 예를 들어, 제한 없이, 그 클러스터에 대한 중심 주파수 분포 함수 또는 평균 주파수 분포 함수일 수 있다.

그 후, 복수의 디스크립터의 각 디스크립터는, 대체 시험 데이터를 이용한 복수의 모드의 식별에 기초를 둔 특정 모드의 구조적 변화와 연관된다(동작 604). 동작 604에서, 대체 시험 데이터는, 예를 들어, x-레이 데이터일 수 있다. 더욱이, 복수의 모드는, 예를 들어, 제한 없이, 섬유 파단, 스플릿, 스플릿 확장, 박리, 크랙 형성, 크랙 확장, 또는 몇몇의 다른 모드의 구조적 변화를 포함할 수 있다.

복수의 디스크립터의 각 디스크립터를 복수의 모드의 특정 모드와 짝을 이루는 디스크립터 분류 출력이 생성되고(동작 606), 이 프로세스는 그 후에 종료된다. 이 디스크립터 분류 출력은, 그 후, 다른 물체의 구조적 건전성의 평가를 수행하기 위해 사용될 수 있다.

이제 도 7을 참조하면, 출력을 생성하기 위해 복수의 주파수 분포 함수에 학습 알고리즘의 세트를 적용하기 위한 다른 프로세스의 도면이 예시적인 실시예에 따라 플로우차트의 형태로 도시되어 있다. 도 7에 도시된 프로세스는, 도 2에서의 분석기 모듈(214)에 의해 구현될 수 있으며, 도 4에서의 동작 408이 구현될 수 있는 방법의 다른 예일 수 있다.

이 프로세스는, 복수의 주파수 분포 함수 및 복수의 디스크립터에 일련의 감독 학습 알고리즘을 적용함으로써 시작될 수 있다(동작 700). 하나의 주파수 분포 함수가 복수의 주파수 분포 함수로부터 선택된다(동작 702). 복수의 주파수 분포 함수의 각 주파수 분포 함수는 로드 데이터에 기초하여 특정 시간 빈 또는 로드 빈 내에 들어가는 파형의 세트를 나타낸다.

다음에, 하나의 디스크립터가 저장된 복수의 디스크립터로부터 선택된다(동작 704). 동작 704에서, 저장된 복수의 디스크립터는 도 6에 설명된 프로세스와 유사한 방식으로 미리 생성된 음향 파형 데이터에 대해 미리 식별될 수 있다. 저장된 복수의 디스크립터의 각 디스크립터는 다른 모드의 구조적 변화에 대응한다.

그 후, 선택된 주파수 분포 함수가 선택된 디스크립터에 대해 분석된다(동작 706). 예를 들어, 동작 706에서는, 주파수 분포 함수가 클러스터에 대한 대표적인 주파수 분포 함수일 수 있는 디스크립터와 비교될 수 있다.

다음에, 주파수 분포 함수가 분석에 기초를 둔 이진 분류 값을 부여한다(동작 708). 동작 708에서, 이진 분류 값은 제1 값 또는 제2 값 중 하나일 수 있다. 예를 들어, 제1 값은 주파수 분포 함수가 선택된 공차 내에서 디스크립터와 매치하지 않음을 나타낼 수 있고, 반면에 제2 값은 주파수 분포 함수가 선택된 공차 내에서 디스크립터와 매치함을 나타낼 수 있다. 몇몇의 경우에는, 제1 값 및 제2 값이 각각 양의 분류 값과 음의 분류 값으로 지칭될 수 있다.

그 후, 어떤 선택되지 않은 디스크립터가 남아 있는지 여부에 관한 판정이 행해진다(동작 710). 어떤 선택되지 않은 디스크립터가 남아 있으면, 프로세스는 전술한 동작 704로 되돌아간다. 그렇지 않으면, 어떤 선택되지 않은 주파수 분포 함수가 남아 있는지 여부에 관한 판정이 행해진다(동작 712). 어떤 선택되지 않은 주파수 분포 함수가 남아 있으면, 프로세스는 전술한 동작 702로 되돌아간다.

그렇지 않으면, 프로세스는 복수의 주파수 분포 함수의 각 주파수 분포 함수에 대한 분류 결과를 식별하는 분류 출력을 생성하고(동작 714), 이 프로세스는 그 후에 종료된다. 동작 714에서, 특정 주파수 분포 함수에 대한 분류 결과는 그 주파수 분포 함수가 제로, 하나, 둘, 셋, 넷, 다섯, 또는 몇몇의 다른 수의 모드의 구조적 변화를 나타내는지 여부를 식별한다.

이제 도 8을 참조하면, 음향 방출을 이용하여 항공기의 복합재 물체를 분석하기 위한 프로세스의 도면이 예시적인 실시예에 따라 플로우차트의 형태로 도시되어 있다. 도 8에 도시된 프로세스는 도 2에 설명된 음향 감지 시스템(204) 및 분석기 모듈(214)을 이용하여 구현될 수 있다.

이 프로세스는, 음향 파형 데이터를 생성하기 위해 음향 감지 시스템을 이용하여 항공기의 복합재 물체로부터 방출되는 음향 방출을 검출함으로써 시작될 수 있다(동작 800). 다음에, 물체에 대한 음향 파형 데이터 및 로드 데이터가 분석기 모듈에서 수신된다(동작 802).

그 후, 복수의 빈(bin)이, 분석기 모듈에 의해, 로드 데이터에 대해 작성된다(동작 804). 동작 804에서, 구현에 따라, 복수의 빈은 복수의 시간 빈 또는 복수의 로드 빈일 수 있다.

그 다음에 복수의 주파수 분포 함수가, 분석기 모듈에 의해, 음향 파형 데이터를 이용하여 복수의 빈에 대해 생성된다(동작 806). 동작 806에서, 주파수 분포 함수가 복수의 빈의 각 빈에 대해 생성된다. 몇몇의 예시적인 예에서, 복수의 주파수 분포 함수는 복수의 주파수 히스토그램의 형태를 취한다.

그 후, 오퍼레이터가 더욱 쉽고 빠르게 복합재 물체의 구조적 건전성을 평가하는 것을 가능하게 하는 분류 출력을 생성하기 위해, 복수의 주파수 분포 함수, 음향 파형 데이터, 및 주파수 분포 함수의 이전에 생성된 복수의 클러스터에 대한 저장된 복수의 디스크립터에 학습 알고리즘의 세트가 적용되고(동작 808), 이 경우 분류 출력은 음향 파형 데이터의 각 파형에 대한 분류 결과를 식별하며, 이 프로세스는 그 후에 종료된다. 동작 808에서, 분류 결과는, 제로, 하나, 둘, 셋, 넷, 다섯, 또는 몇몇의 다른 수의 모드의 구조적 변화를 나타내는 것으로 특정 파형을 식별할 수 있다.

다른 도시된 실시예에서 플로우차트 및 블록도는 예시적인 실시예에서의 장치 및 방법의 몇몇의 가능한 구현의 구조, 기능 및 동작을 설명한다. 이와 관련하여, 플로우차트 또는 블록도의 각 블록은 모듈, 세그먼트, 기능, 및/또는 동작 또는 단계의 일부분을 나타낼 수 있다.

예시적인 실시예의 몇몇의 대안적인 구현에 있어서, 블록으로 주지된 기능 또는 기능들은 도면에서 주지된 순서를 벗어나 발생될 수도 있다. 예를 들어, 몇몇의 경우에, 포함된 기능성에 따라, 연속적으로 도시된 2개의 블록은 실질적으로 동시에 실행될 수도 있고, 또는 블록들은 때때로 반대 순서로 수행될 수도 있다. 또한, 다른 블록들이 플로우차트 또는 블록도에서 예시된 블록들에 부가하여 추가될 수도 있다.

이제 도 9을 참조하면, 데이터 처리 시스템의 도면이 예시적인 실시예에 따라 블록도의 형태로 도시되어 있다. 데이터 처리 시스템(900)은 도 2의 분석기 모듈(214), 컴퓨터 시스템(216) 또는 양쪽 모두를 구현하는 데에 사용될 수 있다. 도시된 바와 같이, 데이터 처리 시스템(900)은 통신 프레임워크(communications framework; 902)를 포함하는데, 이것은 프로세서 유닛(processor unit; 904), 저장 장치(storage devices; 906), 통신 유닛(communications unit; 908), 입력/출력 유닛(input/output unit; 910), 및 디스플레이(912)간의 통신을 제공한다. 몇몇의 경우에, 통신 프레임워크(902)는 버스 시스템(bus system)으로서 구현될 수도 있다.

프로세서 유닛(904)은 다수의 동작(operation)을 수행하기 위하여 소프트웨어를 위한 인스트럭션(instruction)을 실행하도록 구성된다. 프로세서 유닛(904)은, 구현에 따라, 다수의 프로세서, 멀티-프로세서 코어(multi-processor core), 또는 몇몇의 다른 타입의 프로세서 중의 적어도 하나를 포함할 수 있다. 몇몇의 경우에, 프로세서 유닛(904)은 회로 시스템, ASIC(application specific integrated circuit), 프로그램가능 논리 소자(programmable logic device), 또는 몇몇의 다른 적절한 타입의 하드웨어 유닛(hardware unit) 등과 같은 하드웨어 유닛의 형태를 취할 수 있다.

프로세서 유닛(904)에 의해 실행되는 오퍼레이팅 시스템(operating system), 애플리케이션(application), 및 프로그램을 위한 인스트럭션은 저장 장치(906)에 위치될 수 있다. 저장 장치(906)는 통신 프레임워크(902)를 통해 프로세서 유닛(904)과 통신할 수 있다. 본원에 사용된 바와 같이, 컴퓨터 판독가능 저장 장치라고도 지칭되는, 저장 장치는 임시로(temporary basis) 및/또는 영구적으로(permanent basis) 정보를 저장할 수 있는 하드웨어의 임의의 부품(piece)이다. 이 정보는 데이터, 프로그램 코드(program code), 및/또는 다른 정보를 포함할 수 있지만, 이에 한정되는 것은 아니다.

메모리(914) 및 영구 저장소(permanent storage; 916)는 저장 장치(906)의 예이다. 메모리(914)는, 예를 들어, RAM(random access memory)이나 휘발성(volatile) 또는 비휘발성(non-volatile) 저장 장치 중의 몇몇의 타입의 형태를 취할 수 있다. 영구 저장소(916)는 임의의 수의 컴포넌트 또는 장치를 포함할 수 있다. 예를 들어, 영구 저장소(916)는 하드 드라이브(hard drive), 플래시 메모리(flash memory), 재기록가능 광학적 디스크(rewritable optical disk), 재기록가능 자기 테이프(rewritable magnetic tape), 또는 상기의 몇몇의 조합을 포함할 수 있다. 영구 저장소(916)에 의해 사용되는 매체는 제거가능할(removable) 수도 있고 제거가능하지 않을 수도 있다.

통신 유닛(908)은, 데이터 처리 시스템(900)이 다른 데이터 처리 시스템 및/또는 장치와 통신하는 것을 가능하게 한다. 통신 유닛(908)은 물리적 통신 링크(physical communications link) 및/또는 무선 통신 링크(wireless communications link)를 이용하여 통신을 제공할 수 있다.

입력/출력 유닛(input/output unit; 910)은 데이터 처리 시스템(900)에 연결된 다른 장치로부터 입력을 수신하거나 데이터 처리 시스템(900)에 연결된 다른 장치로 출력을 보내는 것을 가능하게 한다. 예를 들어, 입력/출력 유닛(910)은 키보드, 마우스, 및/또는 몇몇의 다른 타입의 입력 장치를 통해 사용자 입력이 수신되도록 할 수 있다. 다른 예로서, 입력/출력 유닛(910)은 출력이 데이터 처리 시스템(900)에 연결된 프린터로 전송되도록 할 수 있다.

디스플레이(display; 912)는 사용자에게 정보를 디스플레이하도록 구성된다. 디스플레이(912)는, 예를 들어, 제한 없이, 모니터, 터치 스크린, 레이저 디스플레이, 홀로그램 디스플레이(holographic display), 버추얼 디스플레이 장치(virtual display device), 및/또는 몇몇의 다른 타입의 디스플레이 장치를 포함할 수 있다.

이 예시적인 예에서, 다른 예시적인 실시예들의 프로세스는 컴퓨터로 구현되는 인스트럭션(computer-implemented instruction)을 이용하여 프로세서 유닛(904)에 의해 수행될 수 있다. 이러한 인스트럭션은 프로그램 코드, 컴퓨터 이용가능 프로그램 코드(computer usable program code), 또는 컴퓨터 판독가능 프로그램 코드(computer readable program code)로 지칭될 수 있고, 프로세서 유닛(904)에서 하나 이상의 프로세서에 의해 판독되고 실행될 수 있다.

이들 예에서, 프로그램 코드(918)는 선택적으로 제거가능한 컴퓨터 판독가능 매체(920) 상에서 기능적인 형태로 위치되어 있고, 프로세서 유닛(904)에 의한 실행을 위해 데이터 처리 시스템(900) 상으로 로드(loaded)되거나 데이터 처리 시스템(900)으로 전송될 수 있다. 프로그램 코드(918)와 컴퓨터 판독가능 매체(920)는 함께 컴퓨터 프로그램 제품(computer program product; 922)을 형성한다. 이 예시적인 예에서, 컴퓨터 판독가능 매체(920)는 컴퓨터 판독가능 저장 매체(computer readable storage media; 924) 또는 컴퓨터 판독가능 신호 매체(926)일 수 있다.

컴퓨터 판독가능 저장 매체(924)는 프로그램 코드(918)를 전파(propagate)하거나 전송하는 매체라기보다는 프로그램 코드(918)를 저장하기 위해 사용되는 물리적인 또는 유형의(tangible) 저장 장치이다. 컴퓨터 판독가능 저장 매체(924)는, 예를 들어, 제한 없이, 데이터 처리 시스템(900)에 연결된 광디스크 또는 자기 디스크 또는 영구 저장 장치일 수 있다.

또는, 프로그램 코드(918)는 컴퓨터 판독가능 신호 매체(926)를 이용하여 데이터 처리 시스템(900)에 전송될 수도 있다. 컴퓨터 판독가능 신호 매체(926)는, 예를 들어 프로그램 코드(918)를 포함하는 전파되는(propagated) 데이터 신호일 수 있다. 이 데이터 신호는 전자기 신호, 광학 신호, 및/또는 물리적 통신 링크 및/또는 무선 통신 링크를 통하여 전송될 수 있는 몇몇의 다른 타입의 신호일 수 있다.

도 9의 데이터 처리 시스템(900)의 도면은 예시적인 실시예가 구현될 수 있는 방식에 대해 구조적인 제한(architectural limitation)을 가하려고 의도된 것은 아니다. 다른 예시적인 실시예들은, 데이터 처리 시스템(900)을 위해 도시된 것들에 더하여 또는 데이터 처리 시스템(900)을 위해 도시된 것들 대신에 컴포넌트를 포함하는 데이터 처리 시스템으로 구현될 수 있다. 더욱이, 도 9에 나타낸 컴포넌트들은 나타낸 예시적인 예로부터 변경될 수 있다.

본 발명의 예시적인 실시예는 도 10에 나타낸 바와 같은 항공기 제조 및 서비스 방법(1000) 및 도 11에 나타낸 바와 같은 항공기(1100)의 맥락에서 설명될 수 있다. 먼저 도 10을 참조하면, 항공기 제조 및 서비스 방법의 도면이 예시적인 실례에 따라 블록도의 형태로 도시되어 있다. 전 생산(pre-production) 중에, 항공기 제조 및 서비스 방법(1000)은 도 11의 항공기(1100)의 사양 및 설계(specification and design; 1002)와 자재 조달(material procurement; 1004)을 포함할 수 있다.

생산(production) 동안, 도 11의 항공기(1100)의 컴포넌트 및 서브어셈블리 제조(component and subassembly manufacturing; 1006)와 시스템 통합(system integration; 1008)이 일어난다. 그 후, 도 11의 항공기(1100)는 서비스 중(in service; 1012)에 놓이기 위해 인증 및 인도(certification and delivery; 1010)를 거칠 수 있다. 고객에 의해 서비스 중(in service; 1012)에 있는 동안, 도 11의 항공기(1100)는 변형(modification), 재구성(reconfiguration), 재단장(refurbishment), 및 다른 유지보수 또는 서비스를 포함할 수 있는 일상적인 유지보수 및 서비스(maintenance and service; 1014)에 대한 스케줄이 잡힌다.

항공기 제조 및 서비스 방법(1000)의 각 프로세스는 시스템 통합자(system integrator), 써드 파티(third party, 제3자), 또는 오퍼레이터(operator) 중의 적어도 하나에 의해 수행되거나 실행될 수 있다. 이들 예에서, 오퍼레이터는 고객일 수 있다. 이 설명의 목적을 위해, 시스템 통합자는 제한 없이 임의의 수의 항공기 제조자 및 메이저-시스템(major-system) 하청업자를 포함할 수 있고; 써드 파티는 제한 없이 임의의 수의 판매자(vendor), 하청업자(subcontractor), 및 공급자(supplier)를 포함할 수 있으며; 오퍼레이터는 항공사(airline), 리스회사(leasing company), 군사 단체(military entity), 서비스 기구(service organization) 등일 수 있다.

이제 도 11을 참조하면, 예시적인 실시예가 구현될 수 있는 항공기의 도면이 블록도의 형태로 도시되어 있다. 이 예에서, 항공기(1100)는 도 10의 항공기 제조 및 서비스 방법(1000)에 의해 생산되고, 복수의 시스템(1104)을 가진 기체(airframe; 1102) 및 내부(interior; 1106)를 포함할 수 있다. 시스템(1104)의 예는 추진 시스템(propulsion system; 1108), 전기 시스템(electrical system; 1110), 유압 시스템(hydraulic system; 1112), 및 환경 시스템(environmental system; 1114) 중의 하나 이상을 포함한다. 임의의 수의 다른 시스템이 포함될 수도 있다. 항공우주 산업 예(aerospace example)가 도시되었지만, 다른 예시적인 실시예들이 자동차 산업(automotive industry)과 같은 다른 산업에 적용될 수도 있다.

본원에서 구체화된 장치 및 방법은 도 10의 항공기 제조 및 서비스 방법(1000)의 스테이지들 중의 적어도 하나 동안에 채용될 수 있다. 특히, 도 2로부터의 음향 감지 시스템(204) 및 분석기 모듈(214)이 항공기 제조 및 서비스 방법(1000)의 스테이지들 중의 어느 하나 동안 이용될 수 있다.

예를 들어, 제한 없이, 도 2로부터의 음향 감지 시스템(204)이 컴포넌트 및 서브어셈블리 제조(1006), 시스템 통합(1008), 서비스 중(1012), 일상적인 유지보수 및 서비스(1014), 또는 항공기 제조 및 서비스 방법(1000)의 몇몇의 다른 스테이지의 적어도 하나 동안 항공기(1100)의 각종 부품으로부터의 음향 방출을 검출하기 위해 사용될 수 있다. 또한 더욱이, 도 2로부터의 분석기 모듈(214)이 컴포넌트 및 서브어셈블리 제조(1006), 시스템 통합(1008), 서비스 중(1012), 일상적인 유지보수 및 서비스(1014), 또는 항공기 제조 및 서비스 방법(1000)의 몇몇의 다른 스테이지의 적어도 하나 동안 검출된 음향 방출을 분석하기 위해 사용될 수 있다.

하나의 예시적인 예에서, 도 10의 컴포넌트 및 서브어셈블리 제조(1006)에서 생산되는 컴포넌트 및 서브어셈블리는, 항공기(1100)가 도 10의 서비스 중(1012)인 동안 생산되는 컴포넌트 및 서브어셈블리와 유사한 방식으로 제작되거나 제조될 수 있다. 또 다른 예로서, 하나 이상의 장치 실시예, 방법 실시예, 또는 그 조합이 도 10의 컴포넌트 및 서브어셈블리 제조(1006) 및 시스템 통합(1008) 등과 같은 생산 스테이지 동안 이용될 수 있다. 하나 이상의 장치 실시예, 방법 실시예, 또는 그 조합은, 항공기(1100)가 도 10의 서비스 중(1012)에 있는 동안 및/또는 유지보수 및 서비스(1014) 동안 이용될 수 있다. 다수의 다른 예시적인 실시예의 이용은 항공기(1100)의 조립을 현저하게 가속화하거나, 및/또는 항공기(1100)의 비용을 현저하게 감소시킬 수 있다.

장치는 음향 감지 시스템과 분석기 모듈을 구비한다. 음향 감지 시스템은 물체에 대해 배치되어 있다. 음향 감지 시스템은 음향 방출을 검출하고 검출된 음향 방출에 대한 음향 파형 데이터를 생성한다. 분석기 모듈은 컴퓨터 시스템 내에 구현된다. 분석기 모듈은 로드 데이터와 물체에 대한 음향 파형 데이터를 수신하고, 로드 데이터에 대한 복수의 빈을 생성하며, 음향 파형 데이터를 이용하여 복수의 빈에 대한 복수의 주파수 분포 함수를 생성하고, 복수의 주파수 분포 함수와 음향 파형 데이터에 학습 알고리즘(learning algorithm)의 세트를 적용하여 오퍼레이터가 물체의 구조적 건전성을 보다 쉽고 빠르게 평가하는 것을 가능하게 하는 출력을 생성한다.

몇몇의 예시적인 예에서, 음향 센서는 물체와 접촉하여 배치된다. 몇몇의 예시적인 예에서, 학습 알고리즘의 세트는 감독되지 않는 학습 알고리즘의 세트나 감독되는 학습 알고리즘의 세트의 어느 하나를 포함한다. 몇몇의 예시적인 예에서는, 로드 데이터는 데이터베이스로부터 검색되거나 또는 음향 파형 데이터가 생성되는 물체의 로딩(loading, 하중)을 측정하는 로드 감지 시스템으로부터 수신된다.

몇몇의 예시적인 예에서, 복수의 빈은 복수의 빈 폭을 갖고, 복수의 빈 폭에서의 빈 폭은 시간 간격(time interval) 또는 로드 간격(load interval)이다. 몇몇의 예시적인 예에서, 복수의 주파수 분포 함수에서의 각 주파수 분포 함수는 각각 복수의 빈 폭을 가지되, 여기서 복수의 빈 폭의 각 빈 폭은 정의된 주파수 간격이다. 몇몇의 예시적인 예에서, 복수의 주파수 분포 함수에서의 각 주파수 분포 함수는 복수의 주파수 빈을 구비하되, 여기서 복수의 주파수 빈에서의 주파수 빈은 주파수 빈의 범위에 들어가는 주파수 피크의 수의 카운트(count)나 음향 파형 데이터를 이용하여 계산한 주파수 빈에서의 에너지의 축적 중의 하나를 포함한다.

몇몇의 예시적인 예에서, 출력은 복수의 주파수 분포 함수의 복수의 클러스터를 식별한다. 이들 예시적인 예에서, 복수의 클러스터는 구조적 변화의 제1 모드를 나타내는 제1 클러스터; 구조적 변화의 제2 모드를 나타내는 제2 클러스터; 구조적 변화의 제3 모드를 나타내는 제3 클러스터; 및 구조적 변화의 제4 모드를 나타내는 제4의 클러스터를 구비한다.

몇몇의 예시적인 예에서, 분석기 모듈은 학습 알고리즘의 세트를 복수의 주파수 분포 함수에 적용하여 복수의 클러스터를 수립하고 복수의 클러스터에 대한 복수의 디스크립터를 식별한다. 이들 예시적인 예의 몇몇에서는, 복수의 클러스터는 복수의 디스크립터의 각 디스크립터를 다른 모드의 구조적 변화와 연관시키기 위한 대체 시험 데이터로 분석되되, 여기서 대체 시험 데이터는 x선 이미징 데이터, 초음파 이미징 데이터, 적외선 이미징 데이터 및 모델링 데이터 중 하나로부터 선택된다. 이들 예시적인 예의 몇몇에서는, 분석기 모듈은 구조적 변화의 모드를 복수의 디스크립터에서의 각 디스크립터와 연관시키는 디스크립터 분류 출력를 생성하되, 여기서 디스크립터 분류 출력은 부품의 라이프사이클 중 적어도 하나의 스테이지 동안 부품의 구조적 건전성을 평가할 때의 미래의 사용을 위해 데이터베이스에 저장된다.

음향파를 이용하여 물체를 분석하기 위한 방법이 제공된다. 물체에 대한 로드 데이터가 수신된다. 물체에 대한 음향 파형 데이터가 음향 감지 시스템으로부터 수신된다. 음향 파형 데이터는 물체로부터 방출되는 음향 방출을 나타내며 음향 감지 시스템을 이용하여 검출된다. 복수의 빈이 로드 데이터에 대해 작성된다. 음향 파형 데이터를 이용하여 복수의 빈에 대해 복수의 주파수 분포 함수가 생성된다. 학습 알고리즘의 세트가 복수의 주파수 분포 함수와 음향 파형 데이터에 적용되어 오퍼레이터가 물체의 구조적 건전성을 보다 쉽고 빠르게 평가하는 것을 가능하게 하는 출력을 생성한다. 몇몇의 예시적인 예에서, 그 방법은 음향 감지 시스템에 의해, 적어도 하나의 음향 센서를 이용하여 물체로부터 방출되는 음향파를 검출하여 음향 방출 신호를 생성하는 단계; 및 음향 방출 신호를 음향 파형 데이터로 변환하는 단계를 더 구비한다.

몇몇의 예시적인 예에서, 복수의 빈을 작성하는 단계는 복수의 빈에 대한 복수의 빈 폭을 식별하는 단계; 및 복수의 빈의 각 빈의 범위에 들어가는 음향 파형 데이터에서 파형의 세트를 식별하는 단계를 구비하되, 여기서 복수의 빈 폭에서의 빈 폭은 정의된 시간 간격 또는 정의된 로드 간격 중의 하나이다. 이들 예시적인 예의 몇몇에서, 복수의 주파수 분포 함수를 생성하는 단계는, 선택된 주파수 범위를 적어도 하나의 정의된 주파수 간격에 기초하여 복수의 주파수 빈으로 분할하는 단계를 구비한다. 이들 예시적인 예의 몇몇에서, 복수의 주파수 분포 함수를 생성하는 단계는, 복수의 빈으로부터 선택된 빈의 범위에 들어가는 파형의 세트에 대한 고속 푸리에 변환(Fast Fourier Transform)을 계산하는 단계; 고속 푸리에 변환에 기초하여 빈에 대한 주파수 분포 함수에서 복수의 주파수 빈을 업데이트하는 단계를 더 구비한다. 이들 예시적인 예의 몇몇에서는, 복수의 주파수 빈을 업데이트하는 단계는, 파형의 세트에서의 각 파형에 대한 주파수 피크의 수를 선택하는 단계; 및 주파수 피크의 수에서의 주파수 피크가 주파수 빈의 범위에 들어가는 주파수를 가질 때 복수의 주파수 빈에서의 주파수 빈을 증가시키는 단계를 구비한다.

몇몇의 예시적인 예에서, 학습 알고리즘의 세트를 적용하는 단계는, 복수의 주파수 분포 함수와 음향 파형 데이터에 감독되지 않는 학습 알고리즘의 세트를 적용하여 복수의 클러스터를 수립하는 단계; 복수의 클러스터에 대한 복수의 디스크립터를 식별하는 단계; 및 대체 시험 데이터를 이용하여 식별된 복수의 모드에 기초하여 다른 모드의 구조적 변화를 나타내는 것으로 복수의 디스크립터의 각 디스크립터를 분류하는 디스크립터 분류 출력을 생성하는 단계를 구비한다. 몇몇의 예시적인 예에서, 학습 알고리즘의 세트를 적용하는 단계는, 감독되는 학습 알고리즘의 세트를 복수의 주파수 분포 함수, 음향 파형 데이터, 및 저장된 복수의 디스크립터에 적용하는 단계; 및 복수의 주파수 분포 함수의 각 주파수 분포 함수에 대한 분류 결과를 생성하는 단계를 구비한다.

항공기의 라이프사이클의 적어도 하나의 스테이지 동안 항공기 내 복합재 물체를 모니터링하기 위한 방법이 제공된다. 복합재 물체로부터 방사되는 음향 방출은 음향 파형 데이터를 생성하기 위해 음향 감지 시스템을 이용하여 검출된다. 분석기 모듈은 음향 파형 데이터와 복합재 물체에 대한 로드 데이터를 수신한다. 분석기 모듈은 로드 데이터에 대한 복수의 빈을 작성한다. 음향 파형 데이터의 파형의 세트는 복수의 빈 중 대응하는 빈의 범위에 들어간다. 분석기 모듈은 음향 파형 데이터를 이용하여 복수의 빈에 대한 복수의 주파수 분포 함수를 생성한다. 감독되는 학습 알고리즘의 세트는 복수의 주파수 분포 함수, 음향 파형 데이터 및 저장된 복수의 디스크립터에 적용되어 복수의 주파수 분포 함수에서의 각 주파수 분포 함수에 대한 분류 결과를 식별하는 분류 출력을 생성한다. 분류 출력은 오퍼레이터가 복합재 물체의 구조적 건전성을 보다 쉽고 빠르게 평가하는 것을 가능하게 한다.

몇몇의 예시적인 예에서, 분류 출력을 생성하기 위해 감독되는 학습 알고리즘의 세트를 복수의 주파수 분포 함수, 음향 파형 데이터 및 저장된 복수의 디스크립터에 적용하는 단계는, 선택된 주파수 분포 함수를 저장된 복수의 디스크립터의 각각과 비교함으로써 복수의 주파수 분포 함수에서의 선택된 주파수 분포 함수에 대한 분류 결과를 생성하는 단계를 구비하되, 여기서 분류 결과는 선택된 주파수 분포 함수 및 그에 의한 음향 파형 데이터에서의 파형의 대응하는 세트가 구조적 변화의 0 또는 그 이상의 모드를 나타내는지 여부를 식별한다.

이제 도 12를 참조하면, 주파수 분포 함수 시간 진화 이미지의 도면이 예시적인 실시예에 따라 도시되어 있다. 주파수 분포 함수 시간 진화 이미지(1200)는 도 2의 복수의 주파수 분포 함수(228)의 각각의 복수의 포인트로 형성된 이미지의 예이다. 여기서 사용되는 바와 같이, "복수(plurality)"의 항목은 하나 이상의 항목이다. 예를 들어, 복수의 포인트는 하나 이상의 포인트이다. 복수의 주파수 분포 함수(228)의 각각의 복수의 포인트가 주파수 분포 함수 시간 진화 이미지(1200)를 형성하기 위해 사용되는 경우, 복수의 주파수 분포 함수(228)의 각각의 하나 이상의 포인트가 주파수 분포 함수 시간 진화 이미지(1200)을 형성하기 위해 사용된다. 몇몇의 예시적인 예에서, 주파수 분포 함수 시간 진화 이미지(1200)는 도 2의 복수의 주파수 분포 함수(228)의 각각의 모든 데이터로 형성된 이미지의 예이다. 주파수 분포 함수 시간 진화 이미지(1200)는 도 2의 복수의 주파수 분포 함수(228)를 생성하는 데에 사용되는 파라미터를 조정(tune)하기 위해 사용될 수 있다. 주파수 분포 함수 시간 진화 이미지(1200)는 물체에 대한 변화를 결정하거나 도 2의 물체(200)와 같은 물체의 구조적 건전성을 평가하기 위해 사용될 수 있다.

주파수 분포 함수 시간 진화 이미지(1200)는 x축(1202)과 y축(1204)을 갖는다. y축(1204)은 주파수이다. 도시된 바와 같이, x축(1202)은 시간이다. 다른 예시적인 예에서, x축(1202)은 로드(load, 부하(하중))이다.

레전드(legend; 1206)는 주파수 분포 함수 시간 진화 이미지(1200)의 각 픽셀에 대한 진폭과 색상의 상관관계(correlation)를 나타낸다. 주파수 분포 함수 시간 진화 이미지(1200)의 각 열에는 단일 주파수 분포 함수의 데이터가 포함되어 있다.

몇몇의 예시적인 예에서는, 복수의 빈 폭(226), 복수의 주파수 빈(235), 도 2의 주파수 피크(240)에서의 주파수 피크의 양, 및 도 2의 복수의 클러스터(242)의 양 중 적어도 하나에 대한 값을 식별하는 것이 바람직하다. 도 2에서의 물체(200), 음향 감지 시스템(204), 분석기 모듈(214)의 도면은 예시적인 실시예가 구현될 수 있는 방법에 대한 물리적 또는 구조적 제한을 암시하는 것은 아니다. 도 1∼3에 나타낸 다른 구성요소는 도 12∼16에서의 구성요소와 결합되거나, 도 12∼16에서의 구성요소와 함께 사용되거나, 또는 이 둘의 조합일 수 있다.

이제 도 13을 참조하면, 물체, 음향 감지 시스템 및 분석기 모듈이 예시적인 실시예에 따라 블록도의 형태로 도시되어 있다. 도 13은 이전에 도 2에서 나타낸 물체(200), 음향 감지 시스템(204), 및 분석기 모듈(214)을 포함하고 있다. 도 13은 또한 도 2의 구성요소를 형성하거나 분석하는 경우에 사용되는 구성요소도 포함하고 있다.

몇몇의 예시적인 예에서, 분석기 모듈(214)은 물체(200)에 대한 음향 파형 데이터(212)를 이용하여 주파수 분포 함수 시간 진화 이미지(1300)를 생성한다. 몇몇의 예시적인 예에서는, 주파수 분포 함수 시간 진화 이미지(1300)가 디스플레이 시스템(252)에 표시된다. 디스플레이될 때, 주파수 분포 함수 시간 진화 이미지(1300)는 오퍼레이터가 물체(200)의 구조적 건전성을 평가하는 것을 가능하게 한다.

복수의 주파수 분포 함수(228)의 각각의 데이터는 주파수 분포 함수 시간 진화 이미지(1300)에 포함되어 있다. 도 12의 주파수 분포 함수 시간 진화 이미지(1200)는 주파수 분포 함수 시간 진화 이미지(1300)의 물리적인 구현이다. 주파수 분포 함수 시간 진화 이미지(1300)는 시간 또는 로드 중의 하나의 x축(1302)을 가지고 있다. 주파수 분포 함수 시간 진화 이미지(1300)는 주파수의 y축(1304)을 가지고 있다. 주파수 분포 함수 시간 진화 이미지(1300)는 색상(1308) 또는 채도(1310) 중 하나를 이용하여 진폭(1306)을 식별한다.

주파수 분포 함수 시간 진화 이미지(1300)는 어레이(1312)의 표시이다. 어레이(1312)는 열(column)의 양(1314)과 행(row)의 양(1316)을 갖는다. 어레이(1312)는 복수의 주파수 분포 함수(228)에서의 주파수 분포 함수의 양(1318)에 상당하는 열의 양(1314)을 가지고 있다. 어레이(1312)는 복수의 주파수 분포 함수(228)의 각각의 주파수 분포 함수에서의 주파수 빈의 양(1320)에 상당하는 행의 양(1316)을 가지고 있다. 복수의 주파수 분포 함수(228)의 각 주파수 분포 함수는 식별자(1322)를 갖는다. 식별자(1322)는 복수의 주파수 분포 함수(228)의 각 주파수 분포 함수에 대해 특유의 범위를 가진다. 이 범위는 시간(1324) 또는 로드(1326) 중의 하나로서 표시될 수 있다.

식별자(1322)가 시간(1324)일 때, 도 2의 복수의 빈 폭(226)은 복수의 시간 기반 빈 폭이다. 바꾸어 말하면, 도 2의 복수의 빈(224)의 각 빈은 시간 간격에 대응할 수 있다. 식별자(1322)가 로드(1326)일 때, 도 2의 복수의 빈 폭(226)은 복수의 로드 기반 빈 폭이다.

어레이(1312)는 복수의 주파수 분포 함수(228)의 각각의 복수의 포인트가 어레이(1312) 내에 포함되도록 채워진다. 몇몇의 예시적인 예에서, 어레이(1312)는 복수의 주파수 분포 함수(228)의 각각의 모든 데이터가 어레이(1312) 내에 포함되도록 채워진다. 어레이(1312)는 분석기 모듈(214)이 음향 파형 데이터(212)의 각 파형으로부터 추출된 단일 포인트를 포함하는 주파수 플로트(frequency plot, 주파수 선도)를 이용하여 이전에 오퍼레이터에 의해 식별할 수 없었던 물체(200)의 구조적 변화를 식별하는 것을 가능하게 한다. 어레이(1312)의 각 엔트리(entry)는 복수의 주파수 분포 함수(228)의 각각의 주파수 분포 함수 중 하나의 샘플과 상관관계를 가진다. 엔트리(1328)는 행 값(1330)과 열 값(1332)을 갖는다. 행 값(1332)은 엔트리(1328)에 대한 행을 나타낸다. 열 값(1332)은 엔트리(1328)에 대한 열을 나타낸다. 행 값(1330)이 x번째 행이고 열 값(1332)이 y번째 열인 경우, 엔트리(1328)는 x번째 주파수 분포 함수의 y번째 주파수 빈의 값을 포함한다.

복수의 주파수 분포 함수(228)는 주파수 빈의 폭(1334), 빈 폭의 값(1336), 주파수 피크의 양(1338)을 포함하는 파라미터를 이용하여 작성된다. 몇몇의 예시적인 예에서, 주파수 빈의 폭(1334), 빈 폭의 값(1336) 및 주파수 피크의 양(1338) 중의 적어도 하나가 오퍼레이터에 의해 선택된다.

주파수 빈의 폭(1334), 빈 폭의 값(1336) 및 주파수 피크의 양(1338)의 각각은 파라미터 튜닝(1340)을 이용하여 조정될 수 있다. 파라미터 튜닝(1340)은 반복적이므로 반복적인 파라미터 튜닝(1342)이라고 언급될 수 있다. 몇몇의 예시적인 예에서, 주파수 빈의 폭(1334), 빈 폭의 값(1336), 주파수 피크의 양(1338) 중의 적어도 하나는 파라미터 튜닝(1340)과 음향 파형 데이터(212)로부터 생성된 복수의 주파수 분포 함수 시간 진화 이미지(1344)를 이용하여 식별된다. 파라미터 튜닝(1340)은 관심 있는 파라미터의 복수의 값에 대해 복수의 주파수 분포 함수 시간 진화 이미지(1344)를 생성한다. 이미지의 차이(1346)는 복수의 주파수 분포 함수 시간 진화 이미지(1344)의 각각의 연속 쌍 사이에서 결정된다. 관심 있는 파라미터에 대한 양은 이미지의 차이(1346)로부터 선택된다.

몇몇의 예시적인 예에서, 관심 있는 파라미터의 양은 오퍼레이터에 의해 제공되는 값의 범위로부터 선택된다. 예를 들어, 오퍼레이터는 파라미터 튜닝(1340)을 수신하기 위해 주파수 빈의 폭(1334), 빈 폭의 값(1336) 및 주파수 피크의 양(1338)의 각각에 대한 값의 범위를 제공할 수 있다. 파라미터 튜닝(1340)은 파라미터에 대해 제공된 범위 내의 값의 모든 조합에 대해 복수의 주파수 분포 함수 시간 진화 이미지(1344)를 생성함으로써 수행된다. 단지 하나의 관심 있는 파라미터만이 파라미터 튜닝(1340)을 수신하는 경우, 복수의 주파수 분포 함수 시간 진화 이미지(1344)는 관심 있는 파라미터에 대한 값의 각각의 범위의 각 값을 이용하여 생성된다.

몇몇의 예시적인 예에서는, 주파수 빈의 폭(1334), 빈 폭의 값(1336) 및 주파수 피크의 양(1338)의 두 개의 파라미터는 파라미터 튜닝(1340)을 이용하여 조정된다. 이들 예시적인 예에서는 세 번째 파라미터가 일정한 값으로 유지된다. 두 개의 파라미터를 조정한 후, 파라미터 튜닝(1340)을 통해 결정된 두 값은 파라미터 튜닝(1340)을 이용하여 마지막 파라미터를 조정하기 위해 사용된다.

주파수 빈의 폭(1334), 빈 폭의 값(1336) 및 주파수 피크의 양(1338)은 어떤 바람직한 순서로 파라미터 튜닝(1340)을 이용하여 조정될 수 있다. 몇몇의 예시적인 예에서, 파라미터 튜닝(1340)에 대한 순서는 물체(200)를 형성하는 재료에 의해 영향을 받는다. 몇몇의 예시적인 예에서는, 주파수 빈의 폭(1334), 빈 폭의 값(1336) 또는 주파수 피크의 양(1338) 중 적어도 하나에 대한 바람직한 범위는 물체(200)의 재료에 의해 영향을 받는다. 몇몇의 예시적인 예에서, 주파수 빈의 폭(1334), 빈 폭의 값(1336) 또는 주파수 피크의 양(1338) 중 적어도 하나에 대한 범위의 크기는 물체(200)의 재료에 의해 영향을 받는다. 예를 들어, 물체(200)가 복합재 물체(202)인 경우, 음향 방출은 100∼1000kHz의 범위의 주파수를 가진다. 복합재 물체(202)의 음향 방출 주파수 범위로 인해, 주파수 빈의 폭(1334)에 대한 범위가 제한된다. 몇몇의 예시적인 예에서는, 물체(200)가 복합재 물체(202)인 경우, 주파수 빈의 폭(1334)은 파라미터 튜닝을 이용하여 빈 폭의 값(1336) 및 주파수 피크의 양(1338)을 조정한 후에 조정된다. 이들 예시적인 예 중 몇몇에서, 주파수 빈의 폭(1334)은 초기에 빈 폭의 값(1336) 및 주파수 피크의 양(1338)을 조정하기 위해 20∼50 kHz의 범위의 값으로 설정된다.

몇몇의 예시적인 예에서, 관심 있는 파라미터에 대한 양은 안정 상태 조건(steady state condition)에서 백분율(percentage)의 차이 내에서 선택된다. 예를 들어, 안정 상태 조건은 연속적인 이미지 쌍 사이에서 5% 차이일 수 있다. 다른 예로서, 안정 상태 조건은 연속적인 이미지의 쌍 사이에서 13% 차이일 수 있다. 몇몇의 예시적인 예에서, 관심 있는 파라미터에 대한 양은 변화가 안정 상태의 변화의 10% 이내일 때 선택된다. 예를 들어, 안정 상태 조건이 연속적인 이미지의 쌍 사이에서 8% 차이인 경우, 관심 있는 파라미터에 대한 값은 차이 값이 18%와 8%의 안정 상태 사이에 있을 때 선택될 수 있다. 다른 예로서, 안정 상태 조건이 연속적인 이미지의 쌍 사이에서 20% 차이인 경우, 관심 있는 파라미터에 대한 값은 차이 값이 30%와 20%의 안정 상태 사이에 있을 때 선택될 수 있다.

몇몇의 예시적인 예에서, 분석기 모듈(214)은 클러스터의 양(1348)을 선택한다. 몇몇의 예시적인 예에서, 분석기 모듈(214)은 주파수 분포 함수 시간 진화 이미지(1300)의 단수 값 분해(singular value decomposition; 1350)를 이용하여 클러스터의 양(1348)을 식별한다. 몇몇의 예시적인 예에서, 클러스터의 양(1348)을 결정하는 것은, 주파수 분포 함수 시간 진화 이미지(1300)에 대한 단수 값 분해(1350)로부터의 단수 값의 플로트의 곡선 부분 내의 엔트리로부터 클러스터의 양(1348)을 선택하는 것을 구비한다.

이제 도 14를 참조하면, 파라미터를 조정하는 데에 사용될 수 있는 변화 그래프의 차이의 도면이 예시적인 실시예에 따라 도시되어 있다. 변화 그래프(1400)의 차이는 도 13의 이미지(1346)의 차이에 대한 물리적인 도면이다. 변화 그래프(1400)의 차이는 도 13의 파라미터 튜닝(1340)에 사용되는 그래프의 예이다. 도 13의 주파수 빈의 폭(1334), 빈 폭의 값(1336) 또는 주파수 피크의 양(1338)의 어떤 바람직한 파라미터는 변화 그래프(1400)의 차이와 같은 변화 그래프의 차이를 이용하여 조정될 수 있다.

도시된 바와 같이, 변화 그래프(1400)의 차이는 도 13의 주파수 피크의 양(1338)을 조정하는 데에 사용될 수 있는 그래프의 물리적인 구현이다. 변화 그래프(1400)의 차이는 피크의 양(1402)의 x축(1404)을 가지고 있다. 변화 그래프(1400)의 차이는 연속적인 주파수 분포 함수 시간 진화 이미지 사이의 변화의 차이의 y축(1406)을 가지고 있다.

변화 그래프(1400)의 차이에 있어서, 레전드(1408)는 시험하기 위한 시간 윈도우의 길이를 나타낸다. 시간 윈도우의 길이는 도 13의 주파수 빈의 폭(1334)과 같은 복수의 주파수 빈의 폭이다. 시간 윈도우의 길이는 도 2의 복수의 주파수 빈(235)의 폭이다. 도시된 바와 같이, 곡선(1410)의 각 곡선은 약 10%의 안정 상태에 도달한다. 변화가 안정 상태의 변화의 10% 이내일 때, 피크의 양에 대한 값(1404)이 선택될 수 있다. 도시된 바와 같이, 각 곡선(1410)은 8개의 피크와 10개의 피크 사이에서 안정 상태의 변화의 10% 이내에 도달한다. 도 13의 주파수 피크의 양(1338)에 대한 값은 바람직하게는 8∼10개의 피크의 범위에 있을 수 있다.다른 예시적인 예에서는, 피크의 다른 바람직한 양은 변화 그래프의 적용 가능한 차이에 따라 결정될 수 있다.

몇몇의 예시적인 예에서, 도 13의 주파수 빈의 폭(1334)은 도 14로부터 결정될 수 있다. 몇몇의 예시적인 예에서, 도 13의 주파수 빈의 폭(1334)에 대한 선택사항(option)은 도 14를 이용하여 제거할 수 있다. 예를 들어, 윈도우 = 0.1초(SECONDS) 및 윈도우 = 0.05초를 도 14로부터 제거할 수 있다. 윈도우 = 0.1초 및 윈도우 = 0.05초는 실질적으로 다른 것 위에 있다. 주파수 빈 폭의 함수로서 차이의 플로트가 작성되면, 그 차이는 주파수 빈 크기 0.05에 의해 안정 상태에 있게 된다.

이제 도 15를 참조하면, 정규화된 로딩 곡선을 벗어난 주파수 분포 함수 시간 진화 이미지의 도면이 예시적인 실시예에 따라 도시되어 있다. 시점(view; 1500)은 주파수 분포 함수 시간 진화 이미지(1502)와 정규화된 로딩 곡선(1504)을 포함하고 있다. 정규화된 로딩 곡선(1504)은 딥(dip; 1506)과 딥(1508)을 포함하고 있다. 딥(1506)과 딥(1508)은 각각 시험해야 할 물체에 대한 변화를 나타낸다.

정규화된 로딩 곡선(1504)은, 주파수 분포 함수 시간 진화 이미지(1502)에 정규화된 로딩 곡선에서의 재료 변화의 모든 인스턴스(instance)가 존재함을 확인하는 검증 단계를 수행하기 위해 사용될 수 있다. 주파수 분포 함수 시간 진화 이미지(1502)는 정규화된 로딩 곡선(1504)에 표시된 변화 및 정규화된 로딩 곡선(1504)에 의해 검출되지 않는 추가적인 변화를 포착(capture)한다.

몇몇의 예시적인 예에서, 도 2의 복수의 클러스터(242)와 같은 클러스터가 정규화된 로딩 곡선(1504) 또는 주파수 분포 함수 시간 진화 이미지(1502)의 적어도 하나에 기초하여 오퍼레이터에 의해 선택될 수 있다. 몇몇의 예시적인 예에서, 도 13의 클러스터의 양(1348)과 같은 클러스터의 양이 정규화된 로딩 곡선(1504) 또는 주파수 분포 함수 시간 진화 이미지(1502)의 적어도 하나에 기초하여 오퍼레이터에 의해 선택될 수 있다.

도시된 바와 같이, 4개의 클러스터, 클러스터(1510)는 점선(1512)에 의해 분리된다. 도시된 바와 같이, 점선(1512)은 딥(1506)과 딥(1508)을 통해 연장된다.

몇몇의 예시적인 예에서, 클러스터의 양(1348)과 같은 클러스터의 양은 도 2와 도 13의 분석기 모듈(214)과 같은 분석기 모듈에 의해 자동적으로 선택될 수 있다. 분석기 모듈이 클러스터의 양을 선택할 때, 분석기 모듈은 주파수 분포 함수 시간 진화 이미지(1502)로부터의 데이터를 이용하여 계산을 수행한다.

이제 도 16을 참조하면, 주파수 분포 함수 시간 진화 이미지의 단수 값 분해로부터의 단수 값의 플로트의 도면이 예시적인 실시예에 따라 도시되어 있다. 몇몇 예시적인 예에서, 단수 값의 플로트(1600)는 도 13의 단수 값 분해(1350)의 결과의 물리적인 구현이다. 단수 값의 플로트(1600)는 도 13의 클러스터의 양(1348)을 선택하기 위해 사용될 수 있다. 도 2와 도 13의 분석기 모듈(214)은 단수 값의 플로트(1600)를 작성하고 클러스터의 양(1348)을 결정하기 위해 계산을 수행할 수 있다. 클러스터의 양은 주파수 빈의 폭(1334), 빈 폭의 값(1336) 및 주파수 피크의 양(1338)의 각각을 선택한 후에 선택된다.

단수 값의 플로트(1600)는 x축(1602)과 y축(1604)을 가지고 있다. x축(1602)은 클러스터의 양에 대한 모든 숫자의 시리즈이다. y축(1604)은 도 15의 주파수 분포 함수 시간 진화 이미지(1502)의 단수 값 분해로부터의 단수 값(1606)이다.

도시된 바와 같이, 라인(1608)은 복수의 포인트(1610)를 통해 연장된다. 라인(1608)은 곡선 부분(1612)를 가지고 있다. 몇몇의 예시적인 예에서, 클러스터의 양은 단수 값의 플로트(1600)의 곡선 부분(1612) 내의 복수의 포인트(1610)의 엔트리로부터 선택된다.

이제 도 17을 참조하면, 음향파를 이용하여 물체를 분석하기 위한 방법의 플로우차트의 도면이 예시적인 실시예에 따라 도시되어 있다. 방법(1700)은 도 1의 시험 환경에서 구현될 수 있다. 방법(1700)은 도 2와 도 13의 컴퓨터 시스템(216)의 음향 감지 시스템(204)과 분석기 모듈(214)을 이용하여 구현될 수 있다.

방법(1700)은 음향파를 이용하여 물체를 분석하기 위한 방법이다. 방법(1700)은 물체에 대한 로드 데이터를 수신한다(동작 1702). 방법(1700)은 음향 감지 시스템으로부터 물체에 대한 음향 파형 데이터를 수신하되, 여기서 음향 파형 데이터는 물체로부터 방출되는 음향 방출을 나타내고 음향 감지 시스템을 이용하여 검출된다(동작 1704). 방법(1700)은 음향 파형 데이터를 이용하여 복수의 주파수 분포 함수를 생성한다(동작 1706). 방법(1700)은 복수의 주파수 분포 함수의 각각의 복수의 포인트를 포함하는 주파수 분포 함수 시간 진화 이미지를 생성한다(동작 1708). 이후, 방법(1700)은 종료된다.

몇몇의 예시적인 예에서, 방법(1700)은 복수의 주파수 분포 함수의 각각의 모든 데이터를 포함하는 주파수 분포 함수 시간 진화 이미지를 생성한다. 몇몇의 예시적인 예에서, 주파수 분포 함수 시간 진화 이미지는 오퍼레이터가 물체의 구조적 건전성을 평가하는 것을 가능하게 한다. 몇몇의 예시적인 예에서, 주파수 분포 함수 시간 진화 이미지는 물체의 구조적 건전성을 평가하기 위해 분석기 모듈에 의해 사용된다. 몇몇의 예시적인 예에서, 주파수 분포 함수 시간 진화 이미지 또는 주파수 분포 함수 시간 진화 이미지에 포함된 데이터는 분석기 모듈이 음향 파형 데이터의 각 파형에 대한 단일 포인트를 포함하는 주파수 플로트를 이용하여 오퍼레이터에 의해 이전에 식별할 수 없었던 물체의 구조적 변화를 식별하는 것을 가능하게 한다. 몇몇의 예시적인 예에서, 방법(1700)은 복수의 주파수 분포 함수의 복수의 빈에 대한 빈 폭의 값을 식별하되, 여기서 빈 폭의 값은 정의된 시간 간격 또는 정의된 로드 간격이다(동작 1710). 이들 예시적인 예의 몇몇에서, 복수의 주파수 분포 함수의 복수의 빈에 대한 빈 폭의 값을 식별하는 것은, 반복적인 파라미터 튜닝 및 음향 파형 데이터로부터 생성된 복수의 주파수 분포 함수 시간 진화 이미지를 이용하여 빈 폭의 값을 식별하는 것을 구비한다(동작 1712). 이들 예시적인 예의 몇몇에서, 복수의 주파수 분포 함수의 복수의 빈에 대한 빈 폭의 값을 식별하는 것은, 복수의 주파수 분포 함수 시간 진화 이미지의 두 개의 연속하는 주파수 분포 함수 시간 진화 이미지 사이의 백분율 차이가 안정 상태의 변화의 10% 이내일 때 빈 폭의 값을 식별하는 것을 구비한다(동작 1714).

몇몇의 예시적인 예에서, 방법(1700)은 반복적인 파라미터 튜닝 및 음향 파형 데이터로부터 생성된 복수의 주파수 분포 함수 시간 진화 이미지를 이용하여 주파수 빈의 폭 또는 주파수 피크의 양 중의 적어도 하나를 식별한다(동작 1716).

몇몇의 예시적인 예에서, 방법(1700)은 주파수 분포 함수 시간 진화 이미지를 이용하여 클러스터의 양을 결정한다(동작 1718). 이들 예시적인 예의 몇몇에서, 클러스터의 양을 결정하는 것은 주파수 분포 함수 시간 진화 이미지에 단수 값 분해를 적용하여 클러스터의 양을 결정하는 것을 구비한다(동작 1720). 이들 예시적인 예의 몇몇에서, 클러스터의 양을 결정하는 것은 주파수 분포 함수 시간 진화 이미지에서의 단수 값 분해로부터의 단수 값의 플로트의 곡선 부분 내의 엔트리로부터 클러스터의 양을 선택하는 것을 구비한다(동작 1722).

이제 도 18을 참조하면, 분석용 어레이를 만들기 위한 방법의 플로우차트가 예시적인 실시예에 따라 도시되어 있다. 방법(1800)은 도 1의 시험 환경에서 구현될 수 있다. 방법(1800)은 도 2와 도 13의 컴퓨터 시스템(216)의 음향 감지 시스템(204)과 분석기 모듈(214)을 이용하여 구현될 수 있다. 방법(1800)은 음향 파형 데이터를 생성하기 위해 음향 감지 시스템을 이용하여 물체로부터 방출되는 음향 방출을 검출한다(동작 1802). 방법(1800)은 분석기 모듈에 의해 음향 파형 데이터를 이용하여 복수의 주파수 분포 함수를 생성하되, 여기서 복수의 주파수 분포 함수의 각각은 각각의 시간 또는 각각의 로드의 식별자를 갖는다(동작 1804). 방법(1800)은 복수의 주파수 분포 함수에서의 주파수 분포 함수의 양에 상당하는 열의 양과, 복수의 주파수 분포 함수의 각각의 주파수 분포 함수에서의 주파수 빈의 양에 상당하는 행의 양을 갖는 어레이를 작성한다(동작 1806). 방법(1800)은 어레이 내에 복수의 주파수 분포 함수의 각각의 복수의 포인트가 포함되도록 어레이를 채우되, 여기서 어레이는 분석기 모듈이 음향 파형 데이터의 각 파형에 대한 단일 포인트를 포함하는 주파수 플로트를 이용하여 오퍼레이터에 의해 이전에 식별할 수 없었던 물체의 구조적 변화를 식별하는 것을 가능하게 한다(동작 1808) 그 후에, 방법(1800)은 종료된다.

몇몇의 예시적인 예에서, 방법(1800)은 복수의 주파수 분포 함수의 각각의 모든 데이터가 어레이 내에 포함되도록 어레이를 채운다. 몇몇의 예시적인 예에서, 방법(1800)은 각 열이 복수의 주파수 분포 함수의 각각의 주파수 분포 함수를 나타내는 주파수 분포 함수 시간 진화 이미지로 어레이를 표시한다(동작 1810). 몇몇의 예시적인 예에서는, 방법(1800)에서, 주파수 분포 함수 시간 진화 이미지의 각 픽셀은 진폭을 나타내는 색상이나 채도(saturation)를 갖는다(동작 1812). 몇몇의 예시적인 예에서, 방법(1800)은 복수의 주파수 분포 함수를 생성하는데 사용되는 파라미터 중 적어도 하나의 파라미터를 조정하기 위해 복수의 주파수 분포 함수 시간 진화 이미지를 반복적으로 생성 및 분석하되, 여기서 파라미터는 주파수 피크의 양, 빈 폭의 값 및 주파수 빈의 폭을 포함한다(동작 1814).

이제 도 19를 참조하면, 파라미터를 조정하기 위한 방법의 플로우차트가 예시적인 실시예에 따라 도시되어 있다. 방법(1900)은 도 1의 시험 환경(100)에서 구현될 수 있다. 방법(1900)은 도 2와 도 13의 컴퓨터 시스템(216)의 음향 감지 시스템(204)과 분석기 모듈(214)을 이용하여 구현될 수 있다. 방법(1900)은 관심 있는 파라미터를 조정하기 위한 방법이다. 도 13의 주파수 빈의 폭(1334), 빈 폭의 값(1336) 또는 주파수 피크의 양(1338)의 어떤 바람직한 파라미터는 방법(1900)을 이용하여 조정될 수 있다.

방법(1900)은 관심 있는 파라미터의 숫자 범위를 결정한다(동작 1902). 방법(1900)은 숫자 범위의 최소값인 Nf1에서 관심 있는 파라미터를 시작하고, 다른 파라미터를 모두 초기화한다(동작 1904). 방법(1900)은 Nf1에서 시작해서 Nfx에 대한 주파수 분포 함수 시간 진화 이미지를 생성한다(동작 1906). 방법(1900)은 Nf2에 대한 주파수 분포 함수 시간 진화 이미지를 작성한다(동작 1908).

방법(1900)은 두 이미지의 각 세트 사이의 차이의 합과 Nf1과 Nf2에 대한 이미지 사이의 차이에 의한 분할에 의한 백분율 차이를 계산하되, 여기서

이다(동작 1910). 방법(1900)은 Nf의 모든 값에 대한 주파수 분포 함수 시간 진화 이미지가 작성되었는지 여부를 판단한다(동작 1912). 작성되지 않은 경우에는, Nf의 모든 값이 주파수 분포 함수 시간 진화 이미지를 가질 때까지 동작 1906과 1908이 반복된다. 방법(1900)은 복수의 주파수 분포 함수 시간 진화 이미지의 두 개의 연속하는 주파수 분포 함수 시간 진화 이미지 사이의 백분율 차이가 안정 상태 조건의 변화의 10% 이내인 파라미터에 대한 값을 선택한다(동작 1914). 그 후에, 방법(1900)은 종료된다.

몇몇의 예시적인 예에서, 이미지가 동일한 크기가 아닌 경우, 방법(1900)은 이미지가 같은 크기로 되도록 보간한다(동작 1916).

다른 도시된 실시예의 플로우차트와 블록도는 예시적인 실시예에서의 장치와 방법의 일부 가능한 구현의 아키텍처, 기능 및 동작을 설명한다. 이와 관련하여, 플로우차트 또는 블록도의 각 블록은 모듈, 세그먼트, 함수 및/또는 동작 또는 단계의 일부를 나타낼 수 있다.

예시적인 실시예의 몇몇 대안적인 구현에서는, 블록에 명시된 기능이나 기능들은 도면에 명시된 순서를 벗어나 발생할 수도 있다. 예를 들어, 어떤 경우에는, 연속해서 나타낸 두 블록이 연속적으로 동시에 실행될 수 있거나, 때로는 블록들이 관련된 기능에 따라 역순으로 수행될 수도 있다. 또한, 플로우차트나 블록도에 도시된 블록 외에 다른 블록들이 추가될 수도 있다.

몇몇의 예시적인 예에서는, 방법(1700), 방법(1800) 또는 방법(1900)의 모든 블록이 수행되는 것은 아니다. 예를 들어, 도 17의 1710에서 1722까지의 동작은 선택사항이다. 다른 예로서, 도 18의 1810에서 1814까지의 동작은 선택사항이다. 추가의 예로서, 도 19의 동작 1916은 선택사항이다.

더욱이, 본 발명은 다음의 절(clause)에 따른 실시예들을 포함한다:

절 1. 물체에 대해 배치된 음향 감지 시스템으로서, 음향 방출을 검출하고 검출된 음향 방출에 대한 음향 파형 데이터를 생성하는 음향 감지 시스템; 및

컴퓨터 시스템 내에 구현되어, 물체에 대한 로드 데이터와 음향 파형 데이터를 수신하고, 음향 파형 데이터를 이용하여 복수의 주파수 분포 함수를 생성하며, 복수의 주파수 분포 함수의 각각의 복수의 포인트를 포함하는 주파수 분포 함수 시간 진화 이미지를 생성하는 분석기 모듈을 구비한 장치.

절 2. 주파수 분포 함수 시간 진화 이미지를 생성하는 것은, 오퍼레이터가 물체의 구조적 건전성을 평가하는 것을 가능하게 하는 절 1의 장치.

절 3. 분석기 모듈은, 빈 폭의 값이 정의된 시간 간격 또는 정의된 로드 간격인 복수의 주파수 분포 함수의 복수의 빈에 대한 빈 폭의 값을 식별하는 절 1의 장치.

절 4. 분석기 모듈은, 반복적인 파라미터 튜닝과 음향 파형 데이터로부터 생성된 복수의 주파수 분포 함수 시간 진화 이미지를 이용하여 빈 폭의 값을 식별하는 절 3의 장치.

절 5. 분석기 모듈은, 복수의 주파수 분포 함수 시간 진화 이미지의 두 개의 연속하는 주파수 분포 함수 시간 진화 이미지 사이의 백분율 차이가 안정 상태 조건의 변화의 10% 이내일 때의 빈 폭의 값을 식별하는 절 4의 장치.

절 6. 분석기 모듈은, 반복적인 파라미터 튜닝과 음향 파형 데이터로부터 생성된 복수의 주파수 분포 함수 시간 진화 이미지를 이용하여 주파수 빈의 폭 또는 주파수 피크 양 중 적어도 하나를 식별하는 절 1의 장치.

절 7. 분석기 모듈은, 주파수 분포 함수 시간 진화 이미지를 이용하여 클러스터의 양을 결정하는 절 1의 장치.

절 8. 분석기 모듈은, 주파수 분포 함수 시간 진화 이미지에 단수 값 분해를 적용하여 클러스터의 양을 결정하는 절 7의 장치.

절 9. 클러스터의 양은, 주파수 분포 함수 시간 진화 이미지에서의 단수 값 분해로부터의 단수 값의 플로트의 곡선 부분 내의 엔트리로부터 선택되는 절 8의 장치.

다른 예시적인 실시예들의 설명은 예시 및 설명을 목적으로 제시되었는바, 개시된 형태의 실시예들에 한정 또는 제한하려고 의도하는 것은 아니다. 여러 가지 변경 및 변형이 당해 기술분야에서 통상의 지식을 가진 자들에게 명백할 것이다. 더욱이, 다른 예시적인 실시예들은 다른 바람직한 실시예들과 비교하여 다른 특징을 제공할 수 있다. 선택된 실시예 또는 실시예들은 실시예들의 원리와 실용적인 애플리케이션을 가장 잘 설명하고, 당해 기술분야에서 통상의 지식을 가진 자들이 심사숙고된 특정 사용에 적합한 다양한 변경을 가진 다양한 실시예들에 대해 본 발명을 이해하는 것을 가능하게 하기 위해 선택 및 설명되었다.

Claims

음향파를 이용하여 물체를 분석하기 위한 방법으로서,
상기 방법이,
물체에 대한 로드 데이터를 수신하는 단계;
음향 감지 시스템으로부터 물체에 대한 음향 파형 데이터를 수신하는 단계;
음향 파형 데이터를 이용하여 복수의 주파수 분포 함수를 생성하는 단계; 및
복수의 주파수 분포 함수의 각각의 복수의 포인트를 포함하는 주파수 분포 함수 시간 진화 이미지를 생성하는 단계를 구비하되,
음향 파형 데이터는 물체로부터 방출되는 음향 방출을 나타내며 음향 감지 시스템을 이용하여 검출되는 것을 특징으로 하는 방법.
제1항에 있어서, 주파수 분포 함수 시간 진화 이미지는 오퍼레이터가 물체의 구조적 건전성을 평가하는 것을 가능하게 하는 것을 특징으로 하는 방법.
제1항에 있어서,
빈 폭의 값이 정의된 시간 간격 또는 정의된 부하 간격의 어느 하나인 복수의 주파수 분포 함수의 복수의 빈에 대한 빈 폭의 값을 식별하는 단계를 더 구비하는 것을 특징으로 하는 방법.
제2항에 있어서, 복수의 주파수 분포 함수의 복수의 빈에 대한 빈 폭의 값을 식별하는 단계는, 반복적인 파라미터 튜닝과 음향 파형 데이터로부터 생성된 복수의 주파수 분포 함수 시간 진화 이미지를 이용하여 빈 폭의 값을 식별하는 단계를 포함하는 것을 특징으로 하는 방법.
제3항에 있어서, 복수의 주파수 분포 함수의 복수의 빈에 대한 빈 폭의 값을 식별하는 단계는, 복수의 주파수 분포 함수 시간 진화 이미지의 두 개의 연속하는 주파수 분포 함수 시간 진화 이미지 사이의 백분율 차이가 안정 상태 조건의 변화의 10% 이내일 때의 빈 폭의 값을 식별하는 단계를 포함하는 것을 특징으로 하는 방법.
제1항에 있어서,
반복적인 파라미터 튜닝과 음향 파형 데이터로부터 생성된 복수의 주파수 분포 함수 시간 진화 이미지를 이용하여 주파수 빈의 폭 또는 주파수 피크 양 중 적어도 하나를 식별하는 단계를 더 구비하는 것을 특징으로 하는 방법.
제1항에 있어서,
주파수 분포 함수 시간 진화 이미지를 이용하여 클러스터의 양을 결정하는 단계를 더 구비하는 것을 특징으로 하는 방법.
제7항에 있어서, 클러스터의 양을 결정하는 단계는, 분포 함수 시간 진화 이미지에 단수 값 분해를 적용하여 클러스터의 양을 결정하는 단계를 포함하는 것을 특징으로 하는 방법.
제8항에 있어서, 클러스터의 양을 결정하는 단계는, 주파수 분포 함수 시간 진화 이미지에서의 단수 값 분해로부터의 단수 값의 플로트의 곡선 부분 내의 엔트리로부터 클러스터의 양을 선택하는 단계를 포함하는 것을 특징으로 하는 방법.
음향 파형 데이터를 생성하기 위해 음향 감지 시스템을 이용하여 물체로부터 방출되는 음향 방출을 검출하는 단계;
분석기 모듈에 의해 음향 파형 데이터를 이용하여 복수의 주파수 분포 함수를 생성하는 단계;
복수의 주파수 분포 함수에서의 주파수 분포 함수의 양에 상당하는 열의 양과, 복수의 주파수 분포 함수의 각각의 주파수 분포 함수에서의 주파수 빈의 양에 상당하는 행의 양을 갖는 어레이를 작성하는 단계; 및
어레이 내에 복수의 주파수 분포 함수의 각각의 복수의 포인트가 포함되도록 어레이를 채우는 단계를 구비하되,
복수의 주파수 분포 함수의 각각은 각각의 시간 또는 각각의 로드의 식별자를 갖고,
어레이는 분석기 모듈이 음향 파형 데이터의 각 파형에 대한 단일 포인트를 포함하는 주파수 플로트를 이용하여 오퍼레이터에 의해 이전에 식별할 수 없었던 물체의 구조적 변화를 식별하는 것을 가능하게 하는 것을 특징으로 하는 방법.
제10항에 있어서,
각 열이 복수의 주파수 분포 함수의 각각의 주파수 분포 함수를 나타내는 주파수 분포 함수 시간 진화 이미지로 어레이를 표시하는 단계를 더 구비하는 것을 특징으로 하는 방법.
제11항에 있어서, 주파수 분포 함수 시간 진화 이미지의 각 픽셀은 진폭을 나타내는 색상이나 채도를 갖는 것을 특징으로 하는 방법.
제10항에 있어서,
복수의 주파수 분포 함수를 생성하는데 사용되는 파라미터 중 적어도 하나의 파라미터를 조정하기 위해 복수의 주파수 분포 함수 시간 진화 이미지를 반복적으로 생성 및 분석하는 단계를 더 구비하되,
파라미터는 주파수 피크 양, 빈 폭의 값 및 주파수 빈의 폭을 포함하는 것을 특징으로 하는 방법.