KR20220097296A

KR20220097296A - 장단기 기억 네트워크 기반 스펙트럼 노이즈 감소 및 비선형 초음파 변조를 이용한 구조물의 피로 균열 검출 방법 및 이를 위한 시스템

Info

Publication number: KR20220097296A
Application number: KR1020210190639A
Authority: KR
Inventors: 손훈; 장진호
Original assignee: 한국과학기술원
Priority date: 2020-12-31
Filing date: 2021-12-29
Publication date: 2022-07-07
Also published as: WO2022146098A1; US20230384268A1; CN116583747A

Abstract

구조물의 피로 균열 감지 방법과 이를 위한 시스템이 개시된다. 저주파 및 고주파로 구조물을 가진할 때 생기는 구조물의 진동을 진동검출소자가 감지하여 시간 도메인의 계측신호를 생성한다. 훈련된 장단기 기억(LSTM) 네트워크를 기반으로, 진동검출소자가 계측한 현재시간단계의 계측신호의 다음시간단계의 신호를 예측한다. 그 계측신호와 예측신호를 결합하여 시간 도메인에서 길이가 늘어난 새로운 결합신호를 만든다. 그 결합신호를 푸리에 변환하여 노이즈는 감소되고 계측신호의 정보는 강화된 주파수 도메인의 신호를 구하고, 이를 이용하여 스펙트럼 밀도함수를 구하여 구조물의 균열을 검출하는 데 이용한다.

Description

장단기 기억 네트워크 기반 스펙트럼 노이즈 감소 및 비선형 초음파 변조를 이용한 구조물의 피로 균열 검출 방법 및 이를 위한 시스템{Method of detecting reducing fatigue crack of structure using spectral noise reduction based on long short-term memory network and nonlinear ultrasonic modulation, and system for the same}

본 발명은 구조물의 피로 균열 검출 기술 분야에 관한 것으로, 보다 상세하게는 장단기 기억(long short-term memory: LSTM) 네트워크와 비선형 초음파 변조 기술을 이용한 구조물 피로 균열 검출 방법과 시스템에 관한 것이다.

금속 구조의 피로 균열은 실제로 매우 중요한 문제이다. 피로 균열은 금속 구조 및 부품의 파손을 일으키는 고장의 주요 원인이기 때문이다. 일반적으로 피로 균열은 균열이 구조물 전체 피로 수명의 약 80%에 도달한 후에만 눈에 띄게 되는 경우가 많다. 치명적인 고장을 방지하려면 피로 균열을 조기에 감지하는 것이 중요하다.

초음파 방식, 열화상 방식, 음향 방출 방식, 자성입자(magnetic particle) 검사 방식, X-ray 촬영 방식, 와전류 방식 등 다양한 비파괴 평가 (NDE) 기법 및 구조 상태 모니터링 (SHM) 기술이 알려져 있다. 그 중에서도, 초음파 방법은 피로균열의 지속적인 온라인 모니터링에 특히 효과적이어서 피로 균열에 대한 가장 유망한 접근 방식 중 하나이다. 또한, 이 기술은 해상도, 탐지 가능성 및 실용성 사이에서 합리적인 절충안을 달성하는 데 그 효과가 입증되었다.

기존의 선형 초음파 방법은 피로 균열을 투과하거나 또는 그 균열로부터 반사된 선형 초음파의 크기 감쇠와 위상 지연 및 모드 변환의 변화를 이용한다. 그러나 이러한 선형 특성의 변화는 구조물의 손상이 심할 때만 두드러지기 때문에, 기존 선형 초음파 방법은 초기 단계에서 주로 발생하는 피로 균열을 감지하기가 어렵다. 최근 연구에 따르면 피로 균열은 비선형 초음파의 근원이며, 피로 균열에 대한 비선형 초음파 방법의 민감도는 기존 선형 초음파 방법보다 훨씬 높다.

비선형 초음파 방법이 유망하지만 비선형의 대응 응답이 상당히 약하여 비선형 특성이 노이즈에 취약하다. 따라서 스펙트럼 밀도 함수를 사용하여 노이즈가 있는 조건에서 비선형 특성을 추출하기가 어렵다. 특히 노이즈가 스펙트럼 영역에서 비선형 특성과 겹치기 때문이다. 따라서 스펙트럼 노이즈를 줄이는 것은 중요하며 비선형 특성을 기반으로 한 피로 균열 감지 성능을 향상시키는 데 큰 이점이 있다.

스펙트럼 차감법(spectral subtraction method)은 스펙트럼 노이즈를 줄이기 위해 사용되었다. 노이즈가 있는 신호 스펙트럼에서 평균 노이즈 스펙트럼 추정치를 빼서 가산성 노이즈에서 관찰된 신호의 전력 스펙트럼을 복원하는 방법이다. 노이즈 스펙트럼은 일반적으로 신호가 없을 때 추정되고 업데이트된다. 그러나 노이즈의 무작위 변화로 인해 스펙트럼 감산은 전력 스펙트럼이 음수로 추정되는 결과를 낳을 수 있다. 또한, 초음파 신호에는 신호가 없는 기간이 없기 때문에 이 방법은 초음파 신호에는 적합하지 않다.

제로 패딩(zero-padding)은 스펙트럼 노이즈 감소에 널리 사용되는 방법이다. 제로 패딩은 신호를 0으로 외삽하는 방법이다. 그러나 제로 외삽된 신호는 신호의 정보를 유지할 수 없으므로 신호의 비선형 특성도 손실된다.

본 발명의 목적은 초음파 신호에 대한 LSTM 네트워크의 예측 특성을 이용하여 스펙트럼 노이즈를 감소시키면서 기존 비선형 초음파 변조 성분들의 스펙트럼 밀도 진폭의 손상 없는 데이터 차감 효과를 이용하여 구조물의 피로 균열 검출 성능을 향상시킬 수 있는 방법을 제공하는 것이다.

또한, 본 발명의 다른 목적은은 상기 방법을 수행할 수 있는 시스템을 제공하는 것이다.

본 발명이 해결하고자 하는 과제는 상술한 과제들에 한정되는 것이 아니며, 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위에서 다양하게 확장될 수 있을 것이다.

상기 본 발명의 일 목적을 실현하기 위한 실시예들에 따른 구조물의 피로 균열 감지 방법은, 응답신호처리부에서, 서로 구별되는 두 가지 주파수를 각각 갖는 두 초음파신호로 동시에 가진되는 구조물로부터 계측된 초음파 계측신호들을 학습용으로 이용하여 LSTM 네트워크를 훈련시켜 시간영역 신호에 대한 예측 모델을 확보하는 단계; 상기 응답신호처리부에서, 제1 주파수(ω_a)의 제1 초음파신호와 제2 주파수(ω_b)(단, ω_a< ω_b)의 제2 초음파 신호로 동시에 가진되는 대상 구조물(target structure)로부터 계측된 현재시간단계의 초음파 계측신호를 훈련된 LSTM 네트워크에 입력하여 설정된 데이터 포인트 수에 따라 다음시간단계의 초음파 예측신호를 구하는 단계; 구해진 초음파 예측신호를 사용하여 재구성된 신호를 구하는 단계; 상기 응답신호처리부에서, 상기 재구성된 신호를 푸리에 변환하는 단계; 및 상기 응답신호처리부에서, 푸리에 변환된 신호를 이용하여 구한 스펙트럼 밀도함수의 값에 기초하여 비선형 변조 성분을 검출하여 상기 대상 구조물의 균열 발생 여부를 판별하는 단계를 포함한다.

예시적인 실시예에 있어서, 상기 구조물의 피로 균열 검출방법은 상기 응답신호처리부에서, 상기 스펙트럼 밀도함수를 비선형 변조 매개변수 식에 대입하여 손상지수를 산출하는 단계; 및 산출된 손상지수를 이용하여 상기 구조물의 피로 균열을 검출하는 단계를 더 포함할 수 있다.

예시적인 실시예에 있어서, 상기 스펙트럼 밀도함수 P_xN(ω)는 식

를 사용하여 구할 수 있다. 여기서 X_N(ω)는 상기 재구성된 초음파신호 x_N(t)의 푸리에변환 신호를 나타내고, *는 복소 켤레(complex conjugate)를 나타내고, E[]는 기댓값 연산자(Expectation operator)를 나타낸다. 또한, 상기 손상지수, β_DN는

으로 구해질 수 있다.

예시적인 실시예에 있어서, 상기 구조물의 피로 균일 검출방법은 가진기가 상기 제1 및 제2 초음파신호를 생성하여 상기 대상 구조물에 부착된 제1 및 제2 가진소자에 각각 인가함으로써 상기 대상 구조물을 동시에 가진하는 단계; 및 상기 제1 및 제2 초음파신호의 가진에 따른 상기 대상 구조물의 진동을 상기 대상 구조물에 부착된 진동검출소자로 감지하여 대응하는 초음파 계측신호를 상기 응답신호처리부에 제공하는 단계를 더 포함할 수 있다.

예시적인 실시예에 있어서, 상기 훈련된 LSTM 네트워크의 상기 예측 모델은, 이전 셀 상태 정보의 일부를 망각하고 입력 게이트로부터 제공되는 새로운 정보를 부분적으로 부가하여 이전 셀 상태를 새로운 셀 상태로 업데이트하는 방식으로, 계측 초음파 신호의 전체 시계열 데이터에 걸쳐 피로 균열로 유발된 패턴인 비선형 변조주파수 성분을 학습하는 것을 통해 다음시간단계의 초음파 예측신호를 구할 수 있도록 설계되고 훈련된 것일 수 있다.

예시적인 실시예에 있어서, 상기 재구성된 신호는 상기 다음시간단계의 초음파 예측신호들만으로 재구성한 신호일 수 있다.

예시적인 실시예에 있어서, 상기 재구성된 신호의 데이터 포인트 개수는 상기 초음파 계측신호의 데이터 포인트 개수에 소정 크기의 데이터 감축률(α)을 곱한 값으로 정해지고, 상기 데이터 감축률(α)은 0이상 1이하의 범위에서 정해질 수 있다.

예시적인 실시예에 있어서, 상기 재구성된 신호는 현재시단단계의 초음파 계측신호들과 다음시간단계의 초음파 예측신호들을 결합하여 재구성한 신호일 수 있다.

예시적인 실시예에 있어서, 상기 재구성된 신호의 푸리에변환신호는 노이즈가 감소되고 초음파 계측신호의 정보는 강화된 주파수 영역의 신호일 수 있다.

본 발명의 다른 측면에 있어서, 예시적인 실시예들은 제1 가진소자, 제2 가진소자, 가진기, 진동검출소자 그리고 응답신호 처리부를 포함하는 구조물의 피로 균열 검출 시스템을 제공한다. 상기 제1 가진소자는 대상 구조물의 제1 영역에 부착되고, 제1 주파수(ω_a)의 제1 초음파신호가 입력됨에 따라 진동함으로써 상기 대상 구조물을 가진하도록 구성된다. 상기 제2 가진소자는 상기 대상 구조물의 제1 영역에 부착되고, 제2 주파수(ω_b)(단, ω_a< ω_b)의 제2 초음파 신호가 입력됨에 따라 진동함으로써 상기 대상 구조물을 가진하도록 구성된다. 상기 가진기는 상기 제1 초음파신호와 상기 제2 초음파 신호를 생성하여 상기 제1 및 제2 가진소자에 각각 동시에 제공하도록 구성된다. 상기 진동검출소자는 상기 대상 구조물의 제1 영역과 이격된 제2 영역에 부착되고, 상기 제1 및 제2 초음파신호의 가진에 따른 상기 대상 구조물의 진동을 감지하여 대응하는 초음파 계측신호를 생성하도록 구성된다. 상기 응답신호처리부는 (i) 서로 구별되는 두 가지 주파수를 각각 갖는 두 초음파신호로 동시에 가진되는 구조물로부터 계측된 초음파 계측신호들을 학습용으로 이용하여 LSTM 네트워크를 훈련시켜 시간영역 신호에 대한 예측 모델을 확보하는 기능; (ii) 제1 주파수(ω_a)의 제1 초음파신호와 제2 주파수(ω_b)(단, ω_a< ω_b)의 제2 초음파 신호로 동시에 가진되는 대상 구조물(target structure)로부터 계측된 현재시간단계의 초음파 계측신호를 훈련된 LSTM 네트워크에 입력하여 설정된 데이터 포인트 수에 따라 다음시간단계의 초음파 예측신호를 구하는 기능; (iii) 구해진 초음파 예측신호를 사용하여 재구성된 신호를 구하는 기능; 및 (iv) 푸리에 변환된 신호를 이용하여 구한 스펙트럼 밀도함수의 값에 기초하여 비선형 변조 성분을 검출하여 상기 대상 구조물의 균열 발생 여부를 판별하는 기능을 수행하도록 구성된 연산처리부를 포함한다.

예시적인 실시예에 있어서, 상기 응답신호처리부의 상기 연산처리부는, 상기 스펙트럼 밀도함수를 비선형 변조 매개변수 식에 대입하여 손상지수를 산출하는 기능; 및 산출된 손상지수를 이용하여 상기 구조물의 피로 균열을 검출하는 기능을 더 포함할 수 있다.

예시적인 실시예에 있어서, 상기 응답신호처리부는 상기 진동검출소자가 계측한 아날로그 계측신호를 디지털 계측신호로 변환하여 상기 연산처리부로 제공하는 디지타이징부를 더 포함할 수 있다.

예시적인 실시예에 있어서, 상기 제1 및 제2 가진소자, 그리고 상기 진동검출소자는 압전소자로 구성될 수 있다.

본 발명의 예시적인 실시예들에 따르면, 계측 초음파 신호의 전체 시계열 데이터에 걸쳐 피로 균열로 유발된 패턴인 비선형 변조주파수 성분을 학습하는 것을 통해 다음시간단계의 초음파 신호를 예측할 수 있도록 설계되고 훈련된 LSTM 네트워크를 이용한다. 그 훈련된 LSTM를 통해 재구성된 신호에 있어서, 피로 균열 감지에 필요한 비선형 변조 성분은 원래 수준으로 유지 및 증폭되고 노이즈 성분은 감소된다. 즉, 그 훈련된 LSTM 네트워크를 이용함으로써 SNR을 크게 증가시킬 수 있어서(최대 276%까지 증가) 피로 균열 검출 성능을 효과적으로 향상시킬 수 있다.

또한, 그 훈련된 LSTM 네트워크는 변조 진폭을 줄이지 않고 측정된 신호보다 훨씬 적은 데이터 포인트를 사용하여 재구성된 신호를 생성할 수 있다. 이에 의해, 처리해야 할 데이터 량을 감축시킬 수 있다. 그 훈련된 LSTM 네트워크는 원본 데이터의 20%만 사용하여 재구성된 초음파 신호를 생성할 수 있다. 이때, 그 재구성된 신호에서 얻은 비선형 변조 진폭은 원본 신호의 변조 진폭과 동일하여, 데이터 량의 감축에도 불구하고 피로 균열 검출 성능의 저하는 발생하지 않는다.

도 1의 (A)는 본 발명의 예시적인 실시예에 따른 초음파 기반 균열 검출 시스템을 이용하여 무손상 구조물의 초음파 계측을 수행하는 것을 예시하며, (B)는 그 무손상 구조물로부터 계측된 주파수 응답특성을 나타낸다.
도 2의 (A)는 도 1의 초음파 기반 균열 검출 시스템을 이용하여 균열이 있는 손상 구조물의 비선형 초음파 계측을 수행하는 것을 예시하며, (B)는 그 손상 구조물로부터 계측된 주파수 응답 특성을 나타낸다.
도 3은 본 발명의 예시적인 실시예에 따른 피로 균열 검출 방법에 이용하는 LSTM 네트워크의 구조(A)와 메모리 셀의 구조(B)를 보여주는 개략도이다.
도 4는 본 발명의 예시적인 실시예에 따른 구조물의 피로 균열 검출을 위한 스펙트럼 노이즈 및 데이터 감소 알고리즘을 개략적으로 나타내는 흐름도이다.
도 5는 시계열 초음파 계측 신호(A)와 이 신호를 주파수 스펙트럼 도메인으로 나타낸 신호(B)를 예시한다.
도 6은 본 발명의 예시적인 실시예에 따라 LSTM 네트워크 예측모델을 훈련하는 것을 보여준다.
도 7은 예시적인 실시예에 따라 훈련된 LSTM 네트워크를 이용하여 초음파 신호를 재구성하는 것을 도식적으로 예시한다.
도 8과 9는 예시적인 실시예에 따른 훈련된 LSTM 네트워크를 이용한 스펙트럼 노이즈 및 데이터 감소 방법을 '피로 균열을 가진' 알루미늄 판재 시편에 적용하기 전(A)과 후(B)의 계측신호의 스펙트럼 밀도 함수(P_x(ω)를 비교한 결과를 예시한다.
도 10은 예시적인 실시예에 따른 LSTM 네트워크 기반 스펙트럼 노이즈 및 데이터 감소 방법을 '피로 균열이 없는' 알루미늄 판재 시편에 적용하기 전(A)과 후(B)의 스펙트럼 밀도 값을 비교한 결과를 예시한다.
도 11 및 도 12는 본 발명의 예시적인 실시예에 따른 훈련된 LSTM 네트워크 기반 스펙트럼 노이즈 및 데이터 감소 방법을 피로균열이 있는 알루미늄 판재 시편에 적용하였을 때 얻어지는 데이터 감소효과를 보여준다.
도 13은 본 발명의 예시적인 실시예에 따른 훈련된 LSTM 네트워크 기반 스펙트럼 노이즈 및 데이터 감소 방법의 성능을 알루미늄 판재 시편을 사용하여 평가한 결과를 보여준다.

이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.

도 1의 (A)는 본 발명의 예시적인 실시예에 따른 초음파 기반 균열 검출 시스템(10)을 이용하여 무손상구조물(50)에 대한 초음파 계측을 수행하는 것을 예시하며, (B)는 그 구조물(50)로부터 계측된 주파수 응답특성을 나타낸다. 도 2의 (A)는 도 1의 초음파 계측 시스템(10)을 이용하여 균열이 있는 손상 구조물(60)의 비선형 초음파 계측을 수행하는 것을 예시하며, (B)는 그 손상 구조물(60)로부터 계측된 주파수 응답 특성을 나타낸다.

도 1에 도시된 것처럼 초음파 기반 균열 검출 시스템(10)은 가진기(20), 응답신호처리부(30), 제1 및 제2 가진소자(42, 44), 진동검출소자(46)를 포함할 수 있다.

가진기(20)는 제1 및 제2 가진소자(42, 44)를 진동하게 만들어 구조물(50)을 가진하기 위한 가진신호를 생성하여 제공하도록 구성될 수 있다. 일 실시예에서, 가진기(20)는 소정의 주파수를 갖는 임의의 주기적인 파형을 발생시킬 수 있는 파형 발생기를 포함할 수 있다. 가진기(20)는 가진신호로서 저주파수 초음파 신호 LF(ω_a)와 고주파수 초음파 신호 HF(ω_b)를 생성하여 제1 및 제2 가진소자(42, 44)에게 각각 제공할 수 있다.

제1 및 제2 가진소자(42, 44)는 비손상 구조물(50)의 제1 영역 내에 서로 근접되게 부착될 수 있고, 진동검출소자(46)는 그 구조물(50)의 제2 영역에 부착될 수 있다. 제1 영역과 제2 영역은 균열 검출 대상 영역의 마주보는 양쪽 끝부분에 위치할 수 있다. 제1 및 제2 가진소자(42, 44)에는 가진기(20)가 연결된다.

예시적인 실시예에서, 제1 및 제2 가진소자(42, 44)는 예컨대 압전소자(piezoelectric element)로 구성될 수 있다. 가진기(20)가 저주파수 초음파신호 LF(ω_a)와 고주파수 초음파신호 HF(ω_b)를 제1 및 제2 가진소자(42, 44)에 각각 동시에 입력하면, 제1 및 제2 가진소자(42, 44)가 저주파수(ω_a)와 고주파수(ω_b)로 진동함으로써 구조물(50)을 가진할 수 있다. 이에 의해, 구조물(50)은 저주파수 (ω_a)와 고주파수(ω_b)의 초음파 진동을 하게 된다.

예시적인 실시예에서, 진동검출소자(46) 역시 예컨대 압전소자(piezoelectric element)로 구성될 수 있다. 구조물(50)이 제1 및 제2 가진소자(42, 44)의 가진에 의해 진동을 하는 동안에, 그 진동은 진동검출소장(46)에 전달될 수 있다. 진동검출소자(46)는 그 구조물(50)의 진동을 감지하여 그에 대응하는 전기적인 신호들을 생성할 수 있다. 예컨대 진동검출소자(46)는 구조물(50)의 진동을 감지하여 저주파 및 고주파의 아날로그 신호를 출력할 수 있다. 그 두 아날로그 응답신호의 진폭은 예컨대 16V의 피크 대 피크 전압으로 설정될 수 있다.

예시적인 실시예에서, 진동검출소자(46)에는 응답신호처리부(30)가 연결될 수 있다. 응답신호처리부(30)는 진동검출소자(46)가 검출한 구조물(50)의 진동에 대응하는 아날로그 응답신호를 입력받아 소정의 처리를 하여 그 구조물(50)의 주파수 응답을 구함으로써 구조물(50)에 균열의 발생 여부에 관한 정보를 산출할 수 있도록 구성될 수 있다. 예시적인 실시예에서, 응답신호처리부(30)는 진동검출소자(46)가 검출한 진동에 대응하는 아날로그 응답신호를 처리하여 구조물(50)의 손상 지표를 산출하도록 구성될 수 있다.

예시적인 실시예에서, 응답신호처리부(30)는 진동검출소자(46)의 출력 아날로그신호를 디지털신호로 변환하는 디지타이징부(32)와 그 변환된 디지털 신호를 입력받아 소정의 연산을 수행하여 주파수 응답, 구조물(50)의 손상 지표 등을 산출하는 연산처리부(34)를 포함할 수 있다. 디지타이징부(32)는 예컨대 0.1 초 동안 1MHz의 샘플링 속도로 변환할 수 있다. 응답신호처리부(30)는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다.

연산처리부(34)는 컴퓨터 프로그램과 그 컴퓨터 프로그램을 실행하여 그 컴퓨터 프로그램이 지시하는 소정의 작업을 수행하거나 기능을 제공할 수 있는 컴퓨팅 장치로 구현될 수 있다. 연산처리부(34)는 컴퓨터 프로그램을 실행하여, 후술할 LSTM 네트워크 기반의 학습을 통해 다음 시간 단계의 계측신호를 예측할 수 있도록 훈련할 수 있고, 시간 도메인의 신호를 주파수 도메인의 신호로 변환할 수 있으며, 후술할 스펙트럼 노이즈 감소 알고리즘을 구현한 컴퓨터 프로그램을 실행하여 손상지수를 산출할 수 있도록 구성된 컴퓨팅 장치일 수 있다. 그 컴퓨팅 장치는 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable 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. 그 컴퓨팅 장치는 또한 메모리, 데이터 저장소, 입출력부 등의 컴퓨팅 자원들을 더 포함할 수 있다.

응답신호처리부(30)의 기능 수행을 위해 구현된 컴퓨터 프로그램, LSTM 네트워크 모델과 그 학습용 데이터 등은 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다. 본 발명의 예시적인 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 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기록매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.

이런 구성을 가진 균열 검출 시스템(10)에서, 가진기(20)가 구별되는 두 주파수(two distinct frequencies)의 초음파 신호, 예컨대 저주파수(ω_a)와 고주파수(ω_b)(단, ω_a < ω_b)의 두 초음파 신호를 제1 및 제2 가진소자(42, 44)에 각각 동시에 인가하여 비손상 구조물(50)을 동시에 가진시킬 수 있다. 이에 따라 그 비손상 구조물(50)이 진동을 하는데, 이와 동시에 그 구조물(50)의 진동에 대응하는 응답을 진동검출소자(46)를 이용하여 계측할 수 있다. 진동검출소자(46)가 구조물(50)의 진동을 계측한 신호는 시간 영역의 아날로그 신호일 수 있다. 응답신호 처리부(30)가 진동검출소자(46)를 통해 제공받은 그 아날로그 계측신호를 처리하여 스펙트럼 도메인(Spectral domain)에서 보면, 구조물(50)을 가진시킨 입력신호의 두 주파수(ω_a)와 (ω_b)에서만 응답(A, B)이 계측된다. 즉, 서로 구별되는 두 주파수(ω_a 및 ω_b, 단 ω_a < ω_b )의 초음파 입력신호(LF(ω_a)와 HF(ω_b))를 균열이 없는 비손상 구조물(50)에 동시에 입력하였을 때, 그 비손상 구조물(50)의 진동에 의한 주파수 응답(A, B)은 그 두 입력 주파수(ω_a 및 ω_b)에서만 관찰된다(도 1의 (B) 참조).

그런데, 균열과 같은 손상이 있는 (비선형) 구조물(60)에 상기 두 초음파 입력신호(LF(ω_a)와 HF(ω_b))를 인가하면 위와 다르게, 균열 개폐 메커니즘(crack opening and closing mechanism)에 의해 비선형 초음파 변조가 유도된다. 도 2를 참조하면, 도 1의 경우와 마찬가지로 가진기(20)가 저주파수(ω_a)와 고주파수(ω_b)의 두 초음파 가진 신호(LF(ω_a)와 HF(ω_b))를 제1 및 제2 가진소자(42, 44)에 각각 동시에 입력하여 손상된 (비선형) 구조물(60)을 동시에 가진시키고, 이와 동시에, 진동검출소자(46)를 통해 그 손상 구조물(60)의 진동 응답을 계측하면 도 2의 (B)에 도시된 것과 같은 시간영역의 아날로그 응답신호를 얻을 수 있다. 그 아날로그 응답신호를 주파수 영역으로 변환하여 스펙트럼 도메인(Spectral domain)에서의 응답을 보면, 비손상 구조물(50)의 응답과 다르게 나타난다. 구조물(60)이 균열로 인해 비선형적으로 동작하는 경우, 스펙트럼 영역에서 그 구조물(60)의 응답신호 성분에는 두 입력 주파수(ω_a 및 ω_b)에서의 응답 성분(A, B)뿐만 아니라 그 두 입력 주파수의 변조 주파수인 합주파수(ω_b+ω_a)와 차주파수(ω_b-ω_a)에서의 변조 성분들(M_o, M_s)도 포함된다. 즉, 고주파 초음파 입력 신호의 진폭은 저주파 초음파 입력으로 인한 균열 개폐 메커니즘에 의해 변조된다. 진폭 변조는 입력 주파수의 합과 차(ω_aㅁω_b)에서 추가 주파수 성분(비선형 변조 성분)을 생성한다. 이 현상을 '비선형 초음파 변조'라고 한다. 이러한 현상은 비선형 특징(nonlinear feature)이 존재하는 경우에만 발생하므로 구조물의 손상 지표(index of damage)로 볼 수 있다. 따라서 주파수 스펙트럼 영역에서 변조 성분을 찾고 추출하여 피로 균열의 존재를 식별할 수 있다.

그러나 구조물의 비선형성에 의해 유도된 비선형 초음파 변조성분의 진폭은 일반적으로 크기(M_O, M_S)가 작아서 노이즈와의 구별을 어렵게 만든다. 노이즈에 매우 취약한 이런 문제를 해결하기 위해, 노이즈를 감쇄시켜 변조 주파수 응답 즉, 변조성분의 진폭을 노이즈로부터 구별해낼 수 있는 신호처리가 필요하다. 이를 위해, 본 발명의 예시적인 실시예는 LSTM 네트워크와 푸리에 변환을 이용하여 스펙트럼 노이즈를 감소시켜 구조물의 손상을 효과적으로 검출하는 방법을 제시한다. 이하에서는 이를 구체적으로 설명한다.

LSTM 네트워크는 시간 영역 신호와 같은 순차 데이터의 시계열 예측에 효과적으로 사용된다. LSTM 네트워크는 순차 데이터에 적용할 수 있는 특별한 종류의 순환신경망(Recurrent Neural Network: RNN) 아키텍처이다. 그러나 일반적인 RNN은 급증하고 사라지는 그래디언트(vanishing gradients) 문제가 있으므로 종종 시간적으로 순차적인 데이터의 장기 종속성(long-term dependencies of data)을 학습하는 데 어려움이 있다. 이 문제를 극복하기 위해 LSTM 네트워크가 개발되었다. LSTM 네트워크는 시계열 데이터에서 장기 종속성을 나타낼 수 있는 메모리 셀 블록을 사용한다. 즉, LSTM 네트워크는 기존 RNN에 셀 상태 게이트(C)를 추가하여 먼 과거의 데이터를 얼마나 반영(기억) 할 것인지를 제어할 수 있다.

도 3의 (A)와 (B)는 본 발명의 예시적인 실시예에 따른 피로 균열 검출 방법에 이용되는 LSTM 네트워크의 구조와 메모리 셀의 구조를 각각 개략적으로 보여 준다.

도 3(A)를 참조하면, LSTM 네트워크(80)는 다수의 메모리 셀(70) 블록들이 순차적으로 연결된 구조를 가진다. 각 메모리 셀(70)은 입력 게이트(i_t), 출력 게이트(o_t), 망각 게이트(f_t) 및 자기 순환 뉴런을 포함할 수 있다. 이들 게이트(i_t, o_t, f_t)는 인접한 메모리 셀과의 상호 작용을 제어한다. LSTM 네트워크는 입력층, 완전 연결된 은닉층, 그리고 출력층을 포함할 수 있다. 은닉층은 메모리 셀들, 연관 게이트부들, 은닉부를 포함하며, 은닉부는 게이트부와 메모리 셀들에 입력을 제공한다. 입력 게이트(i_t)는 입력신호가 메모리 셀(70)의 상태를 수정할 수 있는지 여부를 제어한다. 반면에 출력 게이트(o_t)는 다른 메모리 셀(70)의 상태를 수정할 수 있는지 여부를 제어한다. 망각 게이트(f_t)는 이전 상태를 잊거나 기억하도록 결정할 수 있다. 즉, 이전의 메모리 셀 상태(C_t-1)를 얼마나 반영할 것인지는 망각 게이트(f_t)로 조절한다.

LSTM 메모리 셀은 다음과 같이 계산할 수 있다.

......(1)

......(2)

......(3)

......(4)

......(5)

......(6)

여기서, U(U_f, U_i, U_o, U_c), b(b_f, b_i, b_o, b_c ), W(W^f, Wⁱ, W^o, W^c)는 각각 입력 가중치, 바이어스, 그리고 반복 가중치(recurrent weight)를 각각 나타낸다. 그리고 위첨자 f, i, o, c는 망각 게이트(forget gate), 입력 게이트, 출력 게이트, 그리고 자기순환 뉴런(self-recurrent neuron)을 각각 나타낸다. X_t는 t번째 시간 단계에서의 순차 입력 데이터이다. S_t, C_t,

, σ및 τ는 각각 은닉상태, 셀 상태, 그 셀 상태의 새로운 후보 값, 시그모이드 활성화 함수(sigmoid activation function) 및 하이퍼볼릭 탄젠트(hyperbolic tangent: tanh) 활성화 함수이다. 끝으로,

와

는 각각 점 곱셈(pointwise multiplication)과 점 덧셈(pointwise addition) 연산자이다.

LSTM 네트워크(80)의 첫 번째 단계는 셀 상태로부터 버려질 정보를 선택하는 것이다. 이 결정은 식 (1)에서 망각 게이트(f_t)에 의해 수행된다. 두 번째 단계는 셀 상태에 저장될 새로운 정보를 선택하는 것이다. 식 (2)에서 입력 게이트는 업데이트되어야 하는 입력 값을 결정한다. 식 (3)에서 하이퍼볼릭 탄젠트 활성화 함수(τ)를 이용하여 셀 상태에 추가될 수 있는 새로운 후보값(

)을 순차적으로 구한다. 세 번째 단계는 이들을 조합하여 즉, 이전 셀 상태 정보의 일부를 망각하고(이전 시간 단계에서 잊어버리기로 결정한 정보를 잊어버리고) 입력 게이트로부터 제공되는 새로운 정보를 부분적으로 부가하여 이전 셀 상태(C_t-1)를 새로운 셀 상태(C_t)로 업데이트하는 것이다. 이를 위해, 식 (4)에서와 같이, 이전 셀 상태(C_t-1)에 f_t를 곱한 값(

)과 새로운 후보값(

)에 입력게이트의 정보를 곱한 값(

)을 더한다. 마지막으로 히든 셀 상태는 식 (5)와 (6)에 나타낸 것처럼, 은닉 셀 상태는 출력 게이트(O_t)와 업데이트된 셀 상태(C_t)를 사용하여 업데이트된다.

LSTM 네트워크(80)의 주요 특징은 도 3에 도시된 것처럼 메모리 셀 블록(70)의 상단을 통과하여 게이트들과 선형적으로 상호 작용하는 셀 상태(C_t)이다. LSTM 네트워크(80)는 이러한 게이트들을 통과하면서 셀 상태(C_t)로부터 과거 정보를 제거하거나 또는 셀 상태(C_t)에 새로운 정보를 추가할 수 있다. 게이트들은 정보가 선택적으로 셀 상태를 통해 통과할 수 있는 길을 제공한다. 예컨대, 메모리 셀(70)에서 게이트에 사용된 시그모이드 활성화 함수(σ)는 0과 1 사이의 출력 값을 가변시키면서 시그모이드 함수를 통과하는 정보의 양을 조절할 수 있다. 그 출력 값이 0인 경우는 아무런 정보도 통과시키지 않음을 의미하고, 1인 경우에는 모든 정보를 통과시키는 것을 의미한다.

예시적인 실시예에 따른 스펙트럼 노이즈 및 데이터 감소 기법은 LSTM 네트워크의 신호 예측(재구성) 특성을 이용할 수 있다. LSTM 네트워크는 데이터의 장기 패턴을 학습하는 데 이점이 있다. 초음파 신호는 시간 영역의 많은 데이터 포인트가 높은 샘플링 주파수로 얻어지기 때문에 장기 시계열 데이터(long-term time-series data)로 취급할 수 있다. 이 점을 고려하여, 측정된 초음파 신호에서 피로 균열로 유발된 패턴(fatigue crack-induced patterns)(비선형 변조주파수 성분)을 학습하기 위해 LSTM 네트워크를 구축하고 훈련을 수행할 수 있다. 여기에서 전체 시계열 데이터에 걸쳐서 피로 균열 유발 패턴을 추출할 수 있다. 그러나 노이즈 성분은 데이터에서 무작위 분포를 가지며 LSTM 네트워크는 노이즈 성분을 학습하지 않는다. 따라서 LSTM 네트워크를 사용하여 잡음 성분을 제거할 수 있으며, 재구성된 신호는 피로 균열 유발 비선형 변조 성분과 같은 의미 있는 성분만 보유할 수 있게 된다. 그 결과, 비선형 변조 성분의 진폭이 증폭될 수 있고, 스펙트럼 영역에서 노이즈 바닥 레벨이 낮아질 수 있다.

푸리에 변환은 데이터를 시간 도메인에서 주파수 도메인으로 변환시켜준다. 즉, 계측된 시간도메인 신호 x(t)를 주파수 도메인에서 분석하기 위해 푸리에 변환을 사용할 수 있다.

계측 신호 x(t)의 스펙트럼 계수는 다음과 같다.

......(7)

계수 a(0)는 x(t)의 상수 성분이며, k=0일 때 식 (7)로 계산된다.

......(8)

여기서는 단순히 한 기간 동안 x(t)의 평균값이다. 푸리에 변환은 푸리에 시리즈로 표현 될 때 신호에 대한 특정 주파수의 가중치 값을 나타내는 스펙트럼 계수에 의해 파생되며 푸리에 변환의 공식은 다음과 같이 제공된다.

......(9)

푸리에 변환은 계측신호 x(t)를 다른 주파수에서 정현파 신호의 선형 조합으로 설명하는 데 필요한 정보를 나타낸다. 즉, 신호 길이 T는 식 (7 - 9)과 같이 푸리에 변환을 통해 x(t)를 X(ω)로 변환할 때 평균화와 관련이 있다. 따라서 계측신호 x(t)의 정보를 그대로 유지하면서 그 계측신호 x(t)의 길이 T를 늘릴 수 있다면, 푸리에 변환을 수행하여 얻어진 주파수 도메인의 신호 X(ω)의 스펙트럼 노이즈는 노이즈 평균화 효과(effect of noise averaging)를 통해 줄일 수 있다.

좀 더 구체적으로 설명하면, 시간 영역에서 신호의 길이가 길수록, 그 신호의 푸리에 변환 신호는 평균화 횟수가 늘어나는 효과를 제공한다. 노이즈는 랜덤하게 분포하므로 평균화 횟수가 늘어날수록 노이즈는 감소하는 효과가 나타난다. 이런 점에 착안하여, 시간 영역에서의 신호 길이를 늘이기 위해, 많은 량의 학습데이터의 학습을 통해 훈련된 LSTM 네트워크(80')를 이용하여 시간 도메인에서 현재 시간 구간의 계측신호의 다음 시간 구간의 신호를 예측할 수 있다. LSTM 네트워크 모델을 구축함에 있어 노이즈는 학습하지 않고 계측신호가 포함하고 있는 정보는 학습을 한다. 그러므로 LSTM 네트워크를 이용한 예측 신호에는 노이즈는 반영되어 있지 않고 학습된 정보만 반영되는 효과가 있다. 그 계측신호와 예측 신호를 결합하여 시간영역에서 늘어난 새로운 신호를 가지고 푸리에 변환을 하면, 평균화 회수가 늘어나서 노이즈는 감소하지만 신호에 포함된 정보는 오히려 강화될 수 있다. 균열에 관한 정보도 강화될 수 있게 된다. 노이즈는 감소되는 반면 신호에 포함된 균열 정보는 강화되므로 SNR이 높아져서 균열의 검출 능력이 향상될 수 있다.

스펙트럼 밀도함수(전력 함수)는 변조 성분을 추출하기 위해 계산되며 다음과 같이 작성된다.

......(10)

여기서 *는 복소 켤레(complex conjugate)를 나타내고, E[]는 기댓값 연산자(Expectation operator)를 나타낸다. 예시적인 실시예에서, 합주파수와 차주파수,ω_aㅁω_b,에서의 1차 변조들을 손상 지수로 고려한다. 비선형 변조 매개변수(β_D)는 다음과 같이 정의된다.

......(11)

여기서, k_a와 k_b는 는 각각 대응하는 파수(wavenumber)이다. 식 (10)을 식 (11)에 대입하면, 다음 식이 얻어진다.

......(12)

이 비선형 변조 매개 변수(β_D)는 피로 균열에 대한 민감도 때문에 손상 지수로 사용될 수 있다.

위에서 설명한 바와 같이, LSTM 네트워크와 푸리에 변환을 사용함으로써 스펙트럼 노이즈를 감소시킬 수 있다. LSTM 네트워크는 현재 시간단계에서 계측된 신호 x(t)를 학습하여 현재시간단계의 계측신호의 다음시간단계의 신호 x'(t) 를 예측하도록 훈련될 수 있다. 그 훈련을 통해 다음시간단계의 신호를 예측할 수 있는 LSTM 네트워크는 모델이 구해질 수 있다. LSTM에 의하여 신호의 정보만 유지된 채로 계측된 신호 x(t)의 신호 길이 T는 확장된다. 따라서 노이즈 평균화의 효과를 기반으로 푸리에 변환을 수행할 때 스펙트럼 노이즈가 감소한다. 대조적으로, 신호가 갖는 특징들 즉, 신호 정보는 훈련된 LSTM 네트워크에 의해 학습되고 예측된 시간 단계들의 신호에 반영되어 있으므로, 푸리에 변환을 수행하더라도 신호 정보는 감소되지 않는다. 따라서 신호 대 노이즈 비(Signal-to-noise ratio: SNR)는 시간 도메인의 신호 길이와 스펙트럼 신호 간의 관계로 인해 향상될 수 있다.

이런 개념에 기초하여, 구조물의 피로 균열 검출을 위한 스펙트럼 노이즈 및 데이터를 감소시킬 수 있다. 도 4의 흐름도는 본 발명의 예시적인 실시예에 따른 구조물의 피로 균열 검출을 위한 스펙트럼 노이즈 및 데이터 감소 알고리즘을 개략적으로 나타낸다. 비선형 초음파 기반 피로균열 검출을 위한 스펙트럼 노이즈 및 데이터 감소 기법은 LSTM 네트워크(80)를 이용할 수 있다.

도 4를 참조하면, 현재 시간단계에서 저주파수LF(ω_a)와 고주파수(ω_b)의 가진신호를 이용하여 구조물(60)을 가진하면서, 대상 구조물(60)로부터 초음파 신호를 계측할 수 있다(S10). 계측된 초음파 신호 x(t_m)는 시간 도메인의 신호로서 길이가 T (0≤t_m≤T)이고, 이는 현재 시간단계의 시간구간이다. 도 5의 (A)는 시계열 초음파 계측 신호(time series ultrasonic data)를 예시하고, (B)는 이 신호를 주파수 스펙트럼 도메인으로 나타낸 신호를 예시한다. 초음파 계측신호 x(t)는 N_m개의 데이터 포인트들을 갖는다. 여기서, 초음파 계측 신호 x(t)는 도 5의 (B)에 예시된 것처럼 주파수 스펙트럼 밀도는 대상 구조물(60)의 진동 응답 성분(즉, 입력 주파수 성분)과 랜덤한 노이즈 성분을 포함할 수 있고, 대상 구조물(60)에 피로 균열이 생긴 상태이므로 그 피로 균열로 야기된 비선형 변조성분까지도 더 포함할 수 있다.

초음파 신호의 계측을 위해, 위에서 설명하였듯이 가진기(20)가 저주파수 LF(ω_a)와 고주파수 HF(ω_b)의 두 가진신호를 대상 구조물(60)에 부착된 제1 및 제2 가진소자(42, 44)에 각각 인가하여 진동을 발생시켜 대상 구조물(60)을 동시에 가진한다. 이와 동시에 그 가진에 대응하는 응답을 대상 구조물(60)에 부착된 진동검출소자(46)를 이용하여 계측하고, 그 계측신호 x(t_m)는 응답신호처리부(30)에 제공된다. 계측신호 x(t_m)는 초음파 신호일 수 있다.

다음 단계로, LSTM 네트워크를 구성하고 무작위 노이즈 패턴 없이 측정된 초음파 신호의 기본 패턴을 학습하기 위해 원래 초음파 신호 x(N_mf_s)를 사용하여 그 LSTM 네트워크를 훈련시켜 예측 모델(80)을 구축할 수 있다(S20 단계). LSTM 네트워크의 입력과 출력은 시계열 데이터에서 인접한 데이터 포인트들로 설정될 수 있다. 즉, LSTM 네트워크는 현재 시간 단계의 데이터를 사용하여 다음 시간 단계의 데이터를 예측하도록 설계되고 훈련될 수 있다. 도 6은 이와 같은 방법으로 LSTM 네트워크 예측모델(80')을 훈련하는 것을 도시한다.

구체적으로, 응답신호처리부(30)에서는, 그 훈련된 LSTM 네트워크 모델을 기반으로 하여 현재시간단계의 계측신호 x(t_m)의 다음시간단계의 신호 즉, 시간 T_f(단, T ≤ t_f ≤ T_f )까지의 신호 x'(t_f) 를 예측할 수 있다. 이를 위해, 위에서 언급한 것처럼 미리 많은 량의 계측신호를 학습하여 현재시간단계의 계측신호가 입력될 때 다음시간단계의 신호를 예측할 수 있도록 훈련된 LSTM 네트워크의 모델이 구축될 수 있다.

훈련된 LSTM 네트워크의 모델을 이용하여 시간영역의 초음파 신호의 예측신호를 생성하여 새로운 시계열 초음파 신호를 재구성할 수 있다. 도 7에는 예시적인 실시예에 따라 훈련된 LSTM 네트워크(80')를 이용하여 초음파 신호를 재구성하는 것이 도식적으로 예시되어 있다.

예시적인 일 실시예에 있어서, 도 7(A)에 도시된 것처럼, 우선 그 훈련된 LSTM 네트워크 모델(80')에 현재 시간단계의 초음파 계측신호 x(t_m)를 입력하여 데이터 포인트 수 N_f에 따라 다음 시간 단계의 예측 신호 x'(t_f)를 생성할 수 있다. 데이터 포인트 수 N_f는 최적값으로 미리 설정될 수 있으며, 그 최적값은 테스트를 통해 얻을 수 있다. 그런 다음, 현재 시간단계의 계측 신호들(x(t_m))과 다음 시간단계의 예측신호들(x'(t_f))을 결합하여 다음과 같은 재구성된 초음파신호 x_N(t)를 생성할 수 있다(S30 단계). 여기서, N은 재구성된 초음파 신호임을 나타내는 표시자이다.

......(13-1)

앞의 실시예와 달리, 재구성 초음파신호 x_N(t)를 구함에 있어서, 도 7(B)에 도시된 것처럼, 계측신호 (x(t_m))를 포함시키지 않고 예측신호들(x'(t_f))만을 사용하여 재구성 초음파신호 (x_N(t))를 구할 수도 있다.

......(13-2)

이 경우, 재구성 초음파신호의 길이는 앞의 실시예에 비해 계측신호(x(t_m))의 길이(T)만큼 짧다. 계측신호는 노이즈를 많이 포함하고 있음으로, 계측신호와 예측신호를 결합한 재구성 신호보다 노이즈 성분이 없는 예측신호 만으로 재구성된 신호는 더 효과적으로 노이즈를 감소시킬 수 있다.

다음으로, 그 재구성된 초음파 신호 x_N(t)를 푸리에 변환하여 주파수 스펙트럼 도메인에서 분석하여 피로 균열로 야기된 비선형 변조주파수 성분을 찾아낼 수 있다(S40 단계). 위와 같이 얻어진 재구성 초음파신호 x_N(t)를 주파수 스펙트럼 도메인에서 분석하면, 그 재구성 초음파신호 x_N(t)의 주파수 스펙트럼 도메인에서는 노이즈 성분은 효과적으로 감소되어 두 입력 주파수에 해당하는 성분들과 이들 주파수의 변조 주파수에 해당하는 성분들만 나타난다.

구체적으로, 그 재구성 신호 x_N(t)에 대해 식 (9)를 이용하여 푸리에 변환을 수행하고, 스펙트럼 밀도함수를 계산할 수 있다(S40). 재구성 신호 x_N(t)에 대한 푸리에 변환식은 아래 식 (14)와 같다.

......(14)

결과적으로 스펙트럼 노이즈가 감소하고, 노이즈 감소된 스펙트럼 밀도 함수는 식 (10)에 의해 다음과 같이 나타낼 수 있다.

......(15)

결합신호 x_N(t)의 스펙트럼 밀도함수 식 (15)를 비선형 변조 매개변수 식 (12)에 대입하여 식 (16)으로 표현되는 손상지수(β_DN) 식을 얻을 수 있다. 식 (16)을 이용하여 구조물(60)의 손상지수(β_DN)를 계산할 수 있다.

......(16)

이와 같이 구해진 손상지수(β_DN) 식은 피로 균열을 검출하는 데 이용될 수 있다.

예시적인 실시예에 따른 스펙트럼 노이즈 및 데이터 감소 기법의 노이즈 감소 성능을 평가하기 위해, 아래 식을 이용하여 신호 대 잡음 비(signal-to-noise ratio: SNR)를 산출할 수 있다.

......(17)

여기서,

과

는 변조주파수 ω_bㅁω_a에서 주파수 스펙트럼 전력밀도 함수의 진폭을 각각 나타낸다. 위 식 (17)에서 분모

는 평균 노이즈 바닥(average noise floor: NF)를 나타낸다. 평균 노이즈 바닥(NF)은 입력 성분 및 비선형 변조 성분과 같은 신호의 주성분을 제외하여 주파수 스펙트럼 전력밀도

를 평균한 값이다.

끝으로, 데이터 감소의 효과는 원래의 측정 신호의 변조 진폭 수준과 같은 변조 진폭 수준을 달성하는 데 필요한 데이터 포인트의 개수 (N_f)를 추산함으로써 평가될 수 있다. 그 데이터 포인트의 개수 (N_f)는 아래 식으로 구해질 수 있다.

N_f = αN_m ......(18)

여기서, α는 데이터 감축율을 나타내고, 그 값은 0이상 1이하의 범위에서 정해질 수 있다.

한편, LSTM 네트워크(80') 모델을 구축함에 있어서, 과적합 문제를 피하기 위해 단일 은닉층이 있는 LSTM 네트워크가 구성될 수 있다. LSTM 네트워크 훈련에는 적응 모멘트 추정( adaptive moment estimation: ADAM) 옵티마이저가 사용될 수 있다. ADAM 옵티마이저의 하이퍼파라미터에 관해서, 기울기 감쇠 및 제곱 기울기 감쇠 계수는 예컨대 0.9 및 0.999로 각각 설정될 수 있다. 제로 나눗셈을 방지하기 위한 엡실론 값과 초기 학습률은 1.0e^-8과 1.5e^-3으로 각각 설정될 수 있다. 학습률 하락 요인은 훈련 에포크의 절반 후에 0.1로 설정되었습니다. RMSE(Root Mean Square Error) 함수를 비용 함수로 사용할 수 있다. LSTM 네트워크의 구성, 훈련 및 테스트는 프로세서 (예컨대 GPU) 및 RAM이 장착된 컴퓨터의 MATLAB(R2019a) 환경에서 수행될 수 있다. 훈련을 위해 시간 영역 초음파 계측 신호의 90%를 훈련 데이터 세트로 사용하고, 나머지 10%를 검증 데이터 세트로 사용할 수 있다.위와 같은 스펙트럼 노이즈 및 데이터 감소 알고리즘은 위에서 언급하였듯이 컴퓨터 프로그램으로 구현될 수 있고, 컴퓨터 판독 가능 기록매체에 저장될 수 있다. 또한 그러한 기록 매체에 기록된 그 컴퓨터 프로그램은 응답신호처리부(30)의 컴퓨팅 장치에 의해 실행될 수 있다.

예시적인 실시예에 따른 LSTM 네트워크 기반 스펙트럼 잡음 및 데이터 감소 기법의 성능을 실험적으로 검증해보았다. 알루미늄 판재 시편에 초음파 신호 가진을 위한 제1 및 제2 피에조(PZT) 변환기(제1 및 제2 가진소자(42, 44)에 해당)와 초음파 진동 감지를 위한 제3 피에조 변환기(진동검출소자(46)에 해당)를 알루미늄 판재 시편에 설치하였다. 그 알루미늄 판재 시편에 28,000번의 피로 하중을 가하여 길이 9mm, 너비 20μm의 피로균열을 발생시켰다.

2개의 파형 발생기(가진기(20)에 해당)가 고유한 주파수(ω_a= 48kHz 및 ω_b= 203kHz)에서 LF 및 HF 정현파 초음파 입력 신호를 생성하여 가진용 제1 및 제2 피에조 변환기에 인가하였다. 지속 시간 및 피크-투-피크 진폭은 0.1초 및 12V로 설정하였다. 상기 입력 주파수는 시편의 국부적인 공진 특성, LF 입력의 고차 고조파 성분과 비선형 변조 성분의 중첩을 고려하여 선택되었다. 제3 피에조 변환기를 통해 검출되는 해당 초음파 응답은 0.1초 동안 1MHz의 샘플링 속도로 디지타이징하는 디지타이저에 의해 얻었다. 초음파 응답은 SNR을 개선하기 위해 시간 영역에서 5회 평균화하였다.

도 8과 9에는 본 발명의 예시적인 실시예에 따른 훈련된 LSTM 네트워크를 이용한 스펙트럼 노이즈 및 데이터 감소 방법을 '피로 균열을 가진' 알루미늄 판재 시편에 적용하기 전(A)과 후(B)의 계측신호의 스펙트럼 밀도 함수(P_x(ω)를 비교한 결과가 예시되어 있다. 도 8은 N_m은 100K이고(N_f는 공정한 비교를 위해 N_m과 동일하게 100K로 설정), 데이터 획득시간(duration) T는 0.1초, f_s는 1MHz로 설정된 경우이고, 도 9는 N_m은 30K(N_f도 30K), 데이터 획득시간 T는 0.03초, f_s는 1MHz로 설정되고, 다른 테스트 설정 매개변수는 도 8과 동일한 경우이다. 이하에서, 변조 주파수 (ω_b+ω_a)와 (ω_b-ω_a) 에서 스펙트럼 밀도 함수들의 진폭 P_x(ω_b+ω_a)와 P_x(ω_b-ω_a)은 A_Ms와 A_Md로 표시한다.

도 8의 (A)를 참조하면, 비선형 변조주파수 성분 A_Ms와 A_Md의 값은 각각 6.71e^-7과 8.03e^-7이다. 도 8의 (B)는 훈련된 LSTM 네트워크에 의해 재구성된 신호의 스펙트럼 밀도 함수

를 보여주는데, A_Ms와 A_Md의 값은 각각 3.27e^-6과 2.99e^-6으로 추정되었다. 그림 (B)의 변조주파수 성분들의 진폭이 그림 (A)에 비해 크게 강화되었고, NF 값은 그림 (A)와 (B)가 4.6e^-8 및 3.0e^-9로 각각 계산되어 분명히 감소했다. 그리고 그림 (A) 경우의 P_x(ω)와 그림 (B) 경우의

의 SNR은 각각 34dBW 및 76dBW였다. 따라서 SNR은 224% 향상되었다.

도 9를 참조하면, 그림(A)에서 비선형 변조주파수 성분은 높은 노이즈 레벨(A_Md+A_Ms=4.4e^-7 및 SNR = 21dBW) 때문에 노이즈와 잘 구별되지 않아 검출하기 어렵다. 반면, 그림 (B)에서는 비선형 변조주파수 성분은 개선된 SNR(A_Md+ A_Ms= 2.0e^-6 및 SNR = 56dBW)로 인해 노이즈와 명확하게 구별되어 검출하는 데 어려움이 없다.

도 10에는 예시적인 실시예에 따른 LSTM 네트워크 기반 스펙트럼 노이즈 및 데이터 감소 방법을 '피로 균열이 없는' 알루미늄 판재 시편에 적용하기 전(A)과 후(B)의 스펙트럼 밀도 값을 비교한 결과가 예시되어 있다(단, 데이터 획득시간 T=0.1초, N_m=N_f=10만).

도 10을 참조하면, NF 레벨은 그림 (A)에 비해 그림 (B)가 더 낮게 감소하지만 두 그림 모두에서 주파수변조 성분이 관찰되지 않는다. 즉, 본 발명의 방법을 적용하기 전에는 스펙트럼 밀도 값에 노이즈 성분이 많이 포함되어 변조 주파수 성분이 포함되어 있는지 여부를 판별하기가 용이하지 않으나, 본 발명의 방법을 적용한 후의 스펙트럼 밀도 값에는 변조주파수 성분이 없음을 명확하게 확인할 수 있다.

도 8-10의 결과를 정리하면, 본 발명의 예시적인 방법에 따라 구축한 LSTM 네트워크(80') 모델은 재구성한 초음파 신호의 스펙트럼 밀도 값에 포함되는 노이즈 성분을 크게 감소시키면서 비선형 주파수변조 성분은 강화하여, SNR을 향상시켜 입력 고주파수 성분의 양측에 나타나는 변조 주파수 성분들을 명확하게 검출할 수 있게 해줌음을 확인할 수 있다.

한편, 도 11 및 도 12는 본 발명의 예시적인 실시예에 따른 훈련된 LSTM 네트워크 기반 스펙트럼 노이즈 및 데이터 감소 방법을 피로균열이 있는 알루미늄 판재 시편에 적용하였을 때 얻어지는 데이터 감소효과를 보여준다.

도 11을 참조하면, 480k 데이터 포인트를 갖는 '계측된 초음파 신호'로부터 얻은 비선형 변조주파수 성분 A_Ms+A_Md 의 크기는 6.3e^-6이며(그림 (A) 참조), 훈련된 LSTM 네트워크(80')를 이용하여 얻은 '재구성 초음파 신호'로부터는 100k 데이터 포인터(α = 0.21) 만을 사용하여도 동일한 수준의 비선형 변조주파수 성분 A_Ms+A_Md 값을 얻을 수 있음을 보여준다. 계측 초음파 신호와 재구성 초음파신호의 SNR은 49dBW와 76dBW로 각각 추정되었다.

도 12는 145k 데이터 포인트로 '계측된 초음파 신호'를 사용하여 도 11과 유사한 테스트를 수행한 결과를 보여준다. 145k 데이터 포인트를 갖는 '계측된 초음파 신호'로부터 얻은 비선형 변조주파수 성분 A_Ms+A_Md 의 크기는 2.0e^-6이었고, 훈련된 LSTM 네트워크(80')를 이용하여 얻은'재구성 초음파 신호'를 이용하면 데이터 포인트를 30k(α = 0.21)로 줄여도 동일한 수준의 비선형 변조주파수 성분 A_Ms+A_Md의 크기(2.0e^-6)를 얻을 수 있었다. 계측 초음파 신호와 재구성 초음파신호의 SNR은 각각 38dBW 및 56dBW로 추정되었다.

도 11 및 도 12의 이러한 테스트 결과는 본 발명의 예시적인 실시예에 따른 방법이 감소된 데이터 포인트와 노이즈로 유사한 주파수 변조 진폭을 달성할 수 있음을 보여준다.

도 13에는 본 발명의 예시적인 실시예에 따른 훈련된 LSTM 네트워크 기반 스펙트럼 노이즈 및 데이터 감소 방법의 성능을 알루미늄 판재 시편을 사용하여 평가한 결과를 보여준다. 그림 (A)는 스펙트럼 노이즈 감소 성능을 보여준다. 60k 및 80k 데이터 포인트의 경우 SNR이 각각 238% 및 276% 향상되었다. 그림 (B)는 데이터 축소 성능을 보여준다. 220k 및 270k 데이터 포인트의 경우 데이터 감소율(α)은 각각 0.18 및 0.19로 나타났다.

이상에서 설명한 것처럼, 본 발명의 실시예들에 따르면, 훈련된 LSTM 네트워크를 사용하는 스펙트럼 잡음 및 데이터 감소 방법을 통해 스펙트럼 노이즈를 현저히 줄여서 피로 균열 검출 성능을 크게 향상시킬 수 있다. 훈련된 LSTM에서 재구성된 신호는 피로 균열 감지에 필요한 비선형 변조 성분은 유지 및 증폭시켜주면서 노이즈 성분은 감소(SNR은 최대 276%까지 증가)시켜줄 수 있기 때문이다. 또한 그 훈련된 LSTM 네트워크는 변조 진폭을 줄이지 않고 측정된 신호보다 훨씬 적은 데이터 포인트를 사용하여 재구성된 신호를 생성할 수 있으므로, 처리해야 할 데이터 량을 감축시킬 수 있다(원본 데이터의 20%만 사용하여 재구성된 신호를 생성 가능).

본 발명은 물리적인 구조체, 구조물 등에 발생하는 균열을 검출하는 데 활용될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 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.

10: 균열 검출 시스템 20: 가진기
30: 응답신호처리부 32: 디지타이징부
34: 연산처리부 42: 제1 가진소자
44: 제2 가진소자 46: 진동검출소자

Claims

응답신호처리부에서, 서로 구별되는 두 가지 주파수를 각각 갖는 두 초음파신호로 동시에 가진되는 구조물로부터 계측된 초음파 계측신호들을 학습용으로 이용하여 장단기 기억(LSTM) 네트워크를 훈련시켜 시간영역 신호에 대한 예측 모델을 확보하는 단계;
상기 응답신호처리부에서, 제1 주파수(ω_a)의 제1 초음파신호와 제2 주파수(ω_b)(단, ω_a< ω_b)의 제2 초음파 신호로 동시에 가진되는 대상 구조물(target structure)로부터 계측된 현재시간단계의 초음파 계측신호를 훈련된 LSTM 네트워크에 입력하여 설정된 데이터 포인트 수에 따라 다음시간단계의 초음파 예측신호를 구하는 단계;
상기 응답신호처리부에서, 구해진 초음파 예측신호를 사용하여 재구성된 신호를 구하는 단계;
상기 응답신호처리부에서, 상기 재구성된 신호를 푸리에 변환하는 단계; 및
상기 응답신호처리부에서, 푸리에 변환된 신호를 이용하여 구한 스펙트럼 밀도함수의 값에 기초하여 비선형 변조 성분을 검출하여 상기 대상 구조물의 균열 발생 여부를 판별하는 단계를 포함하는 것을 특징으로 하는 구조물의 피로 균열 검출방법.
제1항에 있어서, 상기 응답신호처리부에서, 상기 스펙트럼 밀도함수를 비선형 변조 매개변수 식에 대입하여 손상지수를 산출하는 단계; 및 산출된 손상지수를 이용하여 상기 구조물의 피로 균열을 검출하는 단계를 더 포함하는 것을 특징으로 하는 구조물의 피로 균열 검출방법.
제2항에 있어서, 상기 스펙트럼 밀도함수 P_xN(ω)는 식
를 사용하여 구하고, 여기서 X_N(ω)는 상기 재구성된 초음파신호 x_N(t)의 푸리에변환 신호를 나타내고, *는 복소 켤레(complex conjugate)를 나타내고, E[]는 기댓값 연산자(Expectation operator)를 나타내는 것을 특징으로 하는 구조물의 피로 균열 검출방법.
제3항에 있어서, 상기 손상지수, β_DN는
으로 구해지는 것을 특징으로 하는 구조물의 피로 균열 검출방법.
제1항에 있어서, 두 가진기가 상기 제1 및 제2 초음파신호를 생성하여 상기 대상 구조물에 부착된 제1 및 제2 가진소자에 각각 인가함으로써 상기 대상 구조물을 동시에 가진하는 단계; 및 상기 제1 및 제2 초음파신호의 가진에 따른 상기 대상 구조물의 진동을 상기 대상 구조물에 부착된 진동검출소자로 감지하여 대응하는 초음파 계측신호를 상기 응답신호처리부에 제공하는 단계를 더 포함하는 것을 특징으로 하는 것을 특징으로 하는 구조물의 피로 균열 검출방법.
제1항에 있어서, 상기 훈련된 LSTM 네트워크의 상기 예측 모델은, 이전 셀 상태 정보의 일부를 망각하고 입력 게이트로부터 제공되는 새로운 정보를 부분적으로 부가하여 이전 셀 상태를 새로운 셀 상태로 업데이트하는 방식으로, 계측 초음파 신호의 전체 시계열 데이터에 걸쳐 피로 균열로 유발된 패턴인 비선형 변조주파수 성분을 학습하는 것을 통해 다음시간단계의 초음파 예측신호를 구할 수 있도록 설계되고 훈련된 것을 특징으로 하는 구조물의 피로 균열 검출방법.
제1항에 있어서, 상기 재구성된 신호는 상기 다음시간단계의 초음파 예측신호들만으로 재구성한 신호인 것을 특징으로 하는 구조물의 피로 균열 검출방법.
제7항에 있어서, 상기 재구성된 신호의 데이터 포인트 개수는 상기 초음파 계측신호의 데이터 포인트 개수에 소정 크기의 데이터 감축률(α)을 곱한 값으로 정해지고, 상기 데이터 감축률(α)은 0이상 1이하의 범위에서 정해지는 것을 특징으로 하는 구조물의 피로 균열 검출방법.
제1항에 있어서, 상기 재구성된 신호는 현재시단단계의 초음파 계측신호들과 다음시간단계의 초음파 예측신호들을 결합하여 재구성한 신호인 것을 특징으로 하는 구조물의 피로 균열 검출방법.
제1항에 있어서, 상기 재구성된 신호의 푸리에 변환신호는 노이즈가 감소되고 초음파 계측신호의 정보는 강화된 주파수 영역의 신호인 것을 특징으로 하는 구조물의 피로 균열 검출방법.
대상 구조물의 제1 영역에 부착되고, 제1 주파수(ω_a)의 제1 초음파신호가 입력됨에 따라 진동함으로써 상기 대상 구조물을 가진하도록 구성된 제1 가진소자;
상기 대상 구조물의 제1 영역에 부착되고, 제2 주파수(ω_b)(단, ω_a< ω_b)의 제2 초음파 신호가 입력됨에 따라 진동함으로써 상기 대상 구조물을 가진하도록 구성된 제2 가진소자;
상기 제1 초음파신호와 상기 제2 초음파 신호를 생성하여 상기 제1 및 제2 가진소자에 각각 동시에 제공하도록 구성된 가진기;
상기 대상 구조물의 제1 영역과 이격된 제2 영역에 부착되고, 상기 제1 및 제2 초음파신호의 가진에 따른 상기 대상 구조물의 진동을 감지하여 대응하는 초음파 계측신호를 생성하도록 구성된 진동검출소자; 및
상기 진동검출소자가 생성한 초음파 계측신호를 처리하여 상기 대상 구조물의 균열 발생 여부에 관한 정보를 산출하도록 구성된 응답신호 처리부를 구비하고,
상기 응답신호 처리부는 (i) 서로 구별되는 두 가지 주파수를 각각 갖는 두 초음파신호로 동시에 가진되는 구조물로부터 계측된 초음파 계측신호들을 학습용으로 이용하여 장단기 기억(LSTM) 네트워크를 훈련시켜 시간영역 신호에 대한 예측 모델을 확보하는 기능; (ii) 제1 주파수(ω_a)의 제1 초음파신호와 제2 주파수(ω_b)(단, ω_a< ω_b)의 제2 초음파 신호로 동시에 가진되는 대상 구조물(target structure)로부터 계측된 현재시간단계의 초음파 계측신호를 훈련된 LSTM 네트워크에 입력하여 설정된 데이터 포인트 수에 따라 다음시간단계의 초음파 예측신호를 구하는 기능; (iii) 구해진 초음파 예측신호를 사용하여 재구성된 신호를 구하는 기능; 및 (iv) 푸리에 변환된 신호를 이용하여 구한 스펙트럼 밀도함수의 값에 기초하여 비선형 변조 성분을 검출하여 상기 대상 구조물의 균열 발생 여부를 판별하는 기능을 수행하도록 구성된 연산처리부를 포함하는 것을 특징으로 하는 구조물의 피로 균열 검출 시스템.
제11항에 있어서, 상기 응답신호처리부의 상기 연산처리부는, 상기 스펙트럼 밀도함수를 비선형 변조 매개변수 식에 대입하여 손상지수를 산출하는 기능; 및 산출된 손상지수를 이용하여 상기 구조물의 피로 균열을 검출하는 기능을 더 포함하는 것을 특징으로 하는 구조물의 피로 균열 검출 시스템.
제11항에 있어서, 상기 응답신호처리부는 상기 진동검출소자가 계측한 아날로그 계측신호를 디지털 계측신호로 변환하여 상기 연산처리부로 제공하는 디지타이징부를 더 포함하는 것을 특징으로 하는 구조물의 피로 균열 검출 시스템.
제11항에 있어서, 상기 제1 및 제2 가진소자, 그리고 상기 진동검출소자는 압전소자로 구성된 것을 특징으로 하는 구조물의 피로 균열 검출 시스템.
제11항에 있어서, 상기 훈련된 LSTM 네트워크의 상기 예측 모델은, 이전 셀 상태 정보의 일부를 망각하고 입력 게이트로부터 제공되는 새로운 정보를 부분적으로 부가하여 이전 셀 상태를 새로운 셀 상태로 업데이트하는 방식으로, 계측 초음파 신호의 전체 시계열 데이터에 걸쳐 피로 균열로 유발된 패턴인 비선형 변조주파수 성분을 학습하는 것을 통해 다음시간단계의 초음파 예측신호를 구할 수 있도록 설계되고 훈련된 것을 특징으로 하는 구조물의 피로 균열 검출 시스템.
제11항에 있어서, 상기 재구성된 신호는 상기 다음시간단계의 초음파 예측신호들만으로 재구성한 신호인 것을 특징으로 하는 구조물의 피로 균열 검출 시스템.
제16항에 있어서, 상기 재구성된 신호의 데이터 포인트 개수는 상기 초음파 계측신호의 데이터 포인트 개수에 소정 크기의 데이터 감축률(α)을 곱한 값으로 정해지고, 상기 데이터 감축률(α)은 0이상 1이하의 범위에서 정해지는 것을 특징으로 하는 구조물의 피로 균열 검출 시스템.
제11항에 있어서, 상기 재구성된 신호는 현재시단단계의 초음파 계측신호들과 다음시간단계의 초음파 예측신호들을 결합하여 재구성한 신호인 것을 특징으로 하는 구조물의 피로 균열 검출 시스템.
컴퓨터 프로그램이 저장된 컴퓨터 판독 가능한 저장 매체로서,상기 컴퓨터 프로그램은, 컴퓨터 장치의 프로세서에 의해 실행될 때, 컴퓨터 장치로 하여금 대상 구조물의 초음파 가진에 따른 진동의 감지를 통해 생성되어 입력으로 제공되는 초음파 계측신호를 처리하여 상기 대상 구조물의 균열 발생 여부에 관한 정보를 산출하도록 구성되며, 상기 컴퓨터 프로그램은,
(i) 서로 구별되는 두 가지 주파수를 각각 갖는 두 초음파신호로 동시에 가진되는 구조물로부터 계측된 초음파 계측신호들을 학습용으로 이용하여 장단기 기억(LSTM) 네트워크를 훈련시켜 시간영역 신호에 대한 예측 모델을 확보하는 기능; (ii) 제1 주파수(ω_a)의 제1 초음파신호와 제2 주파수(ω_b)(단, ω_a< ω_b)의 제2 초음파 신호로 동시에 가진되는 대상 구조물(target structure)로부터 계측된 현재시간단계의 초음파 계측신호를 훈련된 LSTM 네트워크에 입력하여 설정된 데이터 포인트 수에 따라 다음시간단계의 초음파 예측신호를 구하는 기능; (iii) 구해진 초음파 예측신호를 사용하여 재구성된 신호를 구하는 기능; (iv) 상기 재구성된 신호를 푸리에 변환하는 기능; 및 (v) 푸리에 변환된 신호를 이용하여 구한 스펙트럼 밀도함수의 값에 기초하여 비선형 변조 성분을 검출하여 상기 대상 구조물의 균열 발생 여부를 판별하는 기능을 포함하는 것을 특징으로 하는 컴퓨터 판독가능한 저장매체.
대상 구조물의 초음파 가진에 따른 진동의 감지를 통해 생성되어 입력으로 제공되는 초음파 계측신호를 처리하여 대상 구조물의 균열 발생 여부에 관한 정보를 산출하기 위해 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 실행가능 프로그램으로서,
상기 컴퓨터 실행가능 프로그램은,
(i) 서로 구별되는 두 가지 주파수를 각각 갖는 두 초음파신호로 동시에 가진되는 구조물로부터 계측된 초음파 계측신호들을 학습용으로 이용하여 장단기 기억(LSTM) 네트워크를 훈련시켜 시간영역 신호에 대한 예측 모델을 확보하는 기능; (ii) 제1 주파수(ω_a)의 제1 초음파신호와 제2 주파수(ω_b)(단, ω_a< ω_b)의 제2 초음파 신호로 동시에 가진되는 대상 구조물(target structure)로부터 계측된 현재시간단계의 초음파 계측신호를 훈련된 LSTM 네트워크에 입력하여 설정된 데이터 포인트 수에 따라 다음시간단계의 초음파 예측신호를 구하는 기능; (iii)구해진 초음파 예측신호를 사용하여 재구성된 신호를 구하는 기능; (iv) 상기 재구성된 신호를 푸리에 변환하는 기능; 및 (v) 푸리에 변환된 신호를 이용하여 구한 스펙트럼 밀도함수의 값에 기초하여 비선형 변조 성분을 검출하여 상기 대상 구조물의 균열 발생 여부를 판별하는 기능을 포함하는 것을 특징으로 하는 컴퓨터 실행가능 프로그램.