WO2020138549A1 - 음향 방출 결함 신호 검출 장치 및 방법 - Google Patents

음향 방출 결함 신호 검출 장치 및 방법 Download PDF

Info

Publication number
WO2020138549A1
WO2020138549A1 PCT/KR2018/016791 KR2018016791W WO2020138549A1 WO 2020138549 A1 WO2020138549 A1 WO 2020138549A1 KR 2018016791 W KR2018016791 W KR 2018016791W WO 2020138549 A1 WO2020138549 A1 WO 2020138549A1
Authority
WO
WIPO (PCT)
Prior art keywords
defect
signal
dimensional data
acoustic emission
machine learning
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2018/016791
Other languages
English (en)
French (fr)
Inventor
김종면
김재영
김영태
조기형
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KOINTEC CO Ltd
University of Ulsan Foundation for Industry Cooperation
Original Assignee
KOINTEC CO Ltd
University of Ulsan Foundation for Industry Cooperation
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 KOINTEC CO Ltd, University of Ulsan Foundation for Industry Cooperation filed Critical KOINTEC CO Ltd
Publication of WO2020138549A1 publication Critical patent/WO2020138549A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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
    • G01N29/14—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 using acoustic emission techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G01N29/22—Details, e.g. general constructional or apparatus details
    • 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/02854—Length, thickness

Definitions

  • the present invention relates to an apparatus and method for detecting a defect in a pressure vessel or a pressure tank in a non-destructive manner, and more particularly, to an apparatus and method for detecting an acoustic emission defect signal using machine learning.
  • the failure detection process of existing facility data is typically performed based on hardware redundancy principles or analytical redundancy principles.
  • the hardware redundancy method can diagnose a failure using a sensor, while the analytical redundancy method can diagnose a failure based on a mathematical model of the system.
  • the mathematical model of the system has a reference value of a normal value and diagnoses a failure through a deviation from the reference value.
  • failure data and normal data were learned to diagnose failures based on machine learning from past data.
  • Non-destructive testing includes radiation transmission tests and ultrasonic inspection tests.
  • the detection of the acoustic emission signal is also one of the inspection methods used for non-destructive inspection. In acoustic emission, it is possible to detect an early fine sign of crack generation, and is particularly used for monitoring crack generation or crack progress during operation of equipment.
  • Acoustic emission is an elastic wave generated by cracks and progress in materials.
  • One acoustic emission signal is composed of elastic waves of a plurality of frequencies continuously generated in a short period of time, and the intensity and magnitude of the acoustic emission signal vary depending on the size of the crack.
  • Patent Document 1 discloses a predictive identification method of a breaking load of a structure for non-destructive testing of structures such as tanks by acoustic emission.
  • This predictive identification method counts the number of hits of the acoustic emission energy generated according to the destruction process of the tank, and specifies the predicted value of the breaking load based on the accumulated value of the counts. That is, the predicted value of the breaking load is specified using the integral value of energy.
  • Patent Document 2 discloses a tank inspection device for specifying a location of damage by corrosion occurring on a bottom plate of a metal tank that stores liquid or gas.
  • This tank inspection device uses a sound emission sensor to indicate the location of corrosion damage.
  • time-frequency conversion is performed, and the signal intensity for each frequency band is obtained in time series.
  • information on the arrival time of a wave in a specific mode at a specific frequency is obtained, and it is possible, for example, to display and specify the sound source position with high precision.
  • Patent Document 1 Japanese Patent Publication No. 1996-54330.
  • it is intended to provide a method capable of identifying the growth of defects in a pressure vessel and a pressure tank in advance through an acoustic emission defect signal.
  • a defect signal detection method includes a data conversion step of converting one-dimensional data due to defect generation into two-dimensional data, and features extracted from the one-dimensional data and the two-dimensional data to a machine learning algorithm.
  • the method may include learning and detecting a defect signal generated in real time through the learned algorithm.
  • It may include the step of using a low pass filter (Low Pass Filter) for the acoustic emission signal, the one-dimensional data, and converting the down-sampling signal into an acoustic emission image.
  • a low pass filter Low Pass Filter
  • the step of converting the acoustic emission image may be converted into an acoustic emission image by stacking the down-sampling signals in parallel.
  • the step of learning in the machine learning algorithm is characterized in that the one-dimensional data and the two-dimensional data are divided based on the time of the same interval, and information about the location and length of the defect is learned. Defect signal detection method.
  • the machine learning algorithm may input the one-dimensional data and the two-dimensional data of the same time as inputs, and output the probability of the presence of a defect signal and the location and size of the defect occurrence as outputs.
  • the detecting of the defect signal may include inputting an acoustic emission signal and an acoustic emission image into a detection model according to the machine learning algorithm, and estimating the location and length of the defect.
  • Defect signal detection apparatus is a data conversion unit for converting one-dimensional data due to the occurrence of a defect in the tank into two-dimensional data, the one-dimensional data and the two-dimensional data is divided based on the time machine It may include a learning unit for learning in the learning algorithm and a defect detection unit for detecting a defect signal generated in real time based on the algorithm.
  • the data converter may perform low-pass filtering of the acoustic emission signal, which is the one-dimensional data, and calculate a down-sampling signal to convert it into an acoustic emission image.
  • the data converter may convert the down-sampling signal in parallel to convert it into an acoustic emission image.
  • the learning unit may divide the one-dimensional data and the two-dimensional data based on the time of the same interval, and learn information about the location and length of the defect.
  • the machine learning algorithm may input the one-dimensional data and the two-dimensional data of the same time as inputs, and output the probability of the presence of a defect signal and the location and size of the defect occurrence as outputs.
  • the defect detector may input an acoustic emission signal and an acoustic emission image into a detection model according to the machine learning algorithm, and estimate the location and length of the defect.
  • the disclosed technology can have the following effects. However, since a specific embodiment does not mean that all of the following effects should be included or only the following effects are included, the scope of rights of the disclosed technology should not be understood as being limited thereby.
  • the growth of defects in the pressure vessel and the pressure tank can be previously identified through an acoustic emission defect signal.
  • defects in the pressure vessel and the pressure tank can be detected more accurately.
  • FIG. 1 is a view for explaining a defect detection system including a defect detection device according to an embodiment of the present invention.
  • FIG. 2 is a view for explaining one-dimensional data of an acoustic emission signal according to occurrence of a defect.
  • FIG 3 is a view for explaining a defect detection apparatus according to an embodiment of the present invention.
  • FIG. 4 is a diagram for explaining a method of converting one-dimensional data to two-dimensional data due to defect generation according to an embodiment of the present invention.
  • FIG. 5 is a view for explaining an acoustic emission image according to an embodiment of the present invention.
  • FIG. 6 is a diagram for explaining a method of dividing an acoustic emission image and an acoustic emission signal according to an embodiment of the present invention.
  • FIG. 7 is a diagram for explaining a machine learning algorithm in a defect detection apparatus and method according to an embodiment of the present invention.
  • FIG 8 and 9 are views for explaining the accuracy of the estimated value and the actual value of the defect signal in the defect detection apparatus and method according to an embodiment of the present invention.
  • FIG. 10 is a view for explaining a method of detecting a defect signal in a defect detection apparatus and method according to an embodiment of the present invention.
  • FIG. 11 is a flowchart illustrating a defect detection method according to an embodiment of the present invention.
  • FIG. 1 is a view for explaining a defect detection system including a defect detection device according to an embodiment of the present invention.
  • the defect detection system performs machine learning by receiving signals from the tank 110 to be detected, a sensor 120 sensing a signal generated from a defect in the tank 110, and a sensor 120 And, through this, it may include a defect detection device 130 for detecting a defect.
  • the tank 110 may include a pressure vessel, a pressure tank, an air tank, a chemical product vessel, or a storage tank, and is not limited to the above-described contents, but includes all types of tanks, vessels, and factory equipment. It can contain.
  • the senor 120 may include a sensor capable of detecting an acoustic emission signal (AE).
  • AE acoustic emission signal
  • a defect detection method using an acoustic emission signal (AE) can determine whether a defect is present by using an acoustic emission signal (AE) of a specific frequency band among elastic waves accompanying deformation or cracking of an object. For this reason, it is strictly a non-destructive inspection method in the ultrasonic region, but it is relatively sensitive and can be continuously inspected, and it can be applied even if access is restricted because of the structure, defect size, and orientation of the object.
  • FIGS. 2 and 3 Detailed description of the sensor 120 and the defect detection device 130 will be made through FIGS. 2 and 3.
  • FIG. 2 is a view for explaining one-dimensional data of an acoustic emission signal according to occurrence of a defect.
  • the defect 211 of the sensing object 210 grows over time.
  • the binding state changes between molecules, and the acoustic emission signal is generated by the movement of the molecule 212 due to the modification of the binding state of the medium.
  • the sound emission signal emitted is a signal in the form of a shock wave, and may be sensed through the sound emission sensor 220.
  • the signal 221 sensed by the sensor 220 is usually a quiet noise signal 222, but the acoustic emission signal due to defect growth may be detected as shock waves 223 and 224.
  • the defect detection apparatus when the acoustic emission signal 221 obtained from the sensor 220 is input to the defect detection apparatus according to an embodiment of the present invention, it is possible to find out the location of the defect and the size of the defect.
  • FIG 3 is a view for explaining a defect detection apparatus according to an embodiment of the present invention.
  • the sensor 310 may transmit the acquired acoustic emission signal to the defect detection device 320.
  • the defect detection device 320 may include a data reception unit 321, a data conversion unit 322, a learning unit 323, and a defect detection unit 324, and the data reception unit 321 and a data conversion unit 322 ,
  • the learning unit 323 and the defect detection unit 324 may be implemented in one or separate processors.
  • the sensor 310 may sense an acoustic emission signal generated as the defect grows.
  • the data receiving unit 321 may receive an acoustic emission signal from the sensor 310.
  • the sensor 310 may be included in the defect detection device 320 or may be implemented as a separate device.
  • the data converter 322 may convert one-dimensional data of the sound emission signal due to the occurrence of a defect in the tank into two-dimensional data of the sound emission image.
  • the data converter 322 may perform low pass filtering on the acoustic emission signal, which is the one-dimensional data, and calculate a down-sampling signal to convert it into an acoustic emission image.
  • the data conversion unit 322 may calculate the absolute value of the sound emission signal received from the sound emission sensor as shown in Equation 1 below.
  • the data conversion unit 322 may perform d-level low-band filtering as shown in Equation 2 below.
  • the d level means a level corresponding to the number of sampling.
  • the filter function is a function for general low-band filtering, and may be, for example, a lowpass filter using a Butterworth filter.
  • fs is the sampling frequency
  • d is the number of samples.
  • the sampling frequency may be divided by 2 to prevent aliasing during downsampling. therefore, Can mean the passband frequency of low-band filtering.
  • the data converter 322 may calculate a down-sampling signal of step d from the filtered signal as shown in Equation 3 below.
  • Equation 3 means that samples of the original signal are skipped at d intervals and sampled and stored, and as d increases, the sampling interval becomes wider.
  • the data converter 322 may repeat the low pass filtering and down sampling process up to step D.
  • D is the maximum number of downsampling and may be a preset value.
  • the data converter 322 may stack the down-sampling signals in parallel to convert them into acoustic emission images that are two-dimensional data.
  • d denotes the row of the d-th sampling among the number of samples
  • colon (:) denotes the entire column. That is, all the values in the d row of the img matrix Can be replaced with
  • the learning unit 323 may divide the 1D data and the 2D data based on time to train the machine learning algorithm.
  • the machine learning algorithm can be trained to be used for analysis of the location of defects and types of defects.
  • the learning unit 323 may divide the one-dimensional data and the two-dimensional data based on the time of the same interval, and learn information about the location and length of the defect.
  • a method of dividing 1-dimensional data and 2-dimensional data based on time will be described in detail with reference to FIG. 6.
  • the machine learning algorithm may input the one-dimensional data and the two-dimensional data of the same time as inputs, and output the probability of the defect signal and the location and size of the defects as outputs.
  • the defect detection unit 324 may detect a defect signal generated in real time based on a machine learning algorithm.
  • the defect detection unit 324 may input an acoustic emission signal and an acoustic emission image into a detection model according to the machine learning algorithm, and estimate the location and length of the defect.
  • FIG. 4 is a diagram for explaining a method of converting one-dimensional data to two-dimensional data due to defect generation according to an embodiment of the present invention.
  • the data converting unit of the defect detection device converts one-dimensional data 411, 412, ⁇ , 41n-1, and 41n, which are sound emission signals due to defects in the tank, to two-dimensional data 420 of the sound emission image. Can be converted to When the signals having n sampling numbers are stacked in parallel, two-dimensional data 420 may be obtained. In this case, the 2D data 420 may be referred to as an acoustic emission image.
  • FIG. 5 is a view for explaining an acoustic emission image according to an embodiment of the present invention.
  • the first defect signal 510 and the second defect signal 520 may be identified in the acoustic emission image.
  • the acoustic emission image may include the location and size information of the defect signal. That is, in the acoustic emission image, the position of the portion corresponding to the defect signal may correspond to the time point of occurrence of the defect signal, and the magnitude of the defect signal may correspond to the degree of defect.
  • FIG. 6 is a diagram for explaining a method of dividing an acoustic emission image and an acoustic emission signal according to an embodiment of the present invention.
  • the acoustic emission image 611 which is two-dimensional data, may be divided and represented as a divided acoustic emission image 612.
  • the divided acoustic emission image 612 may be expressed as Equation 5 below.
  • the acoustic emission signal 621 that is one-dimensional data may be divided and represented as a divided acoustic emission signal 622.
  • the divided acoustic emission signal 622 may be expressed as Equation 6 below.
  • the acoustic emission image and the acoustic emission signal include information on the generation time of the defect signal and the size of the defect. It is possible to determine which part of the acoustic emission image and the acoustic emission signal is for the defect signal. That is, the acoustic emission image and the acoustic emission signal may be divided based on time to determine which portion is a defect signal and how large the defect is. At this time, the position and size of the defect can be known by looking at only a part of the defect signal in the acoustic emission image.
  • FIG. 7 is a diagram for explaining a machine learning algorithm in a defect detection apparatus and method according to an embodiment of the present invention.
  • the defect detection apparatus may learn a defect signal detection algorithm through a machine learning algorithm.
  • the defect detection apparatus may simultaneously learn information about an acoustic emission signal previously acquired using a machine learning algorithm and a timing and length of occurrence of the defect signal.
  • the location and size information of a portion corresponding to a defect signal in the acoustic emission image converted from the acoustic emission signal may be stored. At this time, the position of the portion corresponding to the defect signal in the acoustic emission image may indicate a time point at which the defect signal is generated.
  • the learning unit of the defect detection apparatus inputs the segmented acoustic emission image 711 into the first convolutional neural network (CNN) 721, and the segmented acoustic emission signal 712 is second. Can be input to the CNN (722).
  • the outputs of the first CNN 721 and the second CNN 722 are input to a Fully Connected Neural Network 730 to output the estimated confidence value 741 and the estimated location and size value 751 can do.
  • the convergence neural network is the process of connecting each neuron and a region while moving the filter, and the fully connected neural network is generally connected to all neurons in the convolutional neural network to determine what class the output value corresponds to. It can play a role of grasping.
  • the learning unit compares the estimated confidence value 741 and the estimated location and size value 751 with the actual confidence value 742 and the actual location and size value 752, respectively, and the confidence loss (lossc) 743 and the location and size. Loss (753) can be obtained.
  • the confidence loss 743 denotes a loss of whether an actual defect exists and an estimated value of whether a defect exists for the divided acoustic emission signal and the acoustic emission image.
  • the position and size loss 753 refers to the estimated position and size of the defect and the loss of the actual position and size of the defect for the segmented acoustic emission signal and acoustic emission image.
  • Convergence loss (743) and position and size loss (753) can be summed to obtain an integrated loss (760), which is reflected in the convolutional neural networks (721, 722) of the machine learning algorithm, and accuracy over time.
  • FIG 8 and 9 are views for explaining the accuracy of the estimated value and the actual value of the defect signal in the defect detection apparatus and method according to an embodiment of the present invention.
  • the input of the artificial neural network is a segmented image of the acoustic emission image (segimg) and a segmented signal of the acoustic emission signal (segsig), and the output is a confidence that indicates the probability that the input data is a defective signal.
  • the output is a confidence that indicates the probability that the input data is a defective signal.
  • It can be the time and magnitude of the occurrence of a defect signal in the value and input data.
  • the timing of occurrence of the defect signal in the input data may be a position.
  • the defect detection apparatus may calculate a loss value for learning to output a location and a size of a defect signal including divided data.
  • an overlap region 810 and an integrated region 820 can be derived.
  • the solid rectangle means the actual value
  • the dotted rectangle means the estimated value
  • the larger the overlapping area overlapping the solid rectangle and the dotted rectangle has the meaning that the estimated value and the actual value match.
  • Confidence loss is a function for evaluating whether or not the input signal is a part of a defect, and can be obtained through Equation 7 below.
  • the acoustic emission image may be input to the artificial neural network together with the segmented image (segimg) divided into a grid and the segmented signal (segsig) of the acoustic emission signal at the same position. That is, one-dimensional data corresponding to two-dimensional data can be simultaneously input to the artificial neural network.
  • the confidence value is 1, and when the segmented data is not part of the defect signal, a lossc for learning to output the confidence value as 0 may be calculated.
  • Equation 8 the position and size values estimated through the machine learning algorithm may be defined as in Equation 8 below.
  • Position and magnitude loss (lossp) is a function for evaluating the accuracy of the position and magnitude at which a defect is estimated for an input signal, and can be obtained through Equation 9 below.
  • Union Area is the union of the real area and the estimated area, and is the sum of the actual value and the estimated value
  • Overlap Area is the intersection of the real area and the estimated area, and can be defined by Equation 10 below.
  • FIG. 10 is a view for explaining a method of detecting a defect signal in a defect detection apparatus and method according to an embodiment of the present invention.
  • the timing and length of occurrence of the defect signal 1030 Can be estimated in real time.
  • the defect signal 1040 extracted through the defect detection device may be output.
  • FIG. 11 is a flowchart illustrating a defect detection method according to an embodiment of the present invention.
  • the defect detection apparatus may convert one-dimensional data of an acoustic emission signal due to defect generation into two-dimensional data of an acoustic emission image.
  • the defect detection apparatus may perform low pass filtering on the acoustic emission signal, which is the one-dimensional data, and calculate a down-sampling signal to convert it into an acoustic emission image.
  • the defect detection apparatus may train features extracted from the 1D data and the 2D data to the machine learning algorithm.
  • the defect detection apparatus may divide 1-dimensional data and the 2-dimensional data based on time to train the machine learning algorithm.
  • the machine learning algorithm can be trained to be used for analysis of the location of defects and types of defects.
  • the defect detection apparatus may divide the one-dimensional data and the two-dimensional data based on the time of the same interval, and learn information about the location and length of the defect.
  • the machine learning algorithm may input the one-dimensional data and the two-dimensional data of the same time as inputs, and output the probability of the defect signal and the location and size of the defects as outputs.
  • the defect detection apparatus may detect a defect signal generated in real time through the learned machine learning algorithm.
  • the defect detection apparatus may input an acoustic emission signal and an acoustic emission image into a detection model according to the machine learning algorithm, and estimate the location and length of the defect.
  • the server described above may be implemented with hardware components, software components, and/or combinations of hardware components and software components.
  • the server described in the embodiments may be, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor (micro signal processor), a microcomputer, a field programmable array (FPA), or a programmable programmable loop (PLU).
  • ALU arithmetic logic unit
  • micro signal processor micro computer
  • FPA field programmable array
  • PLU programmable programmable loop
  • the processor may run an operating system (OS) and one or more software applications running on the operating system.
  • the processor may access, store, manipulate, process, and generate data in response to execution of the software.
  • OS operating system
  • the processor may access, store, manipulate, process, and generate data in response to execution of the software.
  • a processor may be described as one being used, but a person having ordinary skill in the art may include a plurality of processing elements and/or multiple types of processing elements. You can see that you can.
  • a processor may include a plurality of processors or a processor and a controller.
  • other processing configurations such as parallel processors, are possible.
  • the software may include a computer program, code, instruction, or a combination of one or more of these, and configure the processing device to operate as desired, or process independently or collectively You can command the device.
  • Software and/or data may be interpreted by a processing device, or to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. , Or may be permanently or temporarily embodied in the signal wave being transmitted.
  • the software may be distributed on networked computer systems and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium.
  • the computer-readable medium may include program instructions, data files, data structures, or the like alone or in combination.
  • the program instructions recorded on the medium may be specially designed and configured for the embodiments or may be known and usable by those skilled in computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs, DVDs, and magnetic media such as floptical disks. Includes hardware devices specifically configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like.
  • program instructions include high-level language code that can be executed by a computer using an interpreter, etc., as well as machine language codes produced by a compiler.
  • the hardware device described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

본 발명의 일 실시예에 따른 설비 데이터의 이상 정도 평가 방법은 경계 데이터 생성 알고리즘을 통해 정상 데이터와 구분되는 경계 데이터를 생성하는 단계, 경계 데이터를 학습하여 정상 데이터에서 벗어나는 정도를 평가하는 평가 모델을 생성하는 단계, 평가 모델의 평가 정도를 시각화하는 2차원 맵을 생성하는 단계, 2차원 맵에 매핑된 데이터의 각 위치별 평가를 통해 2차원 평가 맵을 생성하는 단계 및 입력 신호에 대한 2차원 맵 위치를 결정하고, 입력 신호의 이상 정도를 평가하는 단계를 포함한다.

Description

음향 방출 결함 신호 검출 장치 및 방법
본 발명은 압력 용기 혹은 압력 탱크의 결함을 비파괴 방식으로 검출하는 장치 및 방법에 관한 것으로, 좀 더 구체적으로는 기계 학습을 이용하여 음향 방출 결함 신호를 검출하는 장치 및 방법에 관한 것이다.
현존하는 설비 데이터의 고장 검출 프로세스는 통상적으로 하드웨어 리던던시 원리나 분석적 리던던시 원리에 기초하여 수행된다. 하드웨어 리던던시 방식은 센서를 이용하여 고장을 진단하는 반면, 분석적 리던던시 방식은 시스템의 수학적 모델에 기초하여 고장을 진단할 수 있다.
분석적 리던던시 방식에서 시스템의 수학적 모델은 정상 값의 기준치를 가지며, 기준치로부터의 편차를 통해 고장을 진단한다. 종래에는 고장 데이터와 정상 데이터를 학습하여 과거 데이터로부터의 기계 학습을 기반으로 고장을 진단할 수 있었다.
재료 내부나 표면에서의 결함(크랙(crack)이나 보이드(void))을, 피검사물을 물리적으로 파괴하는 일 없이 검출하는 검사 방법은 비파괴 검사라고 일컬어지고 있다. 비파괴 검사에는 방사선 투과 시험, 초음파 탐상 시험 등이 있다. 음향 방출 신호의 검출도 비파괴 검사에 이용되는 검사 방법의 하나이다. 음향방출에서는 크랙 발생의 초기 미세 징조의 검출이 가능하고, 특히 설비의 운전 중의 크랙 발생 또는 크랙 진행 상태의 감시에 사용되고 있다.
우선, 음향방출의 계측과 그 처리에 대해서 설명한다. 음향방출은 재료 중의 균열 발생, 진전에 따라 생기는 탄성파이다. 하나의 음향방출 신호는 단기간에 연속적으로 발생하는 복수의 주파수의 탄성파로 구성되고 있고, 그 강도와 크기는 균열의 크기에 따라 다르다.
음향방출 신호를 이용한 비파괴 검사 기술은 수없이 많이 제안되어 있다. 예를 들면, 특허 문헌 1에는, 탱크 등의 구조물을 음향방출에 의해 비파괴 시험하는 구조물의 파괴 하중의 예측적 특정법이 개시되어 있다. 이 예측적 특정법은 탱크의 파괴 프로세스에 따라서 발생하는 음향방출 에너지의 히트 수를 카운트하고, 이 카운트 수의 누적값에 기초하여 파괴 하중의 예측값을 특정하고 있다. 즉, 에너지의 적분값을 이용하여 파괴 하중의 예측값을 특정하는 것이다.
특허 문헌 2에는, 액체나 기체를 저장하는 금속제의 탱크의 저판에 발생하는 부식에 의해 손상 위치를 표시하여 특정하는 탱크 검사 장치가 개시되어 있다. 이 탱크 검사 장치는 음향방출 센서를 이용하여, 부식 손상의 발생 위치를 표시하여 특정하고 있다. 검출 파형의 각 시간에 있어서, 시간-주파수 변환을 실시하고, 주파수 대역마다의 신호 강도를 시계열적으로 구하고 있다. 이에 의해 특정의 주파수에 있어서의 특정 모드의 파(wave)의 도달 시간의 정보가 얻어져, 예를 들면 음원 위치를 고정밀로 표시하여 특정하는 것이 가능하게 된다.
<특허 문헌 1> 일본국 특허공개 1996-54330호 공보.
<특허 문헌 2> 일본국 특허공개 2005-17089호 공보
본 발명의 일실시예에 따르면, 압력 용기 및 압력 탱크에서 결함의 성장을 음향 방출 결함 신호를 통해서 미리 파악할 수 있는 방법을 제공하고자 한다.
본 발명의 다른 일실시예에 따르면, 압력 용기 및 압력 탱크의 결함을 보다 정확하게 검출할 수 있는 결함 검출 장치 및 방법을 제공하기 위함이다.
본 발명의 일실시예에 따른 결함 신호 검출 방법은, 결함 발생에 의한 1차원 데이터를 2차원 데이터로 변환하는 데이터 변환 단계, 상기 1차원 데이터 및 상기 2차원 데이터로부터 추출된 특징을 기계 학습 알고리즘에 학습시키는 단계 및 상기 학습된 알고리즘을 통해 실시간으로 발생하는 결함 신호를 검출하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 2차원 데이터로 변환하는 데이터 변환 단계는,
상기 1차원 데이터인 음향 방출 신호에 로우패스 필터(Low Pass Filter)를 사용하고, 다운 샘플링 신호를 계산하여 음향 방출 이미지로 변환하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 음향 방출 이미지로 변환하는 단계는, 상기 다운 샘플링 신호를 병렬로 적층시켜 음향 방출 이미지로 변환할 수 있다.
일실시예에 따르면, 상기 기계 학습 알고리즘에 학습시키는 단계는, 상기 1차원 데이터 및 상기 2차원 데이터를 동일 간격의 시간을 기초로 분할하고, 결함의 위치 및 길이에 대한 정보를 학습시키는 것을 특징으로 하는 결함 신호 검출 방법.
일실시예에 따르면, 상기 기계 학습 알고리즘은, 동일한 시간의 상기 1차원 데이터 및 상기 2차원 데이터를 입력으로 하고, 결함 신호의 존재 확률과 결함 발생 위치 및 크기를 출력으로 할 수 있다.
일실시예에 따르면, 상기 결함 신호를 검출하는 단계는, 상기 기계 학습 알고리즘에 따른 검출 모델에 음향 방출 신호 및 음향 방출 이미지를 입력시키고, 결함의 위치 및 길이를 추정할 수 있다.
본 발명의 일실시예에 따른 결함 신호 검출 장치는 탱크의 결함 발생에 의한 1차원 데이터를 2차원 데이터로 변환하는 데이터 변환부, 상기 1차원 데이터 및 상기 2차원 데이터를 시간을 기초로 분할하여 기계 학습 알고리즘에 학습시키는 학습부 및 상기 알고리즘을 기초로 실시간으로 발생하는 결함 신호를 검출하는 결함 검출부를 포함할 수 있다.
일실시예에 따르면, 상기 데이터 변환부는, 상기 1차원 데이터인 음향 방출 신호를 로우패스 필터링(Low Pass Filtering)하고, 다운 샘플링 신호를 계산하여 음향 방출 이미지로 변환할 수 있다.
일실시예에 따르면, 상기 데이터 변환부는, 상기 다운 샘플링 신호를 병렬로 적층시켜 음향 방출 이미지로 변환할 수 있다.
일실시예에 따르면, 상기 학습부는, 상기 1차원 데이터 및 상기 2차원 데이터를 동일 간격의 시간을 기초로 분할하고, 결함의 위치 및 길이에 대한 정보를 학습시킬 수 있다.
일실시예에 따르면, 상기 기계 학습 알고리즘은, 동일한 시간의 상기 1차원 데이터 및 상기 2차원 데이터를 입력으로 하고, 결함 신호의 존재 확률과 결함 발생 위치 및 크기를 출력으로 할 수 있다.
일실시예에 따르면, 상기 결함 검출부는, 상기 기계 학습 알고리즘에 따른 검출 모델에 음향 방출 신호 및 음향 방출 이미지를 입력시키고, 결함의 위치 및 길이를 추정할 수 있다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일실시예에 따르면, 압력 용기 및 압력 탱크에서 결함의 성장을 음향 방출 결함 신호를 통해서 미리 파악할 수 있다.
본 발명의 다른 일실시예에 따르면, 압력 용기 및 압력 탱크의 결함을 보다 정확하게 검출할 수 있다.
도 1은 본 발명의 일 실시예에 따른 결함 검출 장치를 포함하는 결함 검출 시스템을 설명하기 위한 도면이다.
도 2는 결함 발생에 따른 음향 방출 신호의 1차원 데이터를 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 결함 검출 장치를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따라 결함 발생에 의한 1차원 데이터를 2차원 데이터로 변환하는 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 음향 방출 이미지를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 음향 방출 이미지 및 음향 방출 신호를 분할하는 방법에 대해 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 결함 검출 장치 및 방법에서 기계 학습 알고리즘을 설명하기 위한 도면이다.
도 8 및 도 9는 본 발명의 일 실시예에 따른 결함 검출 장치 및 방법에서 결함 신호의 추정 값과 실제 값의 정확도에 대해 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 결함 검출 장치 및 방법에서 결함 신호를 검출하는 방법을 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 결함 검출 방법을 설명하기 위한 흐름도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
아래 설명하는 실시예들에는 다양한 변경이 가해질 수 있다. 아래 설명하는 실시예들은 실시 형태에 대해 한정하려는 것이 아니며, 이들에 대한 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시예에 따른 결함 검출 장치 및 방법의 바람직한 실시예를 서술하도록 한다. 단, 제시된 실시예는 본 발명의 예시적인 목적일 뿐 본 발명의 기술적 사상이 이들 실시예로부터 한정되는 것은 아니다.
도 1은 본 발명의 일 실시예에 따른 결함 검출 장치를 포함하는 결함 검출 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 결함 검출 시스템은 검출 대상이 되는 탱크(110), 탱크(110)의 결함에서 발생하는 신호를 센싱하는 센서(120) 및 센서(120)로부터 신호를 수신하여 기계 학습을 수행하고, 이를 통해서 결함을 검출하는 결함 검출 장치(130)를 포함할 수 있다.
일실시예에 따르면, 탱크(110)는 압력 용기, 압력 탱크, 에어 탱크, 화학 제품 용기 또는 저장 탱크 등을 포함할 수 있으며, 상기 기재된 내용에 한정되지 않고 모든 형태의 탱크나 용기, 공장 설비를 포함할 수 있다.
일실시예에 따르면, 센서(120)는 음향 방출 신호(Acoustic Emission : AE)를 감지할 수 있는 센서를 포함할 수 있다.
음향 방출 신호(Acoustic Emission : AE)를 이용한 결함 검출 방법은 대상물의 변형 또는 균열에 수반되는 탄성파(elastic wave) 중에서도 특정 주파수 대역의 음향 방출 신호(AE)를 이용하여 결함유무를 판단할 수 있다. 이 때문에 엄밀하게는 초음파영역의 비파괴검사방법에 해당 되지만 상대적으로 감도가 높고 지속적인 검사가 가능하며 대상물의 구조, 결함크기, 방향 등에 구애 받지 않아 접근이 제한된 경우라도 적용이 가능하다.
센서(120) 및 결함 검출 장치(130)에 대한 구체적인 설명은 도 2와 도 3을 통해서 하도록 한다.
도 2는 결함 발생에 따른 음향 방출 신호의 1차원 데이터를 설명하기 위한 도면이다.
도 2를 참조하면, 센싱 대상체(210)의 결함(211)은 시간이 갈수록 결함이 성장하게 된다. 이때, 결함이 성장하면서 분자 간에 결합 상태가 달라지며, 매질의 결합 상태 변형으로 인해 분자(212)의 이동으로 음향 방출 신호가 생성된다. 이때 방출되는 음향 방출 신호는 충격파 형태의 신호이며, 음향 방출 센서(220)를 통해서 센싱할 수 있다. 센서(220)에서 센싱된 신호(221)는 평소에는 잔잔한 노이즈 신호(222) 정도이지만, 결함 성장에 따른 음향 방출 신호는 충격파(223, 224)로 검출될 수 있다.
본 발명의 일실시예에 따르면, 센서(220)에서 획득한 음향 방출 신호(221)를 본 발명의 일실시예에 따른 결함 검출 장치에 입력하면 결함의 발생 위치 및 결함의 크기를 알아낼 수 있다.
이하 도 3에서 결함 검출 장치에 대한 구체적인 설명을 하도록 한다.
도 3은 본 발명의 일 실시예에 따른 결함 검출 장치를 설명하기 위한 도면이다.
도 3을 참조하면, 센서(310)는 획득한 음향 방출 신호를 결함 검출 장치(320)에 송신할 수 있다. 결함 검출 장치(320)는 데이터 수신부(321), 데이터 변환부(322), 학습부(323) 및 결함 검출부(324)를 포함할 수 있으며, 상기 데이터 수신부(321), 데이터 변환부(322), 학습부(323) 및 결함 검출부(324)는 하나 또는 별개의 프로세서에서 구현될 수 있다.
센서(310)는 결함이 성장하면서 발생하는 음향 방출 신호를 센싱할 수 있다.
일실시예에 따르면, 데이터 수신부(321)는 센서(310)로부터 음향 방출 신호를 수신할 수 있다. 이때, 센서(310)는 결함 검출 장치(320)에 포함될 수도 있으며, 별개의 장치로 구현될 수도 있다.
일실시예에 따르면, 데이터 변환부(322)는 탱크의 결함 발생에 의한 음향 방출 신호의 1차원 데이터를 음향 방출 이미지의 2차원 데이터로 변환할 수 있다.
일실시예에 따르면, 데이터 변환부(322)는, 상기 1차원 데이터인 음향 방출 신호를 로우패스 필터링(Low Pass Filtering)하고, 다운 샘플링 신호를 계산하여 음향 방출 이미지로 변환할 수 있다.
보다 구체적으로, 데이터 변환부(322)는 음향 방출 센서로부터 수신한 음향 방출 신호의 절대값을 하기 수학식 1과 같이 계산할 수 있다.
Figure PCTKR2018016791-appb-img-000001
다음으로 데이터 변환부(322)는 하기 수학식 2와 같이 d 레벨의 저대역 필터링을 수행할 수 있다. 여기서 d 레벨은 샘플링 개수에 대응하는 레벨을 의미한다.
Figure PCTKR2018016791-appb-img-000002
여기서, filter 함수는 일반적인 저대역 필터링에 대한 함수로, 예를 들면, Butterworth filter를 사용한 Lowpass filter가 될 수 있다. fs는 샘플링 주파수이고, d는 샘플링 개수를 의미한다. 이때, 다운 샘플링시 엘리어싱(aliasing)을 방지하기 위해서 샘플링 주파수를 2로 나눌 수 있다. 따라서,
Figure PCTKR2018016791-appb-img-000003
는 저대역 필터링의 통과대역 주파수를 의미할 수 있다.
데이터 변환부(322)는 하기 수학식 3과 같이 필터링된 신호로부터 d단계의 다운샘플링 신호를 계산할 수 있다.
Figure PCTKR2018016791-appb-img-000004
여기서 d는 샘플링 개수이고, i는 신호의 인덱스이다. 즉, 상기 수학식 3은 원 신호의 샘플들을 d 간격으로 건너뛰면서 샘플링하여 저장하는 것을 의미하며, d가 커질수록 샘플링 간격이 넓어지게 된다.
데이터 변환부(322)는 로우 패스 필터링 및 다운 샘플링 과정을 D 단계까지 반복할 수 있다. 여기서 D는 최대 다운샘플링 회수로, 미리 설정된 값이 될 수 있다.
데이터 변환부(322)는, 하기 수학식 4와 같이, 상기 다운 샘플링 신호를 병렬로 적층시켜 2차원 데이터인 음향 방출 이미지로 변환할 수 있다.
Figure PCTKR2018016791-appb-img-000005
2차원 행렬 img에서, d는 샘플링 개수 중 d번째 샘플링의 행을 의미하고 콜론(:)은 열 전체를 의미한다. 즉, img 행렬의 d번째 행의 값들 모두를
Figure PCTKR2018016791-appb-img-000006
로 대체할 수 있다.
병렬 적층에 대한 보다 구체적인 설명은 도 4를 통해서 하도록 한다.
일실시예에 따르면, 학습부(323)는 1차원 데이터 및 상기 2차원 데이터를 시간을 기초로 분할하여 기계 학습 알고리즘에 학습시킬 수 있다. 여기서 기계 학습 알고리즘은 결함의 위치, 결함의 종류 등의 분석에 활용할 수 있도록 학습할 수 있다.
일실시예에 따르면, 학습부(323)는, 상기 1차원 데이터 및 상기 2차원 데이터를 동일 간격의 시간을 기초로 분할하고, 결함의 위치 및 길이에 대한 정보를 학습시킬 수 있다. 여기서 1차원 데이터 및 2차원 데이터를 시간을 기초로 분할하는 방법은 도 6을 통해 상세히 하도록 한다.
기계 학습 알고리즘은, 동일한 시간의 상기 1차원 데이터 및 상기 2차원 데이터를 입력으로 하고, 결함 신호의 존재 확률과 결함 발생 위치 및 크기를 출력으로 할 수 있다.
일실시예에 따르면, 결함 검출부(324)는 기계 학습 알고리즘을 기초로 실시간으로 발생하는 결함 신호를 검출할 수 있다.
일실시예에 따른 결함 검출부(324)는, 상기 기계 학습 알고리즘에 따른 검출 모델에 음향 방출 신호 및 음향 방출 이미지를 입력시키고, 결함의 위치 및 길이를 추정할 수 있다.
도 4는 본 발명의 일 실시예에 따라 결함 발생에 의한 1차원 데이터를 2차원 데이터로 변환하는 방법을 설명하기 위한 도면이다.
도 4를 참조하면, 결함 검출 장치의 데이터 변환부는 탱크의 결함 발생에 의한 음향 방출 신호인 1차원 데이터(411, 412, 쪋, 41n-1, 41n)를 음향 방출 이미지의 2차원 데이터(420)로 변환할 수 있다. n개의 샘플링 개수를 갖는 신호에 대해서, 병렬로 적층시키면, 2차원 데이터(420)가 될 수 있다. 이때, 2차원 데이터(420)는 음향 방출 이미지라고 할 수 있다.
도 5는 본 발명의 일 실시예에 따른 음향 방출 이미지를 설명하기 위한 도면이다.
도 5를 참조하면, 음향 방출 이미지에서 제1 결함 신호(510)와 제2 결함 신호(520)를 확인할 수 있다. 이때, 음향 방출 이미지에는 결함 신호의 발생 위치와 크기 정보를 내포할 수 있다. 즉, 음향 방출 이미지에서, 결함 신호에 해당되는 부분의 위치는 결함 신호의 발생 시점에 대응하고, 결함 신호의 크기는 결함의 정도에 대응할 수 있다.
도 6은 본 발명의 일 실시예에 따른 음향 방출 이미지 및 음향 방출 신호를 분할하는 방법에 대해 설명하기 위한 도면이다.
도 6(a)를 참조하면, 2차원 데이터인 음향 방출 이미지(611)를 분할하여 분할된 음향 방출 이미지(612)로 나타낼 수 있다. 분할된 음향 방출 이미지(612)는 하기 수학식 5와 같이 나타낼 수 있다.
Figure PCTKR2018016791-appb-img-000007
도 6(b)를 참조하면, 1차원 데이터인 음향 방출 신호(621)를 분할하여 분할된 음향 방출 신호(622)로 나타낼 수 있다. 분할된 음향 방출 신호(622)는 하기 수학식 6과 같이 나타낼 수 있다.
Figure PCTKR2018016791-appb-img-000008
음향 방출 이미지 및 음향 방출 신호는 결함 신호의 발생 시점 정보와 결함의 크기 정보를 포함하고 있는데, 음향 방출 이미지 및 음향 방출 신호 중에서 어느 부분이 결함 신호에 대한 내용인지를 정할 수 있다. 즉, 음향 방출 이미지 및 음향 방출 신호를 시간을 기초로 분할하여 어느 부분이 결함 신호인지, 결함의 크기가 어느 정도인지를 정할 수 있다. 이때, 음향 방출 이미지에서 결함 신호의 일부만 보고도 결함의 위치 및 크기를 알 수 있다.
도 7은 본 발명의 일 실시예에 따른 결함 검출 장치 및 방법에서 기계 학습 알고리즘을 설명하기 위한 도면이다.
본 발명의 일실시예에 따른 결함 검출 장치는 기계 학습 알고리즘을 통해서 결함 신호 검출 알고리즘을 학습할 수 있다. 예를 들면, 일실시예에 따른 결함 검출 장치는 기계 학습 알고리즘을 이용하여 사전에 취득한 음향 방출 신호와 결함 신호의 발생 시점 및 발생 길이에 대한 정보를 동시에 학습할 수 있다.
음향 방출 신호를 변환한 음향 방출 이미지에서 결함 신호에 해당하는 부분의 위치와 크기 정보를 저장할 수 있다. 이때, 음향 방출 이미지에서 결함 신호에 해당하는 부분의 위치는 결함 신호의 발생 시점을 의미할 수 있다.
도 7을 참조하면, 결함 검출 장치의 학습부는 분할된 음향 방출 이미지(711)를 제1 CNN(Convolutional Neural Network; 합성곱 신경망, 721)에 입력시키고, 분할된 음향 방출 신호(712)를 제2 CNN(722)에 입력시킬 수 있다. 제1 CNN(721) 및 제2 CNN(722)의 출력은 완전 연결 신경망(Fully Connected Neural Network, 730)에 입력되어, 추정된 컨피던스 값(741)과 추정된 위치 및 크기 값(751)을 출력할 수 있다.
합성곱 신경망(CNN)은 필터를 이동해 가면서 각 뉴런과 영역을 연결하는 과정이고, 완전 연결 신경망(Fully Connected Neural Network)은 일반적으로 합성곱 신경망의 모든 뉴런과 연결되어 출력 값이 어떤 클래스에 해당되는지 파악하는 역할을 수행할 수 있다.
학습부는 추정된 컨피던스 값(741)과 추정된 위치 및 크기 값(751)을 각각 실제 컨피던스 값(742)과 실제 위치 및 크기 값(752)과 비교하여 컨피던스 손실(lossc; 743)과 위치 및 크기 손실(lossp; 753)을 획득할 수 있다. 여기서 컨피던스 손실(743)은 분할된 음향 방출 신호 및 음향 방출 이미지에 대해 결함이 존재하는지에 대한 추정 값과 실제 결함이 존재하는지 여부에 대한 손실을 의미한다. 위치 및 크기 손실(753)은 분할된 음향 방출 신호 및 음향 방출 이미지에 대해 결함의 추정된 위치 및 크기와 결함의 실제 위치 및 크기에 대한 손실을 의미한다.
컨피던스 손실(743)과 위치 및 크기 손실(753)을 합산하여 통합 로스(loss; 760)를 구할 수 있으며, 이는 다시 기계 학습 알고리즘의 합성곱 신경망(721, 722)에 반영되어 시간이 지날수록 정확도를 높일 수 있도록 한다.
컨피던스 손실(lossc; 743)과 위치 및 크기 손실(lossp; 753)에 대해서는 도 8 및 도 9를 통해서 보다 구체적으로 설명하도록 한다.
도 8 및 도 9는 본 발명의 일 실시예에 따른 결함 검출 장치 및 방법에서 결함 신호의 추정 값과 실제 값의 정확도에 대해 설명하기 위한 도면이다.
일실시예에 따른 기계 학습 알고리즘에서, 인공 신경망의 입력은 음향 방출 이미지의 분할 이미지(segimg)와 음향 방출 신호의 분할 신호(segsig)이며, 출력은 입력 데이터가 결함 신호일 확률을 의미하는 컨피던스(confidence)값과 입력 데이터에서 결함 신호의 발생 시점과 크기가 될 수 있다. 여기서, 입력 데이터에서 결함 신호의 발생 시점은 위치가 될 수 있다.
일 실시예에 따른 결함 검출 장치는 분할된 데이터가 포함되어 있는 결함 신호의 위치와 크기를 출력하도록 학습하기 위한 손실값을 계산할 수 있다.
도 8을 참조하면, 손실 값을 계산하기 위해서, 오버랩 영역(810)과 통합 영역(820)을 도출할 수 있다. 여기서, 실선 사각형은 실제 값을 의미하고, 점선 사각형은 추정된 값을 의미하며, 실선 사각형과 점선 사각형이 겹치는 오버랩 영역이 클수록 추정 값과 실제 값이 일치한다는 의미를 갖는다.
컨피던스 손실(lossc)은 입력 신호가 결함 일부인지 아닌지 평가하는 함수로, 하기 수학식 7을 통해서 구할 수 있다.
Figure PCTKR2018016791-appb-img-000009
기계 학습 알고리즘에서, 음향 방출 이미지가 격자로 분할된 분할 이미지(segimg)와 동일한 위치의 음향 방출 신호의 분할 신호(segsig)를 함께 인공 신경망에 입력할 수 있다. 즉, 2차원 데이터와 대응하는 1차원 데이터를 인공 신경망에 동시에 입력할 수 있다.
분할된 데이터가 결함 신호의 일부일 경우, 컨피던스 값을 1로하고, 분할된 데이터가 결함 신호의 일부가 아닐 경우, 컨피던스 값을 0으로 출력하도록 학습하기 위한 손실 값(lossc)을 계산할 수 있다.
먼저, 기계 학습 알고리즘을 통해 추정된 위치 및 크기 값은 하기 수학식 8과 같이 정의될 수 있다.
Figure PCTKR2018016791-appb-img-000010
위치 및 크기 손실(lossp)은 입력된 신호에 대해서 결함이 추정되는 위치 및 크기에 대한 정확도를 평가하는 함수로, 하기 수학식 9를 통해서 구할 수 있다.
Figure PCTKR2018016791-appb-img-000011
추정된 값과 실제 값의 정확도가 높을수록 겹치는 영역(Overlap Area)이 크고, 이에 따라, 통합 영역(Union Area)이 작아지게 된다. 따라서, 기계 학습 알고리즘의 정확도가 올라갈수록 위치 및 크기 손실(lossp)은 0에 가까워지고, 정확도가 완전히 없는 경우에는 위치 및 크기 손실(lossp)은 1이 된다.
여기서, Union Area는 실제 영역과 추정 영역의 합집합으로, 실제 값과 추정된 값의 합이고, Overlap Area는 실제 영역과 추정된 영역의 교집합으로 하기 수학식 10으로 정의될 수 있다.
Figure PCTKR2018016791-appb-img-000012
여기서, right는 p + a와
Figure PCTKR2018016791-appb-img-000013
중 작은 값이고, left는 p와
Figure PCTKR2018016791-appb-img-000014
중 큰 값을 말한다. p는 실제 신호의 위치이고, a는 실제 신호의 영역이고,
Figure PCTKR2018016791-appb-img-000015
은 추정된 신호의 위치이고,
Figure PCTKR2018016791-appb-img-000016
은 추정된 신호의 영역이다.
도 9(a)를 참조하면, 실제 영역(실선 부분)과 추정된 영역(점선 영역)이 겹치는 영역(Overlap Area)이 큰 경우를 확인할 수 있다. 이때, 추정 영역과 실제 영역이 겹치는 경우에는
Figure PCTKR2018016791-appb-img-000017
가 p보다 크므로, left(910)는
Figure PCTKR2018016791-appb-img-000018
이 되고,
Figure PCTKR2018016791-appb-img-000019
가 p + a보다 크므로, right(920)는 p + a가 된다.
따라서, right - left가 0보다 크므로, 상기 수학식 9를 적용하여 위치 및 크기 손실(lossp)을 계산할 수 있다.
도 9(b)를 참조하면, 실제 영역(실선 부분)과 추정된 영역(점선 영역)이 겹치는 영역(Overlap Area)이 없는 경우를 확인할 수 있다. 이때, 추정 영역과 실제 영역이 겹치지 않는 경우에는 p가
Figure PCTKR2018016791-appb-img-000020
보다 크므로, left(930)는 p가 되고, p + a가
Figure PCTKR2018016791-appb-img-000021
보다 크므로, right(940)는
Figure PCTKR2018016791-appb-img-000022
가 된다.
따라서, right - left가 0보다 작으므로, 상기 수학식 9를 적용하여 위치 및 크기 손실(lossp)을 1로 계산할 수 있다.
도 10은 본 발명의 일 실시예에 따른 결함 검출 장치 및 방법에서 결함 신호를 검출하는 방법을 설명하기 위한 도면이다.
도 10을 참조하면, 음향 방출 센서로부터 수신된 음향 방출 신호(1010)를 일실시예에 따른 결함 검출 장치에서 학습된 기계 학습 알고리즘(1020)에 넣으면, 결함 신호의 발생 시점과 발생 길이(1030)를 실시간으로 추정할 수 있다. 이때, 결함 검출 장치를 통해서 추출된 결함 신호(1040)를 출력할 수 있다.
도 11은 본 발명의 일 실시예에 따른 결함 검출 방법을 설명하기 위한 흐름도이다.
도 11을 참조하면, 단계(S1101)에서, 결함 검출 장치는 결함 발생에 의한 음향 방출 신호의 1차원 데이터를 음향 방출 이미지의 2차원 데이터로 변환할 수 있다.
일실시예에 따르면, 결함 검출 장치는, 상기 1차원 데이터인 음향 방출 신호를 로우패스 필터링(Low Pass Filtering)하고, 다운 샘플링 신호를 계산하여 음향 방출 이미지로 변환할 수 있다.
단계(S1102)에서, 결함 검출 장치는 1차원 데이터 및 2차원 데이터로부터 추출된 특징을 기계 학습 알고리즘에 학습시킬 수 있다.
일실시예에 따르면, 결함 검출 장치는 1차원 데이터 및 상기 2차원 데이터를 시간을 기초로 분할하여 기계 학습 알고리즘에 학습시킬 수 있다. 여기서 기계 학습 알고리즘은 결함의 위치, 결함의 종류 등의 분석에 활용할 수 있도록 학습할 수 있다.
일실시예에 따르면, 결함 검출 장치는 상기 1차원 데이터 및 상기 2차원 데이터를 동일 간격의 시간을 기초로 분할하고, 결함의 위치 및 길이에 대한 정보를 학습시킬 수 있다. 기계 학습 알고리즘은, 동일한 시간의 상기 1차원 데이터 및 상기 2차원 데이터를 입력으로 하고, 결함 신호의 존재 확률과 결함 발생 위치 및 크기를 출력으로 할 수 있다.
단계(S1103)에서, 결함 검출 장치는 학습된 기계 학습 알고리즘을 통해 실시간으로 발생하는 결함 신호를 검출할 수 있다.
일실시예에 따른 결함 검출 장치는 상기 기계 학습 알고리즘에 따른 검출 모델에 음향 방출 신호 및 음향 방출 이미지를 입력시키고, 결함의 위치 및 길이를 추정할 수 있다.
이상에서 설명된 서버는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 서버는, 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. 프로세서는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 프로세서는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 프로세서는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 프로세서가 복수의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 프로세서는 복수의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (12)

  1. 결함 발생에 의한 1차원 데이터를 2차원 데이터로 변환하는 데이터 변환 단계;
    상기 1차원 데이터 및 상기 2차원 데이터로부터 추출된 특징을 기계 학습 알고리즘에 학습시키는 단계; 및
    상기 학습된 기계 학습 알고리즘을 통해 실시간으로 발생하는 결함 신호를 검출하는 단계
    를 포함하는 결함 신호 검출 방법.
  2. 제1항에 있어서,
    상기 2차원 데이터로 변환하는 데이터 변환 단계는,
    상기 1차원 데이터인 음향 방출 신호에 로우패스 필터(Low Pass Filter)를 사용하고, 다운 샘플링 신호를 계산하여 음향 방출 이미지로 변환하는 단계를 포함하는 결함 신호 검출 방법.
  3. 제2항에 있어서,
    상기 음향 방출 이미지로 변환하는 단계는,
    상기 다운 샘플링 신호를 병렬로 적층시켜 음향 방출 이미지로 변환하는 것을 특징으로 하는 결함 신호 검출 방법.
  4. 제1항에 있어서,
    상기 기계 학습 알고리즘에 학습시키는 단계는,
    상기 1차원 데이터 및 상기 2차원 데이터를 동일 간격의 시간을 기초로 분할하고, 결함의 위치 및 길이에 대한 정보를 학습시키는 것을 특징으로 하는 결함 신호 검출 방법.
  5. 제4항에 있어서,
    상기 기계 학습 알고리즘은,
    동일한 시간의 상기 1차원 데이터 및 상기 2차원 데이터를 입력으로 하고, 결함 신호의 존재 확률과 결함 발생 위치 및 크기를 출력으로 하는 것을 특징으로 하는 결함 신호 검출 방법.
  6. 제1항에 있어서,
    상기 결함 신호를 검출하는 단계는,
    상기 기계 학습 알고리즘에 따른 검출 모델에 음향 방출 신호 및 음향 방출 이미지를 입력시키고, 결함의 위치 및 길이를 추정하는 것을 특징으로 하는 결함 신호 검출 방법.
  7. 결함 발생에 의한 1차원 데이터를 2차원 데이터로 변환하는 데이터 변환부;
    상기 1차원 데이터 및 상기 2차원 데이터를 시간을 기초로 분할하여 기계 학습 알고리즘에 학습시키는 학습부; 및
    상기 기계 학습 알고리즘을 기초로 실시간으로 발생하는 결함 신호를 검출하는 결함 검출부를 포함하는 결함 신호 검출 장치.
  8. 제7항에 있어서,
    상기 데이터 변환부는,
    상기 1차원 데이터인 음향 방출 신호를 로우패스 필터링(Low Pass Filtering)하고, 다운 샘플링 신호를 계산하여 음향 방출 이미지로 변환하는 것을 특징으로 하는 결함 신호 검출 장치.
  9. 제8항에 있어서,
    상기 데이터 변환부는,
    상기 다운 샘플링 신호를 병렬로 적층시켜 음향 방출 이미지로 변환하는 것을 특징으로 하는 결함 신호 검출 장치.
  10. 제7항에 있어서,
    상기 학습부는,
    상기 1차원 데이터 및 상기 2차원 데이터를 동일 간격의 시간을 기초로 분할하고, 결함의 위치 및 길이에 대한 정보를 학습시키는 것을 특징으로 하는 결함 신호 검출 장치.
  11. 제10항에 있어서,
    상기 기계 학습 알고리즘은,
    동일한 시간의 상기 1차원 데이터 및 상기 2차원 데이터를 입력으로 하고, 결함 신호의 존재 확률과 결함 발생 위치 및 크기를 출력으로 하는 것을 특징으로 하는 결함 신호 검출 장치.
  12. 제7항에 있어서,
    상기 결함 검출부는,
    상기 기계 학습 알고리즘에 따른 검출 모델에 음향 방출 신호 및 음향 방출 이미지를 입력시키고, 결함의 위치 및 길이를 추정하는 것을 특징으로 하는 결함 신호 검출 장치.
PCT/KR2018/016791 2018-12-27 2018-12-27 음향 방출 결함 신호 검출 장치 및 방법 Ceased WO2020138549A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180170667A KR102154413B1 (ko) 2018-12-27 2018-12-27 음향 방출 결함 신호 검출 장치 및 방법
KR10-2018-0170667 2018-12-27

Publications (1)

Publication Number Publication Date
WO2020138549A1 true WO2020138549A1 (ko) 2020-07-02

Family

ID=71127953

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/016791 Ceased WO2020138549A1 (ko) 2018-12-27 2018-12-27 음향 방출 결함 신호 검출 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102154413B1 (ko)
WO (1) WO2020138549A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131781A (zh) * 2020-08-26 2020-12-25 浙江工业大学 基于全连接神经网络与传递率函数的钢结构损伤检测方法
CN121034689A (zh) * 2025-10-30 2025-11-28 中机生产力促进中心有限公司 一种核电设备运行健康状态监测系统

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036463A (zh) * 2020-08-26 2020-12-04 国家电网有限公司 一种基于深度学习的电力设备缺陷检测识别方法
US11493406B2 (en) 2020-12-22 2022-11-08 Korea Manufacture Process Co., Ltd. Motor noise detecting device and detecting method using AE sensor
WO2022139013A1 (ko) * 2020-12-22 2022-06-30 주식회사 한국엠프로 Ae 센서를 이용한 모터 소음 검사장치 및 검사방법
KR102853806B1 (ko) * 2023-12-27 2025-09-02 한국기술교육대학교 산학협력단 유연 탄성 센서를 이용한 오류 감지 예측을 포함한 인공지능 기반의 구조물 모니터링 시스템
KR102853803B1 (ko) * 2024-01-26 2025-09-02 한국기술교육대학교 산학협력단 음향 방출 센서를 이용하여 구조물의 오류 발생 가능성을 예측하는 인공지능 기반의 구조물 모니터링 시스템
KR102853807B1 (ko) * 2024-05-09 2025-09-02 한국기술교육대학교 산학협력단 무선 탄성 센서를 이용한 인공지능 기반의 구조물 모니터링 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100060257A (ko) * 2008-11-27 2010-06-07 부산대학교 산학협력단 음향방출 기법을 이용한 코팅재의 손상진단을 위한 장치 및방법
US20170168024A1 (en) * 2015-12-15 2017-06-15 General Electric Company Monitoring systems and methods for electrical machines
KR20170093613A (ko) * 2016-02-05 2017-08-16 울산대학교 산학협력단 베어링 고장 진단 방법
KR20170126786A (ko) * 2016-05-10 2017-11-20 더 보잉 컴파니 음향 방출 시험을 위한 방법 및 장치
KR101818394B1 (ko) * 2017-05-11 2018-01-12 울산대학교 산학협력단 설비 상태 진단 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100060257A (ko) * 2008-11-27 2010-06-07 부산대학교 산학협력단 음향방출 기법을 이용한 코팅재의 손상진단을 위한 장치 및방법
US20170168024A1 (en) * 2015-12-15 2017-06-15 General Electric Company Monitoring systems and methods for electrical machines
KR20170093613A (ko) * 2016-02-05 2017-08-16 울산대학교 산학협력단 베어링 고장 진단 방법
KR20170126786A (ko) * 2016-05-10 2017-11-20 더 보잉 컴파니 음향 방출 시험을 위한 방법 및 장치
KR101818394B1 (ko) * 2017-05-11 2018-01-12 울산대학교 산학협력단 설비 상태 진단 방법 및 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131781A (zh) * 2020-08-26 2020-12-25 浙江工业大学 基于全连接神经网络与传递率函数的钢结构损伤检测方法
CN121034689A (zh) * 2025-10-30 2025-11-28 中机生产力促进中心有限公司 一种核电设备运行健康状态监测系统

Also Published As

Publication number Publication date
KR20200080814A (ko) 2020-07-07
KR102154413B1 (ko) 2020-09-09

Similar Documents

Publication Publication Date Title
WO2020138549A1 (ko) 음향 방출 결함 신호 검출 장치 및 방법
JP2023145412A (ja) 欠陥検出方法及びシステム
WO2017022882A1 (ko) 의료 영상의 병리 진단 분류 장치 및 이를 이용한 병리 진단 시스템
WO2022149894A1 (ko) 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템
KR101174105B1 (ko) 비접촉식 구조물 변위 측정용 파라미터 데이터 생성 방법
WO2021066253A1 (ko) 인공지능(ai) 기반 대상물 검사 시스템 및 방법
JPH0160767B2 (ko)
WO2017131263A1 (ko) 교차 프로젝트 결함 예측을 위한 최단 이웃점을 이용한 하이브리드 인스턴스 선택 방법
KR20220064098A (ko) 기계학습 기반 고장 진단 장치 및 방법
US9509888B2 (en) Sensor system for high-radiation environments
KR102298708B1 (ko) 검사 대상에 존재하는 결함을 검사하는 방법 및 이를 수행하는 장치들
KR102778311B1 (ko) 열교환기의 와전류 데이터 결함신호 자동판독방법
US12153653B2 (en) Computer vision inferencing for non-destructive testing
EP4409538A1 (en) Method for identifying and characterizing, by means of artificial intelligence, surface defects on an object and cracks on brake discs subjected to fatigue tests
Katam et al. A review on technological advancements in the field of data driven structural health monitoring
WO2019240330A1 (ko) 영상 기반 힘 예측 시스템 및 그 방법
WO2020050456A1 (ko) 설비 데이터의 이상 정도 평가 방법
Sarma et al. Interpretable AI for vibration-based structural health monitoring: a comparative study of CNN and transformer architectures on a benchmark shear building
WO2025143506A1 (ko) 적응형 머신 러닝 기반 이상 감지 기능을 갖춘 해양 관측 장비 모니터링 시스템 및 방법
CN113049931B (zh) 机器人、检测方法、装置和系统
JP7257470B2 (ja) 欠陥検査装置、欠陥検査方法および予測モデル生成方法
CN115574932A (zh) 检测方法、装置、存储介质及检测设备
CN111583176B (zh) 一种基于图像的防雷模拟盘元件故障检测方法及系统
CN115542096A (zh) 一种换流变压器局部放电检测的方法、记录媒体及系统
JP2000332071A (ja) 外観検査方法および装置ならびに半導体装置の製造方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18944180

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18944180

Country of ref document: EP

Kind code of ref document: A1