WO2022146098A1 - 장단기 기억 네트워크 기반 스펙트럼 노이즈 감소 및 비선형 초음파 변조를 이용한 구조물의 피로 균열 검출 방법 및 이를 위한 시스템 - Google Patents

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

Info

Publication number
WO2022146098A1
WO2022146098A1 PCT/KR2021/020341 KR2021020341W WO2022146098A1 WO 2022146098 A1 WO2022146098 A1 WO 2022146098A1 KR 2021020341 W KR2021020341 W KR 2021020341W WO 2022146098 A1 WO2022146098 A1 WO 2022146098A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
ultrasound
ultrasonic
reconstructed
target structure
Prior art date
Application number
PCT/KR2021/020341
Other languages
English (en)
French (fr)
Inventor
손훈
장진호
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to CN202180083951.8A priority Critical patent/CN116583747A/zh
Priority to US18/250,261 priority patent/US20230384268A1/en
Publication of WO2022146098A1 publication Critical patent/WO2022146098A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/043—Analysing solids in the interior, e.g. by shear waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/34—Generating the ultrasonic, sonic or infrasonic waves, e.g. electronic circuits specially adapted therefor
    • 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
    • G01N29/34—Generating the ultrasonic, sonic or infrasonic waves, e.g. electronic circuits specially adapted therefor
    • G01N29/341—Generating the ultrasonic, sonic or infrasonic waves, e.g. electronic circuits specially adapted therefor with time characteristics
    • 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
    • G01N29/36—Detecting the response signal, e.g. electronic circuits specially adapted therefor
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4445—Classification of defects

Definitions

  • the present invention relates to the field of fatigue crack detection of structures, and more particularly, to a method and system for detecting fatigue cracks in structures using a long short-term memory (LSTM) network and nonlinear ultrasonic modulation technology.
  • LSTM long short-term memory
  • Fatigue cracking of metal structures is actually a very important problem. This is because fatigue cracks are a major cause of failures that cause breakage of metal structures and components. In general, fatigue cracks often become noticeable only after cracks have reached about 80% of the overall fatigue life of the structure. Early detection of fatigue cracks is important to avoid catastrophic failure.
  • NDE non-destructive evaluation
  • SHM structural state monitoring
  • the nonlinear ultrasonic method is promising, the nonlinear corresponding response is quite weak, so the nonlinear characteristic is vulnerable to noise. Therefore, it is difficult to extract nonlinear characteristics in noisy conditions using the spectral density function. In particular, this is because noise overlaps with non-linear characteristics in the spectral domain. Therefore, it is important to reduce the spectral noise, and there is a great benefit in improving the fatigue crack detection performance based on the nonlinear characteristics.
  • a spectral subtraction method was used to reduce spectral noise.
  • the noise spectrum is usually estimated and updated in the absence of a signal.
  • spectral subtraction can result in the power spectrum being assumed to be negative. Also, since there is no signal-free period in the ultrasonic signal, this method is not suitable for the ultrasonic signal.
  • Zero-padding is a widely used method for spectral noise reduction. Zero padding is a way to extrapolate a signal to zero. However, since the zero extrapolated signal cannot retain the information of the signal, the non-linear characteristics of the signal are also lost.
  • the response signal processing unit in the response signal processing unit, ultrasonic measurement measured from a structure that is simultaneously excited with two ultrasonic signals each having two distinct frequencies training the LSTM network using the signals for learning to secure a predictive model for the time domain signal;
  • a target structure that is simultaneously excited with a first ultrasound signal of a first frequency ( ⁇ a ) and a second ultrasound signal of a second frequency ( ⁇ b ) (where ⁇ a ⁇ ⁇ b ) inputting the ultrasound measurement signal of the current time stage measured from the LSTM to the trained LSTM network to obtain an ultrasound prediction signal of the next time stage according to the set number of data points; obtaining a reconstructed signal using the obtained ultrasound prediction signal; Fourier transforming the reconstructed signal in the response signal processing unit; and detecting, in the response signal processing unit, a nonlinear modulation component based on a value of a spectral density function obtained using
  • the method for detecting fatigue cracks in the structure includes: calculating, in the response signal processing unit, a damage index by substituting the spectral density function into a nonlinear modulation parameter expression; and detecting a fatigue crack of the structure using the calculated damage index.
  • the spectral density function P xN ( ⁇ ) is can be obtained using
  • X N ( ⁇ ) represents a Fourier transform signal of the reconstructed ultrasound signal x N (t)
  • * represents a complex conjugate
  • E[] represents an expectation operator.
  • the damage index, ⁇ DN is can be saved with
  • a vibrator in the method for detecting uniform fatigue of the structure, generates the first and second ultrasound signals and applies them to the first and second excitation devices attached to the target structure, respectively, to simultaneously apply the first and second ultrasound signals to the target structure. to with; and sensing the vibration of the target structure according to the excitation of the first and second ultrasound signals with a vibration detection device attached to the target structure and providing a corresponding ultrasound measurement signal to the response signal processing unit.
  • the predictive model of the trained LSTM network updates a previous cell state to a new cell state by forgetting a part of the previous cell state information and partially adding new information provided from an input gate.
  • it may be designed and trained to obtain the ultrasound prediction signal of the next time step by learning the nonlinear modulation frequency component, which is a pattern induced by fatigue cracks, over the entire time series data of the measured ultrasound signal.
  • the reconstructed signal may be a signal reconstructed using only the ultrasound prediction signals of the next time step.
  • the number of data points of the reconstructed signal is determined by multiplying the number of data points of the ultrasound measurement signal by a data reduction rate ( ⁇ ) of a predetermined size, and the data reduction rate ( ⁇ ) is 0 to 1 It may be determined in the following range.
  • the reconstructed signal may be a signal reconstructed by combining the ultrasound measurement signals of the current start stage and the ultrasound prediction signals of the next time stage.
  • the Fourier transform signal of the reconstructed signal may be a signal of a frequency domain in which noise is reduced and information of the ultrasound measurement signal is enhanced.
  • exemplary embodiments provide a fatigue crack detection system for a structure including a first excitation element, a second excitation element, an exciter, a vibration detection element, and a response signal processing unit.
  • the first excitation element is attached to a first region of the target structure, and is configured to excite the target structure by vibrating as a first ultrasound signal of a first frequency ⁇ a is input.
  • the second excitation element is attached to the first region of the target structure, and vibrates as a second ultrasound signal of a second frequency ⁇ b (where ⁇ a ⁇ ⁇ b ) is input to excite the target structure.
  • the vibrator is configured to generate the first ultrasound signal and the second ultrasound signal and simultaneously provide them to the first and second excitation devices, respectively.
  • the vibration detection device is attached to a second area spaced apart from the first area of the target structure, and detects the vibration of the target structure according to the excitation of the first and second ultrasound signals to generate a corresponding ultrasound measurement signal.
  • the response signal processing unit trains an LSTM network using ultrasonic measurement signals measured from a structure simultaneously excited by two ultrasonic signals having two distinct frequencies, respectively, for learning to secure a predictive model for time-domain signals function to; (ii) measured from a target structure that is simultaneously excited with a first ultrasound signal of a first frequency ( ⁇ a ) and a second ultrasound signal of a second frequency ( ⁇ b ) (provided that ⁇ a ⁇ ⁇ b ) a function of inputting the ultrasound measurement signal of the current time stage into the trained LSTM network and obtaining an ultrasound prediction signal of the next time stage according to the set number of data points; (iii) a function of obtaining a reconstructed signal using the obtained ultrasound prediction signal; and (iv) an arithmetic processing unit configured to detect a nonlinear modulation component based on a value of a spectral density function obtained using a Fourier-transformed signal to perform a function of determining whether a crack has occurred in the target structure
  • the operation processing unit of the response signal processing unit includes a function of calculating a damage index by substituting the spectral density function into a nonlinear modulation parameter expression; And it may further include a function of detecting a fatigue crack of the structure using the calculated damage index.
  • the response signal processing unit may further include a digitizing unit that converts the analog measurement signal measured by the vibration detection device into a digital measurement signal and provides it to the operation processing unit.
  • the first and second vibrating elements and the vibration detecting element may be formed of a piezoelectric element.
  • the predictive model of the trained LSTM network updates a previous cell state to a new cell state by forgetting a part of the previous cell state information and partially adding new information provided from an input gate.
  • it may be designed and trained to obtain the ultrasound prediction signal of the next time step by learning the nonlinear modulation frequency component, which is a pattern induced by fatigue cracks, over the entire time series data of the measured ultrasound signal.
  • the reconstructed signal may be a signal reconstructed using only the ultrasound prediction signals of the next time step.
  • the number of data points of the reconstructed signal is determined by multiplying the number of data points of the ultrasound measurement signal by a data reduction rate ( ⁇ ) of a predetermined size, and the data reduction rate ( ⁇ ) is 0 to 1 It may be determined in the following range.
  • the reconstructed signal may be a signal reconstructed by combining the ultrasound measurement signals of the current start stage and the ultrasound prediction signals of the next time stage.
  • the present invention is designed and trained to predict the ultrasonic signal of the next time step by learning the nonlinear modulation frequency component, which is a pattern induced by fatigue cracks, over the entire time series data of the measured ultrasonic signal. It uses an LSTM network. In the signal reconstructed through the trained LSTM, the nonlinear modulation component required for fatigue crack detection is maintained and amplified at the original level, and the noise component is reduced. That is, using the trained LSTM network can significantly increase the SNR (up to 276%), effectively improving the fatigue crack detection performance.
  • the trained LSTM network can generate a reconstructed signal using significantly fewer data points than the measured signal without reducing the modulation amplitude. Thereby, the amount of data to be processed can be reduced.
  • the trained LSTM network can generate a reconstructed ultrasound signal using only 20% of the original data. At this time, the non-linear modulation amplitude obtained from the reconstructed signal is the same as the modulation amplitude of the original signal, so that the fatigue crack detection performance does not deteriorate despite the reduction in data amount.
  • Fig. 1 (A) illustrates performing ultrasonic measurement of an intact structure using an ultrasound-based crack detection system according to an exemplary embodiment of the present invention, and (B) is a frequency response measured from the intact structure. indicates characteristics.
  • FIG. 2 exemplifies nonlinear ultrasonic measurement of a damaged structure with cracks using the ultrasound-based crack detection system of FIG. 1, and (B) shows the frequency response characteristics measured from the damaged structure.
  • FIG. 3 is a schematic diagram showing a structure (A) of an LSTM network and a structure (B) of a memory cell used in a fatigue crack detection method according to an exemplary embodiment of the present invention.
  • FIG. 4 is a flowchart schematically illustrating a spectral noise and data reduction algorithm for fatigue crack detection of a structure according to an exemplary embodiment of the present invention.
  • FIG. 5 illustrates a time-series ultrasonic measurement signal (A) and a signal (B) representing the signal in the frequency spectrum domain.
  • FIG. 6 shows training an LSTM network prediction model according to an exemplary embodiment of the present invention.
  • Fig. 7 schematically illustrates reconstruction of an ultrasound signal using a trained LSTM network according to an exemplary embodiment.
  • FIG. 10 illustrates a result of comparing the spectral density values before (A) and after (B) applying the LSTM network-based spectral noise and data reduction method according to an exemplary embodiment to a 'fatigue crack-free' aluminum sheet specimen do.
  • 11 and 12 show the data reduction effect obtained when the trained LSTM network-based spectral noise and data reduction method according to an exemplary embodiment of the present invention is applied to an aluminum sheet specimen with fatigue cracks.
  • FIG. 13 shows the results of evaluating the performance of a trained LSTM network-based spectral noise and data reduction method according to an exemplary embodiment of the present invention using an aluminum sheet specimen.
  • FIG. 1A illustrates performing ultrasonic measurement on an intact structure 50 using an ultrasound-based crack detection system 10 according to an exemplary embodiment of the present invention, and (B) illustrates the structure The frequency response characteristic measured from (50) is shown.
  • FIG. 2A illustrates that nonlinear ultrasonic measurement of the damaged structure 60 with cracks is performed using the ultrasonic measurement system 10 of FIG. 1 , and (B) is measured from the damaged structure 60 shows the frequency response characteristics.
  • the ultrasonic-based crack detection system 10 includes a vibrator 20 , a response signal processing unit 30 , first and second excitation elements 42 and 44 , and a vibration detection element 46 .
  • a vibrator 20 As shown in FIG. 1 , the ultrasonic-based crack detection system 10 includes a vibrator 20 , a response signal processing unit 30 , first and second excitation elements 42 and 44 , and a vibration detection element 46 .
  • the vibrator 20 may be configured to generate and provide an excitation signal for excitation of the structure 50 by making the first and second excitation elements 42 and 44 vibrate.
  • the vibrator 20 may include a waveform generator capable of generating any periodic waveform having a predetermined frequency.
  • the vibrator 20 may generate a low-frequency ultrasound signal LF( ⁇ a ) and a high-frequency ultrasound signal HF( ⁇ b ) as an excitation signal and provide it to the first and second excitation elements 42 and 44 , respectively.
  • the first and second excitation elements 42 and 44 may be attached close to each other in the first region of the non-damaged structure 50 , and the vibration detection element 46 is attached to the second region of the structure 50 .
  • the first region and the second region may be located at opposite ends of the crack detection target region.
  • the vibrator 20 is connected to the first and second excitation elements 42 and 44 .
  • the first and second excitation elements 42 and 44 may be formed of, for example, piezoelectric elements.
  • the first and second excitation elements ( 42 , 44 can excite the structure 50 by oscillating at a low frequency ⁇ a and a high frequency ⁇ b . Accordingly, the structure 50 is subjected to ultrasonic vibrations of a low frequency ( ⁇ a ) and a high frequency ( ⁇ b ).
  • the vibration detecting element 46 may also be formed of, for example, a piezoelectric element. While the structure 50 vibrates by the excitation of the first and second excitation elements 42 and 44 , the vibration may be transmitted to the vibration detection site 46 .
  • the vibration detection device 46 may sense the vibration of the structure 50 and generate electrical signals corresponding thereto.
  • the vibration detection device 46 may sense the vibration of the structure 50 and output low-frequency and high-frequency analog signals.
  • the amplitude of the two analog response signals can be set to a peak-to-peak voltage of, for example, 16V.
  • the response signal processing unit 30 may be connected to the vibration detection device 46 .
  • the response signal processing unit 30 receives an analog response signal corresponding to the vibration of the structure 50 detected by the vibration detection device 46 , performs predetermined processing, and obtains a frequency response of the structure 50 to obtain a frequency response of the structure 50 .
  • ) can be configured to calculate information on whether cracks have occurred.
  • the response signal processing unit 30 may be configured to process an analog response signal corresponding to the vibration detected by the vibration detection device 46 to calculate a damage index of the structure 50 .
  • the response signal processing unit 30 receives the digitizing unit 32 that converts the output analog signal of the vibration detection device 46 into a digital signal and the converted digital signal, performs a predetermined operation, and performs a frequency It may include an arithmetic processing unit 34 for calculating a response, a damage index of the structure 50, and the like.
  • the digitizing unit 32 may convert, for example, at a sampling rate of 1 MHz for 0.1 second.
  • the response signal processing unit 30 may be implemented as a hardware component, a software component, and/or a combination of a hardware component and a software component.
  • the arithmetic processing unit 34 may be implemented as a computer program and a computing device capable of executing a computer program and performing a predetermined operation indicated by the computer program or providing a function.
  • the arithmetic processing unit 34 can execute a computer program to train to predict the measurement signal of the next time step through LSTM network-based learning, which will be described later, and can convert the time domain signal into a frequency domain signal, , may be a computing device configured to calculate a damage index by executing a computer program implementing a spectral noise reduction algorithm to be described later.
  • the computing device may be, for example, a processor, controller, arithmetic logic unit (ALU), digital signal processor, microcomputer, field programmable array (FPA), programmable logic unit (PLU), microprocessor, or instruction manual. It may be implemented using one or more general purpose computers or special purpose computers, such as any other device capable of executing and responding to instructions.
  • the computing device may further include computing resources such as memory, data storage, input/output units, and the like.
  • the computer program implemented to perform the function of the response signal processing unit 30, the LSTM network model, and its training data may be stored in one or more computer-readable recording media.
  • the method according to the exemplary embodiment of the present invention may be implemented in the form of program instructions that can be executed by various computer means and recorded in a computer-readable medium.
  • the computer-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination.
  • the program instructions recorded on the recording medium may be specially designed and configured for the embodiment, or may be known and used by those skilled in the art of computer software.
  • the exciter 20 is an ultrasonic signal of two distinct frequencies, for example, a low frequency ( ⁇ a ) and a high frequency ( ⁇ b ) (provided that ⁇ a ⁇ ⁇ b )
  • ⁇ a low frequency
  • ⁇ b high frequency
  • the signal obtained by measuring the vibration of the structure 50 by the vibration detecting device 46 may be an analog signal in the time domain.
  • the response signal processing unit 30 processes the analog measurement signal provided through the vibration detection element 46 and sees it in the spectral domain, the two frequencies ⁇ a of the input signal that excite the structure 50 and Only ( ⁇ b ) is the response (A, B) measured. That is, ultrasonic input signals (LF( ⁇ a ) and HF( ⁇ b )) of two distinct frequencies ( ⁇ a and ⁇ b , where ⁇ a ⁇ ⁇ b ) are simultaneously applied to the undamaged structure 50 without cracks.
  • the frequency response (A, B) due to the vibration of the intact structure 50 is observed only at the two input frequencies ( ⁇ a and ⁇ b ) (refer to (B) of FIG. 1 ).
  • Nonlinear ultrasonic modulation is induced by Referring to FIG. 2 , as in the case of FIG.
  • the vibrator 20 transmits two ultrasonic excitation signals LF( ⁇ a ) and HF( ⁇ b ) of a low frequency ( ⁇ a ) and a high frequency ( ⁇ b ) to the first and the second excitation elements 42 and 44, respectively, to simultaneously excite the damaged (non-linear) structure 60, and at the same time measure the vibration response of the damaged structure 60 through the vibration detection element 46 If it is, an analog response signal in the time domain as shown in FIG. 2B can be obtained. When the analog response signal is converted into the frequency domain and the response in the spectral domain is viewed, it appears different from the response of the intact structure 50 .
  • the response signal component of the structure 60 in the spectral domain includes the response component A and B at two input frequencies ⁇ a and ⁇ b as well as its Modulation components (M o , M s ) at the sum frequency ( ⁇ b + ⁇ a ) and the difference frequency ( ⁇ b - ⁇ a ), which are the modulation frequencies of the two input frequencies, are also included. That is, the amplitude of the high-frequency ultrasonic input signal is modulated by the crack opening and closing mechanism due to the low-frequency ultrasonic input. Amplitude modulation produces additional frequency components (non-linear modulation components) at the sum and difference ( ⁇ a ⁇ b ) of the input frequencies.
  • This phenomenon is called 'nonlinear ultrasonic modulation'. Since this phenomenon occurs only when a nonlinear feature exists, it can be viewed as an index of damage to the structure. Therefore, it is possible to identify the presence of fatigue cracks by finding and extracting modulation components in the frequency spectrum domain.
  • an exemplary embodiment of the present invention proposes a method for effectively detecting damage to a structure by reducing spectral noise using an LSTM network and a Fourier transform.
  • LSTM networks are effectively used for time-series prediction of sequential data such as time-domain signals.
  • LSTM networks are a special kind of Recurrent Neural Network (RNN) architecture that can be applied to sequential data.
  • RNN Recurrent Neural Network
  • typical RNNs have problems with vanishing gradients, so it is often difficult to learn long-term dependencies of data that are temporally sequential.
  • LSTM networks have been developed. LSTM networks use blocks of memory cells that can represent long-term dependencies in time series data. That is, the LSTM network can control how much data from the distant past is reflected (remembered) by adding a cell state gate (C) to the existing RNN.
  • C cell state gate
  • 3A and 3B schematically show a structure of an LSTM network and a structure of a memory cell used in a fatigue crack detection method according to an exemplary embodiment of the present invention, respectively.
  • the LSTM network 80 has a structure in which blocks of a plurality of memory cells 70 are sequentially connected.
  • Each memory cell 70 may include an input gate (i t ), an output gate (o t ), a forgetting gate (f t ), and a self-circulating neuron. These gates i t , o t , f t control the interaction with adjacent memory cells.
  • An LSTM network may include an input layer, a fully connected hidden layer, and an output layer.
  • the hidden layer includes memory cells, associated gate portions, and a hidden portion, wherein the hidden portion provides an input to the gate portion and the memory cells.
  • the input gate i t controls whether the input signal can modify the state of the memory cell 70 .
  • the output gate o t controls whether the state of the other memory cell 70 can be modified.
  • the forgetting gate f t may decide to forget or remember the previous state. That is, how much the previous memory cell state (C t-1 ) is reflected is controlled by the forgetting gate (f t ).
  • An LSTM memory cell can be calculated as:
  • U(U f , U i , U o , U c ), b(b f , b i , b o , b c ), and W(W f , W i , W o , W c ) are the input weights, respectively. , bias, and recurrent weight, respectively.
  • the superscripts f, i, o, and c denote forget gate, input gate, output gate, and self-recurrent neuron, respectively.
  • X t is the sequential input data at the t-th time step.
  • S t , C t , , ⁇ and ⁇ are the hidden state, the cell state, a new candidate value of that cell state, a sigmoid activation function and a hyperbolic tangent (tanh) activation function, respectively.
  • Wow are the pointwise multiplication and pointwise addition operators, respectively.
  • the first step in the LSTM network 80 is to select the information to be discarded from the cell state. This determination is performed by the forgetting gate (f t ) in equation (1).
  • the second step is to select new information to be stored in the cell state.
  • the input gate determines which input value should be updated.
  • a new candidate value that can be added to the cell state using the hyperbolic tangent activation function ( ⁇ ) in equation (3) ) are obtained sequentially.
  • the third step combines them, i.e., forgetting some of the previous cell state information (forgetting information we decided to forget at the previous time step) and partially adding new information provided from the input gate to the previous cell state (C t ). -1 ) to the new cell state (C t ).
  • a key characteristic of the LSTM network 80 is the cell state C t passing through the top of the memory cell block 70 and linearly interacting with the gates, as shown in FIG. 3 .
  • the LSTM network 80 may remove past information from the cell state C t or add new information to the cell state C t as it passes through these gates.
  • Gates provide a way for information to selectively pass through the cell state.
  • the sigmoid activation function ⁇ used for the gate in the memory cell 70 may adjust the amount of information passing through the sigmoid function while varying an output value between 0 and 1. When the output value is 0, it means that no information is passed, and when the output value is 1, it means that all information is passed.
  • a spectral noise and data reduction technique may use signal prediction (reconstruction) characteristics of an LSTM network.
  • LSTM networks have the advantage of learning long-term patterns in data. Since many data points in the time domain are obtained with a high sampling frequency, the ultrasound signal can be treated as long-term time-series data.
  • an LSTM network can be built and trained to learn fatigue crack-induced patterns (nonlinear modulation frequency components) from the measured ultrasonic signals.
  • fatigue crack induction patterns can be extracted across the entire time series data.
  • the noise component has a random distribution in the data and the LSTM network does not learn the noise component.
  • the noise component can be removed using the LSTM network, and the reconstructed signal can only contain meaningful components such as fatigue crack-inducing nonlinear modulation components.
  • the amplitude of the nonlinear modulation component can be amplified, and the noise floor level in the spectral region can be lowered.
  • the Fourier transform transforms data from the time domain to the frequency domain. That is, the Fourier transform can be used to analyze the measured time domain signal x(t) in the frequency domain.
  • the spectral coefficient of the measurement signal x(t) is:
  • a Fourier transform is derived by a spectral coefficient representing the weight value of a specific frequency for a signal when expressed as a Fourier series, and the formula for the Fourier transform is given as:
  • the Fourier transform represents the information necessary to describe the measurement signal x(t) as a linear combination of sinusoidal signals at different frequencies. That is, the signal length T is related to the averaging when transforming x(t) to X( ⁇ ) through a Fourier transform as in equations (7 - 9). Therefore, if the length T of the measurement signal x(t) can be increased while maintaining the information of the measurement signal x(t) as it is, the spectral noise of the signal X( ⁇ ) in the frequency domain obtained by performing the Fourier transform will have a noise averaging effect ( This can be reduced through the effect of noise averaging.
  • the Fourier transform signal of the signal provides an effect of increasing the number of averaging. Since the noise is randomly distributed, the noise decreases as the number of averaging increases.
  • the LSTM network 80' trained through the learning of a large amount of training data is used in the time domain of the next time interval of the measurement signal of the current time interval. signal can be predicted. In building the LSTM network model, noise is not learned, but information included in the measurement signal is learned. Therefore, noise is not reflected in the prediction signal using the LSTM network, and only the learned information is reflected.
  • the number of averaging increases and noise is reduced, but the information contained in the signal can be strengthened. Information on cracks can also be enhanced. Since the noise is reduced while the crack information contained in the signal is enhanced, the SNR can be increased to improve the crack detection capability.
  • the spectral density function (power function) is calculated to extract the modulation component and is written as
  • first-order modulations at the sum frequency and the difference frequency, ⁇ a ⁇ ⁇ b are considered as the damage index.
  • the nonlinear modulation parameter ( ⁇ D ) is defined as
  • This nonlinear modulation parameter ( ⁇ D ) can be used as a damage index because of its sensitivity to fatigue cracking.
  • spectral noise can be reduced by using an LSTM network and a Fourier transform.
  • An LSTM network can be trained to predict the signal x'(t) of the next time step of the measured signal of the current time step by learning the signal x(t) measured at the current time step. Through the training, a model can be obtained for the LSTM network that can predict the signal of the next time step.
  • the signal length T of the measured signal x(t) is extended while only the information of the signal is maintained. Therefore, spectral noise is reduced when performing Fourier transform based on the effect of noise averaging.
  • the signal-to-noise ratio may be improved due to the relationship between the signal length in the time domain and the spectral signal.
  • the flowchart of Fig. 4 schematically shows a spectral noise and data reduction algorithm for fatigue crack detection of a structure according to an exemplary embodiment of the present invention.
  • a spectral noise and data reduction technique for nonlinear ultrasound-based fatigue crack detection may use the LSTM network 80 .
  • an ultrasound signal can be measured from the target structure 60 while excitation of the structure 60 using the excitation signals of low frequency LF ( ⁇ a ) and high frequency ( ⁇ b ) at the current time step ( S10).
  • the measured ultrasound signal x(t m ) is a signal in the time domain and has a length of T (0 ⁇ t m ⁇ T), which is a time interval of the current time step.
  • Fig. 5 (A) exemplifies time series ultrasonic data, and (B) exemplifies a signal in which this signal is expressed in the frequency spectrum domain.
  • the ultrasonic measurement signal x(t) has N m data points.
  • the ultrasonic measurement signal x(t) may include a vibration response component (ie, an input frequency component) of the target structure 60 and a random noise component, as illustrated in FIG. , since a fatigue crack is generated in the target structure 60, it may further include a nonlinear modulation component caused by the fatigue crack.
  • the vibrator 20 transmits two excitation signals of a low frequency LF ( ⁇ a ) and a high frequency HF ( ⁇ b ) to the first and second excitation devices attached to the target structure 60 ( 42 and 44 are respectively applied to generate vibration to simultaneously excite the target structure 60 .
  • the response corresponding to the excitation is measured using the vibration detection element 46 attached to the target structure 60 , and the measurement signal x(t m ) is provided to the response signal processing unit 30 .
  • the measurement signal x(t m ) may be an ultrasound signal.
  • a predictive model 80 by constructing an LSTM network and training that LSTM network using the original ultrasound signal x(N m f s ) to learn the basic pattern of the measured ultrasound signal without random noise patterns. It can be done (step S20).
  • the input and output of an LSTM network can be set to adjacent data points in time series data. That is, an LSTM network can be designed and trained to predict the next time step using data from the current time step. 6 illustrates training the LSTM network prediction model 80' in this way.
  • the signal of the next time step of the measurement signal x(t m ) of the current time step that is, the time T f (provided that T ⁇ t f
  • the signal x'(t f ) up to ⁇ T f ) can be predicted.
  • a trained LSTM network model can be built to predict the signal of the next time step when the measurement signal of the current time step is input.
  • a new time-series ultrasound signal can be reconstructed by generating a prediction signal of an ultrasound signal in the time domain using the trained LSTM network model.
  • 7 schematically illustrates reconstruction of an ultrasound signal using a trained LSTM network 80' according to an exemplary embodiment.
  • the number of data points N f by inputting the ultrasound measurement signal x(t m ) of the current time step into the trained LSTM network model 80'.
  • a prediction signal x'(t f ) of the next time step can be generated.
  • the number of data points N f may be preset as an optimal value, and the optimal value may be obtained through testing.
  • the following reconstructed ultrasound signal x N (t) is generated by combining the measurement signals of the current time step (x(t m )) and the prediction signals of the next time step (x′(t f )) It can be done (step S30).
  • N is an indicator indicating a reconstructed ultrasound signal.
  • the prediction signals x' It is also possible to obtain the reconstructed ultrasound signal (x N (t)) using only t f )).
  • the length of the reconstructed ultrasound signal is as short as the length T of the measurement signal (x(t m )) compared to the previous embodiment. Since the measurement signal contains a lot of noise, the signal reconstructed only from the prediction signal without noise component can reduce noise more effectively than the reconstructed signal combining the measurement signal and the prediction signal.
  • the reconstructed ultrasound signal x N (t) is Fourier transformed and analyzed in the frequency spectrum domain to find the nonlinear modulation frequency component caused by fatigue cracking (step S40).
  • the noise component is effectively reduced in the frequency spectrum domain of the reconstructed ultrasound signal x N (t), so that the components corresponding to the two input frequencies and these frequencies Only the components corresponding to the modulation frequency of
  • Equation (14) a Fourier transform may be performed on the reconstruction signal x N (t) using Equation (9), and a spectral density function may be calculated (S40).
  • the Fourier transform equation for the reconstruction signal x N (t) is as shown in Equation (14) below.
  • Equation (16) By substituting the spectral density function equation (15) of the combined signal x N (t) into the nonlinear modulation parameter equation (12), the damage index ( ⁇ DN ) equation expressed in equation (16) can be obtained.
  • the damage index ( ⁇ DN ) of the structure 60 can be calculated using Equation (16).
  • the obtained damage index ( ⁇ DN ) equation can be used to detect fatigue cracks.
  • a signal-to-noise ratio may be calculated using the following equation.
  • NF mean noise floor
  • the effect of data reduction can be evaluated by estimating the number of data points (N f ) required to achieve a modulation amplitude level equal to the modulation amplitude level of the original measurement signal.
  • the number of data points (N f ) can be obtained by the following equation.
  • ⁇ represents a data reduction rate, and its value may be determined in the range of 0 or more and 1 or less.
  • an LSTM network having a single hidden layer may be configured to avoid overfitting problems.
  • An adaptive moment estimation (ADAM) optimizer may be used for training the LSTM network.
  • the slope attenuation and square slope attenuation coefficients may be set, for example, to 0.9 and 0.999, respectively.
  • the epsilon value and the initial learning rate for preventing division by zero may be set to 1.0e -8 and 1.5e -3 , respectively.
  • the learning rate drop factor was set to 0.1 after half the training epoch.
  • a Root Mean Square Error (RMSE) function can be used as a cost function.
  • the construction, training and testing of the LSTM network can be performed in the MATLAB (R2019a) environment of a computer equipped with a processor (eg GPU) and RAM.
  • a processor eg GPU
  • 90% of the time domain ultrasound measurement signal can be used as a training data set, and the remaining 10% can be used as a validation data set.
  • the spectral noise and data reduction algorithm can be implemented as a computer program and , may be stored in a computer-readable recording medium. Also, the computer program recorded on such a recording medium can be executed by the computing device of the response signal processing unit 30 .
  • the performance of the LSTM network-based spectral noise and data reduction technique was experimentally verified.
  • the first and second piezoelectric (PZT) transducers (corresponding to the first and second excitation elements 42 and 44) for excitation of ultrasonic signals to the aluminum plate specimen and the third piezoelectric transducer for detecting ultrasonic vibrations (vibration detection elements ( 46)) was installed on an aluminum plate specimen.
  • a fatigue crack of 9 mm in length and 20 ⁇ m in width was generated by applying a fatigue load of 28,000 times to the aluminum plate specimen.
  • the duration and peak-to-peak amplitude were set at 0.1 s and 12V.
  • the input frequency was selected in consideration of the local resonance characteristics of the specimen and the superposition of the high-order harmonic component of the LF input and the nonlinear modulation component.
  • the corresponding ultrasonic response detected through the third piezo transducer was obtained by a digitizer digitizing at a sampling rate of 1 MHz for 0.1 sec.
  • the ultrasound response was averaged 5 times in the time domain to improve the SNR.
  • FIG. 8 and 9 show the measurements before (A) and after (B) the spectral noise and data reduction method using the trained LSTM network according to an exemplary embodiment of the present invention is applied to the 'fatigue cracked' aluminum sheet specimen.
  • the result of comparing the spectral density function (P x ( ⁇ )) of the signal is illustrated.
  • Fig. 8 shows that N m is 100K (N f is set equal to N m to 100K for fair comparison), and the data acquisition time ( duration) T is 0.1 sec , f s is set to 1 MHz
  • the variables are the same as in Fig. 8.
  • the amplitudes P x ( ⁇ b + ⁇ a ) and P x ( ⁇ b ) of the spectral density functions at the modulation frequencies ( ⁇ b + ⁇ a ) and ( ⁇ b - ⁇ a ) - ⁇ a ) is denoted by A Ms and A Md .
  • the values of the nonlinear modulation frequency components A Ms and A Md are 6.71e -7 and 8.03e -7 , respectively.
  • 8B is a spectral density function of the signal reconstructed by the trained LSTM network.
  • the values of A Ms and A Md were estimated to be 3.27e -6 and 2.99e -6 , respectively.
  • the amplitude of the modulation frequency components in Fig. (B) was significantly strengthened compared to Fig. (A), and the NF value clearly decreased as Figs (A) and (B) were calculated as 4.6e -8 and 3.0e -9 respectively.
  • P x ( ⁇ ) in the case of Fig. (A) and the case of Fig. (B) The SNRs were 34 dBW and 76 dBW, respectively. Therefore, the SNR was improved by 224%.
  • the NF level is lowered in the figure (B) compared to the figure (A), but the frequency modulation component is not observed in both figures. That is, before the method of the present invention is applied, it is not easy to determine whether or not the modulation frequency component is included because the spectral density value contains a lot of noise components. It can be clearly seen that this does not exist.
  • the LSTM network 80' model constructed according to the exemplary method of the present invention greatly reduces the noise component included in the spectral density value of the reconstructed ultrasound signal, and the nonlinear frequency modulation component is It can be seen that by strengthening the SNR, it is possible to clearly detect the modulation frequency components appearing on both sides of the input high frequency component.
  • FIGS. 11 and 12 show the data reduction effect obtained when the trained LSTM network-based spectral noise and data reduction method according to an exemplary embodiment of the present invention is applied to an aluminum sheet specimen with fatigue cracks.
  • the SNRs of the measured ultrasound signal and the reconstructed ultrasound signal were estimated to be 49dBW and 76dBW, respectively.
  • FIG. 12 shows the result of performing a test similar to that of FIG. 11 using the 'measured ultrasound signal' with 145k data points.
  • the SNRs of the measured ultrasound signal and the reconstructed ultrasound signal were estimated to be 38dBW and 56dBW, respectively.
  • 11 and 12 show that a method according to an exemplary embodiment of the present invention can achieve similar frequency modulation amplitudes with reduced data points and noise.
  • FIG. 13 shows the results of evaluating the performance of the trained LSTM network-based spectral noise and data reduction method using an aluminum plate specimen according to an exemplary embodiment of the present invention.
  • Figure (A) shows the spectral noise reduction performance. For 60k and 80k data points, SNR improved by 238% and 276%, respectively.
  • Figure (B) shows the data reduction performance. For 220k and 270k data points, the data reduction rate ( ⁇ ) was 0.18 and 0.19, respectively.
  • the embodiments of the present invention it is possible to significantly improve the fatigue crack detection performance by significantly reducing the spectral noise through the spectral noise and data reduction method using the trained LSTM network.
  • the signal reconstructed from the trained LSTM can reduce the noise component (SNR is increased by up to 276%) while maintaining and amplifying the nonlinear modulation component required for fatigue crack detection.
  • the trained LSTM network can generate a reconstructed signal using significantly fewer data points than the measured signal without reducing the modulation amplitude, thus reducing the amount of data to be processed (using only 20% of the original data). to generate a reconstructed signal).
  • the present invention can be utilized to detect cracks occurring in physical structures, structures, and the like.

Landscapes

  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Acoustics & Sound (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

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
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(ωa)의 제1 초음파신호와 제2 주파수(ωb)(단, ωa < ωb)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 PxN(ω)는 식
Figure PCTKR2021020341-appb-I000001
를 사용하여 구할 수 있다. 여기서 XN(ω)는 상기 재구성된 초음파신호 xN(t)의 푸리에변환 신호를 나타내고, *는 복소 켤레(complex conjugate)를 나타내고, E[]는 기댓값 연산자(Expectation operator)를 나타낸다. 또한, 상기 손상지수, βDN는
Figure PCTKR2021020341-appb-I000002
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(ωa)의 제1 초음파신호가 입력됨에 따라 진동함으로써 상기 대상 구조물을 가진하도록 구성된다. 상기 제2 가진소자는 상기 대상 구조물의 제1 영역에 부착되고, 제2 주파수(ωb)(단, ωa < ωb)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(ωa)의 제1 초음파신호와 제2 주파수(ωb)(단, ωa < ωb)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.
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.
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(Px(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(ωa)와 고주파수 초음파 신호 HF(ωb)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(ωa)와 고주파수 초음파신호 HF(ωb)를 제1 및 제2 가진소자(42, 44)에 각각 동시에 입력하면, 제1 및 제2 가진소자(42, 44)가 저주파수(ωa)와 고주파수(ωb)로 진동함으로써 구조물(50)을 가진할 수 있다. 이에 의해, 구조물(50)은 저주파수 (ωa)와 고주파수(ωb)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(ωa)와 고주파수(ωb)(단, ωa < ωb)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(ωa)와 (ωb)에서만 응답(A, B)이 계측된다. 즉, 서로 구별되는 두 주파수(ωa 및 ωb, 단 ωa < ωb )의 초음파 입력신호(LF(ωa)와 HF(ωb))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(ωa 및 ωb)에서만 관찰된다(도 1의 (B) 참조).
그런데, 균열과 같은 손상이 있는 (비선형) 구조물(60)에 상기 두 초음파 입력신호(LF(ωa)와 HF(ωb))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(ωa)와 고주파수(ωb)의 두 초음파 가진 신호(LF(ωa)와 HF(ωb))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(ωa 및 ωb)에서의 응답 성분(A, B)뿐만 아니라 그 두 입력 주파수의 변조 주파수인 합주파수(ωb+ωa)와 차주파수(ωb-ωa)에서의 변조 성분들(Mo, Ms)도 포함된다. 즉, 고주파 초음파 입력 신호의 진폭은 저주파 초음파 입력으로 인한 균열 개폐 메커니즘에 의해 변조된다. 진폭 변조는 입력 주파수의 합과 차(ωa±ωb)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(MO, MS)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(it), 출력 게이트(ot), 망각 게이트(ft) 및 자기 순환 뉴런을 포함할 수 있다. 이들 게이트(it, ot, ft)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(it)는 입력신호가 메모리 셀(70)의 상태를 수정할 수 있는지 여부를 제어한다. 반면에 출력 게이트(ot)는 다른 메모리 셀(70)의 상태를 수정할 수 있는지 여부를 제어한다. 망각 게이트(ft)는 이전 상태를 잊거나 기억하도록 결정할 수 있다. 즉, 이전의 메모리 셀 상태(Ct-1)를 얼마나 반영할 것인지는 망각 게이트(ft)로 조절한다. LSTM 메모리 셀은 다음과 같이 계산할 수 있다.
Figure PCTKR2021020341-appb-I000003
......(1)
Figure PCTKR2021020341-appb-I000004
......(2)
Figure PCTKR2021020341-appb-I000005
......(3)
Figure PCTKR2021020341-appb-I000006
......(4)
Figure PCTKR2021020341-appb-I000007
......(5)
Figure PCTKR2021020341-appb-I000008
......(6)
여기서, U(Uf, Ui, Uo, Uc), b(bf, bi, bo, bc ), W(Wf, Wi, Wo, Wc)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. Xt는 t번째 시간 단계에서의 순차 입력 데이터이다. St, Ct,
Figure PCTKR2021020341-appb-I000009
, 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,
Figure PCTKR2021020341-appb-I000010
와
Figure PCTKR2021020341-appb-I000011
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(ft)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(
Figure PCTKR2021020341-appb-I000012
)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(Ct-1)를 새로운 셀 상태(Ct)로 업데이트하는 것이다. 이를 위해, 식 (4)에서와 같이, 이전 셀 상태(Ct-1)에 ft를 곱한 값(
Figure PCTKR2021020341-appb-I000013
)과 새로운 후보값(
Figure PCTKR2021020341-appb-I000014
)에 입력게이트의 정보를 곱한 값(
Figure PCTKR2021020341-appb-I000015
)을 더한다. 마지막으로 히든 셀 상태는 식 (5)와 (6)에 나타낸 것처럼, 은닉 셀 상태는 출력 게이트(Ot)와 업데이트된 셀 상태(Ct)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(Ct)이다. LSTM 네트워크(80)는 이러한 게이트들을 통과하면서 셀 상태(Ct)로부터 과거 정보를 제거하거나 또는 셀 상태(Ct)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.
Figure PCTKR2021020341-appb-I000016
......(7)
계수 a(0)는 x(t)의 상수 성분이며, k=0일 때 식 (7)로 계산된다.
Figure PCTKR2021020341-appb-I000017
......(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.
Figure PCTKR2021020341-appb-I000018
......(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.
Figure PCTKR2021020341-appb-I000019
......(10)
여기서 *는 복소 켤레(complex conjugate)를 나타내고, E[]는 기댓값 연산자(Expectation operator)를 나타낸다. 예시적인 실시예에서, 합주파수와 차주파수,ωa±ωb,에서의 1차 변조들을 손상 지수로 고려한다. 비선형 변조 매개변수(βD)는 다음과 같이 정의된다.
Figure PCTKR2021020341-appb-I000020
......(11)
여기서, ka와 kb는 는 각각 대응하는 파수(wavenumber)이다. 식 (10)을 식 (11)에 대입하면, 다음 식이 얻어진다.
Figure PCTKR2021020341-appb-I000021
......(12)
이 비선형 변조 매개 변수(βD)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(ωa)와 고주파수(ωb)의 가진신호를 이용하여 구조물(60)을 가진하면서, 대상 구조물(60)로부터 초음파 신호를 계측할 수 있다(S10). 계측된 초음파 신호 x(tm)는 시간 도메인의 신호로서 길이가 T (0≤tm≤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 Nm개의 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(ωa)와 고주파수 HF(ωb)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(tm)는 응답신호처리부(30)에 제공된다. 계측신호 x(tm)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(Nmfs)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(tm)의 다음시간단계의 신호 즉, 시간 Tf (단, T ≤ tf ≤ Tf )까지의 신호 x’(tf) 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(tm)를 입력하여 데이터 포인트 수 Nf에 따라 다음 시간 단계의 예측 신호 x’(tf)를 생성할 수 있다. 데이터 포인트 수 Nf는 최적값으로 미리 설정될 수 있으며, 그 최적값은 테스트를 통해 얻을 수 있다. 그런 다음, 현재 시간단계의 계측 신호들(x(tm))과 다음 시간단계의 예측신호들(x’(tf))을 결합하여 다음과 같은 재구성된 초음파신호 xN(t)를 생성할 수 있다(S30 단계). 여기서, N은 재구성된 초음파 신호임을 나타내는 표시자이다.
Figure PCTKR2021020341-appb-I000022
......(13-1)
앞의 실시예와 달리, 재구성 초음파신호 xN(t)를 구함에 있어서, 도 7(B)에 도시된 것처럼, 계측신호 (x(tm))를 포함시키지 않고 예측신호들(x’(tf))만을 사용하여 재구성 초음파신호 (xN(t))를 구할 수도 있다.
Figure PCTKR2021020341-appb-I000023
......(13-2)
이 경우, 재구성 초음파신호의 길이는 앞의 실시예에 비해 계측신호(x(tm))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 xN(t)를 푸리에 변환하여 주파수 스펙트럼 도메인에서 분석하여 피로 균열로 야기된 비선형 변조주파수 성분을 찾아낼 수 있다(S40 단계). 위와 같이 얻어진 재구성 초음파신호 xN(t)를 주파수 스펙트럼 도메인에서 분석하면, 그 재구성 초음파신호 xN(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 xN(t)에 대해 식 (9)를 이용하여 푸리에 변환을 수행하고, 스펙트럼 밀도함수를 계산할 수 있다(S40). 재구성 신호 xN(t)에 대한 푸리에 변환식은 아래 식 (14)와 같다.
Figure PCTKR2021020341-appb-I000024
......(14)
결과적으로 스펙트럼 노이즈가 감소하고, 노이즈 감소된 스펙트럼 밀도 함수는 식 (10)에 의해 다음과 같이 나타낼 수 있다.
Figure PCTKR2021020341-appb-I000025
......(15)
결합신호 xN(t)의 스펙트럼 밀도함수 식 (15)를 비선형 변조 매개변수 식 (12)에 대입하여 식 (16)으로 표현되는 손상지수(βDN) 식을 얻을 수 있다. 식 (16)을 이용하여 구조물(60)의 손상지수(βDN)를 계산할 수 있다.
Figure PCTKR2021020341-appb-I000026
......(16)
이와 같이 구해진 손상지수(βDN) 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.
Figure PCTKR2021020341-appb-I000027
......(17)
여기서,
Figure PCTKR2021020341-appb-I000028
과
Figure PCTKR2021020341-appb-I000029
는 변조주파수 ωb±ωa에서 주파수 스펙트럼 전력밀도 함수의 진폭을 각각 나타낸다. 위 식 (17)에서 분모
Figure PCTKR2021020341-appb-I000030
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
Figure PCTKR2021020341-appb-I000031
를 평균한 값이다.
끝으로, 데이터 감소의 효과는 원래의 측정 신호의 변조 진폭 수준과 같은 변조 진폭 수준을 달성하는 데 필요한 데이터 포인트의 개수 (Nf)를 추산함으로써 평가될 수 있다. 그 데이터 포인트의 개수 (Nf)는 아래 식으로 구해질 수 있다.
Nf = αNm ......(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(ωa= 48kHz 및 ωb= 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(Px(ω)를 비교한 결과가 예시되어 있다. 도 8은 Nm은 100K이고(Nf는 공정한 비교를 위해 Nm과 동일하게 100K로 설정), 데이터 획득시간(duration) T는 0.1초, fs는 1MHz로 설정된 경우이고, 도 9는 Nm은 30K(Nf도 30K), 데이터 획득시간 T는 0.03초, fs는 1MHz로 설정되고, 다른 테스트 설정 매개변수는 도 8과 동일한 경우이다. 이하에서, 변조 주파수 (ωb+ωa)와 (ωb-ωa) 에서 스펙트럼 밀도 함수들의 진폭 Px(ωb+ωa)와 Px(ωb-ωa)은 AMs와 AMd로 표시한다.
도 8의 (A)를 참조하면, 비선형 변조주파수 성분 AMs와 AMd의 값은 각각 6.71e-7과 8.03e-7이다. 도 8의 (B)는 훈련된 LSTM 네트워크에 의해 재구성된 신호의 스펙트럼 밀도 함수
Figure PCTKR2021020341-appb-I000032
를 보여주는데, AMs와 AMd의 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 Px(ω)와 그림 (B) 경우의
Figure PCTKR2021020341-appb-I000033
의 SNR은 각각 34dBW 및 76dBW였다. 따라서 SNR은 224% 향상되었다.
도 9를 참조하면, 그림(A)에서 비선형 변조주파수 성분은 높은 노이즈 레벨(AMd+AMs=4.4e-7 및 SNR = 21dBW) 때문에 노이즈와 잘 구별되지 않아 검출하기 어렵다. 반면, 그림 (B)에서는 비선형 변조주파수 성분은 개선된 SNR(AMd + AMs = 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, Nm=Nf=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 AMs+AMd 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 AMs+AMd 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 AMs+AMd 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 AMs+AMd의 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.

Claims (20)

  1. 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(ωa)의 제1 초음파신호와 제2 주파수(ωb)(단, ωa < ωb)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.
  2. 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.
  3. 제2항에 있어서, 상기 스펙트럼 밀도함수 PxN(ω)는 식
    Figure PCTKR2021020341-appb-I000034
    를 사용하여 구하고, 여기서 XN(ω)는 상기 재구성된 초음파신호 xN(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.
  4. 제3항에 있어서, 상기 손상지수, βDN는
    Figure PCTKR2021020341-appb-I000035
    으로 구해지는 것을 특징으로 하는 구조물의 피로 균열 검출방법.
  5. 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.
  6. 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.
  7. 제1항에 있어서, 상기 재구성된 신호는 상기 다음시간단계의 초음파 예측신호들만으로 재구성한 신호인 것을 특징으로 하는 구조물의 피로 균열 검출방법.
  8. 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.
  9. 제1항에 있어서, 상기 재구성된 신호는 현재시단단계의 초음파 계측신호들과 다음시간단계의 초음파 예측신호들을 결합하여 재구성한 신호인 것을 특징으로 하는 구조물의 피로 균열 검출방법.
  10. 제1항에 있어서, 상기 재구성된 신호의 푸리에 변환신호는 노이즈가 감소되고 초음파 계측신호의 정보는 강화된 주파수 영역의 신호인 것을 특징으로 하는 구조물의 피로 균열 검출방법.
  11. 대상 구조물의 제1 영역에 부착되고, 제1 주파수(ωa)의 제1 초음파신호가 입력됨에 따라 진동함으로써 상기 대상 구조물을 가진하도록 구성된 제1 가진소자;
    상기 대상 구조물의 제1 영역에 부착되고, 제2 주파수(ωb)(단, ωa < ωb)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(ωa)의 제1 초음파신호와 제2 주파수(ωb)(단, ωa < ωb)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.
  12. 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.
  13. 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.
  14. 제11항에 있어서, 상기 제1 및 제2 가진소자, 그리고 상기 진동검출소자는 압전소자로 구성된 것을 특징으로 하는 구조물의 피로 균열 검출 시스템.
  15. 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.
  16. 제11항에 있어서, 상기 재구성된 신호는 상기 다음시간단계의 초음파 예측신호들만으로 재구성한 신호인 것을 특징으로 하는 구조물의 피로 균열 검출 시스템.
  17. 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.
  18. 제11항에 있어서, 상기 재구성된 신호는 현재시단단계의 초음파 계측신호들과 다음시간단계의 초음파 예측신호들을 결합하여 재구성한 신호인 것을 특징으로 하는 구조물의 피로 균열 검출 시스템.
  19. 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(ωa)의 제1 초음파신호와 제2 주파수(ωb)(단, ωa < ωb)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.
  20. 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(ωa)의 제1 초음파신호와 제2 주파수(ωb)(단, ωa < ωb)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.
PCT/KR2021/020341 2020-12-31 2021-12-31 장단기 기억 네트워크 기반 스펙트럼 노이즈 감소 및 비선형 초음파 변조를 이용한 구조물의 피로 균열 검출 방법 및 이를 위한 시스템 WO2022146098A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202180083951.8A CN116583747A (zh) 2020-12-31 2021-12-31 使用基于长短期记忆网络的频谱降噪和非线性超声波调制检测结构中疲劳裂纹的方法及系统
US18/250,261 US20230384268A1 (en) 2020-12-31 2021-12-31 Method for detecting fatigue crack in structure using long short-term memory network-based spectral noise reduction and nonlinear ultrasonic modulation, and system therefor

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20200189448 2020-12-31
KR10-2020-0189448 2020-12-31

Publications (1)

Publication Number Publication Date
WO2022146098A1 true WO2022146098A1 (ko) 2022-07-07

Family

ID=82259534

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/020341 WO2022146098A1 (ko) 2020-12-31 2021-12-31 장단기 기억 네트워크 기반 스펙트럼 노이즈 감소 및 비선형 초음파 변조를 이용한 구조물의 피로 균열 검출 방법 및 이를 위한 시스템

Country Status (4)

Country Link
US (1) US20230384268A1 (ko)
KR (1) KR20220097296A (ko)
CN (1) CN116583747A (ko)
WO (1) WO2022146098A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116609442A (zh) * 2023-07-17 2023-08-18 南京工业大学 基于非线性超声导波和深度学习的管道裂纹评估定位方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101693710B1 (ko) * 2015-08-24 2017-01-17 세종대학교산학협력단 멤스 마이크로폰 어레이를 이용한 유도 초음파 영상화 장치 및 방법
KR101716877B1 (ko) * 2016-06-09 2017-03-15 세종대학교산학협력단 자가 압전센싱 기반의 비선형 초음파 피로균열 검사 장치 및 방법
KR20190106773A (ko) * 2018-03-06 2019-09-18 주식회사 엘지화학 배터리 팩의 균열을 진단하기 위한 장치와, 그것을 포함하는 배터리 팩 및 자동차
KR102061616B1 (ko) * 2018-01-25 2020-01-02 한국과학기술원 비선형 스펙트럼 상관관계를 이용한 구조물 진단 방법 및 구조물 진단 시스템
KR102157903B1 (ko) * 2019-05-10 2020-09-18 한국과학기술원 비선형 초음파 변조 기반 피로균열 파손 경고 시스템 및 그 방법과, 이를 이용한 구조물의 잔여 피로수명 추정 시스템 및 그 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101693710B1 (ko) * 2015-08-24 2017-01-17 세종대학교산학협력단 멤스 마이크로폰 어레이를 이용한 유도 초음파 영상화 장치 및 방법
KR101716877B1 (ko) * 2016-06-09 2017-03-15 세종대학교산학협력단 자가 압전센싱 기반의 비선형 초음파 피로균열 검사 장치 및 방법
KR102061616B1 (ko) * 2018-01-25 2020-01-02 한국과학기술원 비선형 스펙트럼 상관관계를 이용한 구조물 진단 방법 및 구조물 진단 시스템
KR20190106773A (ko) * 2018-03-06 2019-09-18 주식회사 엘지화학 배터리 팩의 균열을 진단하기 위한 장치와, 그것을 포함하는 배터리 팩 및 자동차
KR102157903B1 (ko) * 2019-05-10 2020-09-18 한국과학기술원 비선형 초음파 변조 기반 피로균열 파손 경고 시스템 및 그 방법과, 이를 이용한 구조물의 잔여 피로수명 추정 시스템 및 그 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116609442A (zh) * 2023-07-17 2023-08-18 南京工业大学 基于非线性超声导波和深度学习的管道裂纹评估定位方法
CN116609442B (zh) * 2023-07-17 2023-10-13 南京工业大学 基于非线性超声导波和深度学习的管道裂纹评估定位方法

Also Published As

Publication number Publication date
US20230384268A1 (en) 2023-11-30
KR20220097296A (ko) 2022-07-07
CN116583747A (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
Schubert Numerical time-domain modeling of linear and nonlinear ultrasonic wave propagation using finite integration techniques––theory and applications
Samman et al. Vibration testing for nondestructive evaluation of bridges. I: Theory
Loutridis et al. Forced vibration behaviour and crack detection of cracked beams using instantaneous frequency
Koo et al. The development of reactor coolant pump vibration monitoring and a diagnostic system in the nuclear power plant
Park et al. An outlier analysis framework for impedance-based structural health monitoring
Saravanan et al. Damage detection in structural element through propagating waves using radially weighted and factored RMS
WO2022146098A1 (ko) 장단기 기억 네트워크 기반 스펙트럼 노이즈 감소 및 비선형 초음파 변조를 이용한 구조물의 피로 균열 검출 방법 및 이를 위한 시스템
JP3958538B2 (ja) コンクリート打音検査方法、及びコンクリート打音検査装置
Joglekar et al. Nonlinear analysis of flexural wave propagation through 1D waveguides with a breathing crack
KR101716877B1 (ko) 자가 압전센싱 기반의 비선형 초음파 피로균열 검사 장치 및 방법
Koh et al. Effects of local stiffness changes and delamination on Lamb wave transmission using surface-mounted piezoelectric transducers
Dahlen et al. Damage identification in concrete using impact non-linear reverberation spectroscopy
Li et al. System identification-based frequency domain feature extraction for defect detection and characterization
JP2024052904A (ja) 信号処理
Gelman et al. Novel vibration structural health monitoring technology for deep foundation piles by non‐stationary higher order frequency response function
Jin et al. Single-impact nonlinear resonant acoustic spectroscopy for monitoring the progressive alkali–silica reaction in concrete
KR102157903B1 (ko) 비선형 초음파 변조 기반 피로균열 파손 경고 시스템 및 그 방법과, 이를 이용한 구조물의 잔여 피로수명 추정 시스템 및 그 방법
Niu et al. Uncertainty quantification method for elastic wave tomography of concrete structure using interval analysis
Liu et al. Deep learning-based solvability of underdetermined inverse problems in nonlinear ultrasonic characterization of micro damages
JP2000262523A (ja) 消化器系活性モニタ
JPH08114638A (ja) 機器異常診断装置
KR101557270B1 (ko) 스마트 구조물의 유지 관리를 위한 est 기반 단일 계측 시스템
Zhou et al. Damage identification for plate structures using physics-informed neural networks
Yang et al. Vibration propagation identification of rotor-bearing-casing system using spatiotemporal graphical modeling
Spall et al. Neural network approach to locating acoustic emission sources in nondestructive evaluation

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: 21915895

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18250261

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 202180083951.8

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21915895

Country of ref document: EP

Kind code of ref document: A1