[논문]용접결함 패턴인식을 위한 신경망 알고리즘 적용

김창현; 유홍연; 홍성훈

doi:10.5392/jkca.2007.7.1.065

용접결함 패턴인식을 위한 신경망 알고리즘 적용
Adaption of Neural Network Algorithm for Pattern Recognition of Weld Flaws 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.7 no.1, 2007년, pp.65 - 72

김창현 (전남대학교 전자컴퓨터공학부) , 유홍연 (전남대학교 전자컴퓨터공학부) , 홍성훈 (전남대학교 전자컴퓨터공학부)

초록
AI-Helper

본 연구에서는 초음파 검사를 기반으로 하는 비파괴검사 방법을 사용하였으며, 용접결함의 패턴인식 알고리즘으로서 역전파 신경망과 확률 신경망을 비교하였다. 이러한 목적을 위한 과정에서 두 가지 알고리즘에 동일한 변수를 적용하였으며, 여기서 사용된 특징변수는 용접결함으로부터 반사된 시간영역 상의 전체 결함신호로부터 결함부분만을 분리한 신호파형을 사용하였다. 이상의 절차를 통하여 두 가지 알고리즘의 적용방안을 확인하였으며, 두 가지 알고리즘에 대하여 각각의 장단점을 비교하였다.

Abstract ▼ AI-Helper

In this study, we used nondestructive test based on ultrasonic test as inspection method and compared backpropagation neural network(BPNN) with probabilistic neural network(PNN) as pattern recognition algorithm of weld flaws. For this purpose, variables are applied the same to two algorithms. Where, feature variables are zooming flaw signals of reflected whole signals from weld flaws in time domain. Through this process, we compared advantages/ disadvantages of two algorithms and confirmed application methods of two algorithms.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 용접결함으로부터 반사된 초음파 결함 신호의 패턴인식을 위한 분류기 알고리즘으로서 역전파 신경망(BPNN)과 확률 신경망(PNN)의 성능을 비교하였다. 두 분류기에 동일하게 적용된 학습/시험데이터로써 선형결함의 대표신호로 균열과 체적결함의 대표 신호로서는 슬래그 혼입과 기공을 사용하였으며, PNN에 비하여 BPNNe 확률밀도가 낮은 (즉, 적은 수량의 데이터를 갖는) 체적결함에 대하여서도 안정적인 분류를 결과를 도출하였으며, 확률밀도가 높은(즉, 많은 수량의 데이터를 갖는) 선형결함의 분류율과 유사한 결과가 나타남으로서 우수한 분류기임을 확인하였다.
되었다. 우수성이 입증된 확률 신경회로망과 역전파 신경회로망에 대하여 동일한 입력변수를 적용하여 각각의 성능 및 장단점에 대하여 실험적으로 확인하고자 한다.
은둔층을 증가하고 비선형 활성함수를 사용함에 따라서 결정구역이 고급화 되는 장점을 확보할 수 있으므로 본 연구에서 은둔층과 출력층의 비선형 활성함수로서 시그모이드 함수를 적용하여 결정영역이 통상의 직선이 아닌 완만한 곡선으로 경계가 형성되도록 하여 은둔 층을 학습하는 역전파 학습 알고리즘을 수행하도록 하였다.

제안 방법

[표 1]의 용접결함을 대상으로 하여 분류를 수행하였다. 분류에 사용된 데이터의 전체 수량은 각각의 결함에 대하여 5회의 반복검사를 통하여 110개를 적용하였으며, 결함패턴의 학습에 사용된 학습데이터의 수량은 40개로서 역전파 신경망과 확률 신경망에 동일하게 적용하였다.
초음파 탐촉자(5Z 10x10 A70)는 공진주파수 5MHz의 고감도형 경사각 탐촉자를 사용하였으며, 초음파 탐상기는 TOKIMEC사의 SM-300를 사용하였다. 결함으로부터 반사된 초음파 신호를 PC 기반의 오실로스코프를 사용하여 취득하였고 각각의 신호로부터 결함패턴으로 대표되는 형태의 순수한 결함 신호만을 특징변수로 사용하였다.
용접 결함에 대하여 정량적 결함 평가 기준인 거리진폭 특성곡선의 설정으로 인한 현장성 및 실용성이 높은 초음파법의 제안과 역전파 학습 알고리즘에 의한 신경회로망으로 열영향부의 인공 결함을 분류하고 평가하였다. 김⑸은 용접 결함의 패턴 분류를 위한 특징변수의 추출에 관한 연구를 수행하였으며, 추출된 특징 변수의 유효성을 검증하기 위하여 유클리디언 거리를 기반으로 하는 바이시언(Bayesian) 분류기를 사용하여 타당성을 확인하였다.
분류에 사용된 데이터의 전체 수량은 각각의 결함에 대하여 5회의 반복검사를 통하여 110개를 적용하였으며, 결함패턴의 학습에 사용된 학습데이터의 수량은 40개로서 역전파 신경망과 확률 신경망에 동일하게 적용하였다. 또한, 분류하려는 결함은 스파이 럴 용접 파이프(spiral weld pipe)에 내재하는 결함으로서 선형결함의 종류는 균열(crack)과 융합불량(lack of fusion)이고, 체적결함의 종류는 용입불량(lack of penetration), 슬래그(slag) 혼입, 기공(porosity)으로서 체적결함은 3종류이고, 선형결함은 2종류이다.
아날로그 데이터를 .얻어서 이를 PC-based oscilloscope을 이용하여 디지털 데이터 값을 취득함으로서, 결함의 종류 판별을 위한 특징신호의 정보군을 형성한다.
.용접 결함에 대하여 정량적 결함 평가 기준인 거리진폭 특성곡선의 설정으로 인한 현장성 및 실용성이 높은 초음파법의 제안과 역전파 학습 알고리즘에 의한 신경회로망으로 열영향부의 인공 결함을 분류하고 평가하였다. 김⑸은 용접 결함의 패턴 분류를 위한 특징변수의 추출에 관한 연구를 수행하였으며, 추출된 특징 변수의 유효성을 검증하기 위하여 유클리디언 거리를 기반으로 하는 바이시언(Bayesian) 분류기를 사용하여 타당성을 확인하였다.
이러한 과정을 통하여 취득된 순수한 결함신호의 파형을 각각의 용접결함에 대한 형태상의 특징을 갖는 대표 신호로서 선정하여 특징변수로 선정하였다
이와 같이 형성된 특징신호의 정보군에 있어서 결함의 위치와 파형의 크기 정보는 매우 중요하지만, 본 연구에서는 역전파 신경망 및 확률 신경망의 성능을 비교함에 목적이 있는 관계로 두 가지 부류의 신호파형을 동일한 진폭 상에서 형태의 차이만을 가지고 분리를 수행하기 위해 초음파 탐상기의 감도레벨을 동일진폭으로 정규화하여 원신호 파형을 취득하였으며, 취득된 초음파의 원신호 파형에서 결함으로부터 반사된 순수한 결함신호만을 윈도우 함수를 사용하여 분리하였다. 이러한 과정을 통하여 취득된 순수한 결함신호의 파형을 각각의 용접결함에 대한 형태상의 특징을 갖는 대표 신호로서 선정하여 특징변수로 선정하였다
결함들은 자연 결함들이다. 제작상의 난점으로 인하여 Sonaspection Co, England 에 제작을 의뢰하여 용접결함 시험편을 제작하였다. 본 실험에서 사용된 용접결함 시험편에 내재된 결함의 종류에 관한 사항들은 [표 1]에 나타내었다.

대상 데이터

나타내었다. 사용된 은닉층 뉴런의 개수는 125개이며, 출력 오차의 한계는 0.2로 설정하고, 초기학습률은 0.02로 설정하여 학습한 결과는 22, 947 사이클 후에 학습이 완료되었다.
[그림 3]과 같다. 초음파 탐촉자(5Z 10x10 A70)는 공진주파수 5MHz의 고감도형 경사각 탐촉자를 사용하였으며, 초음파 탐상기는 TOKIMEC사의 SM-300를 사용하였다. 결함으로부터 반사된 초음파 신호를 PC 기반의 오실로스코프를 사용하여 취득하였고 각각의 신호로부터 결함패턴으로 대표되는 형태의 순수한 결함 신호만을 특징변수로 사용하였다.

성능/효과

BPNNe 선형결함과 체적결함의 분류율이 유사하게 나타남으로서 우수한 분류기임을 확인하였다. [그림 11]처럼 확률밀도가 낮은 즉, 적은 수량의 데이터에 대하여도 안정적인 결과를 도출하였다.
PNNe 각각의 데이터 간의 거리에 의한 확률밀도함수에 기반을 두는 관계로 [그림 11]에서처럼 충분한 확률밀도가 구성되는 선형결함(planar flaw ; 균열과 융합 불량의 2종류의 결함만이 존재하는 경우^ 대하여서는 높은 분류율을 보인 반면에 확률밀도가 낮은 체적결함(volumetric flaw; 용입불량, 슬래그 혼입, 기공의 3 종류의 결함이 존재할 경우는 확률밀도 함수가 분산되므로)에 대하여서는 낮은 분류율을 도출함으로서 확률밀도의 확보(충분한 데이터 수량)가 중요한 요소임을 확인하였다.
두 분류기에 동일하게 적용된 학습/시험데이터로써 선형결함의 대표신호로 균열과 체적결함의 대표 신호로서는 슬래그 혼입과 기공을 사용하였으며, PNN에 비하여 BPNNe 확률밀도가 낮은 (즉, 적은 수량의 데이터를 갖는) 체적결함에 대하여서도 안정적인 분류를 결과를 도출하였으며, 확률밀도가 높은(즉, 많은 수량의 데이터를 갖는) 선형결함의 분류율과 유사한 결과가 나타남으로서 우수한 분류기임을 확인하였다. 우수한 성능을 갖는 BPNN 분류기의 단점인 학습속도의 향상을 통하여 용접결함 패턴 분류기의 성능을 극대화 하는 성능개선에 관한 연구가 진행되고 있다.
본 연구에서 분류하고자 하는 결함의 종류는 선형결함과 체적결함으로서 2가지로 분류하게 되므로 각 클래스에 소속이 될 확률은 50%를 기준으로 하여 표현되어야 타당하다.
전체적인 분류율은 [그림 10이에 나타낸 것처럼 BPNN 분류기의 성능이 우수함을 확인할 수 있다.

후속연구

그러나, 안정된 분류성능에도 불구하고 BPNN의 단점인 학습속도의 향상에 대한 문제점이 남는 관계로 차후로 BPNN의 학습속도 향상에 관한 연구가 필요하다. BPNN의 단점인 학습속도를 개선하기 위하여 학습가중치를 다양하게 적용한 연구가 진행 중에 있다.
이러한 과정들을 통하여 용접결함의 종류판별이 가능하게 된다면 현재 용접부의 강도에 치명적인 손상을 야기하는 균열은 물론이고 용접부에 발생하는 각종 결함의 종류를 판별함으로서 잔류수명의 예측과 안전성문제의 해결을 위한 안전진단 분야에서 그 파급효과를 기대할 수 있으리라고 판단된다.

참고문헌 (14)

J. L. Rose, Ultrasonics Waves in Solid Media, Cambridge University Press, 1999.
W. Zhu, J. L. Rose, J. N. Barshinger J. N, and V. S. Agarwala, "Ultrasonic guided wave NDT for hidden corrosion detection," Research in Noalestructive Evaluation, Vol.10, No.4, pp.205-225, 1998.

상세보기
L. Liu, M J. Avioli, and J. L. Rose, "Incident angle selection for the guided wave inspection of pipe defects," J. of Insight, Vol.43, No.2, 2001.
T. R Hay, W. Luo, J. L. Rose, and T. Hayashi，''Rapid Inspection of Cornposite Skin-Honeycomb Core Structures with Ultrasonic Guided Waves," J. of Composite Materials, Vol.37, pp.929-939, 2003.

상세보기
J. Y. Kim, B. O. Roh, S. You, C. H. Kim, and M S. Ko, "A Study on the Extraction of Feature Variables for the Pattern Recognition of Welding Flaws," J. of KSPE, Vol.19, No.11, pp.103-111, 2002.
K I. Vinay and G. P John, Digital Signal Processing. Sigma-press Pub, pp.353-428, 1998
L. Rutkowski, New Sofr Cmputin Techniques for System Modeling, Pattern Classification and Irmge Processing, New York :Springer-Verlag, 2004.
이현엽，문경일， Matlab을 이용한 퍼지-뉴로， 아진출판사， pp.209-325, 1999.
S. J. Song, ''Nondestructive Flaw Classi-fication by Pattern Recongnition Approach," J. of KSNT, Vol.19, No.5, pp.378-391, 1999.
T. Ganchev, N. Fakotakis, and G. Kokkinakis, "Text-Independent Speaker Verification Based on Probabilistic Neural Networks," Proc. of the Acoustics, pp.159-166, 2002.
L. Rutkowski and K Cpalka, ''Flexible neuro-fuzzy systems," IEEE Trans. Neural Networks, Vol.14, pp.554-574, 2003.
A O. Mohammed and A S. Walid，"Speeding Up Back-Propagation Neural Networks," Proc. of Informing Science IT Education Joint Conference, pp.167 -173, 2005.
J. K Park, U. S. Park, Y. W. Kim, S. C. Kang, T. H. Choi, and J. H. Lee, ''Models of Reliability Assessment of Ultrasonic Nondestructive Inspection," J. of KSNT, Vol.21, No.6, pp.607-611, 2001.
W. Yi and I. S. Yun, "A Study on defect Classification and Evaluation in Weld Zone od Austenite Stainless Steel 304 Using Neural Network," J. of KSPE, Vol.15, No.7, pp.149-159, 1998.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증