インバリアント分析技術(SIAT)を利用したAE検査における異常判別の高度化
公開日:
カテゴリ: 第16回
インバリアント分析技術(SIAT)を利用したAE 検査における異常判別の高度化
Advanced discrimination of anomalies in AE inspection using system invariant analysis technology (SIAT)
NEC ゾリューションイ）へ、ータ
湘馬
知也
Tomoya SOMA
Member
東北大学 流体科学研究所
高木
敏行
Toshiyuki TAKAGI
Member
東北大学 流体科学研究所
内一
哲哉
Tetsuya UCHIMOTO
Member
At present, AE(Acoustic Emission) measurement is positioned as one of nondestructive inspection methods, and is used to monitor, diagnose, and evaluate various mechanical systems, structures, and the like. AE measurement has the advantage of high sensitivity, wide band, and dynamic measurement, but on the other hand, it is susceptible to noise because it is high sensitivity. In addition, since it is easily affected by the measurement system such as the frequency characteristics of the sensor, advanced know-how and technology are required at the nondestructive inspection site. This study aims to remove the influence of noise among the shortcomings of AE measurement using AI technology (SIAT: System Invariant Analysis Technology), and to allow inspectors to easily identify abnormalities.
Keywords: AE, SIAT, AI, Anomaly Detection
1 AE を使った非破壊検査の課題
アコースティックエミッション(AE) は、産業界に
いて非 壊検査の として 用されている。この技術はパイプなどの構造材に亀裂が生じ、その亀裂が構造 体内を伝播する際に、放出されたエネルギーによって発 生する弾性波の信号を受信して異常の有無を判断する。 したがって、それは構造物の表面に固定されたセン によって収集することができる。しかし高感度なセン を用いるため、その計測データには多くのノイズが混在し 目標の異常を捉えることは非常に困難である。近年、AI 技術やビッグデータ解析手 が急速に普及してきて り、非 壊検査の分野でも われ始めている。インバリアント分析技術(SIAT)は隠れた異常パターンや未知の関係な
ど、保守要員や検査者にとって有用な情報を発見するためにさまざまなデータセットを処理できる[l]。この技術をAE 検査に利用することで、検査精度の向上など様々な効果が期待できると考えられた。
本研究では、インバリアント分析技術を適用して疲労
のAE データを処理し、 することの 性を目的としている。今回、アルミ ウムを利用した疲労
の様 をAE セン で収集し、そのデータをインバリアント分析技術で処理した結果を した。
2 インバリアント分析技術の概要
インバリアント分析技術は、異常判定モデルの学習に 異常データを 要と いつもの状態に るセン間の関係性」を学習する。異常発生時にはこの関係性が 壊れることを前提に異常を検知する。インバリアント分 析の流れを図l に示す。
図1 インバリアント分析技術の概要
インバリアント分析で学習するデータは いつもの状態」つまり正常な状態を利用する。このため、ディープ
ー ング の のAI技術の である異常時のデータが不要である。また、2 点間の関係性は式として明示され、関係性の れは として 的に できるため、異常検知に る過程と異常と判断した理由が明 に説明
である。
これまで、インバリアント分析を利用したECT による検査支援やノイズ除去の省力化などの研究を行ってきた。
[2]。ECT に いては検査対象表面の状態や検査者の熟練
度によって、検査データにノイズが生じる。このような 状態で得られた信号は実際の異常(亀裂)との区分 が困難である。このような検査ノイズと亀裂の信号を自動的 に分離し亀裂のみを検知できるようにすることができれ
検査者の が大きく るだ でなく、熟練度の い検査者も今までよりも高い精度で異常検知が となる。
本技術は検査者が不足している現在の検査業界に いて、 を らすための一助になるものと考えられる。このためAE についても同様のノイズ除去及び異常の識別ができないかを実 により した。
3 AE での検証
検証環境を図2 に示す。実 はアルミの 片を 用し、4 点曲げでの疲労 で行った。 実 装置は、疲労
機、3 台のAE セン 、3 台のアンプ、記録用のPC で構成されている。セン -l は疲労 機の表面に固定、セン -2 は 片の中心、セン -3 は 片の片側の表面に固定した。 中は3 つのセン を 用して同時に信号を収集している。各セン のデータを ンプリングレート500KHz で収集している。
図2 試験環境の概要
最初に正常な状態の 片で測定したデータでインバリアントモデルを作成、そのモデルをもとにして異常検 知の検証を実施した。
正常状態の 片での異常検知結果を図3 に示す。インバリアント分析による異常検知結果のグ フ(Anomaly Score) を見ると異常を検知しているような の上昇は見られない。
連絡先: 湘馬 知也、〒980-08ll 宮城県仙台市青菓区一番町一丁目l0-23 TM 小田急ビル、NEC ソリューションイノベータ 東北支社
E-mail: t-soma@vx.jp.nec.com
図3 正常な試験片での異常検知結果
にあらかじめ を れた 片での実 を行った結果を図4 に示す。実 開始当初から亀裂の弾性波をとらえていると思われるスコアの上昇がみられることがわか る。時間とともに亀裂が進展してくるとスコアの上昇も 大きくなり最終的に大きな 壊が生じて計測不 になるまでの状態が明 に判別できている。
図 を た試験片での異常検知結果
実 の過程で計測されたAE のRow Data を直接見ただ
では異常の判別が難しい。しかしSIAT での処理結果からは明らかな異常状態が できている。
4 まとめ
今回の実 ではAE の計測信号をノイズも含めて前処理を行いインバリアントモデルを作成、異常検知用の信 号データも単純な前処理だ を行い利用した。その結果から異常判別ができていることから、検査スキル及びデ ータ処理スキルの い検査者であっても異常判別が容易に になると期待される。
参考文献
[l] Guofei Jiang, Haifeng Chen, Kenji Yoshihira, "Discovering likely invariants of distributed transaction systems for autonomic system management , Cluster Computing. (2006) 9:385?399 DOI
l0.l007/sl0586-006-0008-l
[2] 湘馬 知也 “インバリアント分析技術によるプ ントのセン ーデータを活用した故障予兆のリアルタイム検出”，技術情報協会（編），製造プロセスに
るIoT，IcT の活用，第7 章，pp.339-406，(20l7)