深層学習を用いたＥＣＴ信号からのキズ深さ同定
公開日:
カテゴリ: 第16回
深層学習を用いたECT信号からのキズ深さ同定
Flaw Depth Identification from ECT Signal Using Deep Learning
東京大学
出町和之
KazuyukiDEMACHI
Member
東京大学
堀智之
TomoyukiHORI
Non-Member
A deep learning model has been proposed to estimate flaw depth from ECT signals. The applicability of deep learning to data mixed with unknown parameters for defects was verified. The applicability of deep learning to data assuming lift-off fluctuation during measurement was verified.
Keywords: Deep Learning, Eddy Current Testing, Lift-off Fluctuation, Convolutional Neural Network
はじめに
加圧水型軽水炉(Pressurized Water Reactor, PWR)におけ る蒸気発生器伝熱管の破損は一次冷却水の二次系への急 速な漏洩をもたらし、漏洩量が多い場合には原子炉緊急炉心冷却システム(Emergency Core Cooling System, ECCS)の もあり る。 のような を するた に、本では定期検査の実施によって伝熱管にひび割れや欠陥が い とを している。渦電流 試験(Eddy Current Testing, ECT)[1, 2]は導電性材料のき裂や欠陥を検出するた の非破壊検査方法であり、とくに伝熱管など厚みの薄い構造物に対して有効な手法である。ECT は欠陥形状推定に逆問題解析を用いるが、多くの場合において大きな CPU 時間とメモリを必要とする。そ で本研究では、深層学習(Deep Learning, DL) [3, 4]モデルの適用を提案し、キズ深さの高速推定の可能性を示した。また、学習デー に末知のパラメー が多数混合する場合は、測定中にリフトオフが変 する場合など、一般的な逆問題解析では困難とされる場合に対する適用性を検証した。
手法
渦電流探傷信号の取得
2 1 1 シミュレーション体系
加圧水型原子炉の伝熱管に対して渦電流 試験を行うとき、実際には以下の Fig. 1 のように伝熱管内部を通す とで試験を行う。
Fig. 1 Schematic of ECT for heat transfer tubes
また 用したデー の渦電流 試験の数 シュレーションの構成を Fig. 2 に示す。 は 本保全学
のベン ー 問題のデー [5]を 用さ ていた いた。試験片はNi ベースの平板であり、比透磁率及び導電率はそれぞれ1 及び1MS / m に設定されている。
キズは幅と深さが一定の十分に長い長方形の領域とし てモデル化されており、キズ領域では等価導電率は均一 とされている。渦電流プローブの走査方向はキズを垂直に横切るものとし、信号収集範囲はキズの直上(x = 0mm) からx = 30mm までとされている。また、渦電流プローブにはプラスポイントプローブが用いられている。
Fig. 2 Configuration of numerical simulation of ECT
2 1 2 欠陥とプローブのパラメータ
ベン ー 問題では、キズ深さ(d)、キズ幅(w)、キズ領域の母材に対する等価導電率(Sr)、コイル径(ID)、リフトオフ(L)、励磁周波数(f)の 6 種の条件を Table 1 に示す のすべてについて組み合わ た場合のコイル測定信
号が計算されている。
Table 1 Condition of the flaw and coil used in the benchmark test [3]
2 1 3 渦電流探傷信号と学習用データ
ベン ー 問題における数 シ ュレーションでは、出力はコイル電圧V の実数成分Vr、虚数成分Vi、絶対
|V|の3 が計算されている。その一例をFig. 3 に示す。
Fig. 3 Voltage of the robe when L=1mm, ID=1mm, f = 25kHz and Sr = 0 by numerical simulation. [3]
また、深層学習において過学習を避け、汎化性能を上げるた に、 れらの信号デー を測定点ごとに最大 10％の範囲でランダムに変化さ たものを 成し、
れを学習用デー とした。その一例をFig. 4 に示す。
Fig. Voltage of the robe with random noise u to 10 when L = 1mm, ID = 1mm, f = 25kHz and Sr = 0 by numerical simulation.
深層学習による学習
2 2 1 全結合型(FCNN, Full Connected Neural
Network)[ ]
全結合型はニューラルネットワー の構造で最もシンプルなものである。 では 31 測定点における ECT 信
号Vr, Vi, |V|をFig. 5 のように93X1 の1 次元ベ トルとして入力し、キズ深さ d を出力さ た。隠れ層は 3 層あり、各々のノード数は2048, 2048, 256 とした。
Fig. 5 Network Structure of FCNN.
2 2 2 畳み込みニューラルネットワーク(CNN, Convolutional Neural Network)[5]
CNN は画像 識に多用されているモデルであり、畳み込み層で局所的な特徴を捉え、プーリング層で位置普遍性を 保している。 で 31 測定点における ECT 信号Vr, Vi, |V|を31X3 の2 次元配列の画像の様にしてCNN の入力とし、キズ深さ d を出力さ た。また、畳み込み層、プーリング層がそれぞれ 2 層あり、全結合 1 層という構造をしている。
Fig. 6 Network Structure of CNN.
2 2 3 段階的な条件設定
Table 2 に深層学習におけるリフトオフ L と等価導電率Sr の5 段階の学習条件を示す。段階1 で深層学習の実装の を目的とし、L(=1,3 or 5mm)は既知として混合
、またSr=0%に 定して学習を行った。段階2 ではL が末知である場合を想定して L =1, 3, 5mm の場合のECT 信号を混合した学習用デー を用いた。段階3 ではさらにSr が末知である とを想定し、Sr = 0~50%の場合のECT 信号を混合して学習用デー とした。段階4 では L が走査中に変 する とを考慮して、測定点毎にL=1,3 or 5mm の場合のECT 信号からランダムに した学習用デー を 成した。段階5 ではL の変 幅を士
1mm に限定し、測定点毎に L=1 or 3mm のときの ECT 信号からランダムに した学習用デー と、L=3 or 5mm のときの ECT 信号からランダムに した学習用デー を 成した。
Table 2 Training Condition of L and Sr, and its aim
段階
ねらい
L
Sr
1
基本的条件で
実装
定
0 %
2
リフトオフ
が末知
1, 3, 5mm を混合
0 %
3
透過導電率
が末知
1, 3, 5mm を混合
0 50 %
4
リフトオフ変
を想定
測定点毎に1, 3, 5mm より
ランダム
0 50 %
5
リフトオフ変
幅を士1mm
に限定
測定点毎にL 1,3mm、及び L 3,5mm よりランダム
0 50 %
キズ深さ推定結果
FCNN を用いたキズ深さ推定
以下のグラフは横軸が正解のキズ深さ(actual flaw depth)、縦軸は学習済みモデルが推定したキズ深さ(estimate flaw depth)である。1 デー の推定結果は青い点1 点に相当し、赤い破線は正解の 深さと推定した 深さが一致する場合の理想的な結果を意味する。Fig. 7 とFig.8 は、ID=1mm, L=1mm, f=25kHz の場合のFCNN を用いた段階1 と段階2 における結果である。
リフトオフL と透過導電率Sr を 定した段階1 では推定結果は真のキズ深さと良く一定しているが、L が末知である とを想定した段階 2 では誤差が大きくなってしまった。 の とより、段階3 以降ではFCNN によるキズ深さ推定は行わ 、CNN のみを採用した。
Fig. Flaw De th Estimation Result by FNN. ID=1mm, L=1mm, f=25kHz. The training condition is ste 1.
Fig. 8 Flaw De th Estimation Result by FNN. ID=1mm, L=1mm, f=25kHz. The training condition is ste 2.
CNN を用いたキズ深さ推定
Fig. 9 は、CNN を用いた段階 2 のキズ深さ推定結果である。リフトオフ L=1,3,5mm の学習デー を混合して学習し、Lが末知である条件でキズ深さを推定したが、い れの場合にも高精度での推定結果が られた。
ID = 1mm, f = 25kHz
ID = 7mm, f = 400kHz
Fig. 9 Flaw de th estimation results by CNN in the case the lift-off (L) were mixed assuming unknown. The flaw de th could be accurately estimated with small error for all cases.
Fig. 10 は、段階3 のキズ深さ推定結果である。リフトオフ L=1,3,5mm と等価導電率比 Sr=0 50 の学習デー を混合して学習し、L とSr が末知である条件でキズ
深さを推定したが、い れの場合にも高精度での推定結果が られた。段階 2 に比べて推定誤差が拡大している
とが分かる。
ID = 1mm, f = 25kHz
ID = 7mm, f = 400kHz
Fig. 10 Flaw de th estimation results by CNN under the conditions that the equivalent conductivity ratio Sr were mixed in the range of 0 to 50 . The flaw de th estimation error is larger for the larger flaw de th.
Fig. 11 は、段階4 のキズ深さ推定結果である。リフトオフ L=1,3,5mm が一定ではなく、測定時に変 する とを想定して学習デー を 成し、推定時のテストデーでもリフトオフが変 する場合のECT 信号を用いた。れにより、推定誤差の大きさがさらに拡大している。 の原因としては、測定点毎にL=1 5mm の範囲で変 するリフトオフを想定した とで、学習デー のECT 信号がFig. 12 のように強い揺 成分を有してしまい、元のECT 信号の特徴が大きく損なわれたた と考えられる。
そ で次に、段階 5 においては、リフトオフ変 幅を士1mm に限定して測定点毎に L=1 or 3mm、及び L=3 or 5mm よりランダム して学習デー およびテストデー
を 成した場合の結果をFig. 13 に示す。段階4 の場合に比べてキズ深さ推定誤差が縮小した。
ID = 1mm, f = 25kHz
ID = 7mm, f = 25kHz
Fig. 11 Flaw de th estimation results by CNN under the conditions that the equivalent conductivity ratio Sr were mixed in the range of 0 to 50 , and Vr, Vi, and I V I when the liftoff were randomly selected from L = 1, 3, 5 mm at each measurement osition.
Fig. 12 An exam le of in ut data of Vr, Vi and I V I for ste . The values of Vr, Vi and I V I greatly fluctuated at every measurement osition of 1 mm, because the liftoff were randomly selected from L = 1, 3, 5 mm for each measurement
osition.
ID = 1mm, L = 1-3mm, f = 25kHz
ID = 1mm, L = 3-5mm, f = 25kHz
Fig. 13 Flaw de th estimation results by CNN under the conditions that the equivalent conductivity ratio sr were mixed in the range of 0 to 50 , and Vr, Vi, and I V I when the liftoff were randomly selected from L = 1-3mm and L = 3-5 mm at each measurement osition.
. 考察
4 1 キズ深さ推定誤差の比較
Table 2 のすべての条件の対する欠陥深さ推定の二乗平均平方根誤差(RMSE)をFig. 14 に示す。 実際の走査状況に最も近い段階 5 におけるCNN による RMSE は約 0.07 と0.4に抑制されており、欠陥深さ推定方法としてのCNN モデルの有用性が示された。
4 2 FCNN とCNN の比較
30mm 分の測定デー 1000 個(30m 分)のキズ深さ推定時の計算時間はFCNN, CNN でそれぞれ0.04, 0.23 秒であった。FCNN の方が短いが、い れも十分に短時間で推定を行えたといえる。
段階2 の結果を比較すると、CNN の方が高い精度であった。Fig. 15 左はCNN の入力の一例であり、縦が測定点x、横が ECT 信号の ャンネルとして二次元配列として画像化したものである。Fig. 12 右は左の画像を 深さ0.2~3.0mm までのデー を横に結合して表示したものである。 のように信号の大きさ けではなく、信号の増減、同じ測定点における他の ャンネルの信号デー との関係性のような情報も重要であり、CNN は の情報をそのネットワー の構造から適切に捉える とができたものと考える。
Distance from flaw (mm)
Distance from flaw (mm)
Fig. 15 Two-dimensional array re resentation of ECT signal when ID = 1 mm, w = 0.001 mm, L = 1 mm, f = 25 kHz, Sr = 0 and d = 0.2 mm (left) and ID = 1 mm, w = 0.001 mm, L = 1 mm, f = 25 kHz, Sr = 0 and d = 0.2 ~3.0 mm (right).
4 3 プローブ周波数と推定精度
Table 2 の全ての学習段階の結果においてf =25kHz の低周波の場合に高い推定精度が られた。ECT 信号の表皮深さ：
p =1
冗of?
はf =25, 100, 400kHz でそれぞれ約3.2, 1.6, 0.8mm であり、キズの表皮深さ以上に深い部分からのECT 信号が影響が捉えられていないた である。
Figure 1 . Root mean square error of flaw de th estimation for ste 1-5 by FCNN or CNN.
結論
ECT 信号を用いた欠陥深さ推定モデルの学習を行った。
FCNN とCNN の比較ではCNN が推定精度の でよりれたモデルであるといえる。また、不明な欠陥に関するパラメー である母材に対する 領域の等価導電率を全てまと て学習を行い、推定を行った場合もプローブのパラメー を適切に 定する とで十分良い推定結果をられた。また、リフトオフ変 を推定した問題においても、リフトオフ変 を2mm とした場合、十分に良い推定結果を る とができた。
今後の課題
後は、応力腐食割れなど欠陥部分の等価導電率が一
様ではない欠陥に対する本手法の適用を試みる。
参考文献
Z. Chen, K. Miya and M. Kurokawa, “Rapid prediction of eddy current testing signals using A? q> method and database”, NDT & E International, Vol. 32, No. 1, pp. 29- 36 (1999)
T. Takagi, H. Huang, H. Fukutomi and J. Tnani, “Numerical evaluation of correlation between crack size and eddy current testing signal by a very fast simulator”,
IEEE Transactions on Magnetics, Vol. 34, No. 5 pp. 2581-
2584 (1998)
Y. Lecun, L. Bottou, Y. Bengio and P. Haffner, “Gradient- based learning applied to document recognition”, Proc. IEEE 86, November 11, pp. 2278-2324, (1998).
A. Krizhevsky, I. Sutskever and G. E. Hinton “ImageNet Classification with Deep Convolutional Neural Networks”, Neural Information Processing Systems (NIPS2012)
N. Yusa and H. Hashizume, "Numerical investigation of the ability of eddy current testing to size surface breaking cracks", Nondestructive Testing and Evaluation, Vol. 32, No. 1, pp. 50-58 (2017)
謝辞
渦電流 試験の数 シ ュレーション結果を、ベン
ー 問題としてご提供頂きました東北大学の遊佐訓
先生には、心より を し上げます。