渦電流探傷試験の高度化のためのニューラルネットワークの適用可能性の検討 ーニューラルネットワークを応用した欠陥深さと長さの同定ー Feasibility study of neural network technology applied to advanced eddy current testing -Depth and length sizing of defects using neural networks- 東北大学工学研究科 周新武 Xinwu ZHOU Student 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 This paper proposes a neural network to achieve automated data analysis target. A neural network, which is commonly used as an artificial intelligence technology, possesses excellent feature recognition and logistic regression ability, which are very important to implement automated data analysis. In this paper, the principle and characteristics of the neural network are presented. A neural network is established to discern the depth and length of slits automatically, and it is verified whether the ANN can work in ECT data analysis or not. According to the discussion and verification, it is evident that the trained neural network can accurately and efficiently offer quantitative analysis of defects. Keywords: Neural network, NDT, Eddy current testing, Artificial intelligence, Defect sizing 1 はじめに 業界では人工知能技術(AI)や ノのインターネット(IoT)の活用が急降に進みつつある. 業界の歴史では Industry 1.0 は と の で動く に づいている． エネルギーの使用とエレクトロニクスの使用はそれぞれIndustry 2.0 とIndustry 3.0 を み出した． 今のところ AI やビッグデータ技術など最先端技術の迅速な開発は Industry 4.0 のコンセプトを 能にする[1]． Industry 4.0 では 能は れている． それは 業 、 ライン、 業、 、製 お をできることを要求する． その うな中で 非破壊評価の領域においても、Industry 4.0 に対応してNDE 4.0 の概念が提案 れている[1]． 保全の最適化と安全性に寄与する非破壊検査 も人工知能、ビッグデータ技術、IoT などと組み合わせる必要がある． ECT は， に る非破壊検査の の一 である． の や の 性にい， ECT のインピーダンスが変化し， この検出信号の変化に り検査対 部 中の欠陥を検出する． ECT の長所として次の2 点が挙げられる． ①操作が容易であるため自動検査システ を構築できる． ②非 触の である ため， カプラントを必要としない． ECT は航空宇宙、製造業、エネルギーなどの分野で広く利用 れている． 本論文では 非破壊評価に適用するためニューラルネットワークの原理を紹介し ECT におけるニューラルネットワーク適用の 能性を 論する． 2 理論 人工ニューラルネットワーク(ANN)は、 物学的ニューラルネットワーク(動物の中枢神経系、特に脳)の構造お 能を する数学的 デル たは デルである． ANN は入 、出 、 れ で構 れている． 各 には、上 のニューロンから入 データを受け取り、それらの入 データに行列演 した結果を出するニューロンが複数存在する． ANN は トレーニングプロセスに って重み W と偏差b を連 的に調整し，関数を組み合わせて期待の効能を する[2]． 重 や偏差の調整 は， め れたル に って する． 調整 能は， に学習関数、適応学習関数お 性能関数に づいて実 れる． 学習関数は にニューラルネットワーク全体の重みと偏差を調整し，適応学習関数はニューラルネットワークの各 の各ニューロンの重みと偏差を調整し，性能関数は， ニューラルネットワークの目標値と出 値の誤差を判断するのに使用する． 性能関数は，学習関数と適応学習関数の調整 準を提 する． 誤差の大き に応じて、全体調整と各 調整の二 類のトレーニングプロセスが重みの大き と偏差の変動を する． 3 シミュレーション実験 3 1 パラメータ設定 本論文では， フランスのCEA で開発 れたECT シミュレーションソフト CIVA を用いて， 自己誘導自己比較プローブとステンレス鋼(SUS316)の 片を含める デルを構築した． 片とプローブの構造を図1 に示す． 解析において， 片の導 率は1.39 MS?m-1， 比透 率は 1.0 である． 図l に示す うに2 つの走査経路を用いて， それぞれ深 と長 の信号を収集した． 周波数は50、60、70、80、90、100 kHz である. ①深 情報に関する信号を収集する時，欠陥の長 と はそれぞれ 15 mm お 0.3 mm とし， 深 は 0.5、1、1.5、2、2.5、3 mm に した． ②長 信号に関する情報を収集する時， 欠陥の深 と はそれぞれ1 mm お 0.3 mm とし， 長 は1、5、10、15、20 mm に した． 3 2 シミュレーション実験の結果 信号処理については 協会指針JEAG-4217 の信号処理 の通りに行う．それぞれの周波数で深 1 mm の欠陥信号を せ， 大し， 最大 の点を(Vx=0, Vy=1 V)とする うに変換する． 図2 り欠陥の深 とECT 信 号の Vy 信号の最大 は，非線形関係がある． 長 の ECT 信号のV 信号から， の変化の と最大 は長 と関係があることがわかる． 4 ニューラルネットワーク 4 1 ニューラルネットワークの構築と訓練 深 信号と長 信号を識別でき 信号に対応する欠陥の深 と長 を出 できる誤差逆伝播ニューラルネットワークを構築する． 学習関数、適応学習関数、お 性能関数はそれぞれレー ン ーグ?マルカート 、最急降下 、お 最小二乗 帰分析 に づいている． 異な る深 のVy 信号と異なる長 のV 信号をトレーニング データとし 対応するターゲットデータはそれぞれの深 と長 である． Fig. 1 Diagrammatic sketch of specimen and probe Fig. 2 Vy signals with different depth slits (Left) and Vx signals with different length slits (Right) 4 2 検証と考察 表1に示 れるデータをトレーニングしたニューラルネットワークの検証のために用いる． 出 結果 り、訓練 れたニューラルネットワークは精度良く欠陥信号の長 と深 を正しく識別できることが分かる． Table 1 Verification of neural network Input Depth 1.7 mm Depth 2.3 mm Length 7 mm Length 17 mm Output 2.00 mm 2.32 mm 7.5 mm 17.3 mm とめ ニューラルネットワークは優れた特徴認識 能を持ち、入 データと出 データのマッピング関係を く認識することができる． 検証実 を通じて ニューラルネットワークを用いたECT 信号の自動解析と の 高度化の 能性を示した． References N.G.H. Meyendorf, L.J. Bond, J. Curtis-Beard, S. Heilmann, S. Pal, R. Schallert, C. Wunderlich, “NDE 4.0 ? NDE for the 21st Century-”, 15th Asia Pacific Conference for Non-Destructive Testing, Singapore, ID89, 2017. 周新武、浦山良一、高木敏行、内一哲哉、 “非 における誤差逆伝播ニューラルネットワークを用いた欠陥の 量的評価”、「 関連のダイナミクス」シンポジウ 、23C3-2、2019.

検索

• [ニュース] ボリューム検索機能を追加しました（2019/03/27 ）
• [ニュース] 著者検索機能を追加しました（2019/03/07 ）
• [ニュース] 解説記事を掲載しました。（2019/03/06 ）
• [ニュース] 当サイトを公開しました。（2019/03/06 ）