AE SOURCE LOCATION BY NEURAL NETWORKS INDEPENDENT ON MATERIAL AND SCALE CHANGES

Transkript

1 Czech Society for ondestructive Testing DE for Safety / DEFEKTOSKOPIE 200 ovember 0-2, Hotel Angelo, Pilsen - Czech Republic AE SOURCE LOCATIO BY EURAL ETWORKS IDEPEDET O MATERIAL AD SCALE CHAGES LOKALIZACE ZDROJ AE EUROOVÝMI SÍTMI EZÁVISLE A ZMÁCH MATERIÁLU A MÍTKA Milan CHLADA, Zdenk PEVOROVSKÝ Institute of Thermomechanics AS CR, v.v.i., DT Department Contact chlada@it.cas.cz Abstract The localization of acoustic emission (AE) sources by procedures using artificial neural networks (A) represents today highly effective alternative approach to classical triangulation algorithms. evertheless, the application possibilities of A are limited due to several reasons. The main problems are in the collecting sufficiently extensive training and testing data sets together with the non portability of particular trained network to any other object. Recently, the A based AE source location method has been improved by using socalled signal arrival time profiles to overcome both limitations. This way of signal arrival time characterization enables A training on numerical models and allows the application of learned A on real structures of various scales and materials. In this paper, the method is upgraded and localization results are illustrated on experimental data obtained during pentests on a model roof I-beam and an aircraft structure part. General application possibilities of the method variations for different sensor configurations are also discussed. Key words: acoustic emission, arrival time profiles, source localization, artificial neural networks. Abstrakt Lokalizace zdroj akustické emise (AE) procedurami využívajícími umlé neuronové sít (A) je vysoce efektivní alternativou ke klasickým triangulaním algoritmm. Možnosti aplikace A však mohou být z rzných dvod omezené. Mezi hlavní problémy patí pedevším sbr dostateného množství reprezentativních tréninkových dat a nepenositelnost konkrétní nauené sít na jiné úlohy. Jako ešení obou problém se v poslední dob osvdila metoda na bázi A, využívající tzv. asové profily. Tento zpsob charakterizace as píchod signál k jednotlivým snímam umožuje uení A na numerických modelech s následnou aplikací na reálné konstrukce rzných mítek a materiál. V píspvku je tato metoda dále zdokonalena a demonstrována na experimentálních datech, získaných pi pen-testech na modelovém stešním nosníku a souásti letecké konstrukce. Diskutovány jsou rovnž obecné možnosti aplikace jednotlivých variant metody pro rzné konfigurace sníma. Klíová slova: akustická emise, asové profily, lokalizace zdroj, umlé neuronové sít. DEFEKTOSKOPIE

2 . Úvod Pro charakterizaci mechanismu poškození materiálových konstrukcí na základ analýzy signál akustické emise (AE) je v první ad nezbytné co nejpesnji urit polohu emisního zdroje. ejastji aplikovaný triangulaní algoritmus vychází pi analytickém výpotu souadnic zdroje AE z asových diferencí píchod signál k jednotlivým snímam a rychlosti šíení elastické vlny []. Analytické vzorce jsou však známé jen pro pípad isotropních desek. Algoritmus rovnž pedpokládá geometrickou spojitost oblasti lokalizace. Možnosti jeho praktického uplatnní jsou tak v mnoha pípadech velmi omezené, zejména pi testování složitjších souástí. Problém lze ešit matematickým modelem šíení napových vln. Pro reálné poteby lokalizace zdroj AE je tento postup ale píliš komplexní a výpoetn velmi nároný. Budeme-li pedpokládat, že nejrychlejší typ vlny se v konstrukci šíí po geometricky nejkratších cestách, je možné výpoet redukovat na hledání nejpímjší trasy mezi snímaem AE a místem emisního zdroje, nap. pomocí geodetických kivek [2]. I tato metoda je však v praxi pomrn komplikovaná. Pedpokládá rozdlení materiálu na ásti, jejichž tvar lze parametricky popsat. Vyžaduje ešení soustav diferenciálních rovnic a znalost rychlosti šíení elastické vlny. Hranice mezi sousedními ástmi tlesa jsou pouze diskretizovány tzv. uzlovými body, které zprostedkovávají prchod vlny. Výsledky této metody lze interpretovat jako tabulku typických asových diferencí, odpovídajících dostatenému potu zvolených lokalizací emisních zdroj. Reálné asové diference jsou pak s tmito tabulkovými hodnotami srovnávány a hledány nejlépe vyhovující, pesnji eeno nejbližší podle vhodn zvolené míry. ov zavedený pístup k lokalizaci zdroj AE pomocí asových profil [3] umožuje podstatné zjednodušení výše uvedené metodologie. Využívá interpolaní schopnosti umlých neuronových sítí ve vícerozmrných parametrických prostorech. Výhodným pedzpracováním namených as píchodu signálu k jednotlivým snímam zaruuje navíc univerzálnost konkrétní nauené neuronové sít, tj. nezávislost na zmn materiálu a mítka. ovou metodu lze ilustrativn uvažovat jako pevod výše zmiovaných tabulek typických asových diferencí na hodnoty zobecnných asových profil, pomocí kterých jsou neuronové sít následn ueny. asové profily, zohledující chronologii píchod signálu k jednotlivým senzorm mohou být pitom poítány rovnž na základ nejkratších vzdáleností od zdroje ke snímam. Tyto vzdálenosti ale nemusejí být odvozeny pouze pomocí geodetických kivek. V pípad jednoduchých tvar materiálu postaí eukleidovská vzdálenost zdroj-sníma. Pro složitjší tlesa (2D nebo 3D) byla navržena nová metoda, inspirovaná Huygensovým principem šíení vln. Aproximuje geodetickou vzdálenost v diskrétn zadaných tlesech, tj. 2D nebo 3D rastrových obrázcích. Obchází tak nutnost parametrického popisu složitých konstrukcí, které lze pro poteby 2D lokalizace jednoduše zadat pomocí digitální fotografie. ejkratší vzdálenost je aproximována lomenou arou, která svými vrcholy i rovnými úseky prochází jednotlivými pixly reprezentujícími diskretizaci materiál, piemž maximální vzdálenost mezi vrcholy je omezena pedem danou hodnotou, pedstavující ád (úrove) metody. V základních úrovních postup pipomíná známé algoritmy plánování cest na mížce jako nap. záplavové vyplování potenciálového pole nebo Dijkstrv algortimus pro hledání 38 DEFEKTOSKOPIE 200

3 nejkratší cesty v grafu. avrženou metodou lze postihnout rovnž anizotropii materiálu. Spolu s expertním algoritmem odhadu zaátku signálu [4], asovými profily [3] a umlými neuronovými sítmi tak pedstavuje efektivní aparát umožující velmi pesnou lokalizaci zdroj AE. 2. Profily as píchodu signálu Využití informace o asech píchod signál k jednotlivým snímam pomocí asových profil je inspirováno pedbžnou expertní analýzou polohy emisního zdroje, pi níž je sledovaná konstrukce rozdlena na zóny podle prvního píchodu signálu k jednotlivým snímam. a obr. jsou rznými odstíny šedi vybarveny zóny na ukázkové složitjší konstrukci. Zóny odpovídající lokalizacím emisních zdroj, jejichž signály detekuje píslušný senzor jako první. Jinými slovy, v oblasti oznaené jako leží body, které jsou nejblíže ke snímai S. S 9 9 S 5 S S S 7 Obr. Ilustrativní rozdlení složité konstrukce na zóny podle prvního píchodu signálu AE k jednotlivým snímam Fig. Illustrative splitting of a complex structure into zones by first AE signal arrival to each sensor Z obr. je patrné, že sama informace o prvním píchodu signálu poskytuje dobré východisko pro další zpesnní lokalizace emisního zdroje, zvlášt v pípadech malých vzdáleností mezi senzory. Každou zónu prvního píchodu lze dále dlit na podoblasti podle specifické chronologie detekce elastické vlny zbylými snímai. Tímto zpsobem mohou být zdroje AE zbžn lokalizovány pomocí tabulky všech možných posloupností píchod signálu AE k jednotlivým senzorm. Pro pesnjší postižení chronologie detekce signál byly v [3] zavedeny tzv. asové profily. Pedpokládejme konfiguraci sníma AE umístných na rovinném tlese. Ozname T i dobu šíení elastické vlny od zdroje ke snímai S i. asový profil (ATP - Arrival Time P+rofile) je vektor s následovn definovanými složkami p i : p i T i j k DEFEKTOSKOPIE T k T j j T j ()

4 Je zejmé, že pomocí bžných analyzátor AE není možné tyto asové intervaly T i urit bez znalosti polohy emisního zdroje. K dispozici jsou pouze asy píchod signálu k jednotlivým snímam. icmén, oznaíme-li t s as inicializace zdroje AE, je snadné upravit pvodní vzorec () pomocí vztahu T i = t i - t s : p i t i t s j k t k t s j t j t j t s t s k t i j t k t j j t j (2) Ozname dále d i vzdálenost mezi zdrojem AE a snímaem S i. Dosazením vztahu T i =d i / v do () lze dále odvodit: p i k d i v j d k v d j v d j j v k d i j d k d j j d j (3) Je tedy zejmé, že asové profily lze poítat z as píchod t i nebo vzdáleností d i podle píslušných modifikací defininího vzorce (). Ze vztahu (3) navíc plyne nezávislost na zmn rychlosti v elastické vlny. Obdobn se vykrátí jakýkoliv násobek vzdáleností d i, tedy zmna mítka tlesa stejného tvaru. Ve smyslu této univerzality mohou být neuronové sít ueny nap. numericky generovanými daty, odvozenými ze vzdáleností namených na proporcionálním modelu uvažované konstrukce nebo její fotografii s využitím algoritmu na hledání nejkratších cest. Ve fázi vybavování, kdy jsou na vstupy sít pedkládána neznámá data, je možné zpracovávat asové profily poítané již ze skutených as píchod. Výše uvedené vlastnosti asových profil znan rozšiují aplikaní možnosti neuronových sítí. V první ad eší problémy pi získávání dostateného potu tréninkových a testovacích dat, což mže být jinak v praxi velmi nároné a v mnohých pípadech i nemožné. Zejména z dvodu vysokých hladin šumu nebo velkých mících chyb mohou být experimentáln získaná uící data nejednoznaná a tudíž nepoužitelná. V takových pípadech nelze zaruit dostaten jemné pokrytí vstupního prostoru vhodnými tréninkovými daty. Problém nepenositelnosti konkrétní nauené sít na jinou úlohu je asovými profily rovnž vyešen díky jejich nezávislosti na zmn rychlosti elastické vlny v materiálu nebo mítka tlesa. 3. Lokalizace pen-test na stešním nosníku Aspekty lokalizaní metody na základ asových profil a neuronových sítí ilustrujme následujícím experimentem. Úkolem je urení polohy tí sad pen-test na modelovém stešním nosníku, svaeném ze dvou díl 00mm I-profil. Pro danou konfiguraci ty sníma (viz obr.2) je teba vypoítat tréninková data, na nichž se neuronová sí nauí lokalizovat emisní události z oblasti kolem svaru. Tvar tlesa definuje pvodní digitální fotografie nosníku pevedená do dvou barev, kdy šedá znamená materiál a bílá barva pedstavuje prostedí, v nmž se elastické vlny nešíí (viz obr.2). Pro výpoet typických asových profil byly zvoleny body pokrývající kritickou oblast, na obr.2 vyznaené kížky. Vzdálenosti tchto virtuálních zdroj ke všem snímam odhadla metoda hledající nejkratší cesty v obrázku. ásledoval 320 DEFEKTOSKOPIE 200

5 výpoet profil as píchodu podle vzorce (3) a uení neuronové sít na aproximaci pvodní souadnice virtuálního zdroje. Pesnost výsledk natrénované neuronové sít lze posoudit ze zptné projekce uících bod pedložených na její vstupy a zobrazených pímo do pvodního obrázku (viz obr.3). Významnjší nepesnosti jsou patrné pouze na hranicích tréninkové oblasti, zejména v blízkosti snímae.2. Jedná se o pípad, kdy velmi blízké asové profily odpovídají rozdílným lokalizacím a neuronová sí nemá kapacitu aproximovat lokáln velmi strmou závislost. S Obr.2 Umístní virtuálních tréninkových zdroj na testovaném tlese Fig.2 The placement of virtual training sources on tested body S 00 mm Obr.3 Projekce tréninkových bod nauenou neuronovou sítí Fig.3 Projection of training points by learned neural network S 00 mm Obr.4 Výsledky lokalizace pen-test Fig.4 Results of pen-tests localization DEFEKTOSKOPIE

6 a obr.4 jsou uvedeny výsledky lokalizace tí sad 25-ti pen-test provedených v místech vyznaených prseíky árkovaných ar. Rozptyl výsledných bod je pevážnou mrou zpsoben chybou pi urení zaátk signálu, odhadovaných automatickou metodou [4]. Rozšíení tréninkové oblasti je možné pouze za pedpokladu zmny konfigurace sníma AE. Množina virtuálních uících zdroj by nemla obsahovat body, které mají tém shodné vzdálenosti ke všem snímam, ímž ve vzorci (3) dochází k dlení velmi malými ísly. Metoda se tak stává numericky nestabilní a neuronové sít jsou nuceny aproximovat píliš strmé závislosti, na což pi rozumném množství neuron nemají kapacitu. Výsledky projekce virtuálních tréninkových zdroj pro dv rzné konfigurace sníma mžeme porovnat na levé a pravé ásti obr.5: S S Obr.5 Projekce virtuálních tréninkových zdroj pro dv rzné konfigurace sníma Fig.5 Projection of virtual training sources for two different sensor configurations 4. Lokalizace emisních signál pi zatžování letecké souásti Výše popisovaná metoda byla pvodn vyvíjena pro zpesnní lokalizace zdroj AE na souásti pedního podvozku letounu L-40, zvané "Steering Actuator Bracket" (SAB), která je spolu se snímai AE ilustrována na obr.6. Jelikož mení rychlosti elastické vlny na této souástce vykazuje píliš velký rozptyl, klasická triangulace se pro lokalizaci emisních zdroj neosvdila a bylo nutné hledat alternativní metody. SAB byl cyklicky tahov namáhán jednoosým zatžovacím strojem Instron-Schenck 00k. Akustickou emisi bhem cyklování monitoroval a zaznamenával AE systém DAKEL XEDO. a souásti zárove probíhala expertní optická kontrola možné iniciace trhlin v materiálu. Pro lokalizaci zdroj AE byla aplikována obdobná metodologie jako v pípad stešního nosníku. Výpoet tréninkových dat vycházel z fotografie souástky, ve které metoda pro hledání nejkratších cest odhadla píslušné vzdálenosti virtuálních zdroj ke snímam. ásledovala aplikace vzorce (3) a uení neuronové sít na aproximaci pvodních souadnic zdroj. ejlepší výsledky byly dosaženy pomocí neuronových sítí specializovaných na oblasti vymezené jen tymi snímai. Vzdálenjší senzory jsou spíše zdrojem vtší chyby pi urování zaátku, než zpesnním metody. V prbhu dosavadního namáhání (bhem 290 tisíc zatžovacích cykl) byly detekovány emisní zdroje pouze od stn otvor pro upevovací šrouby, od nekvalitn pilepených sníma a poškozených tenzometr. Typickým píkladem je otvor na levé stran souásti (viz obr.7), v jehož spodní levé tvrtin se kumulují lokalizace detekovaných emisních událostí z píslušné poloviny souástky. Z detailního zábru v pravé ásti obr.7 je patrné silné opotebení stny otvoru vlivem 322 DEFEKTOSKOPIE 200

7 tení o šroub, což je nejpravdpodobnjší vysvtlení mechanismu emisního zdroje. a obr.6 jsou pro ilustraci plošného vývoje aproximaní chyby zobrazeny tréninkové body zptn promítnuté neuronovou sítí do pvodní uící oblasti. S 9 Obr.6 Projekce virtuálních tréninkových zdroj nauenou neuronovou sítí Fig.6 Projection of virtual training sources by learned neural network S 9 Obr.7 Výsledky lokalizace skuteného emisního zdroje Fig.7 Results of real emission source localization DEFEKTOSKOPIE

8 5. Závry V píspvku je testována metoda lokalizace zdroj AE na bázi umlých neuronových sítí využívajících nov definované asové profily. Tento zpsob relativizace chronologie píchod signálu AE k jednotlivým snímam umožuje významné rozšíení aplikaních možností A. Popisována je metodologie lokalizace zdroj AE na modelovém stešním nosníku a souásti pedního podvozku letounu. Hlavní pednosti algoritmu mohou být shrnuty do následujících bod: Metoda je inspirována zbžnou expertní analýzou lokalizace emisních zdroj, zohledující chronologii detekce signálu AE jednotlivými snímai. ov zavedené asové profily umožují numerické generování dostateného potu pesných uících dat bez mících chyb. K jejich výpotu lze použít vzdálenosti emisních zdroj ke snímam, odhadnuté algoritmem pro hledání nejkratších cest v materiálu na rastrovém obrázku konstrukce. asové profily jsou nezávislé na zmn mítka a rychlosti elastické vlny v materiálu. auené neuronové sít mohou být tedy aplikovány na všechny proporcionáln shodné konstrukce z jakéhokoliv izotropního materiálu. Pro zaruení numerické stability metoda paradoxn vyžaduje nesymetrické konfigurace sníma AE. ejvtším zdrojem lokalizaních chyb je nepesné urení zaátku signál a nikoli aproximaní chyba nauené neuronové sít. Metoda asových profil se ukázala jako penosný, robustní a snadno aplikovatelný algoritmus pro lokalizaci zdroj AE. Podkování Práce vznikla za podpory grant MPO R. FR-TI/274 a FR-TI/98. Literatura [] Blaháek M.: Lokalizace zdroj akustické emise pomocí umlých neuronových sítí. (Disertaní práce, VUT FJFI, 999) [2] Svojítka P., Ks V.: Lokalizaní algoritmy akustické emise pomocí geodetických kivek. (37th Internat. Conf. on DT "DEFEKTOSKOPIE 2007", Prague, 7-0 ovemeber 2007, Proc. ed. by M. Koenská, P. Mazal, CDT 2007, ISB , pp ). [3] Chlada M., Blaháek M., Pevorovský Z.: Aplikace asových profil pi lokalizaci zdroj AE pomocí neuronových sítí. (39th Internat. Conf. on DT "DEFEKTOSKOPIE 2009", Prague, 6-4 ovemeber 2009, Proc. ed. by P. Mazal, L. Pazdera, CDT 2009, ISB , pp ). [4] Chlada M.: Expertní detekce píchodu signálu AE. (36th Internat. Conf. on DT "DEFEKTOSKOPIE 2006", Tábor, 7-9 ovember 2006, Proc. ed. by P. Mazal, CDT 2006,ISB X, pp.9-00) 324 DEFEKTOSKOPIE 200