Journal Archive

AE 신호는 물체 내부에서 형성된 변형 에너지가 급격히 방출될 때 매질을 통해 전달되는 신호이며, 주파수 범위는 30 k~1 MHz 범위의 고주파 영역의 신호를 취득하여 미세한 균열이나 결함에서 발생되는 신호 분석을 수행한다.¹⁾ Fig. 1은 용접결함에 의해 발생된 AE 신호를 나타낸 그림이며,¹¹⁾ 잡음 성분이 있고 재료 내부에 변형이 발생하게 되면 μs로 짧은 시간에 과도 형태의 신호가 발생하게 된다.⁷⁾ AE 신호의 특징을 Table 1과 같이 정리하였으며 분석하고자 하는 결함 대상에 따라 집중적으로 보는 특징이 다르며, 파형 및 주파수 분석, 활성도 분석 등의 방법을 통해 결함발생 여부, 손상된 정도 등을 확인하게 된다.^1,8)

Fig. 1 
AE signal

Fig. 2는 분석에 사용되는 특징과 판단 기준을 나타낸 그림이며, 검출 임계값 이상이 되는 값을 이용하여 분석에 사용하게 된다.⁷⁾ 이 기준은 진단 대상의 재질, 센서 타입, 감도 등 취득 환경에 따라 변화하기 때문에 모니터링을 수행하여 잡음신호의 3 dB 이상 또는 35 dB, 40 dB 등 특정 기준을 설정하여 분석을 수행하며 일관된 기준은 정립되어 있지 않다.^8,9) 이와 같이 사용자에 따라 임계값의 기준이 바뀌기 때문에 결함 분류에 사용된 특징이 일관될 수 있도록 고려해야 한다.

Fig. 2 
Signal analysis of AE parameter

특징기반 머신러닝은 Fig. 3과 같은 과정을 통해 진단을 수행하게 된다. 학습 데이터에 정상 및 결함 등 상태에 대한 Labeling을 수행하여 특징 계산을 수행하며, 특징 선택, 분류 등 과정을 통해 학습모델을 생성하고 새롭게 취득된 신규 데이터가 학습된 모델에 입력하여 상태 진단을 수행하게 된다.¹⁰⁾ Fig. 4는 머신러닝에 대한 결과에 대한 예시이며, 사용된 특징을 바탕으로 공간을 구성하여 SVM을 통해 분류를 수행하게 된다. 각 학습된 데이터의 분류된 정도는 선택된 특징에 따라 군집된 밀도와 각 상태 간의 거리가 다르게 나타난다.

Fig. 3 
Flow of features based machine learning

Fig. 4 
Example of machine learning result

이에 따라, 특징 기반 머신러닝의 진단 정확도를 향상시키는 방법은 학습에 사용된 데이터의 양질 이외에도 결함 분류에 사용되는 특징들이다. 학습에 사용되는 특징들은 정상과 결함의 상태를 분류하는 핵심이 되기 때문에 학습하는 데이터의 특성을 고려하여 군집성을 이루고 상태 간 분류가 가능한 정보를 지닌 특징을 사용해야 한다.

회전체 설비의 학습데이터의 경우에는 주기적으로 발생하는 신호의 특성을 이용하여 일정 시간 간격으로 분할하여 데이터양을 확보하여 머신러닝에 적용하게 된다.⁶⁾ 하지만 AE 신호의 경우에는 결함의 발생 또는 진전에 의해 Burst 신호가 발생하는데, 이는 비주기적인 신호이기 때문에 일정 간격으로 분할 시에는 Noise 부분의 신호만 학습될 수 있어 머신러닝의 분류성능이 낮아질 수 있다. 이러한 AE 신호를 특징 기반 머신러닝에 적용하기 위해서는 Burst 신호를 추출하여 특징 분류를 수행해야 한다.

Burst 신호는 과도적인 신호가 발생한 후, 시간이 지남에 따라 감쇠하는 특징을 가지고 있으므로 과도 신호의 발생 여부와 지속된 시간을 고려해야 한다. 본 연구에서는 Burst 신호를 탐색하기 위해 포락처리(Envelope)를 수행한 후, Move RMS(Root Mean Square) 기법을 이용하여 탐색하였다. Fig. 5는 Burst 신호를 추출하기 위한 전체적인 흐름을 나타낸 그림이다.

Fig. 5 
Flow chart of extract burst signal

포락처리는 Rectification 과정이 있어 포락부 파형의 밀도를 높이기 때문에 Burst 신호 탐색에 유리한 강점이 있다. 하지만 단순 포락처리된 신호에서 Threshold를 기준 이상되는 값을 사용하게 되면 Burst 신호의 전체 길이가 아닌 최대 진폭 구간만 추출될 수 있다. 이러한 점을 고려하여 Envelope 처리 후 이동 RMS기법을 이용하였으며, 이는 Sliding window를 이용하여 전체 신호에 일정 간격의 Window가 이동하며 RMS 값을 계산하게 된다.

Fig. 6은 과도 신호를 탐색하기 위한 포락처리된 신호에 Moving RMS 기법을 적용한 결과를 나타낸 그림이다. Sliding window의 간격은 결함 발생 시간과 Sampling frequency의 비를 이용하여 μs 단위로 설정하였으며, Burst 신호에는 잡음 진폭보다 높은 진폭이 분포되어 있어 탐색이 가능하다.

Fig. 6 
Envelope processing & moving RMS

추출하기 위한 임계값 기준은 포락처리된 전체 신호에 대한 RMS 값이며, 이동 RMS 결과에 적용하여 임계값 이상 영역을 탐색하였다. 전체 신호에 대한 RMS 값은 Burst 신호보다 잡음성분이 많은 비중을 차지하기 때문에 Burst 구간의 RMS 값보다 낮게 나타나게 된다. 즉 취득된 신호의 잡음에너지와 Peak 에너지의 비를 이용한 것이기 때문에 진폭의 크기와 상관없이 Burst 신호를 추출할 수 있게 된다. Fig. 7은 정상과 결함 데이터의 이동 RMS에 임계값 기준을 적용한 결과이며, Fig. 7(a)와 같이 정상 신호에서는 탐색이 되지 않고, Fig. 7(b)의 결함이 있는 신호의 경우에는 Burst 신호가 있는 영역에서 임계값 기준보다 높게 나타나게 된다.

Fig. 7 
Over threshold signals of moving RMS

지속시간을 고려하는 방법으로는 앞서 사용된 이동 RMS의 Sliding Window 간격을 ms 단위로 설정하였다. ms 간격은 μs 간격보다 잡음 성분이 많이 포함되기 때문에 다소 낮고 넓은 범위의 영역을 인식하게 된다. 이를 바탕으로 사용된 2가지 결과의 교차점을 탐색하여 Burst 신호를 추출하였다. Fig. 8은 전체적으로 수행되는 과정을 나타내었으며, 먼저 μs 단위의 Moving RMS에서 임계값의 기준이 넘는지 확인하고 교차되는 지점을 탐색하여 최종적으로 Burst 신호를 추출하게 된다.

Fig. 8 
Flow of extract burst signals

AE 신호 분석시 사용되는 특징은 최대 진폭, RMS, Count 수, 상승시간, 지속시간 등 진폭 크기 정보와 시간 정보와 관련된 값이다. 진폭의 크기와 관련된 특징은 진단 대상의 재질, 결함의 발생위치 및 크기에 따라 변화할 수 있어 결함 분류에 변별성이 없을 수 있다. 또한 추출된 Burst 신호의 길이는 결함의 특성에 따라 다르기 때문에 에너지 크기와 Burst 신호의 길이를 고려한 특징이 사용되어야 한다.

본 연구에서는 일관된 특징을 사용하기 위해서 에너지 관련된 특징과 시간 정보의 비를 통해 새로운 특징을 개발하였다. 추출된 Burst 신호의 전체 길이와 관련된 AE Parameter는 진폭과 지속시간 비를 이용하고 최대 진폭과 관련된 특징은 상승시간 비를 활용하였다. 또한 지수적으로 감쇠하는 신호의 형상적 특징을 이용하여 Envelope 신호처리를 수행한 후 지수, 2차 다항식 형태로 Fitting되는 계수 값을 특징화 하였다. 이를 통해 Burst 신호의 진폭의 크기와 추출된 길이가 고려된 특징 11개, 형상적 정보를 나타내는 특징 5개를 개발하였다.

이 외에도 사용된 특징은 Table 1의 진폭과 관련 없는 11개의 특징과 통계적 특징 및 주파수 특징을 이용하여 Table 2와 같이 총 35개의 특징을 사용하였다.

개발된 Burst 신호의 추출방법과 특징을 사용하여 특징기반 머신러닝에 적용하여 분류 가능성을 확인하였다. AE센서의 성능을 평가하는 방법 중 하나인 PLBT(Pencil Lead Break Test)를 수행하여 데이터를 취득하였으며, 측정에 사용된 센서는 PAC(Physical Acoustic Corporation)사의 Wide band형인 WDI-AST를 사용하였고, 사양과 취득 조건은 Table 3에 나타내었다. Table 4는 실험의 각 Case를 나타내었으며, 파단되는 심의 재질과 두께 차이가 있는 Case로 선정하였다. Fig. 9는 실험 방법을 나타낸 그림이며, 가진원과 부착된 AE센서의 거리는 40 mm, 일정한 각도를 구현하기 위해 지지대를 활용하여 심 파단을 수행하였다.

Fig. 9 
Experiment method of PLBT

Fig. 10의 좌측은 PLBT 실험에서 취득된 음향방출 신호의 10개의 샘플을 나타내었으며, 우측의 그림은 하나의 샘플을 나타낸 그림이다. 신호의 파형을 비교한 결과, 진폭 크기의 경우 Case 1, Case 2는 유사하였으나 Case 3의 경우 약 10배 정도 차이 나는 것으로 확인된다. 진폭 크기를 제외한 파형의 형상은 각 Case별 육안으로는 비교하기 어려운 것으로 확인된다.

Fig. 10 
AE signals of Each of PLBT

본 연구에서 개발한 Burst 신호 추출 방법을 적용한 결과를 Fig. 11에 나타내었다. Fig. 11(a)는 10개의 샘플에 대해 탐색한 결과를 나타낸 그림이며, 모두 탐색된 것으로 확인된다. Fig. 11(b)는 추출된 하나의 샘플을 나타낸 그림이며, 자동적으로 구간을 탐색하여 Burst 신호 길이만큼 추출된 것이 확인된다. 이 방법을 통해 별도의 임계값 기준 설정 없이 에너지 대 분포된 잡음 성분비를 이용하여 Burst 신호가 자동적으로 탐색이 가능한 것으로 확인된다.

Fig. 11 
Result of extract burst signal

취득된 PLBT 데이터를 이용하여 특징기반 머신러닝에 적용하여 분류를 수행하였다. 확보된 샘플에서 2/3은 SVM(Support Vector Machine) 모델 학습에 사용하였으며, 1/3은 학습된 모델의 평가로 활용하였다. 사용된 특징은 Table 2와 같이 총 35개이며, 정규화를 수행하여 편향된 특징을 최소화 하였다. 특징 선택 시에는 GA(Genetic Algorithm)를 활용하여 각 Case의 군집된 밀도와 Case 간의 평균 거리를 비로 나타내어 최소가 되는 특징 3가지를 선택하도록 하였다.¹⁰⁾ Fig. 12는 특징 공간을 구성하여 SVM을 통해 분류를 수행한 결과이다. 선택된 특징은 Decay angle, Exponential Coefficient, Root variance Frequency로 3가지 특징이며, 분류 성능 결과는 100%로 확인된다. Case 3의 경우에는 Case 1, 2보다 Decay angle과 Exponential Coefficient에서 낮은 값을 가지는 것으로 확인되며, Case 1, 2는 Case 3과 비해 다소 거리가 가까우나 각 상태 간의 군집된 정도가 높아 각 Case별 분류가 되는 것으로 나타난다.

Fig. 12 
Result of machine learning using developed method

본 연구에서 개발된 방법에 대해 추가적인 비교를 수행하기 위해 참고문헌의 데이터 구성 방법과 특징을 사용하여 비교를 수행하였다.⁶⁾ Burst 신호를 추출한 것이 아닌 일정 간격으로 분할하여 학습데이터를 구성하고, 본 논문에서 사용된 특징 이외의 통계적, 형상적 정보를 가지는 Time domain(19개), Entropy domain(4개), Frequency domain(7개) 총 30개의 특징을 이용하여 분류 결과를 Fig. 13에 나타내었다. 분류 성능 결과는 72.56%이며, Case 3은 군집된 정도가 다소 높게 나타나지만 앞선 결과와 달리 Case 1, 2는 각 상태에 대한 군집을 이루지 않고 서로 혼동되어 분류가 되지 않는 것으로 확인된다.

Fig. 13 
Result of machine learning using ref[6] method

이는 잡음 성분이 포함되고 AE 신호에 대한 특징이 반영되지 않았기 때문으로 사료된다.