초록 열기/닫기 버튼
본 논문에서는 관형 철탑의 용접부 결함을 상시적으로 감시하기 위하여 초음파 탐상 신호에 대한 기계학습 알고리즘의 적용 방법을 제시하고 분석하였다. 기계학습 방법으로는 유전자 알고리즘에 의한 특징 선택과 서포트 벡터 머신을 이용한 탐상 신호 분류 방법을 사용하였다. 특징 선택에서는 30개의 후보 특징들 가운데 피크, 히스토그램 하한 경계, 정규 음로그우도가 선택되었으며, 이들은 결함의 깊이에 따른 신호의 차이를 명확하게 나타내었다. 또한, 선택된 특징들을 서포트 벡터 머신에 적용한 결과 정상 부위와 결함 부위를 완벽하게 분류할 수 있는 것으로 나타났다. 따라서 본 연구의 결과는 향후 초음파 신호 기반 결함 성장 조기 감지시스템의 개발과 이를 통한 에너지 송전 관련 산업에 유용하게 사용될 수 있을 것으로 기대된다.
In this paper, we present and analyze a method of applying a machine learning to ultrasonic test signals for constant monitoring of the welding faults in a tubular steel tower. For the machine learning, feature selection based on genetic algorithm and fault signal classification using a support vector machine have been used. In the feature selection, the peak value, histogram lower bound, and normal negative log-likelihood from 30 features are selected. Those features clearly indicate the difference of signals according to the depth of faults. In addition, as a result of applying the selected features to the support vector machine, it has been possible to perfectly distinguish between the regions with and without faults. Hence, it is expected that the results of this study will be useful in the development of an early detection system for fault growth based on ultrasonic signals and in the energy transmission related industries in the future.
키워드열기/닫기 버튼
Tubular steel tower, Fault diagnosis, Ultrasonic, Machine learning, Feature analysis
