渦電流自動辨識技術

 

刊登日期:2024/2/5
  • 字級

林佑儒 / 工研院材化所
 
本報告闡述一套基於「卷積神經網路廣用型自動化AI渦電流訊號研判技術」,能夠模擬人類認知辨識渦電流檢測訊號,且擁有快速研判能力。本技術是以卷積神經網路為架構基底,因此同時具有影像式數據以及數據式數據研判能力。當渦電流訊號有差異時,其訊號變化會呈現於特徵矩陣中,透過本計畫提出之特徵矩陣排列方式,每個瑕疵將對應該瑕疵形態特徵,再以特徵相似度擬合,即可推估渦電流訊號之對應型態。本技術架構彙整人類高檢師研判結果,將研判結果進行標籤作業,藉此讓AI學習高檢師研判特徵。再者,利用渦電流檢測特性,取出頻率、探頭型式、混波等訊號建構特徵矩陣,相較單以振幅狀態評估訊號型態之研判方式,本方法擁有較佳辨識能力。本文詳細說明廣用型AI渦電流研判技術,並由此提出影像式訊號辨識法適用於Zetec系統,數據型式訊號辨識法適用於Eddyfi、Olympus系統。最後透過實際場域驗證,確認本技術確實擁有高效率、高精確度的能力。
 
【內文精選】
技術原理
在卷積神經網路發明後,由於其採用權值共享的方式進行,可以有效減少權值數量,對大規模數據處理效率相當高,因此針對辨識應用,卷積神經網路模型即被廣泛研究應用。根據前述構想說明,本文AI訓練模型輸入訊號主要為渦電流檢測訊號,模型將以CNN為主,優點是在演算上,可避免顯式的特徵抽取,而採用隱式地從訓練資料中獲取特徵,再加上同一特徵映射面上的神經元權值相同,所以存在網路可以平行學習等優勢。目前典型的CNN網路通常帶有完整的卷積層、池化層、全連接層的神經網路,如圖二所示。透過卷積核與步伐設定生成特徵圖(Feature Map),再經由另一層卷積層生成新的Feature Map,後續以一層池化層做池化動作。這些過程主要目的在於特徵提取,亦即將一高維向量映射至低維向量的過程,藉此提供一刺激能力,而此量化手段是藉由數據訓練得到的。在得到渦電流檢測數據後,由於我們已知量測結果與特徵資訊,利用監督式法與獨熱編碼程序(One-hot Encoding)可說明數據的關係性,再透過交叉熵(Cross Entropy)演算法,將AI系統權重往減小熵差的方向進行,最後透過訓練不斷調整眾多權值大小,進而獲得系統特性模型關係係數,並可用於實際瑕疵辨識。
 
圖二、卷積神經網路運作示意圖
圖二、卷積神經網路運作示意圖
 
技術架構
2. 技術運作流程
(1) 影像型態訊號運作流程
在影像學習方面,主要採用卷積神經網路(CNN)進行學習。其結構為第一卷積層,有3 × 3大小的濾鏡內核,並使用16個內核;接續為第一池化層,主要將卷積圖片大小進行縮減一半的處理;接著進行第二卷積層,使用一樣大小的濾鏡內核,共32個,並搭配第二池化層處理,之後再加入第三卷積層與第三池化層;最後建立平坦層將二維卷積圖片轉換成一維向量,並建立隱藏層與輸出層。其中,為了避免過擬合現象,系統建構拋棄層,其比例為30%。
 
(2) 數據型態訊號運作流程
在數據學習方面,採用VGG深層卷積神經網路模型,其結構為卷積神經網路層+全連接層,卷積層有5個部分,即「數據模型與訊號處理」一節中呈現的Con1~Con5,透過層數刪減,最後保留Con1~Con3。
 
另一方面,再測試1D CNN卷積神經網路模型。其結構第一層定義大小為12的內核,並使用160個內核,此作為可在網路的第一層上訓練160個不同的特徵,第一層卷積層的輸出是89 × 160神經元矩陣。第二層卷積層來自第一個CNN的結果,送入第二個CNN層,並使用120個不同的過濾器,以便在此級別上進行訓練,遵循第一層相同邏輯,輸出矩陣的大小為80 × 100。第三和第四1D CNN層,遵循一序列的1D CNN層以便學習更高階特徵,最後層的輸出矩陣是68 × 64矩陣。
 
測試結果與討論
3. 現場數據實測
最後,為了真實驗證系統能力,本研究團隊與業者合作,進行系統實測,並對照管內超音波系統(Internal Rotary Inspection System),評估檢測準確度。在一次大修期間,業者提供約5,000支渦電流管件人工研判資料,再由5,000支管件中抽取194支進行超音波驗證,其研判準確度如圖十八所示,從圖中可以發現,自動研判系統擁有與檢測師相同研判水準 ---以上為部分節錄資料,完整內容請見下方附檔。
 
圖十八、系統與研判師混淆矩陣圖
圖十八、系統與研判師混淆矩陣圖
 
★本文節錄自《工業材料雜誌》446期,更多資料請見下方附檔。

分享