합성신호 데이터와 딥러닝 모델을 이용한 음향방출 검사 방법에 관한 연구

Abstract

음향방출(Acoustic Emission, AE) 검사 기술은 배관, 다리, 항공기, 선박 등 다양한 구조물의 안전과 지속 가능성을 확보하는 데 널리 사용되고 있다. 그러나 기존의 AE 검사 방법들은 환경 요인에 따른 성능 제한과 사용자 경험에 기반한 환경 변수 조정이 필요한 문제로 인한 한계가 있다. 이러한 한계를 극복하기 위해 합성 신호 데이터를 활용한 딥러닝 기반 AE 임펄스 신호 검출 방법에 대한 연구를 수행했으며, 이를 통해 기존 방법들의 문제점을 개선할 수 있는 새로운 접근 방식을 제안한다. 먼저, 본 연구에서는 다양한 환경 조건을 시뮬레이션하는 AE 합성신호 데이터 생성 모델을 개발하였다. 이 모델은 다양한 환경 조건에서 발생할 수 있는 음향방출 특징을 고려하여 합성 데이터를 생성함으로써 딥러닝 알고리즘의 학습에 활용할 수 있는 풍부한 데이터를 제공한다. 생성된 데이터를 바탕으로 딥러닝 기반 AE 임펄스 신호 검출 모델을 학습시키는 과정에서는 다양한 네트워크 구조와 학습 기법들을 실험하고 비교하였다. 최적의 구조와 기법을 찾아내어 높은 성능과 안정성을 달성한 모델을 구축하였다. 학습된 모델을 활용해 실제 배관 검사에 적용하여 효용성을 검증하는 단계에서는, 기존의 고정식 임계치 기반 방법 및 AE 버스트 모니터링(Acoustic Emission Burst Monitoring, ABM) 방법과 비교하여 배관 검사 성능을 평가하였다. 결과적으로 제안된 방법은 기존 방법들에 비해 준수한 검사 성능을 보였고, 기존 방법에서 발생하는 여러 문제점을 개선하였다. 딥러닝 알고리즘의 활용으로 인해 매개변수가 없어짐으로써 환경 변수 조정에 대한 의존성이 줄어들었으며, 다양한 환경에서 보다 정확한 임펄스 신호 검출이 가능해졌다. 또한, 딥러닝 기반 방법은 기존 방법들보다 노이즈가 많은 환경에서도 적응적이며 안정적인 성능을 보였다. 연구의 결과를 실제 산업 현장에 적용할 경우, 구조물의 안전과 지속 가능성에 대한 평가를 더욱 정교하게 수행할 수 있을 것으로 기대된다. 이를 통해 구조물의 유지보수 비용과 시간을 절감하고, 안전 사고의 위험을 감소시킬 수 있을 것이다. 결론적으로, 본 연구는 합성 신호 데이터를 활용한 딥러닝 기반 음향방출 임펄스 신호 탐지 방법을 제안하여 기존의 검사 방법의 한계를 극복하고, 구조물의 안전과 지속 가능성을 향상시키는 데 기여할 것으로 기대된다. 이러한 접근 방식은 AE 검사 기술의 발전과 다양한 분야에 적용할 수 있는 토대를 마련해 줄 것이다.|Acoustic Emission(AE) inspection technology is widely used to ensure the safety and sustainability of various structures such as pipelines, bridges, aircraft, and ships. However, existing AE inspection methods have limitations due to performance restrictions based on environmental factors and the need for user experience-based environmental variable adjustments. To overcome these limitations, this study investigates a deep learning-based AE impulse signal detection method using synthetic signal data, proposing a new approach that addresses the issues with existing methods. First, an AE synthetic signal data generation model that simulates various environmental conditions was developed. This model generates synthetic data considering the acoustic emission features that can occur under different conditions, providing rich data for deep learning algorithm training. During the training process of the deep learning-based AE impulse signal detection model, various network structures and deep learning techniques were experimented. In the stage of verifying the utility of the trained model by applying it to actual pipeline inspections, the performance of the proposed method was evaluated in comparison with existing static threshold based method and Acoustic Emission Burst Monitoring(ABM) method. The proposed method demonstrated satisfactory inspection performance and improved several issues that arose with existing methods. By utilizing deep learning algorithms, the dependence on environmental variable adjustments was reduced due to the absence of parameters, allowing for more accurate impulse signal detection in various environments. Furthermore, the deep learning-based method showed adaptive and stable performance even in noisy environments compared to existing methods. In conclusion, this study proposes a deep learning-based acoustic emission impulse signal detection method using synthetic signal data, overcoming the limitations of existing inspection methods and contributing to improving the safety and sustainability of structures. This approach is expected to lay the groundwork for the development and application of AE inspection technology in various fields.