Search

KR-20260061780-A - APPARATUS AND METHOD FOR PREDICTING TENSILE STRAIN

KR20260061780AKR 20260061780 AKR20260061780 AKR 20260061780AKR-20260061780-A

Abstract

본 발명은 인장 변형 예측 장치 및 그 방법에 관한 것으로, 본 발명에 따른 인장 변형 예측 장치는 인장 변형 측정 대상에 인가된 전기적 신호의 응답을 입력받고, 상기 입력된 전기적 신호를 미리 학습된 인공지능 모델에 입력하고, 상기 인공지능 모델의 출력에 의해 인장 변형 측정 대상의 인장 변형을 예측함으로써 산업구조물이나 기계에 포함된 재료의 인정 변형 정도를 비파괴적인 방법으로 예측할 수 있고 그에 따라 산업구조물의 예측 수명을 파악함으로써 갑작스런 고장이나 시스템 중단을 막을 수 있는 효과가 있다.

Inventors

  • 강태엽
  • 김재훈
  • 신인규
  • 나우영
  • 전준혁
  • 박정훈

Assignees

  • 수원대학교산학협력단

Dates

Publication Date
20260506
Application Date
20241028

Claims (10)

  1. 하나 이상의 명령어를 포함하는 메모리; 및 상기 메모리에 저장된 하나 이상의 명령어를 실행하는 프로세서; 를 포함하되, 상기 프로세서는, 인장 변형 측정 대상에 인가된 전기적 신호의 응답을 입력받고, 상기 입력된 전기적 신호를 미리 학습된 인공지능 모델에 입력하고, 상기 인공지능 모델의 출력에 의해 인장 변형 측정 대상의 인장 변형을 예측하는 것을 특징으로 하는, 인장 변형 예측 장치.
  2. 제1항에 있어서, 상기 인공지능 모델은, 재료의 인장 변형 시험에 의해 획득한 전기적 신호에 의해 기계학습되는 것을 특징으로 하는, 인장 변형 예측 장치.
  3. 제2항에 있어서, 상기 재료의 인장 변형 시험은, 재료의 탄성 변형 구간, 소성 변형 구간 및 넥킹 이후 구간으로 나뉘어 이루어지는 것을 특징으로 하는, 인장 변형 예측 장치.
  4. 제1항에 있어서, 상기 전기적 신호는, Z(임피던스), Y(어드미턴스), PH(위상), Rdc(직류 저항), Rs(교류 임피던스), Rp(교류 임피던스), Cs(직렬 커패시턴스), Cp(병렬 커패시턴스), G(컨덕턴스), X(리액턴스), Ls(직렬 인덕턴스), Lp(병렬 인덕턴스), Q(품질 지수), B(서셉턴스) 및 D(손실 계수) 중 하나 이상을 포함하는 것을 특징으로 하는, 인장 변형 예측 장치.
  5. 제1항에 있어서, 상기 인공지능 모델은 회귀 모델인 것을 특징으로 하는, 인장 변형 예측 장치.
  6. 하나 이상의 프로세서 및 메모리를 포함하는 인장 변형 예측 장치에 의해 수행되는 인장 변형 예측 방법으로서: 인장 변형 측정 대상에 인가된 전기적 신호의 응답을 입력받는 단계; 상기 입력된 전기적 신호를 미리 학습된 인공지능 모델에 입력하는 단계; 및 상기 인공지능 모델의 출력에 의해 인장 변형 측정 대상의 인장 변형을 예측하는 단계; 를 포함하는 것을 특징으로 하는, 인장 변형 예측 방법.
  7. 제6항에 있어서, 상기 인공지능 모델의 기계학습 방법은, 재료의 인장 변형 시험에 의해 획득한 전기적 신호를 입력받는 단계; 및 상기 인장 변형 시험의 구간 별 전기적 신호에 의해 기계학습되는 단계; 를 포함하는 것을 특징으로 하는, 인장 변형 예측 방법.
  8. 제7항에 있어서, 상기 재료의 인장 변형 시험은, 재료의 탄성 변형 구간, 소성 변형 구간 및 넥킹 이후 구간으로 나뉘어 이루어지는 것을 특징으로 하는, 인장 변형 예측 방법.
  9. 제6항에 있어서, 상기 전기적 신호는, Z(임피던스), Y(어드미턴스), PH(위상), Rdc(직류 저항), Rs(직렬 교류 임피던스), Rp(병렬 교류 임피던스), Cs(직렬 커패시턴스), Cp(병렬 커패시턴스), G(컨덕턴스), X(리액턴스), Ls(직렬 인덕턴스), Lp(병렬 인덕턴스), Q(품질 지수), B(서셉턴스) 및 D(손실 계수) 중 하나 이상을 포함하는 것을 특징으로 하는, 인장 변형 예측 방법.
  10. 제6항에 있어서, 상기 인공지능 모델은 회귀 모델인 것을 특징으로 하는, 인장 변형 예측 방법.

Description

인장 변형 예측 장치 및 그 방법{APPARATUS AND METHOD FOR PREDICTING TENSILE STRAIN} 본 발명은 인장 변형을 예측하는 기술에 관한 것으로, 특히 전기적 신호 패턴과 인공지능을 이용하여 인장 변형을 예측하는 기술에 관한 것이다. 산업 발전에 따라 산업구조물이나 기계, 기구 등의 정밀성, 기능성, 효율성 및 내구성 또한 향상되고 있다. 하지만 산업구조물이나 기계를 이루는 재료는 시간이 지남에 따라 물리적, 화학적 특성이 변화하고 이는 산업구조물 등의 변형을 가져올 수 있다. 이러한 문제는 안전성에 직결되므로 산업구조물의 장기 사용에 따른 주기적 관리는 필수적이다. 산업구조물이나 기계, 기구류등에 사용된 강재가 외력이나 내력에 의해 인장력을 받으면 구조물의 수명을 단축할 뿐 아니라 붕괴를 초래할 수 있다. 인장 변형은 진행성 고장의 하나이기 때문에 관찰되지 않는다고 하더라도 진행중인 상태일 수 있으므로 연속적인 변형의 정도를 정량적으로 파악하는 것이 구조물 또는 강재의 신뢰성 운용 측면에서 매우 중요한 문제이다. 종래 기술은 이러한 산업구조물의 인장변형을 측정하기 위해 미리 센서를 설치해두거나 소재의 미세조직 파악을 위해 고가의 장비가 필요하기 때문에 실제 산업현장에서 적용하기 어려운 문제가 있다. 본 발명의 발명자들은 이러한 종래 기술의 인장 변형 측정 기술의 문제점들을 해결하기 위해 연구 노력해 왔다. 특정한 센서를 추가하지 않고도 구조물 또는 재료에서 측정한 전기적 패턴을 인공지능 모델을 이용하여 분석함으로써 재료의 변형 정도를 파악하고 인장 변형 위치를 파악함으로써 고장을 방지하고 유지보수 시기를 예측할 수 있는 인장 변형 예측 장치 및 그 방법을 완성하기 위해 많은 노력 끝에 본 발명을 완성하기에 이르렀다. 도 1은 본 발명의 바람직한 어느 실시예에 따른 인장 변형 예측 장치의 개략적인 구조도이다. 도 2는 본 발명의 바람직한 어느 실시예에 따른 전기적 신호를 측정하기 위한 시스템의 예를 나타낸다. 도 3은 본 발명의 바람직한 어느 실시예에 따른 인장 변형 예측 장치의 인공지능 모델 학습 방법의 개략적인 흐름도이다. 도 4 내지 도 8은 본 발명의 바람직한 어느 실시예에 따라 측정한 전기적 신호들의 한 예이다. 도 9는 본 발명의 바람직한 다른 실시예에 따른 인장 변형 예측 방법의 개략적인 흐름도이다. ※ 첨부된 도면은 본 발명의 기술사상에 대한 이해를 위하여 참조로서 예시된 것임을 밝히며, 그것에 의해 본 발명의 권리범위가 제한되지는 아니한다. 이하, 도면을 참조하여 본 발명의 다양한 실시예가 안내하는 본 발명의 구성과 그 구성으로부터 비롯되는 효과에 대해 살펴본다. 본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. '제1', '제2' 등의 용어는 다양한 구성요소를 설명하는데 사용될 수 있지만, 상기 구성요소는 위 용어에 의해 한정되어서는 안 된다. 위 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 수 있다. 예를 들어, 본 발명의 권리범위를 벗어나지 않으면서 '제1구성요소'는 '제2구성요소'로 명명될 수 있고, 유사하게 '제2구성요소'도 '제1구성요소'로 명명될 수 있다. 또한, 단수의 표현은 문맥상 명백하게 다르게 표현하지 않는 한, 복수의 표현을 포함한다. 본 발명의 실시예에서 사용되는 용어는 다르게 정의되지 않는 한, 해당 기술분야에서 통상의 지식을 가진 자에게 통상적으로 알려진 의미로 해석될 수 있다. 이하, 도면을 참조하여 본 발명의 다양한 실시예가 안내하는 본 발명의 구성과 그 구성으로부터 비롯되는 효과에 대해 살펴본다. 도 1은 본 발명의 바람직한 어느 실시예에 따른 인장 변형 예측 장치의 개략적인 구조도이다. 본 발명에 따른 인장 변형 예측 장치(100)는 하나 이상의 프로세서(110) 및 메모리(120)를 포함할 수 있다. 메모리(120)에는 프로세서(110)가 판독할 수 있는 명령어들, 데이터 구조, 및 프로그램 코드(program code)가 저장될 수 있다. 실시예들에서, 적어도 프로세서(110)가 수행하는 동작들은 메모리(120)에 저장된 프로그램의 명령어들 또는 코드들을 실행함으로써 구현될 수 있다. 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등)를 포함할 수 있으며, 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나를 포함하는 비 휘 발성 메모리 및 램(RAM, Random Access Memory) 또는 SRAM(Static Random Access Memory)과 같은 휘발성 메모리를 포함할 수 있다. 메모리(120)는 인장 변형 예측 장치(100)가 인장 변형 측정 대상 재료로부터 획득한 전기적 신호를 이용하여 인공지능 모델을 학습하고 이를 이용하여 인장 변형을 예측하기 위해 사용할 수 있는 하나 이상의 명령어(instruction) 또는 프로그램을 저장할 수 있다. 프로세서(110)는 인장 변형 예측 장치(100)의 전반적인 동작들을 제어하게 된다. 예를 들어, 프로세서(110)는 메모리(120)에 저장된 하나 이상의 명령어들을 실행함으로써 인장 변형 예측 장치(100)가 산업구조물이나 기계, 기구 등의 인장 변형 유무와 인장 변형 위치, 잔존 수명 등을 예측하기 위한 전반적인 동작을 제어할 수 있다. 프로세서(110)는 예들 들면, 중앙 처리 장치(Central Processing Unit), 마이크로 프로세서 (microprocessor), 그래픽 처리 장치(Graphic Processing Unit), ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 애플리케이션 프로세서 (Application Processor), 신경망 처리 장치(Neural Processing Unit) 또는 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계된 인공지능 전용 프로세서 중 적어도 하나로 구성될 수 있으나, 이에 한정되는 것은 아니다. 센서(130)는 결함 진단 대상의 전기적 신호를 측정하기 위해 사용된다. 도 2는 본 발명의 바람직한 어느 실시예에 따른 전기적 신호 측정 환경을 나타낸다. 전기적 신호를 측정하기 위해 인장 재료 시험기, 임피던스 분석기(Impedance Analyzer), PC, 멀티미터(multimeter), 프로브(probe)를 측정 장비로 구성할 수 있다. 인장 시험을 위한 재료는 미국 표준 규격인 ATSM에 기반하여 제작될 수 있다. 본 발명에서 전기적 신호 측정을 위해 E8-Sheet type의 시편이 사용되었으나 이로 한정되는 것은 아니다. 또한 다양한 재료에 대한 검증을 위해 알루미늄과 SS275를 사용할 수 있으나 이로 한정되는 것은 아니다. 인장 재료 시험기에 준비된 시편을 장착하여 스트레스를 인가하며 센서(130)에 의해 변화하는 전기적 신호를 획득할 수 있다. 예를 들면, 센서(130)는 RF 신호 패턴, 저항, 전류, 전압, 인덕턴스 또는 캐패시턴스 등의 전기적 신호 값을 측정하기 위한 센서일 수 있으나 이로 한정되는 것은 아니다. 센서(130)에 의해 측정한 전기적 신호들에 의해 프로세서(110)의 인공지능 모델을 학습하고, 학습된 인공지능 모델을 이용하여 재료의 인장 변형 정도를 예측할 수 있다. 프로세서(110)는 이를 위해 우선 전기적 신호에 의해 인공지능 모델을 학습한다. 도 3은 본 발명의 바람직한 어느 실시예에 따른 인장 변형 예측 장치의 인공지능 모델 학습 방법의 개략적인 흐름도이다. 먼저 전기적 신호를 측정하여 데이터를 수집한다(S310). 시험을 진행하면서 전기적 신호를 측정하면 측정하는 동안에도 변형이 진행되므로 측정 데이터에 오차가 발생할 수 있다. 따라서 데이터를 측정할 때 잠시 시험을 멈추는 과정이 필요한데 이러한 과정을 스텝이라고 한다. 스텝의 설정은 정확한 데이터 측정을 위해 필수적인 과정이다. 스텝 설정을 위해서는 재료의 최대 인장 변형률을 파악하고 이를 몇 개의 구간으로 나누는 것이 좋다. SS275의 경우는 최대 변형률이 29mm로 나타난다. 각 구간에 따라 스텝을 설정할 수 있는데, 데이터의 변화율이 적어서 변형이 적게 일어나는 구간은 스텝을 적게 설정하고, 반대로 변화율이 큰 구간은 스텝을 많이 설정함으로써 데이터의 정확도를 높일 수 있다. 예를 들면 재료의 최대 변형률을 세 개의 구간으로 나눌 수 있는데, 탄성 변형 구간, 넥킹 전까지의 소성 변형 구간, 넥킹 이후 구간으로 나눌 수 있다. 각 구간은 S-E 선도에서 균일한 데이터 측정을 위해 동일한 비율을 가진다. 예를 들면, 탄성 변형 구간은 변화율이 적기 때문에 2개의 스텝을 설정하고, 소성 변형 구간은 4개, 넥킹 이후 구간은 4개로 설정될 수 있다. 도 4는 본 발명의 바람직한 어느 실시예에 따른 인장 변형 예측 장치의 학습을 위해 측정된 전기적 신호의 예를 나타낸다. 도 4의 (a)는 위상각(PH) 그래프이고, 도 4의 (b)는 SS275의 S-E 선도를 나타낸다. S-E 선도는 설정된 스텝에 의해 불연속 구간이 나타나는 것을 확인할 수 있다. 전기적 신호의 측정은 임피던스 분석기를 사용할 수 있고, 측정시의 주파수는 5KHz~5MHz로 설정될 수 있다. 이 구간에서의 주파수 값은 801개일 수 있는데, 주파수 스윕을 진행하지 않는 이유는 주파수 구간에서 많은 데이터를 획득하여 데이터 값