뉴럴 네트워크를 이용한 배관 결함 진단장치{Pipeline Inspection using Neural Networks}
본 고안은 뉴럴 네트워크(Neural Network)를 이용한 배관 결함진단에 관한 것으로 더욱 상세히는, 배관 내부를 주행하는 MFL 피그를 통해 계측된 Axial, Radial 및 Circumferential의 3축 방향 데이터를 이용하여 뉴럴 네트워크를 사용하여 배관의 결함 형태를 정확히 진단할 수 있는 배관 결함 진단장치에 관한 것이다. 종래의 배관에 실시되는 결함 진단방법은 기계식에 핑거를 내장한 피그를 이용한 방법으로, 이와 관련하여 실용신안등록 제0241665호 '기계식 핑거'가 등록된 상태이다. 상기 등록고안은 배관 내부를 이동하면서 관 내부의 장애물유무 및 배관의 손상 부위 등을 직접 접촉하여 검사하는 기계식 핑거에 관한 것으로, 관 내부의 움푹 파인 곳이나 블록 튀어나온 곳의 위치/형태/크기 그리고 배관의 뒤틀림 여부를 검사할 수 있는 특징을 가지고 있으나, 배관 외부로부터 전파되는 크랙 및 부식에 의한 결함에 대해서는 전혀 진단을 행할 수 없다는 문제점이 있다. 또한, MFL 피그를 이용한 배관 결함 진단에 관한 것으로는 NDTE International 저널의 제 33권 531-545 페이지에 K. Hwang 등이 발표한 논문 'Characterization of gas pipeline inspection signal using wavelet basis function neural networks'가 게재되어 있다. 상기 게재된 논문에서는 MFL 피그로부터 계측된 Axial, Radial 및 Circumferential 데이터를 이용하여 웨이블렛 뉴럴 네트워크를 사용하여 배관 결함을 진단하는 것으로서, 웨이블렛 함수를 뉴럴 네트워크에 결합시킨 형태로 웨이블렛 뉴럴 네트워크를 구성하여 배관 결함을 진단하는 것을 특징으로 한다. 그러나 상기 진단방법은 4872개의 입력단 노드 및 3721개의 출력단의 노드의 구성으로 학습 및 진단에 대한 연산시간을 증가시키며, 웨이블렛 함수이용으로 구현의 어려움을 지니고 있다. 또한, 배관 결함의 진단 정밀도가 높아지는 추세에 비하여 정밀도가 상대적으로 낮다는 문제점을 가지고 있다.
본 고안의 목적은, 상기 문제점을 해결하기 위한 것으로, 배관 결함의 진단을 위해 뉴럴 네트워크를 구성하는 경우 최적의 입력단 노드 및 출력단 노드를 설계하여 배관의 결함 거리, 결함 폭 및 결함 깊이를 정확히 진단하며, 연산시간을 최소화 시키는 배관 결함 진단장치를 제공함에 있다.
도 1 은 본 고안에 따른 배관 결함을 진단하는 예시적인 뉴럴 네트워크 위상도. 도 2 는 본 고안에서 진단을 행하고자 하는 배관 결함을 나타내는 일예시도. 도 3 은 본 고안에서 배관결함에 대해 MFL 피그의 각 홀센서로부터 계측된 Axial, Radial 및 Circumferential축 방향의 자기력을 나타내는 그래프. 도 4 는 본 고안에 따른 배관 결함을 진단하는 뉴럴 네트워크 구성에 관한 일예시도. 도 5 는 본 고안에 따른 배관 결함을 진단하는 뉴럴 네트워크 구성에 관한 다른 일예시도. 도 6 는 본 고안에 따른 배관 결함을 진단하는 뉴럴 네트워크 구성에 관한 또 다른 일예시도. 도 7 은 본 고안의 배관 결함 진단 장치에 의해 진단된 결과를 나타내는 일예시도.
이하, 첨부된 도면에 의거하여 본 고안의 실시예를 상세하게 설명하면 다음과 같다. 도 1은 MFL 피그의 3방향 홀센서로부터 계측된 Axial, Radial 및 Circumferential 데이터를 바탕으로 구성된 뉴럴 네트워크를 이용한 배관의 결함 진단장치에 대한 예시적인 뉴럴 네트워크 위상도를 나타낸다. 이 실시예에서, 뉴럴 네트워크는 MFL 피그에서 계측된 센서로부터 재구성된 입력단(11)과; 상기 입력단(11)으로부터 입력되는 정보와 실제 배관의 결함 정보와의 비교를 통해 비교 오차가 발생되지 않도록 학습과정을 통해 배관 결함을 진단하는데 필요한 최적의 값을 산출하여 출력단(13)으로 보내는 은닉단(12)과; 상기 은닉단(12)에서 출력되는 값을 이용하여 정확하게 배관의 결함 상태를 진단하는 출력단(13)으로 구성한다. 도 2는 배관 내경이 727mm이며 배관 두께가 17.5mm를 대상으로 한 배관 결함의 일예시를 나타내고 있다. 여기서 배관 결함은 가로 152.4mm, 세로 50.8mm이며 결함 깊이는 3.5mm로서 배관두께의 20%이다. 도 3은 상기 도 2에서 보인 상기 배관 결함(20)에 대해 MFL 피그의 홀센서를 이용하여 계측한 데이터로서, 배관의 길이에 대해 Axial축 방향의 자기력과의 관계를 도시하는 XY 그래프(31), 상기 배관의 길이에 대해 Radial축 방향의 자기력과의 관계를 도시하는 XY 그래프(32) 및 상기 배관의 길이에 대해 Circumferential축 방향의 자기력과의 관계를 도시하는 XY 그래프(33)를 나타낸다. 도 4는 본 고안에서 제시하는 뉴럴 네트워크를 이용한 배관 결함 진단에 관한 일예로서, 입력단은 MFL 피그의 속도계로부터 계측된 피그 속도(41a), MFL 피그의 자이로센서 혹은 경사각 센서로부터 계측된 회전각(41b), MFL 피그의 홀센서로부터 계측된 Axial 데이터(31)의 중앙부분의 ▽형상(311)의 면적(41c), 상기 형상(311)의 가로길이(41d), 상기 형상(311)의 폭길이(41e), 상기 형상(311)의 가로길이(41d)와 상기 형상(311)의 폭길이(41e)로부터 계산된 상기 형상(311)의 직사각형 면적(41f), 상기 형상(311)의 깊이(41g)를 나타내며; 상기 입력단(41)의 노드에 접속되며 각각이 상기 입력 데이터를 가중시키는 계수를 갖는 제 1가중된 접속부(42); 상기 가중된 접속부(42)에 접속된 노드를 가지며, 상기 입력단(41)과 상기 출력단(45) 사이에 삽입된 은닉단(43); 상기 은닉단(43)의 노드 및 상기 출력단(45)의 노드(45a-45c)에 접속되며, 각각이 상기 은닉단(43)의 노드의 상기 출력을 가중시키는 계수를 갖는 제 2가중단 접속부(44)를 포함하며; 상기 출력단(45)의 노드(45a-45c)의 결과값에 의해 배관의 결함길이(45a), 결함폭(45b) 및 결함깊이(45c)를 진단하는 배관결함 진단장치를 나타낸다. 도 5는 상기 도 4에서 보인 배관결함 진단장치(40)의 입력단으로서 상기 배관 결함(20)에 대해 MFL 피그의 홀센서로부터 계측된 상기 Radial 데이터(32)에서 좌측부분의 △형상(321)의 높이, 상기 형상(321)의 가로길이, 상기 형상(321)의 폭길이, 상기 형상(321)의 면적, 상기 Radial 데이터(32)에서 우측부분의 ▽형상(322)에서의 깊이, 상기 형상(322)의 가로길이, 상기 형상(322)의 폭길이, 상기형상(322)의 면적, 상기 Radial 데이터(32)에서의 좌측부분 △형상(321)의 중심과 상기 데이터(32)에서의 우측부분 ▽형상(322)의 중심 사이의 거리를 포함하는 다른 형태의 뉴럴 네트워크를 이용한 배관결함 진단장치를 나타낸다. 도 6는 상기 도 5에서 보인 배관결함 진단장치(40)에 입력단으로서 상기 배관 결함(20)에 대해 MFL 피그의 홀센서로부터 계측된 상기 Circumferential 데이터(33)에서 좌측부분의 △형상(331)과 상기 좌측부분의 ▽형상(332)간의 중심거리, 상기 데이터(33)에서 좌측부분의 △형상(331)과 우측부분의 △형상(333)간의 중심거리, 상기 데이터(33)에서 좌측부분의 ▽형상(332)의 깊이, 상기 데이터(33)에서 우측부분의 △형상(333)의 높이를 포함하는 또 다른 형태의 뉴럴 네트워크를 이용한 배관결함 진단장치를 나타낸다. 도 7은 상기 도 4에서 제시한 배관결함 진단장치를 이용하여 10가지의 배관결함에 대해 진단을 행한 결과의 일예시를 나타낸다. 이상에서 설명한 본 고안은, 본 고안이 속하는 기술분야에서 통상의 지식을 가진 자에 있어 본 고안의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시예에 한정되는 것이 아니다.
상기와 같은 본 고안에 따르면, 배관에 크랙 및 부식으로 인한 결함이 발생하는 경우 뉴럴 네트워크를 사용함으로써, 결함 거리, 결함 폭, 결함 깊이를 정확히 진단할 수 있는 효과가 있다. |
