[論文レビュー] Neural Network and Particle Filtering: A Hybrid Framework for Crack Propagation Prediction

Seyed Fouad Karimian, Ramin Moradi+1 more|arXiv (Cornell University)|Jan 1, 2019

Non-Destructive Testing Techniques参考文献 32被引用数 4

ひとこと要約

本稿では、超音波ラム波信号を用いた破壊性疲労試験に基づき、確率的亀裂長推定および残存耐用年数（RUL）予測を目的として、ニューラルネットワークとパーティクルフィルタを融合したハイブリッドNN-PFフレームワークを提案する。この手法は、物理ベースのパリス則モデリングとデータ駆動型ニューラルネットワーク特徴抽出、およびベイズ的パーティクルフィルタリングを組み合わせることで不確実性を低減し、ラップシアー構造のアルミ合金疲労試験において、従来のデータのみに依存する手法と比較して22%の不確実性低減を達成した。

ABSTRACT

Crack detection, length estimation, and Remaining Useful Life (RUL) prediction are among the most studied topics in reliability engineering. Several research efforts have studied physics of failure (PoF) of different materials, along with data-driven approaches as an alternative to the traditional PoF studies. To bridge the gap between these two techniques, we propose a novel hybrid framework for fatigue crack length estimation and prediction. Physics-based modeling is performed on the fracture mechanics degradation data by estimating parameters of the Paris Law, including the associated uncertainties. Crack length estimations are inferred by feeding manually extracted features from ultrasonic signals to a Neural Network (NN). The crack length prediction is then performed using the Particle Filter (PF) approach, which takes the Paris Law as a move function and uses the NN's output as observation to update the crack growth path. This hybrid framework combines machine learning, physics-based modeling, and Bayesian updating with promising results.

研究の動機と目的

• 構造部材の疲労亀裂長推定およびRUL予測における不確実性を低減すること。
• 物理ベースの破壊メカニクス（パリス則）とデータ駆動型機械学習（ニューラルネットワーク）およびベイズ推論（パーティクルフィルタリング）を統合すること。
• 限られた幾何形状および材料情報を利用しつつ、超音波信号特徴を活用したリアルタイム健全性モニタリングを実現する、頑健で確率的なフレームワークを開発すること。
• 完全にデータ駆動型または物理ベースの手法に依存するものと比較して、予測精度および不確実性の定量化を向上させること。

提案手法

• 疲労試験からの超音波ラム波信号を前処理およびノイズ除去し、時間領域特徴を抽出する。
• 亀裂長に感受性が高いという観点から、特に信号の情報エントロピーを含む4つの主要特徴を選定し、2つの時間窓（時間遅延を含む）を用いて特徴抽出を行う。
• 抽出された特徴を初期亀裂長推定値にマッピングするための順方向ニューラルネットワークを学習させる。
• パーティクルフィルタリングにおける移動関数としてパリス則を用い、そのパラメータは歴史的試験データから推定する。
• ニューラルネットワークの出力を観測値として用い、ベイズ更新によりパーティクルフィルタを更新することで、亀裂長予測を精緻化する。
• フレームワークは、不確実性下での亀裂長の事後分布を表現するために、動的にパーティクルの重みを調整し、再サンプリングを行う。

実験結果

リサーチクエスチョン

• RQ1 材料および幾何形状の詳細が限られた状況下でも、ハイブリッドNN-PFフレームワークが亀裂長推定における不確実性を効果的に低減できるか。
• RQ2 特に情報エントロピーおよび時間遅延（時間飛行遅延）を含む特定の超音波信号特徴が、亀裂長とどのように相関するか。
• RQ3 物理ベースのモデル（パリス則）とデータ駆動型ニューラルネットワークを組み合わせることで、完全にデータ駆動型の手法と比較して、予測精度がどの程度向上するか。
• RQ4 パーティクルフィルタのベイズ更新メカニズムが、変動する応力レベルの荷重条件下でRUL予測をどのように向上させるか。

主な発見

• Test 7において、本稿で提案するNN-PFフレームワークは、幾何形状および材料に関する情報が限られた状況下でも、He et al. [4]と比較して22%の不確実性低減を達成した。
• 変動応力荷重を伴うTest 8では、同じ基準となるベースラインと比較して4%の不確実性低減を達成し、複雑な荷重条件下でも高いロバスト性を示した。
• 信号情報エントロピーは、亀裂長推定において新規かつ感受性の高い特徴であることが同定され、本研究分野ではこれまでに使用されていなかった。
• 第2の時間窓（励起信号からの時間飛行遅延を伴うもの）が、損傷の定量的評価において最も感受性が高かった。
• 本フレームワークは、物理ベースの劣化モデリング（パリス則）とデータ駆動型特徴学習、およびベイズ推論を効果的に統合し、予測の信頼性を向上させた。
• 試料の幾何形状および材料に関する知識が不完全であっても、本ハイブリッドモデルは、完全にデータ駆動型のモデルと同等またはそれ以上の性能を達成した。