[논문 리뷰] Neural Network and Particle Filtering: A Hybrid Framework for Crack Propagation Prediction

Seyed Fouad Karimian, Ramin Moradi외 1명|arXiv (Cornell University)|2019. 01. 01.

Non-Destructive Testing Techniques참고 문헌 32인용 수 4

한 줄 요약

이 논문은 초음파 Lamb 파면 신호를 이용하여 확률적 균열 길이 추정과 잔여 수명(RUL) 예측을 위한 하이브리드 신경망-입자 필터(NN-PF) 프레임워크를 제안한다. 이 방법은 물리 기반의 Paris 법칙 모델링과 데이터 기반 신경망 특징 추출, 베이지안 입자 필터링을 융합하여 불확실성을 감소시키며, 랩-시어 알루미늄 합금 피로 시험 케이스에서 이전의 순수 데이터 기반 방법 대비 22%의 예측 불확실성 감소를 달성한다.

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.

연구 동기 및 목표

• 구조 부품의 피로 균열 길이 추정 및 RUL 예측의 불확실성을 줄이기 위해.
• 물리 기반의 균열 메커니즘(Peiris 법칙)을 데이터 기반 기계학습(신경망)과 베이지안 추론(입자 필터링)과 통합하기 위해.
• 제한된 기하학적 및 재료 정보를 활용하면서도 초음파 신호 특징을 활용해 실시간 건강 모니터링을 위한 강건한 확률적 프레임워크를 개발하기 위해.
• 순수하게 데이터 기반 또는 물리 기반 접근 방식만을 사용하는 것보다 예측 정확도와 불확실성 정량화를 향상시키기 위해.

제안 방법

• 피로 시험에서 확보한 초음파 Lamb 파면 신호를 사전 처리 및 노이즈 제거하여 시간 도메인 특징을 추출한다.
• 균열 길이에 민감한 특징 기반으로 네 가지 핵심 특징(특히 신호 정보 엔트로피)을 선정하며, 두 개의 시간 창(시간 도래 지연 포함)을 사용해 특징 추출을 수행한다.
• 추출된 특징을 초기 균열 길이 추정치로 매핑하기 위해 전방향 신경망을 학습시킨다.
• Paris 법칙은 입자 필터링의 이동 함수로 사용되며, 그 매개변수는 이력 시험 데이터로부터 추정된다.
• 신경망 출력 결과가 관측치로 사용되어 입자 필터를 업데이트하고, 베이지안 업데이트를 통해 균열 길이 예측을 정밀화한다.
• 프레임워크는 불확실성 하에 균열 길이의 사후 분포를 나타내기 위해 입자 가중치를 동적으로 조정하고 입자 재표본을 수행한다.

실험 결과

연구 질문

• RQ1 재료 및 기하학적 세부 정보가 제한된 조건에서 하이브리드 NN-PF 프레임워크가 균열 길이 추정의 불확실성을 효과적으로 감소시킬 수 있는가?
• RQ2 특히 정보 엔트로피와 시간 도래 지연과 같은 특정 초음파 신호 특징이 균열 길이와 어떻게 상관관계가 있는가?
• RQ3 물리 기반 모델(Peiris 법칙)과 데이터 기반 신경망을 융합할 경우 순수 데이터 기반 방법에 비해 예측 정확도가 얼마나 향상되는가?
• RQ4 입자 필터의 베이지안 업데이트 메커니즘이 변동 하중 조건 하에서 RUL 예측을 어떻게 향상시키는가?

주요 결과

• 제안된 NN-PF 프레임워크는 기하학적 및 재료 정보가 제한된 상태에서도 He et al. [4]에 비해 Test 7에서 22%의 예측 불확실성 감소를 달성하였다.
• 변동 하중 조건이 적용된 Test 8에서는 동일한 기준 대비 4%의 불확실성 감소를 기록하여 복잡한 하중 조건 하에서도 강건성을 입증하였다.
• 신호 정보 엔트로피는 이전에 이 분야에서 사용된 바 없었으며, 균열 길이 추정에 대해 새로운 민감도 특징으로 확인되었다.
• 시간 도래 지연에 의해 지연된 두 번째 시간 창이 손상 정량화에 가장 높은 민감도를 보였다.
• 프레임워크는 물리 기반의 고갈 모델링(Peiris 법칙)과 데이터 기반 특징 학습, 베이지안 추론을 성공적으로 융합하여 예측 신뢰도를 향상시켰다.
• 시험편의 기하학적 및 재료 지식이 불완전한 상태에서도 하이브리드 모델이 순수 데이터 기반 모델과 비교해 성능이 유사하거나 뛰어나다는 것을 입증하였다.