Machine Translated by Google Disponível online em www.sciencedirect.

com

ScienceDirect
Detecção e reconhecimentoDocumentos
de defeitos
da IFAC OnLineem juntas
54-1 (2021) 484–489rebitadas de aviação usando ultra-
som Detecção e reconhecimento de defeitos em juntas rebitadas de aviação usando
ultra-som
usando ultra-som
DetecçãoDetecção
e aviação
reconhecimento
e usando
reconhecimento de defeitos
sinais dede eco defeitos
em juntas
emrebitadas
juntas
ultra-sônicos rebitadas
de aviação
de sinais não de
destrutivos Teste
Detecção e reconhecimento deeco
sinais de defeitos em juntas
ultrassônicos derebitadas de destrutivos
testes não aviação usando
Sinais de
Detecção e reconhecimento deecoeco
defeitosde testesem juntasnão destrutivos
rebitadas de destrutivos
aviação usando
sinais de ultrassônicos de testes não
Sinais de
Olegeco de testes
S. Amosov*. Svetlananão destrutivos
G. Amosova**
Oleg S. Amosov*. Svetlana
Ilya O. G. Amosova**
Iochkov***
Oleg S. Amosov*. Svetlana G. Amosova**
Ilya O. Iochkov***
Oleg S. Amosov*. Svetlana G. Amosova**
Ilya O. Iochkov***
*Instituto VA Trapeznikov de Oleg
Ciências de Ilya
S. Amosov*. O.
Controle Iochkov***
Svetlana G. Amosova**
da Academia Russa de Ciências, Moscou,
*Instituto VA Trapeznikov
Rússia de Ciências de Ilya
Controle
(Tel:8-985-355-7178; da Academia
O. e-mail:
Iochkov*** Russa de Ciências, Moscou,
osa18@yandex.ru).
*Instituto VA Trapeznikov de Ciências de Controle da Academia Russa de Ciências, Moscou,
Rússiade
*Instituto VA Trapeznikov
**Instituto (Tel:8-985-355-7178;
Ciências de Controle e-mail: osa18@yandex.ru).
da Academia Russa de Ciências, Moscou,
Rússia (Tel:8-985-355-7178; e-mail: osa18@yandex.ru).
**Instituto VA Trapeznikov de
Rússiade Ciências de Controle
(Tel:8-985-355-7178;
Rússia (e-mail: da Academia
e-mail: Russa de Ciências, Moscou,
osa18@yandex.ru).
amosovasg@yandex.ru)
**Instituto VA Trapeznikov de Ciências de Controle da Academia Russa
*Instituto VA Trapeznikov Ciências de Controle da Academia Russa dede Ciências,
Ciências, Moscou,
Moscou,
**Instituto VA Trapeznikov Rússia (e-mail: amosovasg@yandex.ru)
Rússiade
*** Universidade Ciências
estadual de de Controle da Academia
Komsomolsk-on-Amur,
(Tel:8-985-355-7178; e-mail: Russa de Ciências, Moscou,
Komsomolsk-on-Amur,
osa18@yandex.ru).
Rússia (e-mail: amosovasg@yandex.ru) Rússia,
*** Universidade estadual
Rússia de Komsomolsk-on-Amur,
(e-mail:
(e-mail: Komsomolsk-on-Amur, Rússia,
amosovasg@yandex.ru)
iochkov07@yandex.ru)}
**Instituto VA Trapeznikov de Ciências de Controle da Academia Russa de Ciências,
*** Universidade estadual de Komsomolsk-on-Amur, Komsomolsk-on-Amur, Rússia, Moscou,
*** Universidade estadual (e-mail:
de iochkov07@yandex.ru)}
Komsomolsk-on-Amur, Komsomolsk-on-Amur, Rússia,
Rússia (e-mail:
(e-mail: amosovasg@yandex.ru)
iochkov07@yandex.ru)}
(e-mail: iochkov07@yandex.ru)}
*** Universidade estadual de Komsomolsk-on-Amur, Komsomolsk-on-Amur, Rússia,
Resumo: A declaração do problema de detecção e reconhecimento de defeitos em juntas rebitadas de aviação é (e-mail:
iochkov07@yandex.ru)}
Resumo:
A solução Apresenta-
é proposta se o ser
para enunciado do problema
implementada usando deuma
detecção e reconhecimento deumdefeitos em juntas rebitadas Ade aviação.
é propostade
problema para
detecção
ser implementada
e reconhecimento
usandodeuma um rede
defeito emrede
neural neural
rebites
profunda profunda
é considerado.
com um LSTMcom
dado. LSTM
recorrente
A soluçãorecorrente
. Um . dado.
é proposta
exemplo de
para solução
solução
ser do
implementada
usando uma
reconhecimento usando
rede neural
de um uma rede
profunda
defeito neural
com
em rebitesprofunda
uma com
camada um
LSTM
é considerado. LSTM recorrente
recorrente.
dado. Um
A solução dado.
exemploA
é proposta solução
de é
solução
paraUm
ser proposta
do para
problema
implementada ser
de implementada
detecção
usando uma e
rede
96,25%
neural
paraprofunda
quatro classes
com um. reconhecimento
LSTM recorrente em
A precisão
juntas rebitadas
do resultado
de aviação
obtido énacamada.
simulação foi
exemplo
de 100% depara
solução
duasdoclasses
problema
e
de detecção
detecção e reconhecimento
e reconhecimento de um
de um defeito
defeito emem rebites
rebites é considerado. camada. Um exemplo de solução do problema de
é considerado.
A precisão doexemplo
classes. resultado deobtido nado
simulação foidededetecção
100% para a camada Mostra-se
de duas classes e 96,25% paraéoAaconsiderado.
camada de A quatro
solução éUm
reconhecimento
resultado
simulação foi de por
proposta
obtido na sinais
100para
solução
ser
simulação
% para duas
foi de
problema
deimplementada
eco de um detector
classes
100% usando
epara
96,25% de
duas falhas
uma
pararede
classes
e reconhecimento
ultrassônico.
neural
reconhecimento
e 96,25%profunda
para
de um
com
dequatro
quatro que
um defeito
classes
classes
em
é possível
LSTM rebites
usar
recorrente
Aporprecisão
sinais de
do fractal
precisão
eco dedado.
resultado do
um obtido
detectorna
de
parafalhas ultrassônico.de
as propriedades
defeitos. Mostra-se
duas que éepossível
classes 96,25%deutilizar
para o fractal
quatro A precisão
classes do sinal doderesultado
eco de obtido não
ensaio na simulação
destrutivo foi
aode 100%
detectar
camada.
reconhecimento
fractal Um exemplo
por sinais por de eco de
sinais solução
dede umeco do problema
detector
de umde detector detecção
falhas ultrassônico. e reconhecimento
de falhas ultrassônico.
Mostra-seMostra-se de um
que é possível defeito
que éusar em
possível rebites
as propriedades é considerado.
usar o reconhecimento
fractais do sinal
de eco de teste não
reconhecimento porna destrutivo
sinais ao detectar
de eco deEste
um100% defeitos.
detector deasfalhas ultrassônico. Mostra-se
do resultado
Copyright
propriedades
de eco ©obtido
de ensaiodo2021nãoOs
sinal simulação
de Autores.
destrutivo
eco de aofoi
teste de para
não édestrutivo
detectar um artigo
defeitos. aopropriedades
de acesso
detectar de duas
aberto
defeitos. classes
sob a que
licença é possível
e 96,25% CC para utilizar
quatroo classes
BY-NC- fractal Ado precisão
sinal
Palavras-chave:
ultrassônicas detecção,
do por
sinalsinais
de eco reconhecimento de padrões, rede neural profunda, defeito, teste não destrutivo, propriedades
ND de do
ecoteste nãodetector
(http://creativecommons.org/licenses/by-nc-nd/4.0)
reconhecimento de um destrutivode ao detectar
falhas defeitos.
ultrassônico. Mostra-se que é possível utilizar o fractal Palavras-
chave:
de eco,detecção,
junta reconhecimento
de rebite, propriedade defractal.
padrões, rede neural profunda, defeito, ensaio não destrutivo, método ultrassônico, sinal
Palavras- chave : detecção, reconhecimento de padrões, rede neural profunda, defeito, teste não destrutivo, ultrassônico .
método, sinal de eco, junta
Palavras-chave: detecção, reconhecimentode rebite, propriedade fractal.rede neural profunda, defeito, ensaio não destrutivo, método
de padrões,
ultrassônico,
método, sinalsinal
de eco,de eco,
juntajunta
de rebite,
de rebite,
propriedade
propriedadefractal.
fractal.
método, sinal de eco, junta de rebite,
Palavras-chave: detecção, reconhecimento de padrões, propriedade fractal.rede neural profunda, defeito, testes não destrutivos, arquitetura de
rede ultrassônica e uma grande amostra de treinamento com método de
sinal, sinal de 1. INTRODUÇÃO
eco, junta de rebite, propriedade fractal. arquitetura
de sinal. de rede e uma grande amostra de treinamento com amostras
1. INTRODUÇÃO de
arquitetura
rede de de sinal
redee umae uma grande
grande amostra
amostra de de treinamento
treinamento com comamostras
arquiteturade
1. INTRODUÇÃO sinal.
arquitetura de rede e uma grande amostra de treinamento com sinal
Articulações defeituosas na estrutura aparecem em aeronaves em operação, amostras. amostras.
Em (Lingvall, 2000), extrair feições e classificar trincas 1. INTRODUÇÃO
Juntas
o defeituosas
que representa umnasério
estrutura
perigoaparecem
para a vida emhumana
aeronaves e a em operação,
ameaça de In amostras.
aeronaves operacionais, localizadas na segunda camada inferior das juntas (Lingvall,
arquitetura
2000), para
sobrepostas da
de rede
umaextrair
e uma
1. características
grande amostra
INTRODUÇÃO e classificar
de treinamento
rachaduras comna sinal. em
que representa um sério perigo para a vida humana
aeronaves. Os mais vulneráveis são os produtos de rebite. Juntas e a ameaça dedefeituosas
In (Lingvall, 2000),
na2000), para
para
estrutura extrair
extrair
aparecem características
características
em aeronaves e classificar
e classificar
em rachaduras
operação,rachaduras destruição
amostras. In (Lingvall,de
representausado
parasitas um sériotransformada
perigo para wavelet,
a vida o humana
In (Lingvall,
e cuja2000),
ameaça pararepresenta localizado
extrair características
um inferior
sério perigo
vulneráveis
das na segunda
e classificar
para
são
juntas camada
osasobrepostas
vidarachaduras
produtos humana inferior
de de ena das
a destruição
rebite
um ameaça juntas
localizados
localizado dede sobrepostas
avião,
na
na aeronaves.
teste de
segunda
segunda de
Os um
correntes
camada
camada mais que
inferior das
aeronaves
análise de juntas sobrepostas
operacionais,
componentes de uma
destruição
principais de
dos nacela, onde
aeronaves.
produtos de Os seus
mais
rebite defeitos
e sãoneural
vulneráveis
uma rede causados
são ostransformada
humana
de por vibração.
produtos
duas eade ameaça
wavelet,
rebite
camadas. Para de oasavião,
que
destruição
localizado juntas
representa
na teste
de defeituosas
de correntes
um
aeronaves.
segunda sério
camadanaOs estrutura
perigo
parasitas
mais
inferior para
aparecem
usado
ajuntas
vulneráveis
das vidasãoem
de a
trincasdedacorrente
nacela,são
teste vulneráveis
mais onde
parasitaseus
a análise
usoudefeitos
de são causados
a transformada
componentes por vibração.
wavelet,
principais para Paraos
dosdetectar
produtos ode
avião, sobreposição
defeitos,
rebite
sãoo teste
e
perigoumuma derede
dos
para
causados a de
mais um
corrente
neural
vida
por In
eficazes
humana
vibração. (Lingvall,
parasita
de duas
é eAaausou 2000),
destruição
camadas.
ameaça
da nacela, para
a transformação
da de
o queextrair
aeronaves
nacele,
onde feições
wavelet,
representa
seus onde esão
oclassificar
avião,
ultrassônicas.
seus
defeitos um grave
defeitos oOs
causados
transformada
componentes wavelet,
principais ose estudos
uma redeconfirmaram
neural de a aplicabilidade
duas camadas. dadanacele,
rede neural
onde por
seusvibração.
principais
sobreposição,
para localizar
defeitos Para
ultrassônicos,
um
os
são ocausados
avião,
defeitos
dos mais
e na
umoeficazes
teste
segunda
rede
por deécorrentes
neural
vibração.camada
a análise
deAo duasparasitas
inferior
decamadas.
método usou
componentes
dasensaio
de juntasa não
análisedeos de
destrutivo (NDT), que pode ser Os estudos confirmaram a aplicabilidade da rede neural
produtos para a
de rebite destruição
que detectamde aeronaves.
os defeitos, Os um mais
dos vulneráveis
mais eficazessão
ultrassônico
classificação
método
corrente
detecta
de teste nãoos
de rebites defeitos,
destrutivo
defeituosos um de
(NDT),dos quemais
acordo eficazes
podecom é a análise
seroEstudos
avião ultrassônica
deconfirmaram
correntes dados
parasitas, ocomponentes
a aplicabilidade
teste
ultrassônico
rede
problema ade
neural
é da principais
correntes
rede
implementado
para
classificaçãoneural
detectar e uma
parasitas
para
usando
dosos redeaum
Estudos
usou
defeitos,
rebitesdetectoresneural dede
confirmaram
transformada
dos
defeituosos
duas
mais
falhas. camadas.
a wavelet, oaéa oo
aplicabilidade
eficazes
de acordoNeste é
caso,
com
a
neural aoparasita
classificação
componente
identificação
dos
Neste mais
caso, ode
eficaz dos darebites
nacela,
éensaios
problema énão
o ultrassônico
onde
principal seusde
defeituosos
análise
destrutivos
efeito e
defeitos
e(END),
implementado
conjunto uma
acordo são
redecom
que
de dados
usando
causados
neural
adetectores
podem corrente
pequeno.deser
porparasita
duas vibração.
camadas.
sinais
de
Para
teste
é
a o não
implementada método
instável
declassificação
de controle,
falhas. Neste mas
de
ousando
detectores
caso, deteste
destrutivo
devido
de
método
ao
o problemarebites nãodefeituosos
(NDT),
ruído
detectores
falhas
destrutivo
Estudos
que depode
éexperientes,
é instável devido
implementado
(NDT),
confirmaram
falhas.
ao
ser sinais
deusando
uma Neste
acordo
ruído
que pode
de
acom
caso,
vez detectar
que oaser
detectores
método
aplicabilidade
controle,
problema
corrente
o método
os
mas
defeitos,
de éo de
da método
rede
parasita
defalhas.a
um falta

aparasitas
classificação
Estudos de rebites
têm defeituosos
confirmado de acordo com as correntes
de detectores
falhas. Neste de falhas
caso, experientes,
o problema desde
é (END),
efeito eque a identificação
conjunto de dados de sinais de controle, método
por mas
umaoépessoa.
método
instávelParaédevido
instável ruído aaos
automatizar
a odevido o aplicabilidade
dos implementado
sinais
defeitos da
deécontrole rede
realizado
usando deneural
ruído,àmas
visualmente
detectores falta
de
o
método
de falhas
falhas deexperientes,
ensaio
experientes, não
desdedestrutivo
desde a identificação
a identificação dosapode
falta ser
sinais de faltapequeno.
acontrole,
dedetectores de mas
detectores
de o métodoacordo é instável devido ao ruído a classificação de rebites defeituosos depor
uma pessoa. Para automatizar o efeito e pequeno conjunto de dados. com
efeito e pequeno a corrente
conjunto deparasita
dados. de defeitos é realizada visualmente
de busca dedepor
detectores
visualmente defeitos
uma de
falhas. rebites,
Neste
pessoa. caso, propomos
Para usar
o automatizar
problema oprofundamente
é de defeitos
efeito a falta
é realizado
e pequeno de deUm
detectores
visualmente
conjunto artigo
dados. por recente
de uma
falhas (Canali,
experientes,
pessoa. 2020)
desde
A automatizaçãopropõe um processo
a identificação
dos defeitos éde sistema robótico
implementada
realizada usando
de busca sinais deuma
controle, mas o sistema
método érobótico
instável devido ao processo de ruídoo
propõe
de umdesistema
visualmente
processo
defeitos
por
profundo
de
umarobóticorebites,
pessoa. Um
de procurar
propomos
Para
artigo o uso
automatizar
recente
defeitos a profundo Umpropõe
falta propomos
(Canali,
de rebites, de artigo de
detectores
2020) recente
o usoum falhas
de
(Canali,
a
processo
efeito
laser,
problemade 2020)
experientes,
profundo deecâmera
sistema propõe
desde aeum
reconhecimento.
robótico
pequeno
um depequeno
identificaçãoVamos
busca
conjunto de de Um martelo
dados.olhar
artigo
defeitosequipado
deneural
recente
de redes
defeitoscom uma
para
é realizado
(Canali,
rebites, varredura
resolver
2020)
propomos o uso
redes neurais
processo de para resolver
busca de defeitos o problema
de rebites,depropomos
reconhecimento.
o uso deVamos
defeitos parecer equipados com uma varredura a laser, uma câmera e um pequeno martelo.
profundos
de
estado
redes das écoisas
realizado
neurais para
sobrevisualmente
resolver por uma
a automatização
o problema pessoa.
desse
de Para automatizar
reconhecimento.
processo. Vejamos o equipado
as redes com
equipado
neuraisuma
com varredura
parauma resolver ao
varreduralaser, uma câmera
a laser,
problema uma
de e um pequeno
câmera
reconhecimento. e um pequeno martelo
Vejamos martelo
o
rede neural para2020)
resolver o problema de reconhecimento. Vejamos o processo com um microfone
equipado
escaneamento
de busca com
de um
defeitosparadeinspecionar
de escaneamento
martelo erebites
a rebites
rebites,análise
apor automaticamente
laser,
propomos da resposta
uma o câmera
uso sonoraos rebites
e um
profundo doUm poralaser
pequeno
rebite
artigo uma
recente
no estado
Hoje, (Canali,
áreas das coisas em
relacionadas propõe um sistema
automatizar
à transição robótico
este varredura
para processo. com um
digital microfone
avançada epara inspecionar
inspecionar
automatizando
à análise automaticamente
automaticamente
este processo. por
laser
laser com no um
estado
microfone
das coisas
para
no estado
redes neuraisdas coisas
para na
resolverautomatização
o problema deste
de processo.
reconhecimento. Vamos olhar comdaum
equipado
resposta
com microfone
uma
sonora
parado
varredura a
rebite a umautomaticamente
inspecionar
laser, uma
pequeno pulso excitante
câmera e um os rebites
pequeno
mecânico.
por laser
martelo
Hoje, áreas relacionadas à transição para varredura digital avançada e à análise sonora
sistemas
da resposta
dorobóticos,
rebitesonora
a umao pequeno
dovarredura
rebitepulso
a tecnologias
uma excitante
varredura de
mecânico.
fabricação
e à análiseinteligentes,
da resposta
Hoje,
áreas áreas
relacionadas
automatização relacionadas
deste com acom
transição
processo. a transição
para digitalização
para digital avançado
avançadaHoje, digital e a análise
com da resposta
um microfone sonora do rebite a um
para inspecionar estado de coisas
automaticamente sobre apor
os rebites
tecnologias
criação
rachaduras de fabricação
de sistemas
Hoje, de
áreas inteligente aà laser,
processamento
relacionadas de bigsistemas
transiçãodatapara robóticos,
usando oavançadas
artificial
tecnologias pequeno
Para detectar pequeno
pulso
de pulso
excitante
defeitos
fabricação excitante
demecânico.
superfície
digital mecânico.
de aeronaves
inteligente, sistemascausados robóticos,por corrosão, de
tecnologias
fabricação inteligente, sistemas robóticos, o pequeno pulso excitante mecânico. varredura e artificiais,
ade
análise da resposta sonora
decriação
sistemas
máquina
a de processamento
continuam
digital avançada
ativamente de big data usando tecnologias bigdedata
fabricação de superfície
inteligentes aeronaves
sistemascausados
robóticos, por do rebite para
corrosão,
inteligência criaçãodetectar
e data de
aprendizado defeitos
rachaduras
de
corrosão, rachaduras Parade sistemas
e manchas
detectar de processamento
de
a superfície osdaderramamentos
aeronave de defeitosde óleo,
usandograxa,
causados artificial
criação
sedimentos
por artificial
Para
corrosão, detectar
de
de sujeira,
sistemas
rachadurasdefeitos
em deHoje,
de naprocessamento
superfície
pequeno áreas pulsorelacionadas
daexcitante
aeronave
de big àmecânico.
causados
transição
usando para
por
inteligência
sistemas
(Balakrishnande eprocessamento
aprendizado
Ramalingam, de2019),
máquina
de big data
uma continuam
usando
escalada a se desenvolver
artificial Para
reconfigurável detectar ativamente.
defeitos
tecnologias e de
de
de manchas
Em qualquer
superfície
fabricação
máquina de
são derramamentos
setor
de industrial,
aeronaves
continuando
inteligente,
continuando de
causados
sistemas
ativamente óleo,
criação
ativamente
robóticos,
e graxa,
de
por
manchas
a testes sedimentos
corrosão, não
inteligência
inteligência
de de sujeira,
destrutivos
rachaduras
derramamentos
e e
o de de
aprendizado
aprendizado
óleo, graxa,
escalada
ativamente, sedimentos
reconfigurável
métodos depodem
quese sujeira,
desenvolve. e manchas
examinar Emas de derramamentos
qualquer
propriedades
setor industrial,
e manchas de aóleo,
dosgraxa,
parasedimentos
inteligência
derramamentos
superfície
capturar
de testes de
de aeronaves
imagens
de
não sujeira,
óleo,
destrutivos
graxa,
usandoemsedimentos
causados (Balakrishnan
eumo aprendizado
RGB
por corrosão,
integrado. Ramalingam,
de sujeira,
decriação
máquina
detectarde 2019),
no robô uma
rachaduras
defeitos
continuam
é proposto
de
artificial. Em
imagens
Ramalingam, usandoqualquer
2019),
métodossetor
uma industrial,
escalada
RGB testes não destrutivos se desenvolvem. de
Em sistemas
qualquer de processamento
setor industrial, de ou
testes bignãodata usando
destrutivos desenvolvimento
(Balakrishnan
manchas
métodos
usando umderobô
que derramamentos
podem
RGBexaminar
integrado deointegrados
é
são
reconfigurável
óleo, graxa,
proposto
usadas
que
para
podem
(Balakrishnan
sedimentos
propriedades
examinar
capturarde imagens
de
Ramalingam,
as propriedades
sujeira,
métodos em que
usando uma
câmera
teste
podem
2019),
denão
edesenvolvimento.
aprimorado
um
(Balakrishnan
inteligência e destrutivos
um robô
algoritmo
aprendizado
atratividade
câmera
examinar
RGBusando
dos as
escalador
Ramalingam,emde
de
integrada
métodos
Em
uma
aprendizado
reconfigurável
máquina
propriedades
componentes
edeum
qualquer
sala
2019),
teste uma
continuam
algoritmo
do SSD
não
robô
em
setor
profundo
é
campo.
proposto
industrial,
éescalada
aprimorado
ativamente
destrutivos
em de proposto
uma
A
aprendizado
sala
atratividade
para
componentes
ou aem
épara
que
capturar
reconfigurável
seremusando
capturar
eles
da
sãousados
profundo
campo.
de
SSD
eimagens
métodos
A
muito mais baratos que podem examinar as propriedades do MobileNet.

reconfigurável.
uma sala ou noEm qualquer
campo. setor industrial,
A atratividade câmerade
dos métodos deteste
testenão destrutiva eérobô
nãodestrutivos um
e
SSD
que
é proposto
(Balakrishnan
umalgoritmo são de
algoritmo
em
eles uma sala
para capturar
Ramalingam,
deaprendizado
muito aprendizado
ou em baratos
mais campo.
imagens
2019), A um
profundo
profundo
usando
aprimorado
MobileNet.aprimorado
atratividade
um RGB
desenvolvimento
dosusandousando
integrado
de
componentes escalada
câmera SSD
componentes
em
e mais rápido em
componentes do que
uma os testes
sala ou destrutivos
no campo. Atradicionais
atratividade e da
nãocâmera
causa e um algoritmo de
MobileNet. aprendizado profundo aprimorado usando o robô SSD é proposto
examinar
métodos as
de propriedades
teste não do MobileNet.
destrutivos é que eles são muito mais baratos em para capturar imagens usando métodos RGB integrados
(Ignatiev, 2012), um exemplo do uso positivo do e mais rápido do que os testes que podem
destrutivos tradicionais e não causam MobileNet.
qualquer
métodos
baratos emdano
de
tradicionais
qualquer uma
dano aos
eteste
não
aos componentes
não
sala destrutivos
ou
causa no
componentescampo.
e mais estruturais.
é que
rápido eles
estruturais.
do que são
A atratividadeoscomponentes
da câmera
testes e muito
destrutivos mais de
um algoritmo
tradicionais eaprendizado
exemplo
não causado usoaprofundo
positivo
rede neuraleaprimorado
maisKohonen
rápidousando
para
do que SSD
detectar In e(Ignatiev,
os testes reconhecer
destrutivos2012), um
defeitos
tradicionais e não causam métodos de teste não destrutivos é que eles são muito Em exemplo
um (Ignatiev,
MobileNet do2012),
mais um exemplo
uso positivo
barato. do uso
do e mais positivo
rápido quedo osIn (Ignatiev,
testes 2012),
destrutivos
dano
qualquer
aos dano
componentes
tradicionais aos componentes
e modernos estruturais.
de mineração de dados Rede neural de Kohonen paraRede
estruturais. Em neural
dedetecção
peças
(Ignatiev,dee Kohonen
rolamento
2012), um
reconhecimentopara
de detectar
exemplo
correntes
de do eparasitas
reconhecer
uso
defeitos positivo
Rede
detecção e reconhecimento de defeitos qualquer dano aos componentes
estruturais.
defeitos
Estudos
da
neural camada desuperficial
deKohonen
de qualquer
métodos para
e mais rápido
Estudos do que tradicionais
de métodos os tradicionais testes destrutivos
e modernos de mineraçãoe nãode causam
dados naumcamada superficial de
de teste não destrutivos são realizados em torno do In (Ignatiev, 2012), monitoramento
correntes
exemplo
de do uso
correntes
correntes
mineração depeças
parasitas defeitos
positivo
deparasitas
parasitas
dados parado de
Estudos
Estudosnaérolamentos
nadetecção demonstrado.
camada
camada
de e
demétodos
da rede
reconhecimento
A de
superficial
superficial
métodos
neural
precisão
tradicionaisde
peças
tradicionais ede
peças Kohonen
edos
deimagens
de dede
dispositivos
rolamento
rolamentos
modernos
modernos dede de
mineração de dados qualquer dano aos componentes estruturais.
a partir
detectar
modernos de dispositivos
e reconhecer
do mundo de de teste
defeitos
mineração não destrutivos
em imagens
de dados. deEm são realizados
monitoramento. em
(Barkhatov, 2006), torno
A precisão das imagens
é demonstrado
dassuperior
imagens de
desenvolvido
rolamentoso não
usomonitoramento
de de foi superior
decorrentes
monitoramento
umaalgoritmo
rede aé demonstrado.
90%.
parasitas
neural na
ésimples camada
Estudos
demonstrada.
Kohonen A precisão
superficial
deAmétodos
simplesprecisão
de do de algoritmo
peças
tradicionais
camada
dos deepara
dispositivos
única
dos
e modernos
dispositivos
de mineração
de testes nãode dados
destrutivos
na camada
são realizados
superficial emdetorno
peças daderede de
rolamento teste
2006),
neural na o a
uso
dodetecção destrutivos
90%.
de
mundo das um
imagens são
de
de correntes
um sinal de realizados
monitoramento
parasitas.
eco de um em todo
desenvolvido
é
Emestudo o mundo.
demonstrada.
(Barkhatov, de camada
de métodos Em A (Barkhatov,
precisão
única
2006), tradicionais
o uso de foi
um mundo simples de camada única. Em (Barkhatov, 2006), o uso de um algoritmo desenvolvido
simples foi desenvolvido
superior a 90%. de camada única foi superior a 90%. algoritmo
neural na detecção de um sinal de eco de um Em nosso trabalho (Amosov, 2019), um método computacional foi a rede
mundo.
(Amosov, Em (Barkhatov,
2019),
um desenvolvido um 2006),
método
para resolver é
o demonstrado
computacional
problema foidetector
de oa uso
redede deuma
neuralfalhas
na ultrassônico.
simples camada
detecção dede
Uma
torno
única
um análise
das
sinaldede dode
eco algoritmo
dispositivos
imagens demétodo
uma deérede
do neural
trabalho
monitoramento.
teste desenvolvido
não destrutivos
A precisão
nacomputacional
detecção que dedo foi
são
umEm superior
conduzidos
nosso
sinal de aeco
90%.
trabalho
emde
neural
mundo. de
Emcamada
(Barkhatov,
única 2006),
para estaconsidera-se
tarefa não oédetecção
uso umeneural
umaderede classificação
simples nasingle-layer
detecção falha
trabalho
de ultrassônica
(Amosov,
desenvolvido
um sinal
detectores (Amosov,
2019), detector
depara
eco um2019),
de
resolver
ultrassônicos um considerado.
um método
computacional
algoritmo
de ofalhas.
problema Uma
desenvolvido
Uma de análise
foi mostrado
detecção
análise do do
efoiclassificação
foidetectortrabalho
Em
superior quenosso
auma
de Emtrabalho
90%.
falhas nosso
rede
de
ultrassônico
paradetector
um resolver de
de trabalho
o falha
problema é
neuralconsiderada.
derede
detecção
ultra-sônico Uma
ede análise
classificação
mais complexo do trabalho
desenvolvida
é para Em
considerado. nosso
paraUma trabalho
com
uma
resolver o
análise as(Amosov,
redeimagens
neural
problema
da rede de2019),
de
neural um
vídeo
camada
detectar
de método
de
e única
trabalhojuntas computacional
para
de
classificar
na rebites
esta
o tarefa
suficiente,
detecção de umde
baseadonão
é defeitos
é
em
necessário
sinal de de
desenvolvida
mostrou
eco acordo
que
criar
de
base em
problema
mais mostrou
complexos
de detecção que uma
de acordo neural
e classificação
com as imagens camada
Em nossode vídeo única
trabalho esta
das (Amosov, tarefa
juntas de 2019), não
rebites umcomdefeito
mostrou
redes
método
base
rebites
esta deque
neurais
nos acordo
uma
computacional
tarefa
com defeitos
não
base é um com
rede
em de as imagens
neural
convolucionais
acordo de
foi suficiente,
detector
mostrou decom
que de
camada
profundas. vídeo
aséimagens
falhas
uma de
única
necessário
rede
ultrassônicojuntas
para
desenvolvido
de criar
neural vídeo
de de
esta
para rebites
tarefa
de resolver
defeitosjuntas
é éconsiderado.
camada com
não oéum
neurais
únicade
Umapara
análise
detecção do trabalho de
e classificação redes neurais
de redes convolucionais
neurais convolucionais profundas. suficiente,
profundas. redes é necessário
um
neurais defeito
juntas de criar
neural
rebites
convolucionais um neural
mais
com complexo
base mais
profundas.no complexo
de acordo
desenvolvido
suficiente, o suficiente,
com
para
éneural as
necessário imagens
resolver necessário
o de criar
vídeo
problema de
de
mais
as complexo
imagens mostrou
de vídeo de que
juntasumade rede neural
rebites com de
basecamada única
suficiente, épara esta
necessário tarefa
criarnão
uma é redes neurais
rede neural convolucionais
convolucional profundas.
profunda mais criar
defeitos um neural
de acordo
complexa. com

2405-8963 Copyright © 2021 Os Autores. Este é um artigo de acesso aberto sob a licença CC BY-NC-ND.
Revisão por pares sob responsabilidade da Federação Internacional de Controle Automático.
10.1016/j.ifacol.2021.08.056
Machine Translated by Google
Oleg S. Amosov et al. / IFAC PapersOnLine 54-1 (2021) 484–489 485

O desenvolvimento das capacidades dos equipamentos informáticos levou à ligas, bem como estruturas soldadas de paredes finas e tubos soldados, dutos
utilização de redes neurais profundas de desenvolvimento intensivo para tarefas soldados (Fig. 1, b).
na área da engenharia aeronáutica com o objetivo de intelectualizar métodos
de ensaio não destrutivos, criando estações de trabalho automatizadas, que O método de partículas magnéticas é um END baseado no uso de pó magnético
melhorarão a qualidade e reduzirão o tempo de monitorização , diagnóstico e como indicador. Durante o controle de pó magnético, uma suspensão com
gerenciamento do processo de fabricação de unidades de montagem de partículas suspensas de pó ferromagnético é aplicada à peça (ou tratada com
aeronaves. uma suspensão de ar dessas partículas). Pela natureza da sedimentação do pó
(a forma e o tamanho dos rolos), você pode avaliar a extensão dos defeitos e,
em alguns casos, o tipo desses defeitos (Fig. 1,c).
Uma vez que a literatura dá grande atenção às redes neurais profundas, e a
área em questão ainda aguarda sua aplicação, propõe-se, além do controle
organoléptico de juntas de rebites de um detector de falhas, o uso de redes
neurais profundas, em particular rede neural com uma camada de memória de
longo prazo (LSTM) (Hochreiter, 1997). Isso se deve ao fato de que a rede
LSTM e suas modificações, em especial as redes baseadas em Gated Recurrent
Units (GRU), apresentaram bons resultados na classificação, processamento e
análise de sequências temporais (Lipton, 2015). Portanto, este estudo se
concentra em redes LSTM.

Muitos processos em sistemas naturais e artificiais são conhecidos por terem a)

estrutura fractal (Crownover, 1995). Na detecção de falhas, a fractalidade se

manifesta em porosidade, rugas, fratura de superfície e sinais de eco
ultrassônicos com testes não destrutivos de compostos de rebites. Mostra-se
que é possível usar as propriedades fractais do sinal de eco de teste não
destrutivo ao detectar defeitos.

2. O PROBLEMA DE DETECÇÃO, MONITORAMENTO E DIAGNÓSTICO

DE DEFEITOS EM PRODUTOS DE AERONAVES COM BASE EM b)
DADOS DE TESTES NÃO DESTRUTIVOS

Equipamentos de aviação e veículos requerem métodos de verificação

confiáveis, uma vez que áreas defeituosas devem ser detectadas com
antecedência suficiente para evitar uma falha catastrófica.

A produção de aeronaves é realizada de acordo com padrões (rebitagem,

montagem, instalação) e processos tecnológicos especiais (térmicos,
galvanoplastia, fundição, vedação), desenvolvidos com base nos requisitos de
c)
projeto e documentos regulamentares.

Fig. 1. Métodos de END na indústria aeronáutica: a) capilar; b)

As atribuições do Departamento de Controle de Qualidade (QCD) das empresas raio X; c) partícula magnética.
aeronáuticas são: monitorar o cumprimento dos processos tecnológicos de
fabricação de peças e unidades de montagem; detecção de defeitos de Consideraremos em detalhes o método NC ultrassônico para avaliar a
fabricação em estágios iniciais. Atualmente, na produção nacional, a maioria
possibilidade de usar tecnologias inteligentes no processamento dos padrões,
das inspeções são realizadas por especialistas do QCD visualmente, utilizando
imagens e sinais recebidos do
as ferramentas de medição e métodos de ensaios não destrutivos.
detector de falhas.

O NDT ultrassônico é baseado na propagação de ondas ultrassônicas através

Os métodos de END desempenham um papel vital na garantia da qualidade,
na avaliação da integridade estrutural e no monitoramento da condição do
produto como um todo. Na indústria aeronáutica, os métodos de END
ultrassônico, de raios-x, capilar e de partículas magnéticas são usados
ativamente (Fig. 1) (Georgeson, 2013).
O método de controle capilar é o método de END baseado na penetração de
substâncias líquidas em capilares na superfície do objeto de controle para
detectá-los. O método capilar inclui (Fig.1,a) método de cor (à direita na figura)
e método luminescente (à esquerda na figura).
do objeto de teste e na detecção da onda transmitida ou de um sinal refletido
ou espalhado de qualquer superfície ou defeito. Ao controlar esses métodos,
pode ser utilizado um conversor combinado, que desempenha as funções de
emissor e receptor; separadamente - um conversor combinado; conversores
separados, trabalhando um para emissão e outro para recepção. Ambos os
métodos podem usar reflexões intermediárias de uma ou mais superfícies do
objeto sob controle (GOST R ISO 16810-2016).
O método ultra-sônico é usado:

Os métodos de raios X são usados para END de peças fundidas e juntas 1) para inspeção acústica de juntas soldadas de peças feitas de ligas de titânio
soldadas feitas de alumínio, magnésio, titânio, ferro-níquel em condições de produção e operação (para
Machine Translated by Google
486 Oleg S. Amosov et al. / IFAC PapersOnLine 54-1 (2021) 484–489
exemplo, pórticos), para detectar defeitos do tipo "não soldados" em
juntas soldadas;
2) para ensaios não destrutivos na produção de tarugos metálicos de
peças feitas de chapas, perfis, forjados;
3) para inspeção acústica de conexão rebitada com cabeça de rebite
oculta para identificar defeitos inaceitáveis - uma conexão rebitada
completamente destruída.
Padrões para defeitos inaceitáveis são definidos pelos desenvolvedores
na documentação do projeto. Defeitos não são permitidos, cuja
amplitude do eco excede a amplitude do eco permitida (GOST R ISO
16823:2012).
O controle acústico é realizado por detectores de defeitos manualmente
pelo método de contato eco-pulso utilizando um conversor inclinado e
um detector de defeitos de alta frequência modelos LTC da série
EPOCH (Fig. 2). Já existem versões mais recentes de detectores de
falhas com indicadores expandidos (Olympus. URL:
https://www.olympus-ims.com/ru/epochltc/).
O objeto é monitorado por varredura com um transdutor ultrassônico
(UT) pressionado contra a superfície lubrificada acústica da entrada de
vibração ultrassônica. Durante o processo de controle, a qualidade do
material do objeto é estimada pela observação do aparecimento de
sinais de eco no detector de falhas
tela.
Fig. 2. Aparência do detector de falhas do modelo LTC.
O controle é realizado em duas etapas: na sensibilidade da busca e na
sensibilidade da avaliação para rejeição do objeto. O controle de busca
é executado quando o detector de falhas é ajustado para uma
sensibilidade duas vezes maior que a sensibilidade da avaliação da
amostra de controle.
A amostra de controle (ajuste) representa defeitos de design do objeto
controlado. A tarefa do controle de pesquisa é excluir a possibilidade
de falta de defeitos no produto. O controle de sensibilidade da avaliação
da amostra é usado para comparar os sinais de eco dos defeitos
detectados durante o controle de busca com o sinal de eco do defeito
de controle (rejeição) estabelecido pela documentação regulatória e
para tomar decisões sobre a rejeição deste produto (GOST R ISO
16810-
2016).
Objetos que possuem sinais de eco de defeitos cujas amplitudes são
iguais ou superiores às amplitudes de sinais de eco de refletores
artificiais em amostras especificadas na documentação regulatória
para monitoramento de várias seções desses objetos estão sujeitos a
rejeição.
Os critérios para avaliar os defeitos detectados que servem de base
para a detenção e rejeição de um objeto podem ser:
– exceder a amplitude do sinal de eco de um único defeito
sobre a amplitude do sinal de eco de um determinado
refletor artificial na amostra;
– diminuição da amplitude do sinal de eco inferior abaixo
do nível definido, que não está relacionado à
geometria do objeto (por exemplo, a presença de
uma zona de estrutura de granulação grossa no objeto);
– a presença de vários defeitos, cuja amplitude dos sinais
de eco excede o nível de rejeição especificado;
– excesso do sinal de eco do defeito acima do nível de
ruído estrutural do material do objeto ao monitorar
sua qualidade na sensibilidade máxima do detector
de falhas (GOST R ISO 16810-2016).
Objetos em que o controle de busca não detecta ecos com amplitude
igual ou maior que o sinal de eco do refletor artificial na amostra são
considerados adequados.
O registro dos defeitos é realizado manualmente por especialistas do
QCD, marcando com um lápis os limites condicionais dos defeitos na
superfície da peça e depois transferindo-os para o detector de defeitos.
A superfície da peça controlada é avaliada com base na presença de
um sinal de eco no detector de falhas ultrassônico que excede o nível
na zona estroboscópica e são determinadas as coordenadas dos
defeitos detectados, sua extensão, limites e amplitudes.
O método END ultrassônico é realizado visualmente por
especialistas, se necessário, usando ferramentas de medição e
modelos especiais. Esse controle não é apenas tedioso, mas também
exige muito tempo e custos, em algumas situações é até uma tarefa
difícil para uma pessoa, especialmente quando se trabalha com
pequenos defeitos que são pouco ou até invisíveis a olho nu. As
vantagens do método organoléptico de controle incluem acessibilidade
e rapidez, e as desvantagens – a subjetividade da avaliação e o fator
humano, pois cada especialista vê e avalia os defeitos de forma
diferente.
O sistema inteligente de monitoramento e diagnóstico automatizado
foi projetado não apenas para reduzir o custo da inspeção, mas
também para aumentar a confiabilidade – para reduzir o risco de erros
humanos. Portanto, o processamento da rede neural de ecos do
método ultrassônico de testes não destrutivos de produtos de aeronaves
é relevante.
3. DEFINIÇÃO E RESOLUÇÃO DO PROBLEMA DE DETECÇÃO E
RECONHECIMENTO DE DEFEITOS COM BASE EM SINAIS DE ECO DE
DISPOSITIVOS DE ENSAIO NÃO DESTRUTIVOS
O produto testado é considerado, cuja condição pode ser classificada
como útil ou defeituosa.
Introduzimos um conjunto finito B = { ÿ 1,… , ÿ µ , …, ÿÿ } , contendo
a classes de estado do item controlado. Seus elementos são um
ÿ
classe de estados que caracterizam o estado de serviço do produto e
várias classes de estados funcionais que caracterizam o estado
defeituoso.
Machine Translated by Google
Oleg S. Amosov et al. / IFAC PapersOnLine 54-1 (2021) 484–489 487

Deixe estar: 2) defeito no meio do comprimento do rebite, 50% rebaixado; 3)

1) um conjunto de sinais de eco sÿS , provenientes de dispositivos do defeito no meio do comprimento do rebite, 80% rebaixado; 4) sem
Sistema NDT, representado como sequências de tempo aleatórias
defeito (Fig. 5).
ssÿ = eu
[s1, ..., s ] T , com os recursos disponíveis
eu
eu x ,
80% do conjunto de dados foi usado para treinamento e 20% para teste.
i = 1.n , cujo conjunto para o sinal s é representado por descrições
vetoriais [ ( ),..., ( )] ; 1 xxsexo
= Para o treinamento de uma rede neural profunda, criamos um
n
conjunto de treinamento baseado no padrão de ajuste de conexões rebitadas
2) o conjunto de classes de condição do produto B = {ÿ,1 … , ÿµ , …, } , (Fig. 4).
_ ÿÿ
ÿ – o número de aulas.

A informação a priori é representada por um conjunto de treinamento

(conjunto de dados) jj {( , )} , j =1.L D = s
ÿ , definido por uma tabela, cada j – linha de

que contém uma instância do rótulo de classe js e seus

j =
correspondente à sequência de tempo , µ =1.ÿ . Observe que o
ÿ ÿµ
* F :S ÿ B .
conjunto de treinamento caracteriza um mapeamento desconhecido

De acordo com as sequências de tempo disponíveis dos sinais de eco

ssÿ = T
[s1, ..., s ] , obtidos dos dispositivos de END e
eu eu

a informação a priori dada pelo conjunto de treinamento jj

D = s {( , )} , j =1.L
ÿ , é preciso resolver o problema
~
de avaliar do sinal s usando um display
~ os sinais x ~ a) b)
F:sx
1 ÿ (Amosov, 2019; Stepanov, 2007). De acordo com x
é necessário detectar e classificar defeitos usando o display de acordo
Fx ÿ~:
2 ÿµ , µ =1.ÿ com um determinado critério
~
P(x ,) que minimiza a probabilidade de erro de reconhecimento.

A solução para o problema de reconhecimento

~ de defeitos do
produto, ou seja, a busca ~:
por: 1Fÿsx
e F x ÿ displays,
2 éÿproposto
µ
usando uma família de funções parametricamente definidas e
procedimentos de aprendizado de máquina, pois é prático criar um
conjunto de treinamento usando ecos reais de dispositivos END.

Neste caso, funções definidas parametricamente podem ser

implementadas usando sistemas sintéticos (Amosov, 2010, 2015, 2017):
redes neurais, sistemas fuzzy, wavelets e suas combinações.

4. EXEMPLO
Vamos considerar um exemplo de detecção e reconhecimento de
defeitos em juntas de rebites com base em sinais de eco de um
detector de falhas ultrassônico Olympus EPOCH LTC. Este detector
de falhas possui uma porta USB para comunicação com um
computador pessoal, que permite receber dados de verificação
(sequência de tempo) em formato Excel.
O detector de defeitos está configurado para monitorar várias seções de
juntas de rebites (Fig. 3).
Para verificar as configurações dos principais parâmetros do detector de
defeitos, foi preparada uma amostra de ajuste de juntas rebitadas de
diferentes tipos de materiais, que contém rebites destruídos de
comprimento conhecido com defeitos na base da tampa, no meio e
rebites de alta qualidade sem defeitos. Rebites nos quais são observados
ecos de defeitos estão sujeitos a rejeição.
4 classes de 35 representações de sinal foram formadas:
1) defeito na base da tampa do rebite, 50% rebaixado;
c) d)
Fig. 3. Imagens na tela do detector de falhas ao verificar juntas
de rebites por ensaios não destrutivos ultrassônicos, onde 1 - um
pulso de sondagem, 2 - um sinal de eco, 3 - um estroboscópio: a) um
objeto de controle qualitativo; b) destruição inicial do objeto de controle;
c) destruição do objeto de controle no meio; d) deformação do objeto de
controle.
O material para rebitagem consiste em duas placas de duralumínio.
Rebites de cabeça de rebite ocultos (embutidos), comprimento 6 mm. O
conjunto de dados contém a sequência de tempo dos sinais de eco e os
rótulos de classe.
Uma rede neural profunda de 5 camadas com uma camada LSTM com
a função de ativação tangente hiperbólica (tanh) para estado e sigmóide
para memória é proposta para identificar sinais de defeitos em juntas de
rebites, seu reconhecimento e classificação (Fig.
6). A camada LSTM executa análise de sequência de tempo com
armazenamento de dependência de longo prazo para recursos de
defeitos. A simulação foi realizada no ambiente MatLab na seguinte
configuração de PC: CPU Intel Core i5-9600KF, GPU GeForce 1080 Ti.
Machine Translated by Google
488 Oleg S. Amosov et al. / IFAC PapersOnLine 54-1 (2021) 484–489
Fig. 4. O padrão de ajuste de conexões rebitadas
a) b)
c) d)
Fig. 5. Ilustrações de rebites com e sem defeitos, onde 1 - desenhos
e fotos de rebites e 2 - tela de varredura do detector ultrassônico de
defeitos: a) defeito na base da tampa do rebite, 50% rebaixado; b)
defeito no meio do comprimento do rebite, 50% rebaixado; c) defeito
no meio do comprimento do rebite, 80% rebaixado; d) sem defeito.
Com reconhecimento de duas classes, sem defeito e com defeito na
base da tampa do rebite com 50% de rebaixo, 100% de precisão é
fornecida ao treinar e testar uma rede neural profunda com 200 células
para a camada LSTM. A velocidade de aprendizado é de 5 s. em 60
épocas (Fig. 7). Velocidade de teste – não mais que 0,1 s.
Fig. 6. Arquitetura de uma rede neural profunda com camada
LSTM e 4 classes.
Com reconhecimento de quatro classes de defeitos de rebites ao testar
redes neurais profundas com 800 células para a camada LSTM, é
fornecida uma precisão de 96,25%. A velocidade de aprendizado é de
176 s. em 1400 épocas (Fig. 8). A velocidade de teste não é superior a 0,3 s.
Fig. 7. Exemplo de cálculo de precisão ao ensinar rede neural
profunda nas séries 2.
Fig. 8. Exemplo de cálculo de precisão ao ensinar rede neural
profunda na 4ª série.
A análise de sinais de ensaios não destrutivos foi realizada para
identificar suas propriedades fractais. A fractalidade se manifesta em
porosidade, rugas, fraturas de superfície, que podem ser detectadas
durante testes organolépticos e por sinais de eco ultrassônicos no
controle não destrutivo de juntas de rebites. Vamos considerar um
exemplo de detecção e reconhecimento de defeitos em juntas de rebites
com base em sinais de eco de um detector de defeitos ultrassônico.
Para identificar as características da estrutura fracionária do
processo, são utilizados indicadores de fractalidade, sendo um deles o
Machine Translated by Google
Oleg S. Amosov et al. / IFAC PapersOnLine 54-1 (2021) 484–489
Expoente de Hurst. Vários métodos são usados para estimar o
expoente de Hurst: análise de intervalo reescalonado (método R/S),
análise de gráfico de mudança de variância e análise de wavelet (Amosov, 2018).
De acordo com o método R/S, o expoente de Hurst da série temporal
é calculado pela fórmula
R nÿ
ÿ ÿÿ
H = ÿ /lnÿ ÿ ÿ, ÿ profundas, Multi-Conferência Internacional sobre Engenharia
lnÿ S ÿ2ÿ
onde R é o vão máximo da série estudada; S é o desvio padrão das
observações; n é o número de observações.
No expoente H de Hurst: 0 < H < 0,5 o processo tem propriedades
antipersistentes, quando uma tendência ascendente é substituída por
uma tendência descendente ou vice-versa; H ÿ 0,5 o processo é
consistente com o movimento browniano clássico; 0,5 < H <1 o
processo tem propriedades persistentes, ou seja, resistentes a
tendências.
O expoente de Hurst foi calculado para 28 implementações de sinais
de eco de um detector de falhas ultrassônico para cada um dos grupos
normais e três tipos de grupos de rebites defeituosos
(Fig. 5). O valor H para conexões de rebites normais é de cerca de 0,2
e para todos os rebites com defeito é de cerca de 0,35. Assim, o
indicador Hurst pode servir como indicador do defeito.
5. CONCLUSÕES
O problema de detectar e reconhecer defeitos em unidades de
montagem de aeronaves com base em sinais de eco de dispositivos
de teste não destrutivos é formulado.
Para resolver este problema, na presença de um conjunto de
treinamento baseado em ecos reais de dispositivos de rede neural,
propomos o uso de uma família de funções e procedimentos de
aprendizado de máquina parametricamente definidos com a
implementação dos exemplos baseados em uma rede neural profunda
com um camada LSTM.
A precisão do resultado obtido durante a simulação foi de 100% no
caso de classificação binária e 96,25% no caso de reconhecimento de
quatro classes de defeitos de juntas de rebites com base nos sinais do
detector ultrassônico de falhas. No entanto, deve-se ressaltar que
mesmo com essa classificação, 100% de todos os defeitos são
detectados. Erros ocorrem quando um defeito é atribuído a uma classe
de defeito diferente e próxima e não a uma condição de manutenção.
REFERÊNCIAS
Amosov, OS (2010). Estimação ótima usando regressão e wavelets,
17ª Conferência Internacional de São Petersburgo sobre Sistemas
Integrados de Navegação, pp. 387–389.
Amosov, OS, Baena, SG (2015). Abordagem Sintética de Decomposição
para Estimação Não-linear Ótima, IFAC PapersOnLine, vol.
48(11), pp. 819-824.
Amosov, OS, Baena, SG (2017). Filtragem Baseada em Wavelet de
Parâmetros de Trajetória Fracionária de Objetos Móveis, IEEE
International Conference on Control and Automation, 8003045,
arte. pág. não. DOI:
118–123.
10.1109/ICCA.2017.8003045.
Amosov, OS, Amosova, SG, Muller, NV (2018).
Identificação de riscos potenciais para a segurança do sistema usando
489
análise wavelet, o indicador de distribuição de tempo e frequência
da série temporal e a análise de correlação dos espectros wavelet.
Extremo Oriente Con-2018.
Amosov, OS, Amosova, SG, Iochkov, IO (2019).
Detecção e reconhecimento de defeitos de fabricação de juntas
de rebites por suas imagens de vídeo usando redes neurais
Industrial e Tecnologias Modernas, FarEastCon, DOI: 10.1109/
FarEastCon.2019.8934095.
Balakrishnan Ramalingam, Vega-Heredia Manuel, Mohan Rajesh Elara,
Ayyalusami Vengadesh,
Ilyas e Tan
Anirudh
Jun Yuan
Krishna
James
Lakshmanan,
(2019). Inspeção
Muhammad
visual da superfície da aeronave usando um robô de escalada
reconfigurável teleoperado e técnica aprimorada de aprendizado
profundo. Hindawi International Journal of Aerospace Engineering,
Volume 2019, Artigo ID 5137139, 14 páginas, https://doi.org/
10.1155/2019/5137139.
Barkhatov, VA (2006). Reconhecendo imperfeições com uma rede
neural artificial de um tipo especial, Russian Journal of
Nodestructive Testing, vol. 42(2), pp. 92–
100.
Canali, C., Pistone, A., Gloriani, C., Guardiani, P., Ludovico, D.,
Caldwell, DG (2020). Inspeção de rebites com sistema robótico
multisensor. 2020 IEEE 24th International Conference on Intelligent
Engineering Systems (INES).
Reykjavík, Islândia.
Crownover, RM (1995). Introdução a Fractals e Caos, Jones e Bartlett
Publishers, Inc., Boston, Londres.
Georgeson, Dr. Gary (2013). Trends in R&D for Nondestructive
Evaluation of In-Service Aircraft, 5th International Symposium on
NDT in Aerospace, URL: https://www.ndt.net/article/aero2013/
content/papers/60_
Georgeson_Rev2.pdf. (01.06.2020).
GOST R ISO 16823:2012. Teste não destrutivo -
Testes ultrassônicos - Técnica de transmissão.
GOST R ISO 16810-2016. Teste não destrutivo.
Testes ultrassônicos. Princípios gerais.
Hochreiter, S., Schmidhuber, J. (1997). Longa memória de curto prazo,
Computação Neural, Iss. 9(8), pp. 1735-1780.
Ignatiev, A.ÿ., Samoilovà, EM (2012). Intelectualização do monitoramento
do processo tecnológico na fabricação de rolamentos, Boletim do
SSTU, vol. 67(3), pp.182-186.
Lingvall, F., Stepinski, T. (2000). Detecção automática e classificação
de defeitos durante a inspeção por correntes parasitas de juntas
rebitadas, NDT&E International, vol. 33, pág. 47–
55.
Lipton, ZC, Berkowitz, J., Elkan, Ch. (2015). A Critical Review of
Recurrent Neural Networks for Sequence Learning, URL: https://
arxiv.org/pdf/1506.00019.pdf. (01.06.2020).
Olimpo. URL: https://www.olympus-ims.com/ru/epochltc/ (01.06.2020).
Stepanov, OA, Amosov, OS (2007). A comparação do método de Monte-
Carlo e algoritmos de redes neurais em problemas de estimativa
não linear, IFAC Proceedings Volumes (IFAC-PapersOnline), 9
(PART 1), pp. 392-397.