DE4310279A1

DE4310279A1 - Signalverarbeitungsvorrichtung zur Auswertung von Prüfdaten

Info

Publication number: DE4310279A1
Application number: DE4310279A
Authority: DE
Inventors: Yoshihiro Matsumoto; Hidenobu Komatsu; Kazuhiko Aoki
Original assignee: Nuclear Fuel Industries Ltd
Current assignee: Nuclear Fuel Industries Ltd
Priority date: 1992-03-31
Filing date: 1993-03-30
Publication date: 1993-10-07
Also published as: JPH05281199A; KR930020299A; FR2689273A1

Description

Die vorliegende Erfindung betrifft eine Signalver arbeitungsvorrichtung zur Auswertung von Daten, die durch zerstörungsfreie Prüfung, welche die Prüfung von Rissen und anderen Fehlern im Material einschließt, erhalten werden, beispielsweise bei einer periodischen Überprüfung der Wärmeübertragungsleitung eines Dampfer zeugers in einer Kernreaktoranlage.

In der Vergangenheit war es allgemeine Praxis, die periodische Überprüfung der Wärmeübertragungsleitung eines Dampferzeugers bei einem Reaktor vom PWR- Typ mittels eines ETC-Verfahrens (Wirbelstrom-Prüfung) durchzuführen.

Dieses Wirbelstrom-Prüfverfahren ist zur Erfassung der Gegenwart von Fehlern, Defekten oder Ablagerungen auf einem zu untersuchenden Objekt, beispielsweise einer Wärmeübertragungsleitung gemäß dem nachfolgend erläuter ten Prinzip ausgebildet.

Genauer gesagt, es wird eine Abfühlspule an dem zu untersuchenden Objekt angeordnet und die Spule wird mit einer Wechselspannung erregt. Das von der erregten Spule erzeugte Wechselfeld durchdringt das Objekt, so daß innerhalb des Objektes (aus Metall) Wirbelströme indu ziert werden. Da die Höhe der Wirbelströme in Abhängig keit vom Material des Objekts sowie dem Vorhandensein oder der Abwesenheit eines Fehlers oder der Ablagerung irgendeines Fremdmetalls unterschiedlich ist, kann die gewünschte zerstörungsfreie Prüfung durch Messung der erzeugten Wirbelströme durchgeführt werden. Die Wirbel ströme werden in der Praxis durch Erfassung einer Ände rung des in der Abfühlspule fließenden Stromes gemessen, so daß es durch Analysieren der gemessenen Daten möglich ist, die Bedingungen in dem gemessenen Teil des Objektes abzuschätzen, also beispielsweise das Vorhandensein eines Fehlers, eines Defektes oder einer Ablagerung oder einer Änderung der Materialeigenschaften.

Die Analyse und Auswertung derartiger Meßdaten wurde bisher von einem ausgebildeten Analytiker durchgeführt, d. h. es wurde ein Oszilloskop zur Erzeugung einer Lissa jous-Figur der Impedanz (Impedanz-Fläche) verwendet, derart, daß die erzeugte Figur von dem Analytiker be obachtet wird zur Bestimmung beispielsweise des Vorhan denseins und der Größe eines Fehlers, eines Defektes oder einer Ablagerung. Bei dieser Art des Auswertever fahrens ist es jedoch schwierig, ein Fehlersignal oder Ablagerungssignal zu erkennen, das im Rauschen vergraben ist und bisher wurde eine Analyse benutzt, die von der Differenz oder den Differenzen zwischen den gemessenen Werten von zwei oder drei Prüffrequenzen in einem MFECT- Verfahren (Mehrfachfrequenz-Wirbelstromprüfung) Gebrauch macht.

Bei dem MFECT-Verfahren wird beim Sammeln der Meßdaten zusätzlich zu einer hauptsächlich entsprechend den Eigenschaften einer Prüfprobe und eines zu prüfenden Objektes bestimmten Hauptfrequenz mindestens eine unter schiedliche Zusatzfrequenz als Prüffrequenz eingesetzt und die Wirbelstromprüfung wird durchgeführt, indem gleichzeitig eine solche Mehrzahl von Prüffrequenzen verwendet wird. Das diesem Meßverfahren entsprechende detaillierte Auswerteverfahren geschieht in folgender Weise:

1) Zuerst wird von der Mehrzahl der Prüffrequenzen die aus dem Meßsignal im Hinblick auf die Hauptfrequenz erhaltene Lissajous-Figur beobachtet und die den Rausch pegel überragenden signifikanten Signale werden aufge nommen.
2) Das gemessene Signal wird im Hinblick auf die andere sich von der Hauptfrequenz unterscheidende Prüf frequenz analysiert, um zu bestimmen, ob die signifikan ten Signale des oben erwähnten ersten Schrittes durch einen Materialfehler, eine Vertiefung oder eine Ablage rung auf dem zu untersuchenden Objekt hervorgerufen sind.
3) Die Identifikation der Tiefe und der Ausdehnung (Flächengröße) des Defektes wird aus dem Signal ermit telt, das als Defekt bestimmt wurde und die Identifika tion der Größe der Vertiefung oder Ablagerung wird aus dem Signal ermittelt, das als Vertiefung oder Ablagerung bestimmt wurde.

Bei der oben erwähnten bekannten Technik jedoch wird die Auswertung der durch die Messung erhaltenen Daten der Fehlerprüfung von einem eigenen Analytiker durchgeführt und weiterhin wird die Auswertung nur auf die Lissajous- Figur gestützt, welche die abschließende Anzeige für die Daten der Fehlerprüfung darstellt, was zu den nachfol gend geschilderten Problemen führt:

1. Wenn die Auswertung nur in Übereinstimmung mit der Lissajous-Figur der Impedanz durchgeführt wird, ist es schwierig, ein Fehlersignal oder ein Ablagerungssignal herauszuholen, das im Rauschen vergraben ist und es ist außerdem unmöglich, in dem Meßsignal (den Ursprungsda ten) enthaltene unterschiedliche Informationen zu ver wenden.
2. Der für die Auswertung jedes Meßergebnisses der Mehrzahl von Prüffrequenzen erforderliche Zeitaufwand ist enorm groß.
3. Die Auswerteergebnisse sind von der Geschicklich keit und der Erfahrung des Analytikers abhängig.
4. Die Auswerteergebnisse sind außerdem von der augenblicklichen Verfassung des Analytikers abhängig.

Eine erste Aufgabe der vorliegenden Erfindung besteht darin, die oben erwähnten Unzulänglichkeiten des Standes der Technik zu überwinden und spezieller besteht eine Aufgabe der Erfindung darin, eine Signalverarbeitungs vorrichtung zu schaffen, mit der eine automatische Auswertung der Meßdaten sowie eine Verbesserung der Effizienz und Genauigkeit der Auswertung möglich ist.

Die Erfindung geht hierbei aus von einer Signalverarbei tungsvorrichtung mit den Merkmalen aus dem Oberbegriff des Patentanspruchs 1. Die Lösung der Aufgabe geschieht erfindungsgemäß mit den Merkmalen aus dem kennzeichnen den Teil des Patentanspruchs 1. Vorteilhafte Weiterbil dungen der Erfindung sind in den Ansprüchen 2 und 3 beschrieben.

Der Grundgedanke der Erfindung besteht darin, zur Lösung der obengenannten Aufgabe eine Signalverarbeitungsvor richtung zu schaffen, die einen Signalprozessor verwen det, welcher einen neuronalen Netzwerkaufbau besitzt, um so die Analyse und Auswertung der Prüfdaten in Realzeit automatisch durchzuführen.

In Übereinstimmung mit einem Aspekt der vorliegenden Erfindung besitzt die Signalverarbeitungsvorrichtung Eingabemittel zum Empfang eines von einer Prüfvorrich tung kommenden Meßsignals, das als Ergebnis der Prüfung eines von der Prüfvorrichtung zu prüfenden Objekts erzeugt wurde, sowie Auswertemittel zum Analysieren des von den Eingabemitteln zugeführten Meßsignals, um die Bedingung des Auftretens eines Fehlers und/oder einer Ablagerung auf dem zu messenden Objekt auszuwerten,und die Auswertemittel umfassen einen Signalprozessor in Form eines neuronalen Netzwerkaufbaus mit einer Mehrzahl von Verarbeitungseinheiten, von denen jede eine indivi duell vorgegebene Ein-Ausgabe-Kennfunktion aufweist und einer Mehrzahl von Verbindungsmitteln zur Verknüpfung der Verarbeitungseinheiten miteinander mit jeweils individuellen Übertragungscharakteristiken aufgrund vorgegebener Gewichtsfaktoren derart, daß die Verarbei tungseinheiten eine Mehrzahl von Knoten des besagten neuronalen Netzwerks bilden. Der Signalprozessor besitzt eine Lernfunktion zum Korrigieren der besagten Gewichts faktoren derart, daß jede der Verarbeitungseinheiten, die über eines der zugeordneten Verbindungsmittel mit einander verbunden sind, ein optimales Ausgangssignal als Reaktion auf ein ihr zugeführtes Eingangsdatensignal liefert.

In Übereinstimmung mit einem bevorzugten Ausführungsbei spiel der vorliegenden Erfindung ist der den neuronalen Netzwerkaufbau enthaltende Signalprozessor in Schicht bauweise aufgebaut mit mindestens einer Eingangsschicht und einer Ausgangsschicht und es wird auf diese Weise ein neuronales Netzwerk vom Vorwärts-Typ geschaffen derart, daß die Verarbeitungseinheiten in der Eingangs schicht und die Verarbeitungseinheiten in der Ausgangs schicht durch die Verbindungsmittel miteinander ver knüpft sind.

In Übereinstimmung mit einem anderen bevorzugten Ausfüh rungsbeispiel der vorliegenden Erfindung umfassen die Eingabemittel arithmetische Mittel zur Gewinnung eines sich auf einen Fehler und/oder eine Ablagerung auf dem Objekt beziehenden Faktors aus dem von der Prüfvorrich tung erhaltenen Meßsignal und zur Umwandlung dieses Faktors in entsprechende digitale Parameter als Eingabe daten für den Signalprozessor.

Die Signalverarbeitungsvorrichtung nach der vorliegenden Erfindung ist gut für die Analyse und Auswertung von Meßdaten der oben erwähnten Prüfvorrichtung geeignet, die unterschiedliche Vorrichtungen zur zerstörungsfreien Prüfung enthalten kann, wie beispielsweise eine Wirbel stromprüfvorrichtung, insbesondere eine Mehrfachfre quenz-Wirbelstromprüfvorrichtung.

Es wird darauf hingewiesen, daß, wenn nichts anderes ausgesagt ist, der Ausdruck "Fehler" derart interpre tiert werden muß, daß er alle anormalen Bedingungen, wie beispielsweise Defekte und Risse ebenso wie Vertiefungen und Änderungen in der Gesamtform, Korrosionsstellen usw., umfaßt.

Durch die vorliegende Erfindung werden aufgrund der Tatsache, daß der den neuronalen Netzwerkaufbau enthal tende Signalprozessor zur Auswertung der Meßdaten ver wendet wird, folgende Vorteile erreicht:

1. Das von der Prüfvorrichtung kommende Meßsignal wird parametrisiert und als Eingangssignale dem Signal prozessor zugeführt, mit dem Ergebnis, daß die bisher nicht verwendbaren im Meßsignal enthaltenen unterschied lichen Informationen verwendet werden können und somit die gewünschte Analyse und Auswertung mit größerer Genauigkeit als vorher durchgeführt werden kann.
2. Da der den neuronalen Netzwerkaufbau enthaltende Signalprozessor eine Lernfunktion besitzt, ist es poten tiell möglich, über eine analytische Kapazität zu verfü gen, die größer ist als die des ausgebildeten Analyti kers entsprechend dem Ausmaß des Lernens.
3. Durch die Automatisierung der Analyse und Auswer tung der Meßdaten ist es möglich, das Auftreten von menschlichen Irrtümern zu verhindern.
4. Durch die Automatisierung der Analyse und Auswer tung der Meßdaten kann die Auswertezeit im Vergleich mit der Tätigkeit durch den Analytiker beträchtlich herabge setzt werden.
5. Die Analyse und Auswertung der Meßdaten durch den den neuronalen Netzwerkaufbau enthaltenden Signalpro zessor kann mittels eines Personal-Computers durchge führt werden und die Verwendung eines speziell ausgeleg ten besonders großen Computers ist nicht nötig, so daß beispielsweise ein Personal-Computer zu der Stelle hingebracht werden kann, an der die Daten gesammelt werden, um die Analyse und Auswertung der Meßdaten in Echtzeit durchzuführen.

Die oben erwähnten und andere Aufgaben, Merkmale und Vorteile der vorliegenden Erfindung gehen deutlicher hervor aus der nachfolgenden detaillierten Beschreibung ihres bevorzugten Ausführungsbeispiels, welches in Verbindung mit den begleitenden Zeichnungen nur eine veranschaulichende Funktion hat ohne irgendeine Be schränkungsabsicht.

Fig. 1 zeigt den Aufbau einer Signalverarbeitungsvor richtung entsprechend einem Ausführungsbei spiel der vorliegenden Erfindung;

Fig. 2A ist ein Konzeptions-Diagramm, welches den Aufbau des neuronalen Netzwerks vom Vorwärts-Typ zeigt;

Fig. 2B ist ein schematisches Diagramm, welches ein Bei spiel für die Signalverarbeitung innerhalb des Knotens zeigt; und

Fig. 3 ist ein Konzeptions-Diagramm, welches den Aufbau eines neuronalen Netzwerks vom Zwischenver bindungstyp zeigt.

Im Folgenden wird anhand von Fig. 1 eine Ausführungsform einer Signalverarbeitungsvorrichtung erläutert. In der Zeichnung ist die Signalverarbeitungsvorrichtung allge mein mit Bezugsziffer 7 bezeichnet. Die Vorrichtung 7 enthält eine arithmetische Einheit 2, die als Eingabe mittel für den Empfang eines Meßsignals dient, welches von einem Wirbelstrom-Fehlerdetektor 1 abgegeben wird und einen Signalprozessor 6, der einen neuronalen Netz werkaufbau aufweist. In der dargestellten Ausführungs form enthält der Signalprozessor 6 drei Stufen 3, 4 und 5 von neuronalen Netzwerken.

Die arithmetische Einheit 2 führt arithmetische Opera tionen aus zur Umwandlung eines Eingangs-Meßsignals in Parameter in der Form von digitalen Werten. Die Parame ter, die durch diese arithmetische Operation erhalten werden sollen, können in der Form von mindestens einer Kombination unterschiedlicher Parameter, wie beispiels weise Zeitbereichparameter, Frequenzbereichparameter und Parameter, welche den Lissajous-Figuren gegenüberge stellt werden, bereitgestellt werden. Die arithmetische Einheit 2 wählt einige dieser Parameter aus, welche für den Prüfzweck geeignet sind, vorzugsweise in Form einer Kombination und das Meßsignal wird in digitale Werte umgewandelt, die den ausgewählten Parametern ent sprechen. Das von der arithmetischen Einheit 2 erzeugte Datensignal wird als Eingangssignal dem Signalprozessor 6 zugeführt, der den neuronalen Netzwerkaufbau besitzt.

Die spezifischen Verfahren zur Umwandlung der drei Arten von Parametern in digitale Werte durch von der arithme tischen Einheit 2 ausgeführte arithmetische Operationen können beispielsweise folgendermaßen durchgeführt wer den:

1. Zeitbereichparameter:

Die Meßdaten werden in Bezug auf ihre zeitveränder lichen Komponenten in digitale Werte umgewandelt als Parameter in Übereinstimmung mit aus dem Meßsignal erhaltenen Ergebnissen, wie Zeitdifferentialkoeffizien ten oder Korrelationskoeffizienten.

2. Frequenzbereichparameter:

Die Meßdaten werden in Bezug auf den Aufbau ihrer Frequenzkomponenten in digitale Daten umgewandelt als Parameter in Übereinstimmung mit den Ergebnissen einer Fourier-Analyse oder dergleichen.

3. Parameter, die einer Lissajour-Figur gegenüberge stellt werden:

Die aus den Meßdaten erhaltene Fläche einer geschlossenen Kurve, die von einer Lissajous-Figur beschrieben wird, die Phasenwinkel der Wellen oder dergleichen werden als Parameter in digitale Werte umgewandelt.

Bei der vorliegenden Ausführungsform enthält der Signal prozessor 6 ein erstes neuronales Netzwerk 3, ein zwei tes neuronales Netzwerk 4 und ein drittes neuronales Netzwerk 5. Dieser Signalprozessor 6 kann durch Software unter Verwendung irgendeines verfügbaren Personal-Compu ters realisiert werden und somit ist es möglich, einen solchen Personal-Computer an die Stelle zu bringen, an der die Daten gesammelt werden, um eine Datenanalyse in Echtzeit durchzuführen.

Die neuronalen Netzwerke 3, 4 und 5 sind in ihrem Grund aufbau gleich und dieser Grundaufbau wird im folgenden beschrieben:

Das oben erwähnte neuronale Netzwerk stellt ein Modell eines signalverarbeitenden Systems dar, welches die Neuronen eines menschlichen Wesens simuliert und in dem Modell ist eine Mehrzahl von signalverarbeitenden Ein heiten, die den Neuronen entsprechen, über mit vorgege benen Gewichtsfaktoren belegte Verbindungen miteinander verbunden. So besitzt beispielsweise ein neuronales Netzwerk vom Vorwärtstyp in der einfachsten Schichten ausbildung einen Aufbau wie er beispielsweise in Fig. 2A dargestellt ist. Jede Verarbeitungseinheit u₁, u₂, . . . u₉ einer Vielzahl von Verarbeitungseinheiten entspricht einem der Knoten im Netzwerk. Daher werden in der fol genden Diskussion die Ausdrücke "Verarbeitungseinheit" und "Knoten" als synonym miteinander angesehen.

In Fig. 2A weist das neuronale Netzwerk 3 (oder 4 oder 5) einen Aufbau in drei Schichten auf mit einer Ein gangsschicht 9, einer Zwischenschicht 10 und einer Ausgangsschicht 11 und die Schichten sind aus einer Mehrzahl von Knoten 8 (u₁, u₂, . . . u₉) zusammengesetzt. Die in diesen Schichten angeordneten Knoten 8 sind über Verbindungsmittel miteinander verbunden, welche Übertra gungscharakteristiken mit vorgegebenen Gewichtsfaktoren (W_ÿ) besitzen (dies wird weiter unten beschrieben). Bei diesem Typ eines neuronalen Netzwerks ist die Anzahl der Knoten 8 in der Eingangsschicht 9 gegeben durch die Anzahl der Klassen von parametrisierten Eingangssignalen und auch die Anzahl der Knoten 8 in der Ausgangsschicht 11 ist gegeben durch die Anzahl der Klassen von Aus gangssignalen (die Anzahl von auszugebenden Datenwor ten). Andererseits sind sowohl die Anzahl der Schichten als auch die Anzahl der Knoten 8 variabel im Hinblick auf die Zwischenschicht 10.

Die Signalverarbeitung innerhalb jedes Knotens 8 ist schematisch in Fig. 2B dargestellt. Genauer gesagt werden, wie durch die folgende Gleichung (1) gegeben, die Eingangssignale (I₁, I₂, . . . I_n) der vorhergehenden Schicht (der Schicht auf der Eingangsseite) jeweils mit Gewichtsfaktoren (W₁, W₂, . . . W_i, . . . W_n) multipliziert, die der vorhergehenden Schicht entsprechen und es wird die Gesamtsumme ΣW_i × I_i dieser gewichteten Eingangs werte gebildet. Dann wird ein Schwellenwert H_i von der Gesamtsumme abgezogen zur Bestimmung des Wertes X.

X = Σ W_i × T_i - H_i (1)

Der Wert von X wird beispielsweise in eine nicht lineare sigmoide Funktion f (X) eingesetzt wie sie in Gleichung (2) dargestellt ist und durch die ein Ausgangswert 0 erhalten wird.

O_j = f(X) = <1 + tan^-1 (X/u₀) </2 (2)

Es wird darauf hingewiesen, daß die Kennfunktion der Knoten 8 nicht immer auf die oben erwähnte sigmoide Funktion begrenzt ist und andere Funktionen verwendet werden können.

Wenn der Signalprozessor 6 mit einem derartigen neurona len Netzwerkaufbau verwendet wird, wird zunächst eine Betriebsweise in Form eines Lernmodus vorgenommen. Mit "Lernen" ist hierbei die Einstellung der Gewichtsfakto ren W_ÿ zwischen den Knoten und den Schwellenwerten H_j gemeint, um dem Zweck des Informationsverarbeitungs systems gerecht zu werden. Ein spezifisches Lernverfah ren besteht darin, daß eine große Anzahl von Datenpaaren bekannter Eingangssignale (Fragen) und Ausgangssignale (Antworten) erzeugt werden und die Gewichtsfaktoren W_ÿ und die Schwellenwerte (H_i) zwischen den Knoten in einer solchen Weise eingestellt und bestimmt werden, daß die Beziehungen zwischen den Eingangssignalen und den Aus gangssignalen des Prozessors mit den oben erwähnten bekannten Beziehungen im Hinblick auf alle Datenpaare der Eingangssignale und Ausgangssignale übereinstimmen.

Wenn dieser Lernvorgang durchgeführt worden ist besitzen die neuronalen Netzwerke 3 bis 5 des Signalprozessors 6 "Intelligenz" in dem Sinne, daß ein Ausgangssignal (Antwort) als Rechenergebnis jedes Knotens als Antwort auf irgendein unbekanntes Eingangssignal (Frage) herge stellt wird. In dieser Weise führen die Knoten 8 in jedem der neuronalen Netzwerke 3 bis 5 einen parallel verlaufenden Verarbeitungsvorgang aus und die von den Eingangssignalen zu den Ausgangssignalen führenden Verarbeitungsvorgänge werden durch einfache arithmeti sche Operationen bewirkt, was die Verarbeitungsgeschwin digkeit erhöht. Weiterhin können die neuronalen Netzwer ke nach Abschluß des Lernvorgangs während ihrer Verwen dung einem weiteren Lernvorgang unterworfen werden (mit der Wirkung einer Einstellung der Gewichtsfaktoren und der Schwellenwerte auf optimaler Werte) und die Aus wertekapazität kann aufgrund von wiederholten tatsäch lichen Verarbeitungsergebnissen schrittweise verbessert werden.

Während bisher neuronale Netzwerke vom Vorwärts-Typ in Schichtaufbau beschrieben wurden, wurde außerdem ein dem menschlichen Nervensystem näher stehendes Zwischenver bindungsmodell oder Signalverarbeitungssystem mit neuro nalen Netzwerken vom Zwischenverbindungstyp (s. Fig. 3) entwickelt und dieses System kann zur Auswertung eines Meßsignals verwendet werden. Während bei dem neuronalen Netzwerk vom Vorwärts-Typ gemäß Fig. 2 die Zwischenver bindung nur zwischen den jeweiligen Schichten vorgesehen ist und die Knoten innerhalb der gleichen Schicht nicht miteinander verbunden sind, sind beim neuronalen Netz werk vom Zwischenverbindungstyp die Knoten in dreidimen sionaler Weise miteinander verbunden wie in Fig. 3 dargestellt.

Wie nun wieder anhand von Fig. 1 ersichtlich, werden die von der arithmetischen Einheit 2 parametrisierten Daten signale zuerst dem ersten neuronalen Netzwerk 3 zuge führt. In dem ersten neuronalen Netzwerk 3 werden die Datensignale einem Diskriminierungsverfahren zur Unter scheidung eines Fehlers (hier werden Defekte, Risse usw. des Objektes zur Unterscheidung von Vertiefungen als Fehler bezeichnet), von Vertiefungen (einschließlich der Klassifizierung der Dimension) und Ablagerungen (ein schließlich der Klassifizierung von Kupfer und Magnetit Fe₃O₄) und die Ergebnisse werden als Ausgangssignale abgegeben. Aus den Ausgangssignalen des ersten neurona len Netzwerks 3 werden jene Signale, die als "Fehler" diskriminiert wurden, dann dem zweiten neuronalen Netz werk 4 zugeführt, wo der Fehler quantitativ ausgewertet wird. Die quantitative Auswertung des Fehlers umfaßt die Klassifizierung des Umfangs oder der axialen Richtung sowie der inneren oder äußeren Oberfläche und die Iden tifizierung der Dimension und der Tiefe des Fehlers und die Ergebnisse werden als Ausgangssignale abgegeben.

Weiterhin werden die Datensignale, bei denen ein niedri ges S/N-Verhältnis (Signal-Zu-Rausch-Verhältnis) festge stellt wurde und deren Diskriminierung durch das zweite neuronale Netzwerk 4 schwierig ist, dem dritten neurona len Netzwerk 5 zugeführt, welches gelernt hat, die Rauschsignale derart abzutrennen, daß der Fehler quanti tativ ausgewertet werden kann. Wenn sich außerdem herausstellt, daß diese Datensignale auch im dritten neuronalen Netzwerk 5 schwierig zu diskriminieren sind, wird vom dritten neuronalen Netzwerk 5 ein "Grau-Signal" erzeugt. Dort wo ein "Grau-Signal" erzeugt worden ist, wird die Auswertung durchgeführt, indem ein Vergleich zwischen der Diskriminierung durch den ausgebildeten Analytiker und der Diskriminierung durch den Signalpro zessor 6 angestellt wird. Die Erfinder bauten eine Signalverarbeitungsvorrichtung der oben beschriebenen Bauart in einen Personal-Computer (der Handelsname ist PC-9801, NEC Corporation) ein, um die Auswertung von Fehlerprüfdaten durchzuführen und die optimalen Parame ter für das erste, zweite und dritte neuronale Netzwerk 3, 4 und 5 wurden jeweils bestimmt. Dann wurde das System in einem Lernmodus betrieben, indem als Lerndaten eine Gesamtheit von 24 Datenpaaren (Sätze von Eingangs signalen und Ausgangssignalen) verwendet wurde, die zwölf Fehler, vier Vertiefungen, vier Kupferablagerungen und vier Magnetitablagerungen enthielt und die Gewichts faktoren W_ÿ und die Schwellenwerte H_j zwischen den jeweiligen Knoten wurden optimal eingestellt.

Danach wurde eine Fehlerprüfung an einem Prüfkörper (der Wärmeübertragungsleitung eines Dampferzeugers) tatsäch lich durchgeführt und die vom Fehlerdetektor 1 abgegebe nen Meßsignale wurden mit der Signalverarbeitungsein richtung ausgewertet. Als Ergebnis wurden für eine Gesamtheit von 10 Fehlern, Vertiefungen und Ablagerun gen, wie unten dargestellt, hundertprozentig korrekte Antworten erhalten. Weiterhin war die für die Auswertung erforderliche Zeit kleiner als eine Sekunde für jedes Eingangsdatensignal.

1. Ein Fehler mit einer Tiefe von 80%, der Dicke in Umfangsrichtung an der inneren Oberfläche der Probe.
2. Ein Fehler mit einer Tiefe von 80% der Dicke in Umfangsrichtung an der äußeren Oberfläche der Probe.
3. Ein Fehler mit einer Tiefe von 80% der Dicke in axialer Richtung an der inneren Oberfläche der Probe.
4. Ein Fehler mit einer Tiefe von 80% der Dicke in axialer Richtung an der äußeren Oberfläche der Probe.
5. Eine Vertiefung A in der äußeren Oberfläche der Probe.
6. Eine Vertiefung B in der äußeren Oberfläche der Probe (die sich in ihrer Dimension von der Ver tiefung A unterschied).
7. Eine Kupferablagerung A an der äußeren Oberfläche der Probe.
8. Eine Kupferablagerung B an der äußeren Oberfläche der Probe (die sich in ihrer Dimension von der Ablagerung A unterschied).
9. Eine Magnetitablagerung A an der äußeren Ober fläche der Probe.
10. Eine Magnetitablagerung B an der äußeren Ober fläche der Probe (die sich in der Dimension von der Ablagerung A unterschied).

Es wird darauf hingewiesen, daß, während bei dem oben erläuterten Ausführungsbeispiel der Signalprozessor 6 drei neuronale Netzwerke 3, 4 und 5 enthält, es über flüssig ist zu erwähnen, daß ein einziges neuronales Netzwerk verwendet werden kann, um die Auswertung von Meßdaten vorzunehmen. Weiterhin ist die oben beschriebe ne Signalverarbeitungsvorrichtung auf die Analyse und Auswertung von Meßdaten verwendbar, die von irgendeiner anderen zerstörungsfreien Prüfung als der Wirbelstrom- Fehlerprüfung stammen.

Claims

1. Signalverarbeitungsvorrichtung zur Auswertung von Prüfdaten mit einer Eingabeeinrichtung (2) zum Empfang eines von einer Prüfvorrichtung (1) kommenden Meßsig nals, das als Ergebnis der Prüfung eines von der Prüf vorrichtung (1) zu prüfenden Objekts erzeugt wurde, und einer Auswerteeinrichtung (6) zum Analysieren des von der Eingabeeinrichtung (2) zugeführten Meßsignals, um den Zustand des Auftretens eines Fehlers und/oder einer Ablagerung auf dem Objekt auszuwerten, dadurch gekenn zeichnet, daß die Auswerteeinrichtung (6) eine Signal verarbeitungseinrichtung (3, 4, 5) in Form eines neuro nalen Netzwerkaufbaus enthält, mit einer Mehrzahl von Verarbeitungseinheiten (8, u₁ . . . u₉), von denen jede eine individuell vorgegebene Ein-Ausgabe-Kennfunk tion aufweist, und einer Mehrzahl von Verbindungsein richtungen (W₄ . . . W_i . . . W_n) zur Verknüpfung der Verarbei tungseinheiten miteinander mit jeweils individuellen Übertragungscharakteristiken aufgrund vorgegebener Gewichtsfaktoren (W_ÿ) zur Bildung einer Mehrzahl von Knoten des neuronalen Netzwerks durch die Verarbeitungs einheiten und daß die Signalverarbeitungseinrichtung (3, 4, 5) eine Lernfunktion zur Korrektur der Gewichtsfakto ren (W_ÿ) besitzt derart, daß jede der Verarbeitungsein heiten (8, u₁ . . . u₉) ein optimales Ausgangssignal als Reaktion auf ein ihr zugeführtes Eingangsdatensignal liefert.

2. Signalverarbeitungsvorrichtung nach Anspruch 1, dadurch gekennzeichnet, daß die Signalverarbeitungsein richtung (3, 4, 5) in Schichtbauweise aufgebaut ist mit mindestens einer Eingangsschicht (9) und einer Ausgangs schicht (11) und daß die Verarbeitungseinheiten (8, u₁ . . . u₉) in der Eingangsschicht (9) und die Verarbei tungseinheiten (8, u₁ . . . u₉) in der Ausgangsschicht (11) jeweils durch die Verbindungseinrichtungen (W₁ . . . W_i . . . W_n) miteinander verknüpft sind zur Bildung eines neuro nalen Netzwerks vom Vorwärts-Typ.

3. Signalverarbeitungsvorrichtung nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß die Eingabeeinrichtung (2) arithmetische Einheiten enthält zur Gewinnung eines sich auf einen Fehler und/oder eine Ablagerung auf dem Objekt beziehenden Faktors aus dem Meßsignal und zur Umwandlung desselben in digitale Werte als Eingabedaten für die Signalverarbeitungseinrichtung (3, 4, 5).