기계학습 기반 비파괴 신호 해석 및 노이즈 제거

Machine Learning for Nondestructive Signal Interpretation and Denoising

연구 내용

비파괴검사에서 취득한 와전류·초음파 신호를 데이터셋 특성화와 딥러닝 모델로 분석하고, 신호 혼합에서 결함 관련 성분을 추출하는 연구

비파괴평가(NDE)에서 취득되는 데이터는 측정 조건, 프로브/센서 구성, 결함 유형에 따라 분포가 달라 신호 해석의 불확실성이 발생합니다. 연구실은 와전류 검사와 초음파 A-scan을 대상으로 신호처리 관점에서 데이터 소스와 특징 추출 절차를 정리하고, 노이즈/배경 성분을 분리해 결함 신호를 복원하는 Denoising Autoencoder 기반 접근을 수행합니다. 이를 통해 현장 적용에서 해석 부담을 줄이고, 자동화 검증 절차까지 포함한 학술적 설계를 지향합니다.

관련 프로젝트

0건

연구 흐름

초기에는 초음파 A-scan에서 기하학적 인터페이스로 인한 혼합 신호 문제를 해결하기 위해 Denoising Autoencoder를 학습시켜 배경 성분을 제거하고 결함 신호를 추출하는 방향으로 연구를 수행하였습니다. 이후에는 와전류 검사(ECT) 데이터에 기계학습을 적용하기 위한 전체 워크플로를 체계화하기 위해 데이터 수집, 특징 추출, 모델 선택, 성능 평가 및 검증/검증 관련 이슈를 문헌 기반으로 정리하였습니다. 이를 통해 데이터셋 구성과 모델링 설계 간의 연결고리를 파악하고 후속 연구의 공백을 도출하였습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

와전류 검사 데이터 자동 분석
초음파 A-scan 결함 신호 추출
신호 혼합 환경의 노이즈 억제
프로브 구성별 특성 비교 프레임
현장 의사결정용 자동 전처리
검사 데이터셋 설계 가이드
모델 성능 검증 파이프라인
불확실성 기반 판정 지원
결함 분류를 위한 특징 학습
운영자 해석 부담 감소