Data fusion for automated non-destructive inspection.
Data fusion for automated non-destructive inspection.
复制标题
DOI：
10.1098/rspa.2014.0167
复制
发表时间：
2014-07-08
期刊：
影响因子：
--
通讯作者：
Cawley P
中科院分区：
文献类型：
--
作者：
Brierley N;Tippetts T;Cawley P
在工业无损评估（NDE）中，数据采集自动化越来越普遍，推动了最近数据可用性的大幅增加。需要对收集到的数据进行分析，这通常需要熟练操作员进行艰苦的手工劳动。此外，在自动化NDE中，被检查部件的区域通常被询问多次，无论是在单个数据通道内（由于多个探头通过）、跨多个通道同时采集还是在重复检查的过程中采集。这些不同读数的系统组合被认为提供了提高检查可靠性的机会，但在手动分析中无法实现。本文介绍了一种基于数据融合的软件框架，提供了部分自动化功能，允许组件区域被宣布为无缺陷的一个非常高的概率，同时很容易识别缺陷的迹象，从而优化使用操作员的时间。该系统的设计适用于广泛的自动化无损检测方案，但处理的例子是使用工业超声浸没检查的航空航天涡轮机盘。工业数据集获得的结果表明，在一个给定的检测概率，可实现使用开发的软件系统的数量级减少假呼叫率。
In industrial non-destructive evaluation (NDE), it is increasingly common for data acquisition to be automated, driving a recent substantial increase in the availability of data. The collected data need to be analysed, typically necessitating the painstaking manual labour of a skilled operator. Moreover, in automated NDE a region of an inspected component is typically interrogated several times, be it within a single data channel due to multiple probe passes, across several channels acquired simultaneously or over the course of repeated inspections. The systematic combination of these diverse readings is recognized to offer an opportunity to improve the reliability of the inspection, but is not achievable in a manual analysis. This paper describes a data-fusion-based software framework providing a partial automation capability, allowing component regions to be declared defect-free to a very high probability while readily identifying defect indications, thereby optimizing the use of the operator's time. The system is designed to applicable to a wide range of automated NDE scenarios, but the processing is exemplified using the industrial ultrasonic immersion inspection of aerospace turbine discs. Results obtained for industrial datasets demonstrate an orders-of-magnitude reduction in false-call rates, for a given probability of detection, achievable using the developed software system.
登录
查看更多内容
影响因子：
4.2
作者：
Horn, D;Mayo, WR
通讯作者：
Mayo, WR
影响因子：
4.2
作者：
Holmes, C;Drinkwater, BW;Wilcox, PD
通讯作者：
Wilcox, PD
影响因子：
1.4
作者：
GROS, XE;STRACHAN, P;LOWDEN, DW
通讯作者：
LOWDEN, DW
影响因子：
3.8
作者：
Kohl, C;Krause, M;Wöstmann, J
通讯作者：
Wöstmann, J
影响因子：
4.2
作者：
Gros, XE;Bousigue, J;Takahashi, K
通讯作者：
Takahashi, K