In this study, a rapid, accurate, and advanced non-destructive testing method and data evaluation automation algorithm for aerospace structures were investigated. Aerospace structures are undergoing research for lightweight and miniaturization by applying new composite materials and processing techniques. Carbon fiber composites are being used in most structures to reduce weight and improve launch capabilities, and there is growing interest in replacing traditional composite fabrication processes and components with 3D printing technology. However, defect detection in composites is still critical, and 3D printed composites have technical limitations that make them prone to in-process defects. Due to the safety and reliability requirements of the aerospace industry, non-destructive testing methods are essential to ensure the structural health of these materials and processes. To date, nondestructive testing has made great strides in researching automated inspection techniques and processing data for visualization. However, data evaluation is highly dependent on the evaluation of inspectors and experts, which is highly dependent on experience and skill. Therefore, in this study, an automated algorithm for nondestructive testing data evaluation based on deep learning is developed and automated data evaluation results are presented. Data were collected through pulse echo laser ultrasonic testing and labeled by cross-validation with X-ray Micro-CT. An adversarial generation model and signal processing technique Various Time Window Amplitude Averaging (VTWAA) were devised to construct the dataset, and a Deep Ensemble Convolutional Neural Network (DECNN) deep learning model was designed for artificial intelligence learning. The data evaluation results were validated by cross-checking the results of Pulse-echo Ultrasonic Propagation Imaging (PUPI) and X-ray Micro-CT. Finally, software was developed to embed the PUPI data evaluation algorithm proposed in this study and to enable visualization and data analysis. The algorithm developed in this study is expected to promote structural lightweight and improvement of structural health, such as advances in the use of composite materials and manufacturing techniques, as it provides information and visualization results on defects through rapid and accurate diagnosis and automatic report generation through SW. It is also expected to improve the efficiency of aerospace nondestructive testing technology by presenting objective and automated data evaluation results.
본 연구에서는 항공우주 구조물 대상 신속, 정확한 첨단 비파괴검사 방법의 데이터 평가 자동화 알고리즘에 대한 연구를 수행하였다. 항공우주 구조물은 새로운 복합 소재 및 공정 기법을 적용하며 경량화, 소형화를 위한 연구가 진행되고 있다. 대부분의 구조물에 탄소섬유 복합재료를 사용하여 경량화와 발사능력을 향상하고 있고, 최근 3D 프린팅 기술을 통해 기존 복합재 제작 공정과 부품의 대체에 대한 관심이 높아지고 있다. 하지만 여전히 복합재에 대한 결함 탐지는 중요하고, 3D 프린팅을 통해 제작된 복합 소재는 기술적 한계가 존재하여 제작 과정에서 결함들이 발생하기 쉽다. 안전성과 신뢰성이 요구되는 항공우주산업의 특성상 이러한 소재와 공정에 대한 구조건전성 확보를 위해 비파괴검사방법은 필수적이다. 현재까지 비파괴검사는 검사 자동화 기법 연구와 가시화를 위한 데이터 처리에서 많은 발전이 이루어졌다. 하지만 데이터 평가는 검사자 및 전문가의 평가에 높은 의존도를 보이고, 이는 경험과 기량에 크게 좌우된다. 따라서 본 연구에서는 딥러닝기반 비파괴검사 데이터 평가 자동화 알고리즘을 개발하여 자동화된 데이터 평가 결과를 제시한다. 펄스 에코 레이저 초음파 검사를 통해 데이터를 수집하고, X-ray Micro-CT와 교차 검증하여 데이터를 라벨링 하였다. 적대적 생성 모델과 신호 처리 기법 Various Time Window Amplitude Averaging (VTWAA)을 고안하여 데이터셋을 구성하였고, Deep Ensemble Convolutional Neural Network (DECNN) 딥러닝 모델을 설계하여 인공지능 학습을 하였다. 데이터 평가 결과는 Pulse-echo Ultrasonic Propagation Imaging (PUPI)와 X-ray Micro-CT 결과를 교차하여 검증하였다. 연속섬유 3D 프린팅 CFRP 복합재와 Conventional CFRP 평판, 그리고 무인기 실 구조물을 대상으로 하여 진단 결과를 제시하였다. 최종적으로 본 연구에서 제안한 PUPI 데이터 평가 알고리즘을 삽입하고, 가시화 및 데이터 분석을 할 수 있는 소프트웨어를 개발하였다. 본 연구를 통해 개발된 알고리즘은 SW를 통해 신속, 정확하게 진단하고 보고서 자동 작성을 통해 결함에 대한 정보와 가시화 결과를 제시하므로, 복합 소재 사용 및 제작 기법의 발전 등 구조 경량화와 구조 건전성 향상을 도모할 것으로 예상된다. 또한 객관적이고 자동화된 데이터 평가 결과를 제시하여 항공우주 비파괴검사 기술의 효율성을 향상할 것으로 예상된다.
