Ocena wpływu błędu określania emisyjności powierzchni na błąd wyznaczania głębokości defektu z zastosowaniem termografii aktywnej i sztucznej sieci neuronowej

• Autorzy: Dudzik S.

Warianty tytułu

EN

An analysis of systematic interactions in defect depth estimation using active thermography and artificial neural network

• Języki publikacji: PL

Abstrakty

PL

W pracy zaprezentowano algorytm wyznaczania głębokości defektów, metodą aktywnej termografii w podczerwieni. Podstawą działania algorytmu jest sztuczna sieć neuronowa uczona z zastosowaniem przebiegów czasowych temperatury, zarejestrowanych za pomocą kamery termowizyjnej na powierzchni próbki testowej. Dodatkowo w pracy zaprezentowano wyniki analizy wpływu błędu określania emisyjności powierzchni próbki testowej na dokładność wyznaczania głębokości defektów powietrznych za pomocą opisywanego algorytmu.

EN

In this work the investigation results of an algorithm for defect depth estimation are presented. This algorithm uses an active thermography data and artificial neural network. In introduction a model of temperature measurement with an infrared camera is described. Further, in Section 1.1 the main error sources in the passive thermographic procedure are pointed out. The algorithm of defect depth estimation is presented in Section 1.3. It is based on the artificial neural network trained with the temporal evolutions of temperature of the investigated specimen, recorded with use of an infrared camera. In Section 2, the methodology and results of the experimental research using the stepped heating method are described. In the investigations two specimens containing aerial defects were used. The specimens were made of polymethyl methacrylate. Based on the thermal inspections of the specimen surface, three training datasets were created. They represented three phases of the heat transfer process occurring in the investigated specimens (i.e. heating, cooling, heating and cooling). In Section 3 the methodology and results of the simulation research are presented. In particular, the influence of the emissivity error on the accuracy of defect depth estimation was examined. The simulation results as the components of the relative error of defect depth estimation connected with the emissivity error are shown in Figs. 9, 10. Based on the simulations, the quantitative conclusions regarding the algorithm sensitivity to the emissivity error are formulated.

Słowa kluczowe

PL

termografia aktywna; sieć neuronowa; wyznaczanie głębokości defektu

EN

active thermography; artificial neural network; defect depth estimation

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2013
• Tom: R. 59, nr 7
• Strony: 717--720
• Opis fizyczny: Bibliogr. 6 poz., rys., tab., wykr., wzory

Twórcy

autor

Dudzik S.

• Politechnika Częstochowska, Wydział Elektryczny, Instytut Elektroniki i Systemów Sterowania, ul. Armii Krajowej 17, 42-200 Częstochowa

Bibliografia

• [1] Minkina W., Dudzik S.: Infrared Thermography: Errors and Uncertainties, John Wiley & Sons, Chichester, 2009.
• [2] Maldague X. P.: Theory and practice of infrared technology for nondestructive testing, John Wiley & Sons Interscience, 2001.
• [3] Dudzik S.: Approximation of thermal background applied to defect detection using the methods of active thermography, Metrology and Measurement Systems 17 (4), 2010, 621–636.
• [4] Dudzik S.: Application of the naive Bayes classifier to defect characterization using active thermography, Journal of Nondestructive Evaluation, (31) 4, 2012, pp. 383-392, DOI: 10.1007/s10921-012-0149-5.
• [5] Dudzik S.: Analysis of the accuracy of a neural algorithm for defect depth estimation using PCA processing from active thermography data, Infrared Physics and Technology, (56) 2013, pp. 1-7, DOI: 10.1016/j.infrared.2012.08.006.
• [6] Dudzik S.: Investigations of a heat exchanger using infrared thermography and artificial neural networks, Sensors & Actuators: A. Physical 166 (1), 2011, 149–156.