Reliable defect detection using machine learning for ultrasonic inspection of nuclear power plant welds

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
Insinööritieteiden korkeakoulu | Master's thesis
Date
2020-10-19
Department
Major/Subject
Mcode
Degree programme
Master's Programme in Mechanical Engineering (MEC)
Language
en
Pages
49
Series
Abstract
Ultrasonic testing of austenitic stainless steel welds is tedious due to the complex material structure that causes much noise and attenuates sound immensely. State-of-the-art phased array systems is used to improve the reliability of inspection by recording richer data sets with a higher signal-to-noise ratio (SNR). However, this further burdens the inspector because of the large amount of data to examine. Convolutional neural networks have been successful for past years as a result of the development of large-scale data sets. These data set have allowed models to obtain high accuracy in demanding task, that was earlier con- sidered infeasible. Image classification network has been successfully employed to analyse ultrasonic B-scans and compared to human inspectors, showing superhuman performance but with only a few different flaws available. In these studies, data augmentation has been utilised to obtain feasible sized data sets. It is of interest to employ image classification algorithms to more complex ultrasonic data with an increased number of flaws. The purpose of this thesis is to construct a convolutional neural network to classify virtually embedded flaws from multichannel B-scan obtained from austenitic stainless steel weld in- spection. These welds simulate critical component of nuclear power plants. Moreover, the research includes verification of the model by predicting out-of-sample scans of a previ- ously unseen weld canvas to assess the reliability of inspection. The results of this thesis show that 1) austenitic stainless steel weld B-scans has very high noise content that can conceal the embedded flaw signals; 2) the model can obtain good performance in image classification of multi-channel austenitic stainless steel weld B-scans; thus, displaying high reliability; 3) the key for employing machine learning in ultrasonic inspection is the large-scale data sets composed with sophisticated data augmentation due to the lack of flawed samples, which is typical for such inspection; 4) the model is suscep- tible to the trained flaw sizes; by excluding small flaws from training the model learns pat- terns more efficiently without large false call rates.

Austeniittisten ruostumattomien terästen hitsien ultraäänitarkastus on pitkäveteistä monimutkaisen materiaalirakenteen vuoksi, joka aiheuttaa paljon kohinaa ja vaimentaa ultraääntä valtavasti. Viimeisimpiä vaiheistettuja ultraäänijärjestelmiä käytetään parantamaan tarkastusten luotettavuutta tallentamalla runsaampia datajoukkoja korkeammalla signaali-kohinasuhteella. Tämä kuitenkin kuormittaa tarkastajaa, sillä läpikäytävän datan määrä kasvaa. Konvoluutioneuroverkot ovat olleet menestyksekkäitä viimeiset vuodet mittavien datajoukkojen kehittymisen seurauksena. Nämä datajoukot ovat mahdollistaneet mallien korkean tarkkuuden vaativissa tehtävissä, jota pidettiin aiemmin mahdottomana. Kuvaluokitusneuroverkkoja on sovellettu menestyksekkäästi ultraääni B-kuvien analysointiin, ja tuloksia on verrattu ihmistarkastajiin, jolloin malli on näyttänyt yli-inhimillisiä tuloksia vertailussa, mutta käytettävissä on pelkästään ollut muutama erilainen vika. Tässä tutkimuksessa sovellettiin data augmentaatiota, jotta saavutetaan riittävän suuri datajoukko. Kiinnostuksen kohteena on käyttää kuvienluokitusalgoritmia haastavampaan ultraäänidataan, jossa on enemmän vikoja käytettävissä. Tämän tutkimuksen tarkoitus on luoda konvoluutioneuroverkko virtuaalisesti upotettujen vikojen tunnistukseen monikanavaisista B-kuvista, jotka on saatu austeniitisten ruostumattomien teräksien hitsien tarkastuksesta. Nämä hitsit simuloivat ydinvoimalaitoksien kriittisiä komponentteja. Lisäksi tämä tutkimus sisältää mallin verifikaation arvioimalla ennalta näkemättömän hitsin B-kuvia, jolla tarkastuksen luotettavuus voidaan määrittää. Tutkimuksen tulokset näyttävät, että 1) austeniittisten hitsien B-kuvat kantavat suuren määrän kohinaa, joka pystyy peittämään upotetun vian signaalit; 2) malli pystyy saavuttamaan hyvän suorituskyvyn monikanavaisten austeniitisten ruostumattomien teräksien hitsien B-kuvien kuvientunnistuksessa; 3) yksi merkittävimmistä tekijöistä koneopissa on mittavat datajoukot, jotka on kerätty käyttämällä hienostunutta data-augmentaatiota, mikä on johtunut viallisten näytteiden puutteesta, joka on tyypillistä vastaavissa tarkastuksissa; 4) malli on herkkä koulutetuille vian koille; poistamalla pienet viat koulutusvaiheesta voidaan malli opettaa tunnistamaan kuvioita paljon tehokkaammin ilman suuria määriä virhearvioita.
Description
Supervisor
Virkkunen, Iikka
Thesis advisor
Koskinen, Tuomas
Keywords
phased array, ultrasonic testing, machine learning, image classification
Other note
Citation