CONAEND&IEV IDENTIFICAÇÃO DE DEFEITOS EM JUNTAS SOLDADAS INSPECIONADAS POR

Transcrição

1 CONAEND&IEV IDENTIFICAÇÃO DE DEFEITOS EM JUNTAS SOLDADAS INSPECIONADAS POR ULTRASSOM ATRAVÉS DE REDES NEURAIS ARTIFICIAIS COM PRÉ- PROCESSAMENTO PELA TRANSFORMADA DISCRETA DO COSSENO Inaian S. S. Souza 1, Maria Cléa S. de Albuquerque2, Eduardo F. de Simas Filho 3, Francisco G. de Paula 4, Renata T. M. Sotero 5, Claúdia T. T. Farias 6 Copyright 2012, ABENDI, PROMAI. Trabalho apresentado durante o XXX Congresso Nacional de Ensaios Não Destrutivos e Inspeção. 16º IEV Conferencia Internacional sobre Evaluación de Integridad y Extensión de Vida de Equipos Industriales. As informações e opiniões contidas neste trabalho são de exclusiva responsabilidade do(s) autor(es). SINOPSE Técnicas de inteligência computacional, em especial as redes neurais artificiais (RNA), vêm sendo aplicadas na solução de diversos problemas na área industrial. Na inspeção de equipamentos, sistemas baseados em RNAs auxíliam o operador no diagnóstico a partir da classificação automática dos sinais obtidos no ensaio. Considerando a inspeção não-destrutiva por ultrassom, a transformada de Fourier em sua versão discreta (DTFT Discrete Time Fourier Transform), é amplamente utilizada como forma de pré-processamento digital dos sinais adquiridos. A transformação para o domínio da frequência através da DTFT permite, ao mesmo tempo, melhor caracterização das assinaturas medidas e redução da quantidade de informação necessária (compactação). Esta última característica é muito importante para a eficiência de sistemas automáticos de classificação. Este trabalho propõe o estudo da aplicação da transformada discreta do cosseno (DCT Discrete Cosine Transform), como pré-processamento para sinais de ultrassom em substituição à DTFT num sistema automático de inspeção por ultrassom de juntas soldadas. A DCT é amplamente utilizada em sistemas de compressão de imagem e vídeo pois é capaz de atingir altos níveis de compactação da informação, preservando grande parte da informação em um número reduzido de componentes. Deste modo, a DCT será aplicada aos sinais A-SCAN obtidos durante a inspeção ultrassônica com a técnica Phased Array e os seus coeficientes utilizados para alimentar um sistema neural de classificação. Os resultados obtidos com a técnica proposta serão comparados com os de um classificador neural treinado com os coeficientes da DTFT considerando aspectos como eficiência de discriminação, e custo computacional. 1 Graduanda, Engenharia Elétrica - LEUS/GPEND/IFBA 2 Drª Engenharia de Processos - LEUS/GPEND/IFBA 3 Dr. Engenharia Elétrica DEE/UFBA 4 Graduando, Engenharia Mecânica - LEUS/GPEND/IFBA 5 Graduanda, Engenharia Mecânica - LEUS/GPEND/IFBA 6 Drª Engenharia Metalúrgica e de Materiais - LEUS/GPEND/IFBA 321

2 1. INTRODUÇÃO Durante a fabricação de uma peça soldada ou após algum tempo de uso, imperfeições ou defeitos podem surgir. Em muitos casos os defeitos não são identificados a partir de uma inspeção visual, sendo necessária a realização de ensaios não destrutivos (como o ultrassônico) para a detecção de descontinuidades internas da peça. A forma mais comum para representar a interação do ultrassom com o meio é a curva tempo x tensão, chamada de A-Scan. A memória dos sistemas ultrassônicos permite o armazenamento de sinais A-Scan, tornando possível a inclusão em base histórica de dados e a avaliação ou processamento em computadores [1,2]. O sinal A-Scan pode ser obtido através de diferentes técnicas de inspeção, entre elas, a Phased Array. Recentemente, diferentes técnicas de processamento digital de sinais têm sido utilizadas e algumas delas estão sendo empregadas para sinais ultrassônicos [3,4,5]. Essas técnicas permitem extrair as informações transportadas pelos sinais. Os sistemas de classificação por Redes Neurais Artificiais (RNA) também estão sendo utilizados em larga escala [6,7,8] Este trabalho propõe a utilização da transformada discreta do cosseno (Discrete Cosine Transform DCT)), como forma de Pré-Processamento dos sinais A-Scan obtidos durantes a inspeção ultrassônica Phased Array. Os coeficientes mais significativos da DCT serão utilizados para alimentar um classificador neural. 2. FUNDAMENTAÇÃO TEÓRICA 2.1 Inspeção Ultrassônica por Phased Array O avanço da tecnologia dos computadores tem proporcionado o surgimento de processadores e circuitos mais rápidos, e, principalmente de materiais piezocompostos para fabricação de novos cristais. A partir da década de 90 foi possível o desenvolvimento de uma tecnologia especial em que dezenas de pequenos cristais atuam em um mesmo transdutor. Cada pequeno cristal está ligado à circuitos independentes capazes de controlar o tempo de excitação independentemente um dos outros cristais. O resultado de tudo isso é a modificação do comportamento do feixe sônico emitido pelo conjunto de cristais ou pelo transdutor[9]. Na área industrial, o uso do Phased Array é recente, mas tem ganhado espaço rapidamente devido à sua flexibilidade de controlar eletronicamente o feixe e aos recursos de visualização [10]. Durante a inspeção ultrassônica Phased Array, é possível observar na tela do ultrassom uma imagem da região que está sendo inspecionada, no formato S-Scan. A representação dos dados de inspeção em S-Scan fornece uma imagem global da superfície inspecionada e uma rápida informação deste componente da mesma forma que ilustra as possíveis descontinuidades percebidas pelas leis focais. presentes. Mas também é possível verificar os sinais A-Scan obtidos, onde os ecos na tela indicam a reflexão do som nas interfaces.[11] 322

3 2.2. Transformada Discreta do Cosseno A DCT é muito utilizada no processamento digital de imagens e na compressão de dados. É uma técnica para converter um sinal em componentes de frequências elementares [4]. Esta transformada tem tido uma grande aceitação dentro do tratamento digital de imagens. A energia do sinal é igual à energia dos coeficientes da transformada. A DCT de comprimento N e de um sinal x(n) pode ser definida [12] como: Onde A DCT inversa correspondente é dada por Através da aplicação da DCT, grande parcela da energia dos dados é armazenada em poucos coeficientes. Entre as principais aplicações da transformada discreta do cosseno pode-se mencionar: codificação e filtragem de imagens, reconhecimento de padrões extração de características. Pode-se destacar o desenvolvimento de algoritmos rápidos para a implementação eficiente, utilizando apenas aritmética real, que contribuiu ainda mais para a sua popularidade. A DCT também é uma das principais ferramentas para aplicações de compressão de dados em teleconferência. [13,14] A DCT está relacionada com a Transformada Discreta de Fourier (Discrete Fourier Transform-DFT). A diferença é que a primeira é uma transformada real, devido a base ser composta exclusivamente de funções cosseno, ao invés de senos e cossenos, como a DFT [13]. 323

4 2.3 Redes Neurais As redes neurais artificiais (RNA) foram criadas para simular a inteligência do cérebro humano. Sua estrutura típica é formada por um arranjo de neurônios artificiais que trabalham em paralelo com o intuito de classificar e generalizar dados de entrada em classes de saída [15]. Assim como o cérebro humano, uma das características mais importante da rede neural artificial é o aprendizado a partir de exemplos. Após o treinamento é testada a capacidade da rede neural em generalizar entradas, não presentes no treinamento, de acordo com os exemplos fornecidos na fase de treinamento da rede [16]. O processo de treinamento é baseado na modificação dos pesos sinápticos de cada neurônio da RNA de forma a se atingir o resultado esperado. O algoritmo backpropagation é o mais utilizado para este fim [17]. A saída do neurônio artificial é definida por: Sendo Wi os pesos sinápticos, Xi as entradas e h a função de ativação. 3. METODOLOGIA 3.1 Corpo de Prova Neste trabalho foi utilizada uma chapa de aço carbono soldada pelos processos de soldagem ao arco elétrico TIG e eletrodo revestido. As dimensões do corpo de prova são especificadas através da ilustração abaixo (Fig. 01). Durante o processo de soldagem, alguns defeitos como porosidades, inclusão de escória e falta de penetração foram propositadamente inseridos ao longo da peça. Foram realizados ensaios ultrassônicos, através da técnica Phased Array para determinação da localização de regiões com os defeitos de solda pré-produzidos em duas linhas paralelas ao cordão de solda. A primeira linha foi traçada com a distância de 37,50 mm em relação ao cordão de solda e a segunda, com 43,30 mm (conforme ilustrado na Figura 01). Essas distâncias foram escolhidas por causa da interferência do campo próximo do transdutor em relação a distâncias menores ao cordão de solda. A localização dos defeitos foi confirmada por uma inspeção por Raio-X. 324

5 Figura 01 Dimensões do Corpo de Prova. 3.2 Processamento Digital de Sinais Neste trabalho é proposta a utilização da transformada discreta do cosseno para extrair características relevantes que alimentam um sistema automático de classificação de defeitos em juntas soldadas baseado numa rede neural artificial. O diagrama da Figura 02 ilustra o método proposto. Aquisição de sinais Transformada Discreta do Cosseno Treinamento da Rede Neural Teste da Rede Neural Figura 02 Fluxograma do Classificador Neural baseado na análise discreta do Cosseno. Os sinais passaram pela etapa de pré-processamento digital, utilizando a DCT em ambiente computacional Matlab. Os coeficientes da DCT foram utilizados para alimentar a rede neural perceptron de múltiplas camadas. Os sinais de cada classe foram divididos em 3 conjuntos: treino, teste e validação. 4. RESULTADOS Durante a varredura ultrassônica, 100 sinais foram obtidos para cada classe. O resultado do classificador neural foi exposto através da matriz de confusão. A matriz de confusão mostra o número de classificações corretas e incorretas, considerando um conjunto de exemplos. O número de acertos para cada classe se encontra na diagonal principal. Os demais elementos representam erros na classificação. Inicialmente, fez-se a aquisição dos sinais A-Scan, através da técnica ultrassônica Phased Array. Durante o processamento de sinais, as transformadas discretas do Cosseno e de Fourier, foram aplicadas separadamente. Em seguida, a rede neural foi treinada com 70% de sinais de cada região. Finalmente, foi realizado o teste da rede neural com 30% dos sinais. 325

6 A Figura 03 representa os gráficos dos sinais no domínio do tempo. O gráfico do sinal característico da falta de penetração é o que se destaca porque tem a maior amplitude na região que contém o defeito. O sinal característico da porosidade tem uma amplitude baixa, não tem picos e assemelha-se ao gráfico do sinal sem defeito. O sinal de inclusão de escória tem uma pequena amplitude na região que contém o defeito. Figura 03 Sinais correspondentes a regiões sem defeito, com inclusão de escória, porosidade e falta de penetração. A Figura 04 mostra os sinais no domínio da frequência, após aplicação da transformada de Fourier. Novamente, o sinal característico da falta de penetração é aquele com a maior amplitude de pico na região que contém o defeito. Os três gráficos restantes são muito semelhantes em termos da amplitude do defeito. O sinal da porosidade é semelhante ao da região sem defeito. 326

7 Figura 04 Sinais sem defeito, com inclusão de escória, porosidade e falta de penetração após FFT. A Figura 05 apresenta os sinais, após aplicação da transformada discreta do cosseno. Semelhante às análises anteriores, o gráfico do sinal característico da falta de penetração é aquele com a maior amplitude de pico na região que contém o defeito. Os três gráficos restantes são muito semelhantes em termos da amplitude do defeito. Novamente, gráfico da porosidade é o que mais se assemelha ao da região sem defeito. Pode-se observar que, para todas as classes de interesse, a energia dos sinais está concentrada nos primeiros 120 coeficientes da DCT e por isso os demais coeficientes não foram utilizados para a classificação. 327

8 Figura 05 Sinais sem defeito, com inclusão de escória, porosidade e falta de penetração, após DCT. A Tabela 01 ilustra os resultados obtidos pelo classificador neural alimentado a partir da Transformada Discreta de Fourier. A tabela mostra os erros e acertos de cada classe estudada. Pode-se inferir que o maior acerto foi da região de inclusão de escória (82%) e o maior erro foi da região sem defeito (33%). Tabela 01 Matriz de confusão obtida pelo classificador neural após a Transformada Discreta de Fourier. Falta de Inclusão de Classe Sem Defeito Porosidade Penetração Escória Sem defeito Falta de Penetração Inclusão de Escória Porosidade A Tabela 02 ilustra os resultados obtidos pelo classificador neural alimentado a partir da Transformada Discreta do Cosseno. A tabela mostra os erros e acertos de cada classe estudada. Pode-se inferir que as regiões de maiores acertos foram: sem defeito e falta de penetração (81%) e o maior erro foi da região de porosidade (23%). Tabela 02 Matriz de confusão obtida pelo classificador neural após a Transformada Discreta do Cosseno. Classe Sem Defeito Falta de Penetração Inclusão de Escória Porosidade Sem defeito Falta de Penetração Inclusão de Escória Porosidade

9 É possível notar que a partir da DCT, para o sinal sem defeito obteve-se um acerto consideravelmente maior em relação à FFT. Da mesma forma que as assinaturas de falta de penetração foram identificados com maior eficiência com a DCT. Já o sinal de inclusão de escória foi identificado com maior êxito através da FFT. O sinal de porosidade obteve uma pequena diferença entre duas transformadas, mas com a DCT o resultado foi melhor. De maneira geral, a DCT conseguiu diminuir o erro na identificação das classes, principalmente da classe sem defeito. 5. CONCLUSÕES Neste estudo, duas placas de aço carbono foram soldadas através dos processos TIG e Eletrodo Revestido. Durante a soldagem foram inseridos 3 diferentes tipos de defeitos: falta de penetração, inclusão de escória e porosidade. Ensaios ultrassônicos Phased Array foram realizados a fim de mapear esses defeitos. Os sinais A-Scan coletados durantes a inspeção foram pré-processados pelas Transformadas Discretas do Cosseno e Fourier e, em seguida utilizados para alimentar classificadores baseados em redes neurais artificiais. Os resultados obtidos a partir da DCT foram bastante satisfatórios atingindo em torno de 80% de eficiência média, tendo em vista que a partir da FFT, o resultado foi em torno de 74%. 6. AGRADECIMENTOS Os autores agradecem a FAPESB pelo apoio financeiro, ao IFBA pela infraestrutura e aos colegas do GPEND pelo auxílio na elaboração deste trabalho. 7. REFERÊNCIAS (1) CARVALHO, A. A., et al., Desenvolvimento de um Sistema Automatizado para Inspeção Ultra-sônica em Casco de Navio. In: Cobenge, (2) CHEN, C. H., Ultrasonic and Advanced Methods for Nondestructive Testing and Material Characterization. World Scientific Publishing Company, 1 edition, (3) RIBEIRO, I. S., et al, Processamento Digital de Sinais e Inteligência Computacional Aplicados aos Ensaios Ultrassônicos. IN: V Congresso Norte-Nordeste de Pesquisa e Inovação, Maceió, Novembro, (4) RIGOTTI, H. G., Codificação de Imagem Usando Transformada Cosseno Discreta, Dissertação de Mestrado, Universidade Federal de Mato Grosso do Sul, (5) SHENOI, B. A., Introduction to Digital Signal Processing and Filter Design. Wiley- Interscience, (6) FERREIRA, D. et al, Identificação Automática de Defeitos em Juntas Soldadas de Tubulações Utilizando Redes Neurais, Anais do Seminário Nacional de Controle e Automação, Salvador, Bahia, (7) KARPASH, O. et al. Development of Automatic Neural Network Classifier of Defects 329

10 Detected by Ultrasonic Means. In: European Conference on Non Destructive Testing, (8) KRAMER, M. A., Nonlinear Principal Component Analysis Using Autoassociative Neural Networks, AIChE Journal 37, , (9) ANDREUCCI, R., Aplicação Industrial Ensaio por Ultra-som, Ed Jul, (10) PIRES, G. P., Inspeção Ultra-Sônica Utilizando Transdutores Phased Array: Simulação Computacional para Detecção de Trincas, Dissertação de Mestrado, Rio de Janeiro: UFRJ/COPPE, (11) CERQUEIRA, A. S., Avaliação da Técnica de Ultrassom Phased Array na Inspeção de Juntas Soldadas Dissimilares e Cladeadas com Diferentes Espessuras de Amanteigamento, Dissertação de Mestrado, PPGEM, Porto Alegre, RS, (12) KHAYAM, S. A., The Discrete Cosine Transform (DCT): Theory and Application, Department of Electrical & Computer Engineering, Michigan State University, (13) AHMED, N., et al, Discret Cosine Transform. IEEE Transactions on Computers, C- 23, 90-93, (14) DINIZ, P. S. R., SILVA, E. A. B., NETTO, S. L., Processamento Digital de Sinais: projeto e análise de sistemas., 1ª Ed., Editora Bookman, (15) BOTELHO, M. F., Aplicação de Redes Neurais na Classificação de Imagens de Alta Resolução Espacial e Dados do Laser Scanner, Usando uma Abordagem Orientada a Regiões, UFPR, (16) VEIGA, J. L. B. C., et al, Automação da Análise do Ensaio Ultra-Sônico Pulso-Eco Utilizando Redes Neurais Artificiais, In: PANDT, Rio de Janeiro, (17) CASTRO F. C. C., Reconhecimento e Localização de Padrões em Imagens Utilizando Redes Neurais Artificiais Como Estimadores de Correlação Espectral, PUC-RS,