Konsistenzprüfung der EMAT-C-Datenauswertung unterstützt durch Deep Learning
Komplexe Mustererkennung mit künstlicher Intelligenz
Hochqualifizierte und erfahrene Datenanalysten werten die verschiedenen komplexen Datensätze aus, die bei den EMAT-C-Inspektionen gesammelt wurden. Die Qualitätsbewertung und -kontrolle (QA/QC) wird durch den neuartigen „Konsistenzcheck“ mit maschinellem Lernen unterstützt.
Die Herausforderung
Die Auswertung der EMAT-Inline-Inspektionsdaten ist eine anspruchsvolle Aufgabe, die erfahrene Datenanalysten und eine umfassende Schulung erfordert. Mehrere Informationskanäle müssen gleichzeitig kombiniert und analysiert werden. Ein wesentlicher Teil des Bewertungsprozesses ist die Analyse und Interpretation von Datenmustern, die zur Erkennung, Klassifizierung und Größenbestimmung von Merkmalen der Pipeline führen. Daher kann die Interpretation von EMAT-Inspektionsdaten als komplexe Mustererkennungsproblemstellung angesehen werden. Es ist von größter Bedeutung, dass der gesamte Analyseprozess, der vom Datenanalysten durchgeführt wird, ein Höchstmaß an Qualität und Wiederholbarkeit erreicht.
Unsere Lösung
In den letzten Jahren hat sich das überwachte maschinelle Lernen und insbesondere das Deep Learning als die dominierende Technik herausgestellt, um solche Mustererkennungsaufgaben rechnerisch zu bewältigen. Bei der Analyse der Daten einer EMAT-Inspektion müssen in der Regel Zehntausende von Signalanzeigen analysiert werden. Aufgrund der Komplexität des Analyseprozesses können einige dieser Anzeigen falsch klassifiziert werden. Es versteht sich von selbst, dass das Risiko solcher Fehler mit der Gesamtzahl der Merkmale steigt.
Darüber hinaus könnte eine Analyse einer Inspektion durch mehr als einen Datenanalysten zu einer inkonsistenten Bewertung führen. Diese Risiken sind bekannt und werden üblicherweise durch Qualitätskontrollen (QA/QC) angegangen. Es ist jedoch oft nicht einfach zu definieren und transparent, welche und wie viele Anomalien erneut geprüft werden sollen.
Um dieser Herausforderung zu begegnen, hat ROSEN ein einzigartiges Tool zur Konsistenzprüfung entwickelt. Die Konsistenzprüfung ist ein auf tiefem Lernen basierender Prozess, der auf hochwertigen, gekennzeichneten Daten trainiert wird. Es ist in der Lage, Anomalien zu identifizieren, die sich nahe an einer Entscheidungsgrenze befinden, z. B. zwischen Riss oder Nicht-Riss. Nach Abschluss des Prozesses hat jedes Merkmal einen Riss-Score, d. h. einen Score, der angibt, wie rissartig das Deep-Learning-Modell ein Merkmal auf der Grundlage der anderen Merkmale, die es während des Trainings gesehen hat, vorhersagt. Um das Risiko falsch positiver Meldungen zu minimieren, werden dann alle Merkmale, die als Risse gekennzeichnet wurden, aber einen niedrigen Riss-Score erhalten haben, überprüft. Ebenso werden alle Merkmale, die hohe Riss-Werte erhalten haben, aber nicht als Risse gekennzeichnet wurden, neu bewertet, um das Risiko falsch negativer Meldungen zu vermeiden.
Die Vorteile
Die Implementierung des auf Deep Learning basierenden Konsistenzprüfers behebt das Risiko einer Fehlklassifizierung während der Durchführung der EMAT-C-Datenauswertung. Es ersetzt nicht den Datenanalysten, sondern unterstützt bei der Qualitätssicherung/Qualitätskontrolle, um ein Höchstmaß an Konsistenz und Wiederholbarkeit der gemeldeten Ergebnisse zu erreichen. Die Anwendung der Konsistenzprüfung hilft, sowohl falsch-positive als auch falsch-negative Ergebnisse zu vermeiden. So wird eine höhere Qualität und Konsistenz des Bewertungsergebnisses erreicht, wodurch Kosten durch unnötige Nachgrabungen vermieden und das Risiko, Anomalien zu übersehen, durch eine verbesserte POX weiter reduziert wird.