JP5587700B2 - 溶接部における欠陥のタイプ及び重度を分類するための方法及びシステム - Google Patents

Description

関連出願の相互参照
本明細書は、同一出願人による“ＭＥＴＨＯＤＳ ＡＮＤ ＳＹＳＴＥＭＳ ＦＯＲ ＤＥＴＥＣＴＩＮＧ ＤＥＦＥＣＴＳ ＩＮ ＷＥＬＤＥＤ ＳＴＲＵＣＴＵＲＥＳ ＵＴＩＬＩＺＩＮＧ ＰＡＴＴＥＲＮ ＭＡＴＣＨＩＮＧ”と題する２００９年８月３日に出願された米国特許出願番号１２／５３４２９６号、及び“ＭＥＴＨＯＤＳ ＡＮＤ ＳＹＳＴＥＭＳ ＦＯＲ ＤＥＴＥＣＴＩＮＧ ＤＥＦＥＣＴＳ ＩＮ ＷＥＬＤＥＤ ＳＴＲＵＣＴＵＲＥＳ”と題する２００９年６月１９日に出願された米国特許出願番号１２／４８８３９６号に関連する。

本発明は、一般に、溶接構造における欠陥を検出且つ分類するための方法及びシステムに関し、特に、人工ニューラルネットワークと関連した超音波検査を用いた溶接構造における欠陥のタイプ及び重度を識別するための方法及びシステムに関する。

種々の溶接技術が、金属部品を接合するために一般に用いられて、例えば、自動車部品、航空機部品、重機及び機械のような広い種類の製品が製造される。溶接の品質が、溶接が用いられている溶接構造の構造的完全性に重要な役割を果たし得る。しかし、溶接又は接合作業中に、溶接部に欠陥が導入されるか又は形成され得る。そのような欠陥は、気孔（ｂｌｏｗｈｏｌｅ）、空洞（ｖｏｉｄ）、多孔（ｐｏｒｏｓｉｔｙ）及び不十分な溶け込み深さ（ｉｎｓｕｆｆｉｃｉｅｎｔ ｗｅｌｄ ｐｅｎｅｔｒａｔｉｏｎ ｄｅｐｔｈ）を含み得る。これらの欠陥それぞれは、溶接構造の荷重負担能力を低減し得る。例えば、あるタイプの欠陥は、溶接部及び溶接構造の静的、動的及び疲労強度に影響を与え得る応力ライザー（ｓｔｒｅｓｓ ｒｉｓｅｒ）又は応力コンセントレータ（ｓｔｒｅｓｓ ｃｏｎｃｅｎｔｒａｔｏｒ）として働き得る。従って、溶接部における潜在的欠陥を正確に検出し且つ位置づけることが重要である。

自動化又はロボット溶接システムによるように、溶接部が自動的に形成される場合、溶接部の品質が、製造された溶接構造のランダムなサンプリングの破壊試験によって、評価され得る。カットチェック（ｃｕｔ−ｃｈｅｃｋ）のような破壊試験は、時間がかかり且つ過剰な製品の無駄を生み出す。更に、そのような破壊試験方法の自動化は、不可能であろう。

溶接部における欠陥を検出するための種々の非破壊試験技術を発展するべく努力が成されてきた。しかし、これらの技術の大部分は、製造環境の中に容易には取り込まれ得ない。更に、そのような非破壊試験技術は、溶接部内に存在する特定のタイプの欠陥を識別し且つ欠陥の重度を明らかにすることができない。

従って、溶接部における欠陥を検出し、検出された欠陥のタイプ及び重度を決定するための代わりの方法及びシステムに対する要求が存在する。

ある実施形態では、溶接部における欠陥のタイプを決定する方法は、溶接部に沿った複数の測定箇所から集められた超音波応答信号を解析することによって、欠陥位置及び対応する欠陥信号を決定することを含む。そして、欠陥信号及び欠陥位置の両側の測定箇所からの超音波応答信号に対応する複数の欠陥近接信号は、教育された人工ニューラルネットワークに入力され得る。教育された人工ニューラルネットワークは、欠陥信号及び複数の欠陥近接信号に基づいて欠陥位置に位置する欠陥のタイプを識別して、欠陥位置に位置する欠陥のタイプを出力することができる。

他の実施形態では、溶接部における欠陥の重度を決定するための方法は、溶接部に沿った複数の測定箇所からの超音波応答信号を解析することによって、欠陥位置及び対応する欠陥信号を決定することを含む。そして、欠陥信号及び欠陥位置の両側の測定箇所からの超音波応答信号に対応する複数の欠陥近接信号は、教育された人工ニューラルネットワークに入力され得る。教育された人工ニューラルネットワークは、欠陥信号及び複数の欠陥近接信号に基づいて、欠陥位置に位置する欠陥の欠陥重度分類を決定すること、及び、欠陥位置に位置する欠陥の欠陥重度分類を出力することができる。

また他の実施形態では、欠陥分類システムは、コントローラと、音響信号発生器と、音響信号検出器と、位置決め装置とを備える。音響信号発生器及び音響信号検出器及び位置決め装置は、電気的にコントローラと接続している。前記コントローラは、音響信号発生器を用いて、溶接部に沿った複数の測定箇所に超音波信号を誘導し、音響信号検出器を用いて、それぞれの測定箇所からの超音波応答信号を集め、それぞれの超音波応答信号を、コントローラに動作可能に関連するメモリに保存し、それぞれの測定箇所からの超音波応答信号を解析することによって、欠陥位置及び欠陥信号を決定し、欠陥位置の両側の測定箇所からの超音波応答信号に対応する複数の欠陥近接信号を決定し、欠陥信号及び複数の欠陥近接信号を、コントローラと動作可能に関連する教育された人工ニューラルネットワークに入力する、ようにプログラムされており、教育された人工ニューラルネットワークは、欠陥信号及び複数の欠陥近接信号に基づいて欠陥位置に位置する欠陥のタイプを識別して、欠陥位置に位置する欠陥のタイプを出力することができる。

ここで説明される実施形態によって提供されるこれら及び追加の特徴は、図面と併せて、下記の詳細な説明を考慮して、より完全に理解されるであろう。

図面に説明される実施形態は、本質的に実例及び例示であり、請求項によって定められる主題を限定することを意図するものではない。説明される実施形態の以下の詳細な説明は、同様の構造が同様の符号で示された下記の図面と併せて読まれて理解され得る。

図１は、本明細書に示され且つ説明される１つ又は複数の実施形態に係る欠陥分類システムのブロックダイアグラムである。 図２は、本明細書に示され且つ説明される１つ又は複数の実施形態に係る欠陥分類システムを示す。 図３は、本明細書に示され且つ説明される１つ又は複数の実施形態に係る欠陥のタイプ及び／又は重度を識別するためのプロセスフローの部分のブロックダイアグラムを示す。 図４は、本明細書に示され且つ説明される１つ又は複数の実施形態に係る欠陥のタイプ及び／又は重度を識別するための人工ニューラルネットワークを模式的に示す。 図５は、複数の溶接部及び種々の製造上の特徴を有する試験サンプルを示す。 図６は、溶接部内に存在し得る種々の欠陥を示す図３の試験サンプルの溶接部の断面を示す。 図７は、本明細書に示され且つ説明される１つ又は複数の実施形態に係る溶接部における欠陥のタイプ及び／又は重度を分類するための方法のフローダイアグラムである。 図８は、本明細書に示され且つ説明される１つ又は複数の実施形態に係る溶接構造における欠陥の存在を決定するための方法のフローダイアグラムである。 図９は、本明細書に示され且つ説明される１つ又は複数の実施形態に係る試験サンプルから集められた超音波応答信号のプロットである。 図１０は、図９の超音波応答信号から得られたエネルギー分布のプロットである。 図１１Ａは、本明細書に示され且つ説明される１つ又は複数の実施形態に係る、図１０のエネルギー分布のような、エネルギー分布との比較によって溶接部における欠陥の存在を識別するために用いられ得る欠陥エネルギーパターンを模式的に示す。 図１１Ｂは、本明細書に示され且つ説明される１つ又は複数の実施形態に係る、図１０のエネルギー分布のような、エネルギー分布との比較によって溶接部における欠陥の存在を識別するために用いられ得る欠陥エネルギーパターンを模式的に示す。 図１１Ｃは、本明細書に示され且つ説明される１つ又は複数の実施形態に係る、図１０のエネルギー分布のような、エネルギー分布との比較によって溶接部における欠陥の存在を識別するために用いられ得る欠陥エネルギーパターンを模式的に示す。 図１１Ｄは、本明細書に示され且つ説明される１つ又は複数の実施形態に係る、図１０のエネルギー分布のような、エネルギー分布との比較によって溶接部における欠陥の存在を識別するために用いられ得る欠陥エネルギーパターンを模式的に示す。 図１１Ｅは、本明細書に示され且つ説明される１つ又は複数の実施形態に係る、図１０のエネルギー分布のような、エネルギー分布との比較によって溶接部における欠陥の存在を識別するために用いられ得る欠陥エネルギーパターンを模式的に示す。 図１１Ｆは、本明細書に示され且つ説明される１つ又は複数の実施形態に係る、図１０のエネルギー分布のような、エネルギー分布との比較によって溶接部における欠陥の存在を識別するために用いられ得る欠陥エネルギーパターンを模式的に示す。 図１１Ｇは、本明細書に示され且つ説明される１つ又は複数の実施形態に係る、図１０のエネルギー分布のような、エネルギー分布との比較によって溶接部における欠陥の存在を識別するために用いられ得る欠陥エネルギーパターンを模式的に示す。 図１１Ｈは、本明細書に示され且つ説明される１つ又は複数の実施形態に係る、図１０のエネルギー分布のような、エネルギー分布との比較によって溶接部における欠陥の存在を識別するために用いられ得る欠陥エネルギーパターンを模式的に示す。 図１１Ｉは、本明細書に示され且つ説明される１つ又は複数の実施形態に係る、図１０のエネルギー分布のような、エネルギー分布との比較によって溶接部における欠陥の存在を識別するために用いられ得る欠陥エネルギーパターンを模式的に示す。 図１１Ｊは、本明細書に示され且つ説明される１つ又は複数の実施形態に係る、図１０のエネルギー分布のような、エネルギー分布との比較によって溶接部における欠陥の存在を識別するために用いられ得る欠陥エネルギーパターンを模式的に示す。 図１２は、潜在的欠陥位置が識別された図１０のエネルギー分布のプロットである。

図１は、溶接部における欠陥のタイプ及び／又は存在及び位置を決定するための欠陥分類システムの一実施形態を概ね示す。システムは、通常、コントローラに接続された音響信号発生器及び音響信号検出器を有し得る。本明細書では、溶接構造における欠陥のタイプ及び／又は重度を決定するための欠陥分類システムの種々の構成要素及び欠陥分類システムを用いる方法が、より詳細に説明されるだろう。

今、図１を参照して、欠陥分類システム１００のブロックダイアグラムが示される。欠陥分類システム１００は、通常、音響信号発生器１０４と、音響信号検出器１０６と、サンプルステージ１０８とを有し、それぞれは、コントローラ１０２に電気的に接続されている。従って、図１における実線及び矢印は、欠陥分類システム１００の種々の構成要素の電気的相互接続を概ね示すと理解されるべきである。また、実線及び矢印は、欠陥分類システム１００の種々の構成要素間を伝搬する制御信号及び／又はデータ信号のような電気信号を示すと理解されるべきである。更に、音響信号発生器１０４と試験サンプル１１０との間の鎖線及び矢印は、音響信号発生器１０４から試験サンプル１１０へ送信される励起信号１１２を示し、一方、試験サンプル１１０と音響信号検出器１０６との間の鎖線及び矢印は、音響信号発生器１０４から受け取った励起信号１１２に起因して試験サンプル１１０から放射された超音波応答信号１１４を示す。

本明細書に示し且つ説明される実施形態では、音響信号発生器１０４は、試験サンプルに物理的に接触することなく、試験サンプル１１０内に超音波信号を励起させることができる装置であり得る。一実施形態では、音響信号発生器１０４は、一連のレーザパルスを試験サンプルの表面上に向けることによって、試験サンプル１１０内に超音波信号を励起させることができるパルスレーザ源を有し得る。他の実施形態では、音響信号発生器１０４は、電磁場を用いて試験サンプル１１０内に超音波信号を励起させることができる電磁音響トランスデューサ（ｅｌｅｃｔｒｏｍａｇｎｅｔｉｃ ａｃｏｕｓｔｉｃ ｔｒａｎｓｄｕｃｅｒ：ＥＭＡＴ）を備え得る。音響信号発生器１０４は、試験サンプル１１０内に超音波信号を生成するのに適した他の装置を有しても良いことが理解されるべきである。

音響信号検出器１０６は、通常、試験サンプルに物理的に接触することなく、試験サンプル１１０内に生成した超音波応答信号１１４を感知又は検出することができる装置であり得る。従って、一実施形態では、音響信号検出器１０６は、試験サンプル１１０内に生成した音響応答信号を検出することができるＥＭＡＴセンサを有し得る。しかし、超音波応答信号１１４を検出するために、他の非接触トランスデューサ及び／又は音響センサが用いられ得ることを理解されるべきである。

音響信号発生器がＥＭＡＴである一実施形態（図示せず）では、ＥＭＡＴは、試験サンプル内に超音波信号を励起させること及び試験サンプルからの超音波応答信号を検出することの両方のために使用され得る。従って、一つのＥＭＡＴは、音響信号発生器及び音響信号検出器の両方として使用され得る。

図１に示す欠陥分類システム１００の実施形態では、サンプルステージ１０８は、試験サンプルをサンプルステージに取り付けるための固定治具（図示せず）を有し得る。サンプルステージ１０８は、ステージに機械的に結合し且つコントローラ１０２に電気的に接続したモータ及び／又はステッピングモータのような、１つ又は複数のアクチュエータ（図示せず）を有し得る。コントローラ１０２は、信号発生器によって放射された励起信号１１２が試験サンプル１１０上で制御された方法で走査されるように、アクチュエータと協力して、音響信号発生器１０４及び音響信号検出器１０６に対して、サンプルステージ１０８及び試験サンプル１１０の位置を調整し得る。

本明細書に示され且つ説明される実施形態は、試験サンプルが可動サンプルステージに固定されるとして示されているが、他の実施形態（図示せず）では、音響信号発生器及び音響信号検出器は、音響信号発生器及び音響信号検出器が試験サンプルに対して調整可能に位置決めされ得るように、コントローラに電気的に接続した可動ステージ又は同様の位置決め装置に取り付けられ得ることを理解されるべきである。従って、欠陥分類システムは、試験サンプルと音響信号発生器と音響信号検出器との間の相対的な方向を調整するための少なくとも１つの位置決め装置を有し得ることを理解されるべきである。

コントローラ１０２は、プログラムされた命令セットを実行し且つ欠陥分類システム１００のそれぞれの構成要素に制御信号を送信することができるコンピュータを備え得る。また、コントローラ１０２は、音響信号検出器１０６から受け取ったデータを保存し、保存したデータを解析して溶接部における欠陥の存在を決定し、溶接部に存在する欠陥のタイプ及び重度を識別し得る。例えば、一実施形態では、本明細書により詳細に説明されるように、コントローラ１０２は、コントローラにより欠陥の位置が決定された後、溶接部に存在する欠陥のタイプ及び重度を決定するように教育され得る人工ニューラルネットワーク（ＡＮＮ）を用いてプログラムされ得る。従って、コントローラ１０２は、プログラムされた命令セットと、ＡＮＮと、音響信号検出器から受け取った超音波応答信号データとを保存するための１つ又は複数のメモリ装置（図示せず）を含むか又は接続し得ることが理解されるべきである。また、コントローラ１０２は、欠陥の存在及び位置、並びにそのような欠陥のタイプ及び／又は重度の視覚的又は可聴式の表示をユーザに提供するために、ディスプレイ（図示せず）のような、１つ又は複数の視覚的又は可聴式インジケータと接続され得る。

今、図２〜４を参照して、欠陥分類システムの一実施形態１５０が説明される。この実施形態では、音響信号発生器は、Ｃｏｎｔｉｎｕｕｍ Ｌａｓｅｒｓ社によって製造されたパルスレーザであるＩｎｌｉｔｅ ＩＩ−２０ Ｎｄ：ＹＡＧのようなパルスレーザ源１０５である。パルスレーザ源１０５は、２０Ｈｚのパルス繰り返し率及び１０ｎｓのパルス幅を有し得る。レーザのスポットサイズは、約６ｍｍであり、それぞれのパルスは約５５ｍＪ〜約４５０ｍＪのエネルギーを有し得る。音響信号検出器は、ＥＭＡＴセンサ１０７であり得る。図２に示された実施形態では、ＥＭＡＴセンサ１０７は、ＢＷＸＴ Ｓｅｒｖｉｃｅｓ社製であり、約２００ｋＨｚ〜約２．５ＭＨｚのバンド幅を有する４チャネルブロードバンドレシーバを有する。ＥＭＡＴセンサ１０７は、例えば、１４ビットの解像度及び１２５ＭＨｚのデータサンプリングレートを有するＧａＧｅ Ａｐｐｌｉｅｄ Ｔｅｃｈｎｏｌｏｇｉｅｓ社製の４チャネルデータ取得カードであるＣｏｍｐｕｓｃｏｐｅ ８３４９のような、データ取得カードを備えたコントローラ（図示せず）と接続され得る。サンプルステージ１０８は、試験サンプル１１０を保持するためのクランプ、万力等のような１つ又は複数の固定装置１０９を有し得る。固定装置及び／又は試験サンプルは、試験サンプルがパルスレーザ源１０５及びＥＭＡＴセンサ１０７に対して実質的に同じ方向を有してサンプルステージ上に位置付けられるように、１つ又は複数の基準（図示せず）を有し得る。サンプルステージ１０８は、サンプルステージの位置がコントローラによって調整され得るようにコントローラに接続された、ステップモータにより駆動される送りネジ１２２に取り付けられ得る。

上述したように、コントローラ（図示せず）は、溶接部から集められた超音波応答信号を解析することによって、欠陥が溶接部中に存在するかどうかを決定するようにプログラムされ得る。更に、欠陥が溶接部中に存在すると決定された時、コントローラは、欠陥のタイプ及び／又は重度を分類するようにプログラムされ得る。例えば、欠陥が溶接部中に存在すると決定された後、コントローラは、溶接部から集められた超音波応答信号を、図４に示されるＡＮＮ３０４のようなＡＮＮに通し得る。ＡＮＮは、溶接部中に存在する欠陥のタイプ及び／又は溶接部中の欠陥の重度を示す符号化されたベクトル（ｖｅｃｔｏｒ）を出力し得る。ＡＮＮ３０４は、通常、次元ｎの入力ベクトルＡを受け取る入力層Ｎｘ（図３中、３０６として示される）と、少なくとも１つの隠れ層Ｎｙ（図３中、一般に３０８として示される）と、次元ｑの出力ベクトルＢを出力する出力層Ｎｚ（図３中、３１０として示される）とを有し得る。入力層Ｎｘは、通常、図４でＸ₁，Ｘ₂，Ｘ₃・・・Ｘ_nと示される複数のｎ入力ノードを有し得る。入力ノードの数は、通常、入力ベクトルＡの成分の数に対応する。隠れ層Ｎｙは、図４でＹ₁，Ｙ₂，Ｙ₃・・・Ｙ_pと示される複数のｐノードを有し得る。出力層Ｎｚは、通常、図４でＺ₁，Ｚ₂，Ｚ₃・・・Ｚ_qと示される複数のｑノードを有し得る。出力層におけるノードｑの数は、出力ベクトルＢの成分の望ましい数に対応する。

更に図２〜４を参照して、入力層Ｎｘは、入力層のそれぞれのノードが隠れ層Ｎｙのそれぞれのノードと結合するように、次元ｎ×ｐを有する重みの行列Ｖｎｐを用いて隠れ層Ｎｙと結合し得る。同様に、隠れ層Ｎｙは、隠れ層のそれぞれのノードが出力層Ｎｚのそれぞれのノードと結合するように、次元ｐ×ｑを有する重みの行列Ｗｐｑを用いて出力層Ｎｚと結合し得る。各層のそれぞれのノードは、重みの行列と協働して働き、入力ベクトルＡを出力ベクトルＢに写像することによって、入力ベクトルＡと出力ベクトルＢとの間の関係の解を提供する。

図４に示すＡＮＮ３０４の実施形態は、１つの入力層Ｎｘと、１つの出力層Ｎｚと、１つの隠れ層Ｎｙとを有するが、ＡＮＮ３０４は、複数の隠れ層を有しても良いことが理解されるべきである。例えば、一実施形態では、ＡＮＮは、５０ノードを有する第１隠れ層、３５ノードを有する第２隠れ層、２４ノードを有する第３隠れ層、５ノードを有する第４隠れ層という、４つの隠れ層を有し得る。ＡＮＮが複数の隠れ層を有する場合、上述したように、入力層Ｎｘと出力層Ｎｚのノードと同様に、図４に示すのと同様の方法で、追加の重み行列が異なる層のそれぞれのノードを相互接続し得る。

図３及び図４を参照して、各層のそれぞれのノードは、ノードの出力を所定の範囲に制限する一般に活性化関数と呼ばれる関数を有する。活性化関数は、制限なく、線形関数、ステップ関数、ランプ関数（ｒａｍｐ ｆｕｎｃｔｉｏｎ）、シグモイド関数、及びガウス関数を含む種々の形を取り得る。本明細書で説明されるＡＮＮ３０４の実施形態では、各層（即ち、入力層、隠れ層及び出力層）のそれぞれのノードは、ノードの出力を所定の範囲に制限するシグモイド活性化関数を有する。シグモイド活性化関数は、以下の形を有し得る。

しかし、シグモイド活性化関数は異なる形を取り得ることを理解されるべきである。

再度、図２を参照して、図２に示される欠陥分類システム１５０の実施形態では、試験サンプル内に超音波信号を誘導するのに使用される励起信号は、１つ又は複数の鏡を用いて試験サンプル１１０と光学的に結合するパルスレーザ源１０５の出力ビーム１１３である。図２に示すように、鏡１１６、１１７及び１１８は、パルスレーザ源１０５の出力と、試験サンプル１１０の表面との間の光学経路を形成しており、この光学経路は、望ましい位置の試験サンプルの表面上に出力ビーム１１３を向ける。レンズ１２０は、出力ビーム１１３の光学経路内に配置されて出力ビームを合焦しても良い。また、例えば、コリメータ又はパルスレーザ源１０５の出力ビームを成形するのに用いられ得る他の要素のような、追加の光学要素（図示せず）が光学経路内に挿入されても良い。更に、図２に示される欠陥分類システム１５０の実施形態は、鏡を用いて試験サンプル１１０と結合された出力ビーム１１３を描いているが、出力ビームは、鏡によって最初にそらされるか又は反射されることなしに、試験サンプルと直接結合され得ることを理解されるべきである。代替の実施形態（図示せず）では、パルスレーザ源の出力ビーム１１３は、レーザビームを導波可能な光ファイバ又は同様の光導波路のような、１つ又は複数の光導波路を用いて、試験サンプルと結合されても良い。

本明細書において上述したように、パルスレーザ源は、試験サンプル内に超音波信号を誘導するために用いられ得る。試験サンプルの表面に入射する出力ビームパルスのエネルギー密度又はパワーに依存して、パルスレーザ源は、熱弾性動作モード又は切除動作モードの何れかにおける超音波信号を生成するために用いられ得る。例えば、パルスレーザ源の出力ビームのパワー密度が比較的低い場合に、超音波信号生成の熱弾性モードが生じる。出力ビームは、レーザ放射の部分吸収によって、試験サンプルの表面の局所領域を材料の融点よりも低い温度に急速に加熱する。温度の急速な上昇は、熱弾性効果による加熱された材料の対応する膨張を伴う。急速な膨張は、軸対称な引っ張り応力を引き起こし、試験サンプルの表面に発現する。レーザが切られる（例えば、パルス間）と、加熱された領域は収縮する。試験サンプルの最表面の膨張及び収縮は、試験サンプル中を伝搬する超音波信号を誘導する。

代わって、出力ビームのパワー密度が試験サンプルの表面を材料の融点を超えて加熱するぐらいに十分に高い場合、超音波信号生成の切除モードが生じる。急速加熱は、上述したように、試験サンプルの表面に軸対称な引っ張り応力を生成する。しかし、サンプルの表面上の温度が融点を超えるので、少量の材料が蒸発し、試験サンプルの表面から放出される。従って、引っ張り応力の形成に加えて、材料が放出される時にサンプルの表面に対して垂直方向の反力が生成される。垂直方向の反力並びに最表面の膨張及び収縮の組み合わせは、試験サンプル中を伝搬する超音波信号を誘導する。通常、切除モードにより生成される超音波信号は、熱弾性モードで生成されるものよりも強い。いずれの動作モードにおいても、試験サンプル内に誘導される超音波信号は、約２００ｋＨｚから約ＭＨｚの範囲の周波数を有する。

今、図５を参照して、試験サンプル１１０は、通常、少なくとも１つの溶接部１４０を有する金属構造を有し得る。図４に示される試験サンプル１１０の実施形態では、試験サンプル１１０は、上側部分１４２及び下側部分１４３を有する自動車のための支持構造部材であり、両方とも型打ちされた金属薄板の薄いプレートから形成されている。上側部分１４２は、溶接部１４０によって、重ね継ぎ（ｌａｐ ｊｏｉｎｔ：例えば、図６に示される接合部）において下側部分１４３に接合される。また、試験サンプル１１０は、例えば、型打ち処理により生じるプレスマーク１４４及び部品を支持構造部材に結合するための様々な取り付け穴１４６を含む複数の製造上の特徴を有する。

今、図５の試験サンプル１１０の上側部分１４２と下側部分１４３との間の重ね継ぎ及び溶接部１４０の断面を示す図６を参照して、溶接部１４０は、例えば、気孔（ｂｌｏｗｈｏｌｅ）、不適切な脚長（即ち、短脚）、不適切な溶け込み深さ（ｉｎｓｕｆｆｉｃｉｅｎｔ ｐｅｎｅｔｒａｔｉｏｎ ｄｅｐｔｈ）及び／又は不適切なのど厚（即ち、短のど：ｓｈｏｒｔ ｔｈｒｏａｔ）を含む１つ又は複数の異なるタイプの欠陥を有し得る。溶接部が形成されるか又は溶接部が冷える際に、溶接部内に閉じ込められた空気又はガスが抜け出ると、気孔欠陥が溶接部中に生じる。抜け出る空気又はガスは、溶接部内に空隙を残し及び／又は溶接部内に孔を形成し、それぞれは、溶接部の強度を低減し得る。

溶接部の溶け込み深さは、例えば、試験サンプル１１０の上側部分１４２のように、溶接部の溶融部分がベース材料の中へ侵入する距離ＰＤとして定義される。もし、溶け込み深さが、ベース材料の厚さの所定のパーセントよりも小さいと、不適切な溶け込み深さ又は溶け込み不良欠陥（ｌａｃｋ−ｏｆ−ｐｅｎｅｔｒａｔｉｏｎ ｄｅｆｅｃｔ）が生じる。本明細書で説明される実施形態では、距離ＰＤが試験サンプルの上側部分１４２の厚さの約３０％よりも小さいと、溶け込み不良欠陥が生じる。しかし、試験サンプル１１０が使用されるアプリケーションに依存して、所定のパーセントが、３０％よりも大きいか又は３０％よりも小さいくなり得ることを理解されるべきである。

重ね継ぎ溶接部１４０の脚（ｌｅｇ）は、溶接部１４０のルート（ｒｏｏｔ）と溶接部の止端（ｔｏｅ：例えば、溶接部がベース材料と交差する点）との間の距離として定義される。図６における溶接部１４０の脚は、距離Ｓ１及びＳ２として示される。本明細書で説明される実施形態では、もし距離Ｓ１又はＳ２のいずれかが試験サンプル１１０の上側部分１４２又は下側部分１４３のいずれかの材料厚さの８０％よりも小さい場合に、短脚欠陥が溶接部に存在する。しかし、試験サンプル１１０が使用されるアプリケーションに依存して、所定のパーセントが、８０％よりも大きくなり得ることを理解されるべきである。

のど厚ＴＨは、図６に示すように、溶接部１４０のルート１４１と溶接部の表面との間の最短距離として定義される。溶接部１４０ののど厚がベース材料の厚さの所定のパーセントよりも小さいと、短のど欠陥が生じる。本明細書に示され且つ説明される実施形態では、のど厚ＴＨが、試験サンプル１１０の上側部分１４２又は下側部分１４３のいずれかの厚さの約７０％よりも小さい場合に、短のど欠陥が生じる。しかし、試験サンプル１１０が使用されるアプリケーションに依存して、所定のパーセントが、７０％よりも大きくなり得ることを理解されるべきである。

今、図２、５及び６を参照して、パルスレーザ源を熱弾性モード又は切除モードのいずれかにおいて作動させることによって試験サンプル１１０の上側部分１４２又は下側部分１４３を有する薄いプレート内に誘導された超音波信号は、試験サンプル内を伝搬する一連の超音波ラム波を生み出す。ラム波は、周波数及び波長のペアのセットによって決定される各モードを備えた多モードであり得る。異なる周波数及び波長のために、各モードのラム波は、試験サンプル内で遭遇した異なるタイプの欠陥に対して違う反応をし得る。例えば、所与のタイプの欠陥に対して、第１のセットの周波数及び波長のペアによって決定される第１モードは、欠陥によって反射され得るが、第２のセットの周波数及び波長のペアを有する第２モードは、欠陥を伝達し得る（即ち、欠陥は第２モードに影響を与えない）。従って、誘導されたラム波の異なるモードは、欠陥の異なるタイプに敏感であり、試験サンプルからの超音波応答信号を集め且つ解析することによって、本明細書においてより詳細に説明されるように、試験サンプル内の異なるタイプの欠陥の存在が決定され得る。

今、図２を参照して、試験サンプル上の溶接部における欠陥の存在を決定するために、試験サンプル１１０は、サンプルステージ１０８上に配置されて、１つ又は複数の固定装置１０９を用いてサンプルステージ１０８に取り付けられ得る。パルスレーザ源１０５及びＥＭＡＴセンサ１０７は、ＥＭＡＴセンサ１０７が、溶接部を伝達したか又は溶接部によって反射された音響応答信号を集めるように配置され得る。

例えば、一実施形態では、溶接部を伝達した音響応答信号が望まれる時、図２に示すように、パルスレーザ源の出力ビームが溶接部１４０の一方の側に入射され、ＥＭＡＴセンサ１０７が溶接部１４０の他方の側に配置されて試験サンプル１１０に隣接するように、試験サンプル１１０が配置され得る。従って、溶接部１４０は、パルスレーザ源１０５の出力ビーム１１３が試験サンプル１１０及びＥＭＡＴセンサ１０７に接触する点の間に配置されることを理解されるべきである。この実施形態では、試験サンプル１１０内に誘導され且つＥＭＡＴセンサ１０７によって受け取られた超音波信号は、溶接部１４０内を通って伝達される。欠陥は溶接部内を通る超音波信号の伝搬を変えるので、超音波信号は、ＥＭＡＴセンサ１０７によって受け取られる超音波応答信号へ変換される。超音波応答信号は、溶接部１４０内の欠陥の存在に関する情報を一緒に運ぶ。更に、超音波応答信号は、試験サンプル１１０と、パルスレーザ源の出力ビームが試験サンプル１１０に接触する点及び／又はＥＭＡＴセンサ１０７の位置との間の相対的な位置決めに基づいて、溶接部１４０及び試験サンプル１１０の長さに沿った位置に関連付けられ得る。

他の実施形態（図示せず）では、溶接部によって反射された音響応答信号が望まれる時、ＥＭＡＴセンサは、溶接部の一方の側に配置されて、パルスレーザ源の出力ビームは、溶接部のＥＭＡＴセンサと同じ側の試験サンプル上に向けられ得る。パルスレーザ源によって試験サンプル内に誘導された超音波応答信号は、試験サンプル内を通って、信号（例えば、超音波応答信号）の少なくとも一部分を反射する溶接部に伝搬し、この信号をＥＭＡＴセンサが検出する。欠陥を含む溶接部の部分は、欠陥を有さない溶接部の部分とは異なって超音波信号を反射又は伝えるので、ＥＭＡＴセンサによって受け取られた反射した超音波応答信号は、溶接部内の欠陥の存在に関する情報を一緒に運ぶ。

欠陥分類システム１５０を利用して、試験サンプル内の欠陥の存在を決定し、欠陥のタイプ及び／又は重度を分類する前に、欠陥分類システム１５０のＡＮＮは、サンプルデータセットを用いて教育されなければならない。サンプルデータセットは、実験的に決定されており、溶接部中の欠陥の所定のタイプ及び／又は欠陥の重度に対応する超音波応答信号のコレクション（ｃｏｌｌｅｃｔｉｏｎ）を含み得る。サンプルデータセットは、超音波検査による１つ又は複数の試験サンプルにおける溶接部中の欠陥の存在及び位置を最初に決定にすることによって蓄積され得る。例えば、欠陥の存在及び位置は、図７に示される手順のステップ２０２、２０４及び２０６を用いることによって決定され得る。この方法については、本明細書においてより詳細に説明される。

欠陥の位置が決定されると、溶接部サンプルは、破壊的に解析されて、欠陥位置における溶接部中に存在する欠陥のタイプを定性的に決定し、及び／又は欠陥に対して欠陥重度分類を割り当てる。例えば、溶接部サンプルは、溶接部サンプルが欠陥位置において切断される「カットチェック」を受け得る。そして、断面は、磨かれ、解析されて存在する欠陥のタイプ（例えば、気孔、短脚、短のど、溶け込み不良等）が決定され、後述するように、欠陥の定量的な評価に基づいて欠陥重度分類が割り当てられ得る。例えば、欠陥は、Ａ，Ｂ，Ｃ又は＜Ｃの分類文字が割り当てられ、Ａは欠陥無しを示し、Ｂは容認できる許容範囲の欠陥を示し、Ｃは条件付きで容認できる許容範囲の欠陥を示し、＜Ｃは容認できる許容範囲外の欠陥であり得る。

欠陥のタイプが識別され及び／又は重度分類が欠陥に割り当てられた後、欠陥のタイプ及び／又は重度が、欠陥のタイプ及び／又は重度を表すベクトルに符号化され得る。例えば、一実施形態では、成分＜ｂ_T1ｂ_T2ｂ_T3ｂ_T4＞を有する４成分ターゲットベクトルＢ_Tが、欠陥に割り当てられ得る。成分Ｂ_T1は溶け込み不良欠陥を示し、成分Ｂ_T2は短脚欠陥を示し、Ｂ_T3は気孔欠陥を示し、成分Ｂ_T4は短のど欠陥を示す。ベクトルの各成分は、１が所定のタイプの欠陥の存在を示し、ゼロが欠陥の欠如を示す、ゼロ又は１の何れかである。以下に示す表１は、所定のタイプの欠陥を示す例となるターゲットベクトルを含む。ターゲット欠陥ベクトルは、また、欠陥の組み合わせを示し得ることを理解されるべきである。例えば、同じ位置に生じた溶け込み不良欠陥及び短脚欠陥は、＜１１００＞と符号化されたベクトルによって表され得る。

代わりに、欠陥の重度分類のみが割り当てられる時は、欠陥重度分類は、以下の表２に示すように、重度分類「Ａ」が数字の値１を有し、重度分類「Ｂ」が数字の値２を有し、重度分類「Ｃ」が数字の値３を有し、重度分類「＜Ｃ」が数字の値４を有するような、各欠陥重度分類が数字の値に割り当てられたベクトルに符号化され得る。

また他の実施形態では、欠陥のタイプ及び重度の両方が、一つのターゲット欠陥ベクトルに符号化され得る。例えば、表１及び２に上述したきまりは、組み合わされて、最初の４成分が欠陥タイプを示し最後の成分が欠陥重度分類を示す５成分のターゲット欠陥ベクトルを形成し得る。従って、＜１０００４＞という値を有するターゲット欠陥ベクトルＢ_Tは、重度分類＜Ｃを有する溶け込み不良欠陥を示し得る。

欠陥のタイプ及び／重度が識別されて且つターゲット欠陥ベクトルに符号化されると、欠陥位置に対応する集められた超音波応答信号は、後述するように、欠陥位置の近傍の測定箇所に対する超音波応答信号と一緒にＡＮＮに入力され得る。一実施形態では、信号をＡＮＮに入力する前に、本明細書に説明するように、超音波応答信号は、前処理されて、超音波応答信号内のデータポイントの全体的な数が低減され得る。初期化された重み行列Ｖ_np及びＷ_pq及び各ニューロンに対する活性化関数を用いて、上述したように、ＡＮＮはベクトルＢを出力する。しかし、ＡＮＮに入力される所与のサンプル入力に対して、出力層Ｎｚからの出力ベクトルＢは、ターゲットベクトルＢ_Tと等しくないかも知れず、重み行列Ｖ_np及びＷ_pqの値が調整されるか又は教育される必要を示している。

様々なニューラルネットワーク教育アルゴリズムが、ＡＮＮがＡＮＮ内に入力されたサンプルデータのターゲットベクトルＢに対応する出力ベクトルＢを生成するように、重み行列Ｖ_np及びＷ_pqを調整するために使用され得る。そして、本明細書に説明される実施形態では、ＡＮＮは誤差逆伝播法アルゴリズム（ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ ａｌｇｏｒｉｔｈｍ）を用いて教育される。図４に示される実施形態では、コントローラによって実行され得る誤差逆伝播法アルゴリズムは、ＡＮＮの出力層Ｎｚにわたって出力誤差関数Ｅ又は出力コスト関数Ｅを決定することを含む。誤差関数は、下記のように記載され得る。

ここで、ｂ_Tmは、ターゲットベクトルＢ_Tの成分ｍに対するターゲット値であり、ｂ_mは、対応する出力ニューロンＺ_mの値である。変数ｍは、本明細書で示され且つ説明される例示のニューラルネットワークでは５である出力ベクトルＢの次元ｑに対応する整数である。出力層Ｎｚにおける各ニューロンＺ_mの値ｂ_mは、次の式（２）に従って計算され得る。

ここで、Ｙ_iは、前の隠れ層におけるニューロンの値であり、Ｗ_imは、重み行列Ｗ_pqの対応する重みである。変数ｍは、上述したように、１からｑまでの整数であり、一方ｉは、１から隠れ層Ｎｙのニューロンの総数までの整数であり、この例ではｐである。

Ｙ_iの値は、入力層ニューロン及び重み行列Ｖ_npの値の関数として、次のように表され得る。

ここで、ｉは上述した整数であり、ｌは１から入力ニューロンの総数ｎまでの整数であり、ｆは活性化関数である。代わりに、Ｙ_iの値は、通常、隠れ層Ｎｙにおける各ニューロンに対する活性化関数として表され得る。

重み行列Ｖ_np及びＷ_pqにおける各重みに対する新しい又は調整された値は、所与のサンプル入力のセットに対するコスト関数Ｅを用いて決定され得る。具体的には、重み行列Ｖ_np及びＷ_pqにおける各成分の値は、コスト関数の最小値への勾配とは反対の方向にコスト関数を移動させることによって調整され得る（例えば、コスト関数Ｅの値が、入力／出力マッピングにおいてトータル誤差の最小の量を生成する場合）。隠れ層Ｎｙ及び出力層Ｎｚの間の重み行列Ｗ_pqに対して、これは、重みＷ_imに関してコスト関数Ｅの偏導関数をとることによって達成され、次のように数学的に表され得る。

重み行列Ｗ_pqにおける所定のＷ_imの値は、次のように、Ｗ_imに関してコスト関数の偏導関数を引き算することによって調整され得る。

ここで、αは、コスト関数Ｅの勾配に沿った移動又はステップから調整される量を規格化する正の一定値である学習率である。同様に、入力層Ｎｘと隠れ層Ｎｙとの間の重み行列Ｖ_npに対して、行列における各重みＶ_liに対する新しい値は、Ｖ_liに対する新しい値のような重みＶ_liに関して、コスト関数Ｅの偏導関数をとることによって、コスト関数から数学的に決定され、次のように記載され得る。

ここで、βは、コスト関数Ｅの勾配に沿った各移動から調整される量を規格化する正の一定値である学習率である。

式（６）及び式（７）は、ＡＮＮの出力ベクトルＢが実験的に決定されたターゲットベクトルＢ_Tの値により近く接近するように、重み行列Ｖ_np及びＷ_pqにおける各重みの値を調整するために用いられ得る。同じアルゴリズムが、サンプルデータセットにおける各試験サンプルとあわせて、利用され得る。教育プロセスは、ＡＮＮの出力ベクトルＢとターゲットベクトルＢ_Tとの間の誤差の総和が所定の許容範囲になるまで繰り返される。

今、図２及び図７を参照して、欠陥分類システム１５０を用いて、溶接部内の欠陥の存在、タイプ及び／又は重度を検出するための方法２００の一実施形態が説明される。第１ステップ２０２では、コントローラは、上述したように、パルスレーザ源１０５を始動して、試験サンプルの表面上に一連のビームパルスを向けることによって、試験サンプル１１０内に超音波信号を誘導する。コントローラは、各測定箇所にパルスレーザを複数回始動するようにプログラムされ、且つ各測定箇所におけるパルスレーザの各発射によって生成され、集められた超音波応答信号は、平均化されて測定箇所における集められたパルスレーザの信号対ノイズ比を増加させる。ここで説明される実施形態では、パルスレーザ源は、切除モードで動作して、約２００ｋＨｚから約１５ＭＨｚの周波数を有する超音波応答信号を試験サンプル内に誘導する。しかし、パルスレーザ源は、また、熱弾性モードで動作して試験サンプル内に超音波信号を生成しても良いことを理解されるべきである。超音波信号は、試験サンプル１１０及び溶接部１４０中を伝搬し、超音波信号の一部は、溶接部１４０内の欠陥又は試験サンプル内の他の特徴によって反射され、一方、超音波応答信号の他の部分は、溶接部１４０中を透過し得る。この例では、超音波応答信号は、超音波信号の一部が、試験サンプル内の欠陥及び／又は他の特徴によって反射又は回折された後に、透過又は反射された信号である。

第２ステップ２０４では、試験サンプル１１０内に誘導された超音波応答信号が、ＥＭＡＴセンサ１０７を用いて集められる。本明細書で説明される実施形態では、図２に示され且つ上述されたように、ＥＭＡＴセンサ１０７は、溶接部１４０中を伝達する超音波応答信号を集めるように配置される。ＥＭＡＴセンサ１０７は、集められた超音波応答信号を、超音波応答信号の振幅に比例した電圧を有する電気信号に変換する。従って、集められた超音波応答信号が溶接部１４０中に伝達される本明細書で説明される実施形態では、相対的に大きな電圧を有してＥＭＡＴセンサ１０７によって生成される電気信号は相対的に大きな振幅を有する超音波応答信号に対応し、一方、相対的に低い電圧を有する電気信号は相対的に小さな振幅を有する超音波応答信号に対応する。超音波応答信号の相対的な大きさは、通常、欠陥及び／又は試験サンプル内の製造上の特徴の欠如又は存在を示しており、小さい振幅は欠陥及び／又は製造上の特徴の存在を示し、大きい振幅は欠陥及び／又は製造上の特徴の欠如を示す。

ＥＭＡＴセンサ１０７によって生成された電気信号は、ＥＭＡＴセンサ１０７から、コントローラ（図示せず）に送信されて、電気信号がコントローラに関連するメモリ内に保存される。電気信号の振幅（例えば、電圧）は、時間の関数としてメモリ内に保存されて、試験サンプル１１０の溶接部１４０に沿った所定の位置に索引付けられるか又は関係付けられる。従って、超音波信号の振幅は、ｆ（ｘ、ｔ）として記載され得るような、時間（ｔ）及び溶接部１４０に沿った位置（ｘ）の両方の関数になり得る。

溶接部１４０に沿ったある測定箇所に対して、集められた超音波応答信号がメモリ内に保存された後、パルスレーザ源１０５及びＥＭＡＴセンサ１０７に対する試験サンプル１１０の位置は、超音波応答信号が溶接部１４０に沿った異なる測定箇所において試験サンプル１１０から誘導され且つ集められ得るように調整され得る。図２に示される実施形態では、パルスレーザ源１０５及びＥＭＡＴセンサ１０７に対する試験サンプル１１０の位置は、送りネジ１２２に結合されるステップモータ（図示せず）に制御信号を送るコントローラによって調整され得る。ステップモータの回転は、送りネジ１２２を回転させて、順々に、サンプルステージ１０８に縦方向の動きを与え、それによって、パルスレーザ源１０５及びＥＭＡＴセンサ１０７に対する試験サンプル１１０の位置を調整する。

試験サンプル１１０の位置が調整された後、ステップ２０２及び２０４は、溶接部１４０に沿った新しい位置において繰り返され、超音波応答信号の振幅が、時間（ｔ）及び溶接部に沿った位置（ｘ）の両方の関数として、コントローラに動作可能に関連するメモリ内に保存される。超音波信号を誘導し、超音波応答信号を集め且つ試験サンプルの位置を調整するこのプロセスは、複数回繰り返されて、溶接部のある区間及び／又は溶接部１４０の全体の長さに対して、一連の超音波応答信号を形成する。

今、図９を参照して、ある試験サンプルから集められた一連の超音波応答信号が図式的に示される。ｙ軸は溶接部に沿った位置を示し、ｘ軸は、超音波応答信号が集められた時間間隔を示しており、グレースケールは、ボルトを単位として、集められた超音波応答信号の相対振幅を示す。試験サンプルの位置は、大きいか又は小さい増加率が所望の欠陥分解能に依存して用いられ得るが、ミリメートル単位で調整された。

また図９を参照して、試験サンプル内に誘導された超音波信号の内容である高い周波数／短い波長は、低い周波数という他のものよりも、試験サンプル内の特徴によって回折及び／又は反射の影響をより受けやすい。これらの特徴は、製造上の特徴（例えば、コネクタホール（ｃｏｎｎｅｃｔｏｒ ｈｏｌｅ）、スタンプマーク（ｓｔａｍｐ ｍａｒｋ）等）のような標準的特徴（即ち、複数の試験サンプルのそれぞれに標準的に生じる特徴）と、欠陥のような非標準的特徴を含む。例えば、これらの特徴によって反射及び／又は回折の影響を特に受ける周波数範囲は、約０．９７７ＭＨｚから約１．４６４ＭＨｚであり得る。従って、試験サンプルから集められた超音波応答信号における対応する周波数は、そのような特徴の存在に関する情報を含み得る。

一実施形態では、ステップ２０６において、コントローラは、試験サンプルから集められた超音波応答信号をフィルタリングして、製造上の特徴及び／又は欠陥のような特徴によって反射及び／又は回折の影響を特に受けた周波数を分離するようにプログラムされ得る。本明細書に説明される実施形態では、溶接部に沿った各測定箇所（ｘ）に対する集められた超音波応答信号は、集められた超音波応答信号を離散ウェーブレット変換（ＤＷＴ）によってまず分解することによって、試験サンプル内の特徴（欠陥のような）に敏感である周波数範囲にフィルタリングされ得る。具体的には、溶接部に沿った所定の位置ｘに対して、集められた超音波応答信号ｆ（ｔ）は、次の関係式に従って、ウェーブレット係数ＷＳ（ｈ、ｋ）のセットに分解され得る。

ここで、Ψ^* _h、k（ｔ）は、ウェーブレットΨ_h、k（ｔ）の複素共役である。ウェーブレットΨ_h、k（ｔ）は、次式に示すように、スケーリングパラメータｓ₀ ^hによってスケール化され且つシフトパラメータｋτ₀ｓ₀ ^hによってシフトされたマザーウェーブレット関数Ψの関数であり得る。

ここで、ｔは時間であり、ｈ及びｋは整数である。ｓ₀は、通常、２に選択され、シフトパラメータτ₀は、通常、１に選択される。

マザーウェーブレットΨの選択は、所与の超音波応答信号が信号の形状又は構造に類似したものを有するウェーブレットによってより良く近似され得るように、集められた超音波応答信号の形状又は構造に依存し得る。超音波応答信号の分解のためのマザーウェーブレットΨは、例えば、Ｄａｕｂｅｃｈｉｅｓウェーブレットファミリー、Ｃｏｉｆｌｅｔウェーブレットファミリー、Ｈａａｒウェーブレットファミリー、Ｓｙｍｍｌｅｔウェーブレットファミリー、離散Ｍｅｙｅｒ（ＤＭＥＹ）又は同様のウェーブレットファミリーから選択され得る。例えば、一実施形態では、Ｄａｕｂｅｃｈｉｅｓウェーブレットファミリーのウェーブレット６が、マザーウェーブレットΨとして用いられて、超音波応答信号が分解される。しかし、他のマザーウェーブレットが用いられ得ることを理解されるべきである。

上述したように、各測定箇所ｘに対するＤＷＴによる超音波応答信号の分解は、その測定箇所に対してウェーブレット係数ＷＳ（ｈ、ｋ）のセットを生成する。分解後、コントローラは、得られたウェーブレット係数のセットそれぞれをバンドパスフィルタリングして、欠陥に対して最も敏感な周波数範囲を分離するようにプログラムされ得る。この周波数範囲は、本明細書に説明される実施形態では、約０．９７７ＭＨｚから約１．４６４ＭＨｚである。ウェーブレット係数のセットをフィルタリングすることは、所望の周波数範囲外の周波数に対応するウェーブレット係数ＷＳ（ｈ、ｋ）の要素をゼロにすることによって実行される。本明細書に説明される実施形態では、ＤＷＴによる分解及びフィルタリングは、コントローラによって、溶接部に沿った各測定箇所に対して、バンドパスフィルタリングされたウェーブレット係数のセットを生成するＭａｌｌｅのフィルタバンクアルゴリズムを用いることによって実行され得る。

各集められた超音波応答信号がＤＷＴによって分解され、且つ得られたウェーブレット係数がフィルタリングされて所望の周波数内容に分離された後、コントローラは、逆離散ウェーブレット変換（ＩＤＷＴ）によって、対応するフィルタリングされたウェーブレット係数のセットから各測定箇所に対するフィルタリングされた応答信号ｆ（ｘ、ｔ）を再構成して、溶接部に沿った各測定箇所ｘに対するフィルタリングされた応答信号を形成するようにプログラムされ得る。例えば、溶接部に沿った１２０の分離した測定箇所がある時、１２０のフィルタリングされた応答信号が、ＩＤＷＴによって生成される。

再度図７を参照して、ステップ２０８では、コントローラは、溶接部内の欠陥の存在及び位置を識別して、欠陥のタイプ及び／又は重度を分類するのに用いるために、識別された欠陥に対応する位置及び超音波応答信号をメモリに保存するようにプログラムされ得る。欠陥位置の近傍の測定箇所に対する超音波応答信号も、欠陥のタイプ及び／又は重度を分類するのに用いるために、メモリに保存され得る。コントローラは、溶接部に沿った各測定箇所から集められた超音波応答信号を解析することによって、溶接部内の欠陥の存在及び位置を識別するようにプログラムされ得る。例えば、一実施形態では、コントローラは、「ＭＥＴＨＯＤＳ ＡＮＤ ＳＹＳＴＥＭＳ ＦＯＲ ＤＥＴＥＣＴＩＮＧ ＤＥＦＥＣＴＳ ＩＮ ＷＥＬＤＥＤ ＳＴＲＵＣＴＵＲＥＳ」と題された同時係属中の米国特許出願第１２／４８８，３９６号に開示された方法を用いて、溶接部内の欠陥の位置を識別するようにプログラムされることができ、この出願の内容は参照されて本明細書に組み込まれる。本明細書でより十分に説明される他の実施形態では、コントローラは、超音波応答信号のエネルギーのゆらぎをモニタすることによって、及び／又は、超音波応答信号のエネルギーのゆらぎを既知のエネルギー欠陥パターンと比較することによって、溶接部内の欠陥の位置を識別するようにプログラムされ得る。

今、図８を参照して、ステップ２０８を実行するための方法の一実施形態のフローダイアグラムが示される。この実施形態では、溶接部内の欠陥の存在は、超音波応答信号のエネルギーのゆらぎをモニタすることによって、及び／又は、超音波応答信号のエネルギーのゆらぎを既知のエネルギー欠陥パターンと比較することによって、決定される。ステップ２５２では、コントローラは、測定箇所に対して対応するフィルタリングされた応答信号ｆ（ｘ、ｔ）に基づいて、試験サンプル上の各測定箇所ｘに対するエネルギーＥ（ｘ）を計算し且つ規格化するようにプログラムされ得る。各測定箇所ｘに対するエネルギーＥ（ｘ）は、次式のように、信号の継続時間に亘って、対応するフィルタリングされた応答信号ｆ（ｘ、ｔ）の２乗の和をとることによって、計算される。

ここで、Ｅ（ｘ）は位置ｘにおけるエネルギーであり、ｆ（ｘ、ｔ）は、位置ｘ及び時間ｔにおけるフィルタリングされた超音波応答信号の振幅である。

溶接部に沿った各測定箇所に対するエネルギーＥ（ｘ）に基づいて、エネルギー分布が図１０に示すようにプロットされ得る。ここで、ｘ軸は、溶接部に沿った測定箇所ｘに対応し、ｙ軸は、各測定箇所に対する超音波信号エネルギーＥ（ｘ）に対応する。プロットされたエネルギー分布は、超音波応答信号のエネルギーが溶接部の長さに沿ってゆらぐことを示す。エネルギーのこれらのゆらぎは、試験サンプル内に誘導された超音波信号を反射又は回折し得る試験サンプル及び／又は溶接部内の種々の特徴の存在によって生じ得る。そのような特徴は、上述したように、スタンプマーク、コネクタホール及びその他のような標準的特徴、又は、欠陥及び／又は溶接部の厚さの変化のような非標準的特徴を含み得る。

今、図８、１０及び１２を参照して、次のステップ２５４では、コントローラは、各測定箇所に対するエネルギーＥ（ｘ）及び／又は図１０に示されたプロットされたエネルギー分布のようなプロットされたエネルギー分布を利用して、溶接部に沿った潜在的欠陥位置を識別するようにプログラムされ得る。潜在的欠陥位置を識別するために、コントローラは、各測定箇所ｘに対するエネルギーＥ（ｘ）を、例えば測定箇所ｘ−１及びｘ＋１のような、隣接する測定箇所のエネルギーと比較し得る。もし、エネルギーＥ（ｘ）が、極小であれば（例えば、Ｅ（ｘ−１）＞Ｅ（ｘ）且つＥ（ｘ＋１）＞Ｅ（ｘ））、測定箇所ｘは潜在的欠陥位置である。潜在的欠陥位置の例が、図１２に示すプロットされたエネルギー分布における円で囲まれたプロットにより示されている。Ｅ（ｘ）が極小であると、コントローラは、極小の位置ｘを潜在的欠陥位置ｘ_pdとして指定して、潜在的欠陥位置ｘ_pdをコントローラに動作可能に関連するメモリ内に保存し得る。

今、図８及び１０〜１２を参照して、ステップ２５６では、コントローラは、潜在的欠陥位置ｘ_pdのエネルギーＥ（ｘ_pd）及び測定箇所の近傍のエネルギーを利用して、各潜在的欠陥位置ｘ_pdの近傍の測定箇所における超音波エネルギーのゆらぎを解析し、溶接部内の欠陥の存在を決定するようにプログラムされ得る。一実施形態では、コントローラは、潜在的欠陥位置のエネルギーＥ（ｘ_pd）及び隣接する測定箇所のエネルギーを、図１１Ａ〜１１Ｊに図式的に示された例示の欠陥エネルギーパターンのような、コントローラに動作可能に関連するメモリ内に保存されている欠陥エネルギーパターンのセットと比較することによって、欠陥の存在に対して各潜在的欠陥位置ｘ_pdを解析し得る。

図１１Ａ〜１１Ｊに示された欠陥エネルギーパターンは、上述したように超音波信号が試験サンプル内に誘導されて超音波応答信号が試験サンプルから集められた後に破壊的に試験された試験サンプルから導出され得る。各試験サンプルに対するエネルギー分布がプロットされ、各試験サンプルの破壊試験の結果が、対応するエネルギー分布と比較されて、エネルギー分布のゆらぎが破壊試験により識別された欠陥と関係づけられ得る。これらの比較に基づいて、欠陥エネルギーパターンのセットが、欠陥によって生じたエネルギー分布のゆらぎと対応するのかが識別され得る。

潜在的欠陥位置ｘ_pdが実際の欠陥を含むのかを決定するために、コントローラは、各潜在的欠陥位置ｘ_pdのエネルギーＥ（ｘ_pd）及び潜在的欠陥位置ｘ_pdの両側の近傍の測定箇所のエネルギーによって形成されるパターンを、欠陥エネルギーパターンと比較し、パターンが同様の形状を有するならば、コントローラは、潜在的欠陥位置ｘ_pdを欠陥位置ｘ_Ｄとして指定して、この位置を欠陥位置として、コントローラに動作可能に関連するメモリ内に保存する。

例として、図１１及び１２を参照して、潜在的欠陥位置ｘ_pdは、ｘ＝１０４ｍｍに存在する。この潜在的欠陥位置のエネルギーＥ（ｘ_pd）及び潜在的欠陥位置の両側の測定箇所のエネルギーによって形成されるパターン（例えば、ｘ＝１０４ｍｍの左の３つの測定箇所及びｘ＝１０４ｍｍの右の３つの測定箇所）は、図１１Ｉの欠陥エネルギーパターンと同様のパターンを形成する。このような場合、コントローラは、ｘ＝１０４ｍｍにおける潜在的欠陥位置を欠陥位置ｘ_Ｄとして識別し、この位置を欠陥としてメモリ内に保存する。

代わりの実施形態では、ステップ２５６において、コントローラは、各潜在的欠陥位置ｘ_pdにおけるエネルギーＥ（ｘ）を複数の近傍の測定箇所のエネルギーと比較することによって、各潜在的欠陥位置ｘ_pdを解析するようにプログラムされ得る。コントローラは、各潜在的欠陥位置ｘ_pdに対するエネルギーを、潜在的欠陥位置ｘ_pdの両側の少なくとも２つの連続した測定箇所に対するエネルギーと比較し得る。例えば、コントローラは、ｘ_pdの一方の側についてポイントｘ_pd−１、ｘ_pd−２、・・・、ｘ_pd−ｉに対するエネルギーから、ｘ_pdの他方の側についてポイントｘ_pd＋１、ｘ_pd＋２、・・・、ｘ_pd＋ｊまでのエネルギーを比較しうる。ここで、ｉ及びｊは整数であり、ｉ＜ｘ_pd且つ１＝＜ｊ＝＜ｎ−ｘ_pdであり、ｎは溶接部に沿った測定箇所の総数である。

もし、潜在的欠陥位置の両側の超音波エネルギーが、近傍の測定箇所のそれぞれに対して単調に増加するならば、そして、もし、単調に増加するエネルギーを備えた近傍の測定箇所の数が欠陥位置の両側で２と４との間であれば、コントローラは、潜在的欠陥位置ｘ_pdを欠陥位置ｘ_Ｄとして識別し、その位置をコントローラに動作可能に関連するメモリ内に保存する。図１２に示すように、実線の円によって囲まれた位置（例えば、ｘ＝１８ｍｍ、５０ｍｍ及び１０４ｍｍ）は、欠陥位置を示しており、鎖線の円によって囲まれた位置（例えば、ｘ＝７０ｍｍ及び８８ｍｍ）は、潜在的欠陥位置である。この潜在的欠陥位置は、後のコントローラによる解析によって、欠陥の存在に対する基準を満たさなかった。（即ち、超音波エネルギーが、潜在的欠陥位置の両側において、少なくとも２つの近傍の測定箇所に亘って単調に増加していないか、又は、少なくとも４つよりも多い近傍の測定箇所に亘って単調に増加している）

一実施形態では、潜在的欠陥位置の超音波エネルギーが、潜在的欠陥位置の両側において少なくとも２つの近傍の欠陥位置と比較されて、超音波エネルギーが単調に増加するのかを決定された後、潜在的欠陥位置のエネルギー及び近傍の測定箇所のエネルギーは、上述したように、メモリ内に保存された欠陥エネルギーパターンと比較されて、潜在的欠陥位置が、例えば図１１Ｊに示されるような欠陥エネルギーパターンを有する溶け込み不良欠陥のような所定の欠陥を含むのかどうかが更に評価される。潜在的欠陥位置における超音波エネルギー及び近傍の欠陥位置における超音波エネルギーが欠陥エネルギーパターンと対応するならば、コントローラは、潜在的欠陥位置ｘ_pdを欠陥位置ｘ_Ｄとして指定し、その位置を欠陥としてメモリ内に保存する。

他の実施形態では、図１１Ｊに示されるような溶け込み不良欠陥を識別するために、コントローラは、各測定箇所のエネルギーを近傍の測定箇所のエネルギーと比較することによって、極大及び極小のペアをまず識別するようにプログラムされ得る。例えば、図１１Ｊに示すポイントＸ_N1及びＸ_N2は、それぞれ、極大及び極小を示す。従って、極大と極小との間の平均勾配は、次式を用いて決定され得る。

ここで、Ｅ（Ｘ_N2）は測定箇所Ｘ_N2におけるエネルギーであり、Ｅ（Ｘ_N1）は測定箇所Ｘ_N1におけるエネルギーである。

従って、Ｘ_N1とＸ_N2との間の各ポイントＸ_iに対して、コントローラは、ポイントＸ_iとＸ_i-1との間の勾配及びポイントＸ_iとＸ_i+1との間の勾配を決定し、各勾配を平均勾配と比較するようにプログラムされ得る。ポイントＸ_iとＸ_i-1との間の勾配の絶対値とポイントＸ_iとＸ_i+1との間の勾配の絶対値との両方が、平均勾配よりも大きければ、ポイントＸ_iは欠陥位置である。

また他の実施形態では、ステップ２５６において、コントローラは、上述したように、各潜在的欠陥位置ｘ_pdにおけるエネルギーＥ（ｘ）を複数の近傍の測定箇所のエネルギーと比較することによって、各潜在的欠陥位置ｘ_pdを解析するようにプログラムされ得る。近傍の測定箇所のそれぞれに対して、潜在的欠陥位置の両側のエネルギーが単調に増加する時、コントローラは、潜在的欠陥位置ｘ_pdを欠陥位置ｘ_Ｄとして識別し、その位置をコントローラに動作可能に関連するメモリ内に保存する。

今図３及び９を参照して、一実施形態では、欠陥位置が識別された後、コントローラは、信号をＡＮＮ３０４に入力する前に、信号処理モジュール３０２を用いて、欠陥位置及び欠陥位置の何れかの側の測定箇所に対応する超音波応答信号を任意に処理し得る。信号処理モジュールは、コントローラと一体であるか、又はコントローラと電気的に接続した分離装置の何れかであり得る。従って、方法２００は、識別された欠陥位置に対応する超音波信号が処理されるステップ２１０に進む。ステップ２１０では、欠陥位置に対応する超音波信号（以降、欠陥信号と称される）は、欠陥信号内のデータポイントの全体的な数を低減するべく処理され得る。例えば、一実施形態では、欠陥信号は、時間に基づく複数のセグメント又はウインドウに分割され得る。用いられるセグメントの数は、欠陥信号内のデータポイントの総数に依存して変化し得る。本明細書で説明される実施形態では、２００セグメントが使用された。欠陥信号がセグメント化された後、各セグメントの平均が計算されて、欠陥信号が各セグメントの平均を用いて再構成される。従って、処理後には、欠陥信号が、本明細書に説明する実施形態では２００であるセグメントの数に等しいポイントの総数を含むことを理解されるべきである。

次のステップ２１２では、コントローラは、欠陥位置の近傍の測定箇所に対応する超音波応答信号（以降、欠陥近接信号）を、欠陥信号と同様の方法で、任意に処理して、各欠陥近接信号内のポイントの総数が低減され得る。本明細書で説明するように、欠陥近接信号は、欠陥の存在によって影響され得る欠陥位置の近傍の測定箇所に対する超音波応答信号であり、欠陥のタイプ及び／又は重度を分類するのに利用され得る。本明細書で説明するように、全部で１０の欠陥近接信号が利用される（欠陥位置の片側について５つ）。しかし、より多いか又は少ない数の欠陥近接信号が利用されて溶接部内の欠陥のタイプ及び重度が決定されることを理解されるべきである。欠陥近接信号が処理された後には、各欠陥近接信号が、本明細書に説明する実施形態では２００である処理に使用されたセグメントの数に等しいポイントの総数を含むことを理解されるべきである。

今、図３、４及び７を参照して、次のステップ２１４では、コントローラは、欠陥信号及び欠陥近接信号を、予め教育されたＡＮＮ３０４の入力層に入力し得る。本明細書に説明される実施形態では、コントローラは、欠陥信号及び欠陥近接信号を有する入力ベクトルＡをまず生成することによって、欠陥信号及び欠陥近接信号をＡＮＮ３０４の入力層に入力し得る。入力ベクトルＡは、通常、ベクトルの成分（即ち、ａ₁、ａ₂、ａ₃、・・・ａ_n）の数を表す整数であるｎの次元を有する。本明細書に説明される実施形態では、入力ベクトルＡが全部で１１信号を有するように、１つの欠陥信号と、１０の欠陥近接信号とがある。もし、各信号が上述したように処理されると、各信号は、トータルで２００ポイントを有し、各ポイントはベクトルの一成分に対応する。従って、それぞれが２００ポイントを有する１１信号に対して、入力ベクトルＡは、ｎ＝２２００のような、１１×２００の次元ｎを有する。

上述した例では入力ベクトルＡの次元ｎが２２００であるが、より大きいか又は小さい次元の入力ベクトルが使用され得ることを理解されるべきである。例えば、少ない数の欠陥近接信号が用いられる場合、入力ベクトルＡの次元は少なくなり得る。しかし、信号を処理する際により多くのセグメントが用いられる場合、入力ベクトルの次元は大きくなり得る。更に、欠陥信号及び欠陥近接信号が処理されて各信号内のデータポイントの数が低減されない場合、入力ベクトルＡの次元ｎは、欠陥信号及び欠陥近接信号それぞれのデータポイントの数に依存して非常に大きくなり得る。

コントローラが欠陥信号及び欠陥近接信号から入力ベクトルＡを生成した後、コントローラは、入力ベクトルＡをＡＮＮ３０４の入力層Ｎｘに送る。図４に示し且つ上述したように、ＡＮＮ３０４の入力層Ｎｘはｎ個の入力ノードを有する。従って、入力ベクトルＡの各成分は、ＡＮＮ３０４の別個の入力ノードに送られる。ＡＮＮ３０４の教育中に決定された重み行列及び各層の各ノードに関係付けられた活性化関数を利用して、ＡＮＮ３０４は、入力ベクトルＡに対して一連の数学的処理を実行して、欠陥信号に対応する欠陥の固有性及び／又は欠陥の重度分類に関係する符号化された欠陥ベクトルＢを出力する。本明細書に説明される実施形態では、欠陥ベクトルＢは、符号化されて、４つの異なるタイプの欠陥の内の１つ及び／又はそれらの組み合わせを識別する。また、欠陥ベクトルは、上述したように、識別された欠陥の重度分類を含む。従って、欠陥ベクトルＢは、５の次元を有する（即ち、ｑ＝５）。

例えば、欠陥ベクトルＢに対して上述したきまりを用いると、教育されたＡＮＮ３０４が入力ベクトルＡは重度分類Ｂを有する短脚欠陥を示すと決定した時、ＡＮＮ３０４は、位置ｂ１における１は短脚欠陥を示し、位置ｂ５における２は重度分類「Ｂ」の欠陥を示す＜０１００２＞の欠陥ベクトルを出力する。

上述したように、ＡＮＮ３０４の出力層Ｎｚの次元（従って、欠陥ベクトルＢの次元）は、欠陥タイプの異なる数及び／又は欠陥タイプの組み合わせを識別するために、低減又は増大され得る。更に、追加の重度分類又は重度サブ分類が出力層Ｎｚに追加されて、欠陥の重度における追加の情報が提供され得る。

更に、本明細書では欠陥ベクトルＢは欠陥の識別及び欠陥の重度分類の両方を含むとして説明されたが、他の実施形態では、欠陥ベクトルＢは、欠陥の識別又は欠陥重度分類の何れかを含むだけでも良いことを理解されるべきである。

次のステップ２１６において、コントローラは、欠陥ベクトルＢを復号し、欠陥ベクトルＢによって示された欠陥タイプ及び／又は重度分類を出力するようにプログラムされ得る。例えば、コントローラは、欠陥のタイプ及び／又は欠陥の重度の識別と共に、欠陥の存在の視覚的及び／又は聴覚的な表示を提供しても良い。欠陥分類システム１５０がディスプレイを有する一実施形態では、コントローラは、ディスプレイ上に図１２に示すのと同様のエネルギー分布をプロットするようにプログラムされ得る。また、コントローラは、ディスプレイ上に欠陥位置を識別し、且つ各欠陥位置における各欠陥のタイプ及び／又は重度を識別するようにプログラムされ得る。例えば、コントローラがディスプレイ上にエネルギー分布のプロットを表示するようにプログラムされる場合、コントローラは、エネルギー分布上に欠陥の位置ｘ_Ｄを図式的に示し、各欠陥位置のタイプ及び／又は重度の対応する表示を提供するようにプログラムされ得る。代わりに又は追加して、コントローラは、各欠陥の位置を表示するようにプログラムされ得る。例えば、図１２に示すエネルギー分布のプロットを参照して、コントローラは、重度「Ｂ」の気孔欠陥がｘ＝１８ｍｍに位置しており、重度「Ｃ」の溶け込み不良欠陥がｘ＝５０ｍｍに位置しており、重度「＜Ｃ」の溶け込み不良／短脚欠陥の組み合わせが、ｘ＝１０４ｍｍに位置していることをディスプレイ上に示すように動作可能である。

本明細書に示され且つ説明された欠陥分類システム及び方法は、超音波信号を用いて、溶接部内に存在する欠陥のタイプ及び／又は重度の分類を行うために使用され得ることを、今理解されるべきである。システムは、製造環境に組み込まれて、種々の構成の溶接構造の自動検査を実行し得る。システムは、製造された各溶接構造のための品質管理ツールとして使用され得る。また、システムは、代わりに、製造された溶接構造のランダムなサンプルリングを解析するためのツールとして使用され得る。

本明細書で説明された欠陥分類システムは、試験サンプル内に超音波信号を誘導し且つ試験サンプルから超音波応答信号を集めるために非接触方法を利用したが、欠陥分類システムによって使用される方法は、また、試験サンプルに物理的に接触する音響信号発生器及び／又は音響信号検出器を利用する超音波検査システムによって使用され得ることを理解されるべきである。

更に、本明細書の溶接部内の欠陥のタイプ及び／又は重度を分類するための方法は、試験サンプル内に超音波信号を誘導し且つ試験サンプルから超音波応答信号を集めることと併せて実行されるものとして説明されたが、溶接部内の欠陥のタイプ及び／又は重度を分類するための方法は、超音波信号を誘導し且つ超音波応答信号を集めるステップとは独立して、実行され得ることを理解されるべきである。例えば、集められた超音波応答信号は、コントローラ内に保存されて、本明細書に説明された方法に従って、後で解析されても良い。

本明細書に用いられている用語「実質的」及び「約」は、定量的な比較、値、測定又は他の表示に起因する不確か性の固有の程度を表すために用いられていることに留意されたい。また、これらの用語は、本明細書では、それによって、問題となる主題の基本機能における変化がなくとも、定量的な表現が決められた基準から変化し得る程度を表すために用いられる。

本明細書では具体的な実施形態が示され且つ説明されたが、クレームされた主題の精神及び範囲から逸脱することなく、他の種々の変化及び修正がなされ得ることを理解されるべきである。更に、本明細書では、クレームされた主題の種々の態様が説明されているが、そのような態様は組み合わせて利用される必要はない。従って、添付の請求項は、クレームされた主題の範囲内にある全てのそのような変化及び修正をカバーすることが意図されている。

Claims (18)

1. 溶接部における欠陥のタイプを決定する方法であって、
   溶接部に沿った複数の測定箇所から集められた超音波応答信号を解析することによって、欠陥位置及び前記欠陥位置に対応する欠陥信号を決定することであって、前記欠陥の位置は、
   それぞれの測定箇所からの超音波応答信号をフィルタリングして、それぞれの測定箇所に対するフィルタリングされた応答信号を生成すること、及び、
   それぞれの測定箇所に対する超音波エネルギーを、それぞれの測定箇所に対応する前記フィルタリングされた応答信号を用いて計算すること、及び、
   それぞれの測定箇所に対する超音波エネルギーを、隣接する測定箇所の超音波エネルギーと比較して潜在的欠陥位置を識別することであって、測定箇所の超音波エネルギーが隣接する測定箇所の超音波エネルギーよりも小さい時に、測定箇所が前記潜在的欠陥位置であると、識別すること、及び、
   前記潜在的欠陥位置の近傍の測定箇所の超音波エネルギーのゆらぎを解析して、欠陥が前記溶接部に存在するかを決定すること、によって決定されること、
   及び、
   前記欠陥信号及び複数の欠陥近接信号を、教育された人工ニューラルネットワークに入力することであって、前記複数の欠陥近接信号は前記欠陥位置の両側の測定箇所からの超音波応答信号に対応し、前記教育された人工ニューラルネットワークは、前記欠陥信号及び前記複数の欠陥近接信号に基づいて前記欠陥位置に位置する欠陥のタイプを識別して、前記欠陥位置に位置する欠陥のタイプを出力することができる、入力すること、
   を備える方法。
2. 更に、前記欠陥信号及び前記複数の欠陥近接信号を前記教育された人工ニューラルネットワークに入力する前に、前記欠陥信号及び前記複数の欠陥近接信号を処理することを備える請求項１に記載の方法。
3. 前記欠陥信号及び前記複数の欠陥近接信号は、各信号を複数のセグメントに分割して各セグメントを平均化することによって処理される請求項２に記載の方法。
4. 前記教育された人工ニューラルネットワークは、気孔欠陥、溶け込み不良欠陥、短脚欠陥、溶け込み不良／短脚欠陥、又はこれらの組み合わせとして、欠陥のタイプを識別することができる請求項１に記載の方法。
5. 前記教育された人工ニューラルネットワークは、更に、
   前記欠陥信号及び前記複数の欠陥近接信号に基づいて、前記欠陥位置に位置する欠陥の重度分類を決定すること、及び、
   前記欠陥位置に位置する欠陥の重度分類を出力することができる請求項１に記載の方法。
6. 前記教育された人工ニューラルネットワークは、欠陥のタイプ及び重度分類を示す符号化されたベクトルを出力する請求項５に記載の方法。
7. 前記教育された人工ニューラルネットワークは、破壊試験された溶接サンプルから得られたサンプルデータセットを用いて、誤差逆伝播法アルゴリズムにより教育される請求項１に記載の方法。
8. 溶接部における欠陥の重度を決定する方法であって、
   溶接部に沿った複数の測定箇所からの超音波応答信号を解析することによって、欠陥位置及び前記欠陥位置に対応する欠陥信号を決定することであって、前記欠陥位置は、
   それぞれの測定箇所からの超音波応答信号をフィルタリングして、それぞれの測定箇所に対するフィルタリングされた応答信号を生成すること、及び、
   それぞれの測定箇所に対する超音波エネルギーを、それぞれの測定箇所に対応する前記フィルタリングされた応答信号を用いて計算すること、及び、
   それぞれの測定箇所に対する超音波エネルギーを、隣接する測定箇所の超音波エネルギーと比較して潜在的欠陥位置を識別することであって、測定箇所の超音波エネルギーが隣接する測定箇所の超音波エネルギーよりも小さい時に、測定箇所が前記潜在的欠陥位置であると識別すること、及び、
   前記潜在的欠陥位置の近傍の測定箇所の超音波エネルギーのゆらぎを解析して、前記溶接部に欠陥が存在するかを決定すること、によって決定されること、
   及び、
   前記欠陥信号及び複数の欠陥近接信号を、教育された人工ニューラルネットワークに入力することであって、前記複数の欠陥近接信号は前記欠陥位置の両側の測定箇所からの超音波応答信号に対応し、前記教育された人工ニューラルネットワークは、前記欠陥信号及び前記複数の欠陥近接信号に基づいて、前記欠陥位置に位置する欠陥の重度分類を決定すること、及び、前記欠陥位置に位置する欠陥の重度分類を出力することができる、入力すること、
   を備える方法。
9. 更に、前記欠陥信号及び前記複数の欠陥近接信号を前記教育された人工ニューラルネットワークに入力する前に、前記欠陥信号及び前記複数の欠陥近接信号を処理することを備える請求項８に記載の方法。
10. 前記欠陥信号及び前記複数の欠陥近接信号は、各信号を複数のセグメントに分割して各セグメントを平均化することによって処理される請求項９に記載の方法。
11. 前記教育された人工ニューラルネットワークは、破壊試験された溶接サンプルから得られたサンプルデータセットを用いて、誤差逆伝播法アルゴリズムにより教育される請求項８に記載の方法。
12. 溶接部における欠陥のタイプを識別するための欠陥分類システムであって、
    前記欠陥分類システムは、コントローラと、音響信号発生器と、音響信号検出器と、位置決め装置とを備え、前記音響信号発生器及び前記音響信号検出器及び前記位置決め装置は、前記コントローラと電気的に接続されており、
    前記コントローラは、
    前記音響信号発生器を用いて、前記溶接部に沿った複数の測定箇所に超音波信号を誘導し、
    前記音響信号検出器を用いて、それぞれの測定箇所からの超音波応答信号を集めて、それぞれの超音波応答信号を前記コントローラに動作可能に関連するメモリに保存し、
    それぞれの測定箇所からの前記超音波応答信号を解析することによって、欠陥位置及び欠陥信号を決定することであって、前記欠陥位置は、
    それぞれの測定箇所からの超音波応答信号をフィルタリングして、それぞれの測定箇所に対するフィルタリングされた応答信号を生成すること、及び、
    それぞれの測定箇所に対する超音波エネルギーを、それぞれの測定箇所に対応する前記フィルタリングされた応答信号を用いて計算すること、及び、
    それぞれの測定箇所に対する超音波エネルギーを、隣接する測定箇所の超音波エネルギーと比較して潜在的欠陥位置を識別することであって、測定箇所の超音波エネルギーが隣接する測定箇所の超音波エネルギーよりも小さい時に、測定箇所が前記潜在的欠陥位置であると識別すること、及び、
    前記潜在的欠陥位置の近傍の測定箇所の超音波エネルギーのゆらぎを解析して、前記溶接部に欠陥が存在するかを決定すること、によって決定されること、
    前記欠陥位置の両側の測定箇所からの超音波応答信号に対応する複数の欠陥近接信号を決定し、
    前記欠陥信号及び複数の欠陥近接信号を、前記コントローラと動作可能に関連する教育された人工ニューラルネットワークに入力する、
    ようにプログラムされており、
    前記教育された人工ニューラルネットワークは、前記欠陥信号及び前記複数の欠陥近接信号に基づいて前記欠陥位置に位置する欠陥のタイプを識別して、前記欠陥位置に位置する欠陥のタイプを出力することができる、欠陥分類システム。
13. 前記教育された人工ニューラルネットワークは、欠陥のタイプを示す符号化されたベクトルを出力する請求項１２に記載の欠陥分類システム。
14. 前記教育された人工ニューラルネットワークは、更に、
    前記欠陥信号及び前記複数の欠陥近接信号に基づいて、前記欠陥位置に位置する欠陥の重度分類を決定すること、及び、
    前記欠陥位置に位置する欠陥の重度分類を出力することができる請求項１２に記載の欠陥分類システム。
15. 前記教育された人工ニューラルネットワークは、欠陥のタイプ及び重度分類を示す符号化されたベクトルを出力する請求項１４に記載の欠陥分類システム。
16. 前記コントローラは、更に、前記欠陥信号及び前記複数の欠陥近接信号を前記教育された人工ニューラルネットワークに入力する前に、前記欠陥信号及び前記複数の欠陥近接信号を処理するようにプログラムされている請求項１２に記載の欠陥分類システム。
17. 前記コントローラは、前記欠陥信号及び前記複数の欠陥近接信号それぞれを複数のセグメントに分割して各セグメントを平均化することによって、信号を処理するようにプログラムされている請求項１６に記載の欠陥分類システム。
18. 前記教育された人工ニューラルネットワークは、破壊試験された溶接サンプルから得られたデータセットを用いて、誤差逆伝播法アルゴリズムにより教育される請求項１２に記載の欠陥分類システム。