3가지 종류의 알루미늄 합금강의 피로균열 진전 시 균열 열림 및 닫힘에 따른 음향방출 신호를 분류하기 위하여 주성분 분석 방법과 인공신경망 기법을 적용하였다. 재료의 균열 열림과 닫힘, 마찰 등과 같은 여러 가지 AE 신호를 얻기 위하여 피로시험을 수행하였다. 주성분 분석결과 AE 파라미터의 제 1 및 제 2 주성분만으로도 균열 열렴 및 닫힘에 대한 AE 신호의 변이를 94% 이상 설명할 수 있는 것으로 분석되어 주성분 분석 기법을 이용한 균열 열림 및 닫힘에 대한 신호해석이 가능한 것으로 나타났다. AE 신호의 주성분들을 입력변수로 사용한 인공신경망을 이용하여 균열 열림 및 닫힘을 분류할 수 있는 분류기를 개발하고 평가한 결과 분류기의 입력 변수로서 2개의 주성분을 이용 할 경우 전체 AE 파라미터를 입력변수로 사용한 경우 보다 분류 성능이 향상되었다.
This study was performed to classify the fatigue crack opening and closure for three kinds of aluminum alloy using principal component analysis (PCA). Fatigue cycle loading test was conducted to acquire AE signals which come from different source mechanisms such as crack opening and closure, rubbing, fretting etc. To extract the significant feature from AE signal, correlation analysis was performed. Over 94% of the variance of AE parameters could accounted for the first two principal components. The results of the PCA on AE parameters showed that the first principal component was associated with the size of AE signals and the second principal component was associated with the shape of AE signals. An artificial neural network (ANN) an analysis was successfully used to classify AE signals into six classes. The ANN classifier based on PCA appeared to be a promising tool to classify AE signals for fatigue crack opening and closure.
