Documentos de Académico
Documentos de Profesional
Documentos de Cultura
RESUMEN
Javier G a rc ia -M a rtin u , V íc to r M a rtín e z -M a rtin e z 2,
Las técnicas de ensayos no destructivos basadas en co
Jaime G o m e z -G il2
rrientes inducidas están cada vez más presentes en la indus
' INGENIERÍA Y SISTEMAS DE ENSAYOS NO DESTRUCTIVOS tria debido a la creciente demanda de los controles de calidad.
(ISEND). Parque Tecnológico de Boecillo. C/Luis Proust, 10 - Además de la detección clásica de defectos, con corrientes in
47151 Valladolid. Tfno. +34 983 132307. ducidas es también posible detectar propiedades físicas o me
2 UNIVERSIDAD DE VALLADOLID. Departamento de Teoría de la
talúrgicas en piezas de acero. Las medidas de impedancia de
Señal, Comunicaciones e Ingeniería Telemática. Campus Miguel
Delibes - 47011 Valladolid.jgarmar@ribera.tel.uva.es un solenoide que genera corrientes inducidas en el acero per
miten diferenciar piezas que han sido sometidas a tratamientos
térmicos diferentes, las cuales, pueden procesarse después con
Redes Neuronales Artificiales (RNAs) para implementar cla
ABSTRACT sificadores automáticos y eficientes.
En este artículo se comparan dos clasificadores de piezas
• Eddy current-nondestructive techniques are
implementados con RNAs que procesaron impedancias mono-
increasingly present in industry because of the
frecuencia y un tercer clasificador RNA que procesó con im
growing quality control demand. In addition
pedancias multifrecuencia. Las impedancias fueron extraídas
to the classical crack detection, eddy currents
de dos grupos de piezas de acero con tratamientos térmicos di
permit physic and metallurgic properties
ferentes, siendo la martensita y la bainita las microestructuras
detection in steels. The impedance values of
predominantes en el primer grupo y la perlita en el segundo.
one eddy-current-generating coil permit to
Como resultados experimentales se obtuvo una tasa de
differentiate steel pieces with different heat
acierto de clasificación monofrecuencia cercana al 90% y de
treatments. These impedance values can be
un 99.9% en el caso multifrecuencia, una carga computatio
processed with Artificial Neural Networks
nal teórica del clasificador multifrecuencia entre un 33% y un
(ANNs) to implement automatic and efficient
50% inferior a la de los métodos monofrecuencia y un tiempo
classifiers.
de ejecución de la clasificación multifrecuencia un 22% infe
In this article two ANN classifiers that
rior al de los métodos monofrecuencia.
processed monofrequency impedances and one
Palabras clave: Algoritmo de clasificación, tratamiento
ANN classifiers that processed multifrequency
térmico, acero, redes neuronales artificiales, ensayos no des
impedances are compared. The impedances
tructivos, corrientes inducidas.
were extracted from two steel samples sets with
different heat treatments. The predominant
microstructure in the first set was martensite
and bainite and in the second one was perlite. 1. INTRODUCCIÓN
As experimental results, the monofrequency Las propiedades mecánicas del acero dependen tanto de su
classification accuracy rate was 90% while the composición química como de su microestructura cristalina.
multifrequency classification reached 99.9%, Numerosas piezas de acero se someten en la industria a trata
the theoretical computing workload of the best mientos térmicos para modificar esta microestructura sin cam
multifrequency classifier was between 33% biar la composición y conseguir unas propiedades mecánicas
and 50% lower than the best monofrequency controladas de dureza, resistencia al desgaste y tenacidad. Las
classifier, and the multifrequency classification variables clave de los tratamientos térmicos son la composi
execution time was 22% smaller than the ción química de partida y, atendiendo al ciclo térmico, la tem
measured time using the monofrequency peratura, la duración y la velocidad de enfriamiento [1]. Entre
methods. los diferentes tipos de tratamientos térmicos se encuentran
• Keywords: Classification algorithms, heat los de templado, que realizan un calentamiento seguido de un
treatment, steel, artificial neural networks, enfriamiento rápido controlado del acero para incrementar la
nondestructive testing, eddy currents. dureza y resistencia provocando transformaciones microes-
tructurales martensíticas y/o bainíticas [2].
526 | Dyna | Septiembre - Octubre 2 0 1 4 1Vol. 89 n°5 | 526/532 Cod. 7083 | Tecnología industrial | 3310.01 Equipo industrial
C lasificación del tr a ta m ie n to té rm ic o de aceros con ensayos no d estructivos por corrientes inducidas m e d ia n te redes n euronales 3 r t í C U 10 ■
Javier G arcia-M artin, Víctor Martinez-Martínez, Jaime Gomez-Gil
que clasifican piezas de acero en función del tratamiento tér p iezas de acero p o r su tra ta m ie n to té rm ico
C o d. 7 0 8 3 | T e c n o lo g ía in d u s tria l | 3310.01 Equipo industrial Septiembre - Octubre 2 0 1 4 | Vol. 89 n°5 | 526/532 | D yna | 5 2 7
■■ a r tíC U lo C la s ific a c ió n del t r a ta m ie n to té r m ic o d e a ce ro s c o n en sa yo s n o d e s tru c tiv o s p o r c o r rie n te s in d u c id a s m e d ia n te redes n e u ro n a le s
Javier Garcia-M artin, Víctor Martínez-Mortínez, Jaime Gomez-Gil
3. REDES NEURONALES Además las RNAs se pueden clasificar en función del nú
Esta sección muestra una breve introducción a las redes mero de conexiones de cada neurona, distinguiéndose dos ti
neuronales. Para una explicación más extensa y completa so pos. Por un lado, las “redes totalmente conectadas” tienen la
bre su funcionamiento puede consultar los libros de Hayking salida de cada neurona de una capa conectada a las entradas
[6] y Bishop [12]. de todas las neuronas de la capa siguiente. Por otro lado, las
“redes localmente conectadas” no tienen todas salidas de las
3 .1 . LA NEURONA: UNIDAD ELEMENTAL DE neuronas de una capa conectadas a la entrada de las neuronas
PROCESADO de la capa siguiente. A efectos aclaratorios en la Figura 4 se
Las redes neuronales son herramientas complejas de pro muestra una RNA multicapa feedforward totalmente conec
cesado de datos inspiradas en el sistema nervioso de los ani tada.
males. Las redes están compuestas por múltiples neuronas que
constituyen unidades básicas de procesado capaces de generar
un valor de salida en función de unos valores de entrada. En
la Figura 3 se muestra la estructura de la neurona básica más
común denominada perceptrón, la cual multiplica los valores
de entrada (X¡} X 2, ■■■.XJ por los pesos (W , WT ..., W J, suma
todos estos valores junto con umbral de activación (u) y aplica
a su resultado v la función de activación cp. La tangente hiper
bólica, la arcotangente o las funciones lineales son algunos ■conexiones
ejemplos de cp.
capa de
entrada capa oculta
3 .3 . ENTRENAMIENTO
El entrenamiento es la etapa posterior a la definición de la
estructura de la RNA.
3 .3 .1 . Tipos de aprendizaje
Figura 3: Estructura del perceptrón Los métodos empleados en el entrenamiento pueden ser
supervisados o no supervisados en función de la información
proporcionada a la red. En el aprendizaje supervisado se pro
porcionan a la red tanto los valores de entrada como los de
3 .2 . ESTRUCTURA DE UNA RNA salida asociados a dichas entradas. El aprendizaje en este caso
El gran potencial de las RNAs se consigue con la forma consiste en ajustar los pesos y umbrales de activación de las
ción de redes que interconectan perceptrones, de modo similar neuronas, con el fin de minimizar el error al estimar esos va
a las neuronas que se agrupan para constituir un cerebro. Sin lores de salida. Por otro lado, en el aprendizaje no supervisado
embargo, existe una diferencia abismal entre el cerebro huma únicamente se proporcionan a la red valores de entrada y ésta
no y las RNAs ya que éste consta de unas 10" neuronas [13], se ajusta infiriendo relaciones matemáticas entre las entradas.
mientras que el número de neuronas de las RNAs no suele En el caso del aprendizaje supervisado del perceptrón
exceder de las decenas. multicapa de tipo feedforward, el método más empleado es el
backpropagation [14], y para su implementación el algoritmo
3 .2 .1 . Estructura de capas más utilizado es el de Levenberg-Marquardt, el cual combina
Las neuronas de las RNAs se estructuran en capas, dis algoritmos de descenso en gradiente y de optimización Gauss-
tinguiéndose la capa de entrada, cuyas neuronas únicamente Newton [15, 16].
introducen los datos en la red, las capas ocultas, que reali
zan el núcleo del procesado, y la capa de neuronas de salida, 3 .3 .2 . Criterio de parada
que muestra las variables de salida. Tanto el número de capas El entrenamiento de una RNA es un proceso iterativo que
ocultas como el número de neuronas en cada capa oculta son requiere un criterio de parada. Algunos criterios son la parada
parámetros de diseño de las redes. transcurrido un tiempo de iteración o alcanzado un número de
iteraciones prefijado, la parada al alcanzar un error aceptable,
3 .2 .2 . Interconexión de neuronas la parada al alcanzar una tasa de acierto de un clasificador
Las RNAs se pueden clasificar también en función de aceptable o la parada al detectar que los resultados no mejoran
las conexiones entre neuronas: por un lado existen las RNAs al aumentar el número de iteraciones.
feedforward, con conexiones exclusivamente hacia adelante
entre las neuronas de una capa n-ésima con las neuronas de 3 .3 .3 . Inicialización
capas siguientes {n + 1, n + 2...}; por el otro, están las RNAs El proceso de entrenamiento depende de la inicialización
feedback, con conexiones hacia atrás entre neuronas de una de la RNA, de modo que diferentes inicializaciones pueden
misma capa o con capas anteriores. conducir a RNAs con resultados distintos. Por ello, se suelen
variar los valores de inicialización de las RNAs en cada itera El equipo de instrumentación fabricado por ISEND se uti
ción para explorar el espacio vectorial de pesos y umbrales de lizó para la generación del flujo de corrientes en las piezas de
activación de una manera completa y mejorar el resultado del inspección y la extracción de la impedancia resultante de la
entrenamiento. En la Figura 5 se presenta un esquema del en sonda inductiva.
trenamiento iterativo para mejorar posibles malos resultados La sonda inductiva también fabricada por ISEND, similar
debidos a una mala inicialización. a la de la Figura 1, estaba formada por una bobina de opera
ción y una bobina de compensación para aumentar su rango
Crite rio parada algoritm o entrenam iento dinámico. Cada una de las bobinas, con núcleo de ferrita de
licialización algoritmo de O K Evaluación
={> diámetro 1.6 mm, estaba formada por 4 capas de hilo de cobre
RNA ~ 1^ entrenamiento RNA
V C rite rio de de 0.08 mm de diámetro hasta completar 100 vueltas.
=LIparada proceso
C rite rio de parada p ro ceso itera tivo itera tivo de El juego de piezas de acero se utilizó en las fases de entre
de entrenam iento N O logrado entrenam iento O K namiento, validación y test de cada una de las redes. El juego
Figura 5: Esquema del proceso de entrenam iento de una RNA empleando
estaba formado por ocho levas forjadas fabricadas en acero
un a lgo ritm o iterativo. lOOCró con denominación F1310 según UNE, divididas en
dos grupos.
• El primer grupo de piezas había sido sometido a un en
friamiento rápido y habían adquirido una dureza desea
da superior a 55HRC. En este grupo de piezas correctas
4 . OBJETIVOS predomina la microestructura metalúrgica de martensita
El objetivo general del artículo es la comparación de tres y bainita.
RNAs que implementan clasificadores automáticos de piezas • El segundo grupo de piezas, por el contrario, había reci
de acero forjadas con enfriamiento rápido y correcto para una bido un enfriamiento más lento que las piezas del grupo
aplicación concreta, con microestructura predominante mart- anterior y su dureza resultante era inferior a 45HRC, pre
ensítica y bainitica y dureza aceptable, respecto de otras pie dominando la microestructura de perlita y algo de bainita.
zas no correctas, enfriadas más lentamente que las primeras, Estas piezas no eran correctas para su posterior aplicación,
con microestructura predominante de perlita y algo de bainita por lo que había se separarlas de las del primer grupo con
y con dureza inferior al valor mínimo aceptable. la tecnología presentada en el presente estudio.
Los datos de entrada de las RNAs fueron medidas de im- El PC de procesado fue un ordenador portátil de propósito
pedancia de una sonda inductiva tomadas a diferentes frecuen general con un procesador Intel Core i3 M350 @2.27GHz y
cias que proceden de la tecnología de ensayos no destructivos una memoria RAM de 4 GB y se utilizó para implementar las
por corrientes inducidas. Se emplearon dos RNAs cuyas en tres RNAs de clasificación de piezas que se comparan en este
tradas fueron impedancias a las frecuencias de trabajo 50 y estudio.
100 kHz y una tercera RNA que utilizó simultáneamente las
impedancias a las dos frecuencias.
Los objetivos específicos del artículo son comparar la tasa
de acierto de clasificación de piezas de las tres RNAs, compa 6. MÉTODOS
rar la carga computacional calculada de las RNAs y comparar La metodología seguida estuvo formada por las siguientes
el tiempo de ejecución empleado por cada una de las RNAs cuatro etapas: inicialmente se realizó en ensayo no destructivo
para clasificar una pieza de acero. para la toma de medidas de impedancia, después se realizó
un preprocesado de los datos adquiridos, a continuación se
implementaron los clasificadores de piezas de acero mediante
RNAs y finalmente se realizó un análisis de los clasificadores
5. MATERIALES implementados.
Para la realización de los experimentos se utilizó: un equi
po de instrumentación de corrientes inducidas, una sonda in 6 .1 . T O M A DE D A TO S
ductiva, un juego de piezas de acero y un PC de procesado. La toma de datos consistió en la aproximación de las pie
Todos estos elementos se interconectaron según el diagrama zas de acero al campo magnético primario creado por la sonda
de bloques del sistema de la Figura 6. inductiva y la medida de la impedancia resultante a las fre
E g u ip o cuencias de trabajo 50 y 100 kHz. Se tomaron 40 medidas de
/"N j,. 1 Sonda impedancia manteniendo una distancia inferior a 0.1 mm entre
Salida
sonda y pieza. Según la Ecuación (1) la profundidad estándar
(rango: -1 a 1) V H H T 2 ^ \ Z^
de penetración de las corrientes inducidas fue de 54.04 pm a
V VoV '
z / y — i- 50 kHz y de 32.41 pm a 100 kHz, por lo que la exploración
¡ RNA ¡ S-7-7 , predominante fue superficial. Las duplas de impedancia com
pleja a cada frecuencia de trabajo / se expresa en puntos de
1 ¡
Z c o m p -V o , conversión procedentes de la digitalización de un ADC.
PC de procesado piezas
6 . 2 . P R E -P R O C E S A D O
Figura 6: Diagrama de bloques del sistema (Equipo de corrientes, sonda A continuación se normalizaron las componentes real (Z )
inductiva, ju e g o de piezas de acero y PC de procesado] e imaginaria (Z ) de las impedancias adquiridas con el fin de
Cod. 7083 | Tecnología industrial | 3310.01 Equipo industrial Septiembre - Octubre 20141Vol. 89 n°5 | 526/532 | Dyna | 529
■ El a r t í C U lo C lasifica ció n del tra ta m ie n to té rm ic o de aceros con ensayos no d e stru ctivo s por co rriente s in ducidas m e d ia nte redes neuronales
Javier Garcia-Martin, Victor Martínez-Martinez, Jaime Gomez-Gii
proporcionar un conjunto de variables de entrada a las RNAs El rango del número de operaciones de cada tipo se expresa en
con media nula y desviación estándar unitaria para mejorar unidades naturales.
los resultados de clasificación y reducir el tiempo de entrena El tercer y último criterio de comparación de las RNAs
miento. Se aplicó la transformación de la Ecuación (2), siendo entrenadas fue el tiempo de necesario para clasificar una pieza
Z ,. la componente de la impedancia de entrada, Z'x/y la im- y se expresa en microsegundos.
pedancia preprocesada, i u el valor medio y Ox/yla desviación
típica de Zx/y.
7. RESULTADOS Y DISCUSIÓN
, _ ZX/y ~ P*/y m En esta sección se presentan los resultados obtenidos y un
¿x¡y ^ ¿x¡y ~ breve análisis de los mismos, así como las observaciones que
°x/y
surgen a partir de dichos resultados, las limitaciones del estu
dio y algunas líneas futuras que se podrían abordar a partir de
6.3. PROCESADO MEDIANTE RNAS este trabajo.
En tercer lugar, se procesaron las muestras normalizadas
de impedancia para clasificar las piezas según el tratamiento 7.1. TASA DE ACIERTO
térmico recibido. Para ello, se diseñaron dos primeras RNAs Los resultados de clasificación relativos a la tasa de acier
que procesaron en modo monofrecuencia las impedancias to to de las RNAs se muestran en la Figura 7. En el procesado
madas a las frecuencias de trabajo 50 y 100 kHz y una tercera monofrecuencia se distingue el tramo comprendido entre 2
RNA que realizó un procesado multifrecuencia de las impe y 5 neuronas ocultas, en el que la tasa de acierto aumentó a
dancias extraídas a 50 y 100 kHz. A continuación se describen medida que se incrementó el número de neuronas, y entre 6
las características de las RNAs diseñadas: y 10 neuronas ocultas, en el que la tasa de acierto se mantuvo
aproximadamente constante. Debido a este comportamiento,
se eligió la RNA con 5 neuronas en la capa oculta como la
Estructura: Perceptrón multicapa
feedforward. estructura de referencia. La tasa de acierto de clasificación de
Red totalmente conectada. piezas de la RNA con 5 neuronas fue del 88.5% con impedan
Una única capa oculta. cias de entrada a 50 kHz y del 89.8% con impedancias a 100
Capa de salida: Una única neurona de salida. kHz.
Por el contrario, los resultados de tasa de acierto de la
Número de neuronas Procesado monofrecuencia: 2.
clasificación multifrecuencia muestran una tendencia siem
en la capa de entrada: Procesado multifrecuencia: 4.
pre decreciente al aumentar el número de neuronas ocultas.
Número de neuronas Entre 2 y 10. El valor máximo de tasa de acierto (99.9%) se alcanzó con 2
de la capa oculta:
neuronas ocultas, aunque se mantuvo siempre por encima del
Función de activación: Tangente hiperbólica. 98% en el peor de los casos, por lo que se eligió la RNA de 2
División de muestras: Entrenamiento: 60%. neuronas ocultas como estructura de referencia.
Validación 15%.
Test: 25%.
Criterio de parada del Gradiente de error = 10"'°.
entrenamiento:
Criterio de finalización Principal: Clasificación correcta
del entrenamiento: de todas las muestras de
entrenamiento y validación.
Secundario: Tiempo máximo del
proceso iterativo 60 s.
Tabla I: Características de las RNAs diseñadas para la implementaclón
de los clasificadores
530 | Dyna | Septiembre - Octubre 2 0 1 4 1Vol. 89 n°5 | 526/532 Cod. 7 0 8 3 | Tecnología industrial | 3310.01 Equipo industrial
Clasificación del tratam ie nto térm ico de aceros con ensayos no destructivos por corrientes inducidas mediante redes neuronales 3 rtíC U IO
Javier García-Martin, Víctor Martlnez-Martínez, Jaime Gomez-Gil
Chady et al. [17] y Rao et al. [18] han obtenido Tipo de Operaciones en Operaciones en Total
buenos resultados con las técnicas multiffecuencia. operación la capa oculta la capa de salida operaciones
Sumas/Productos No c *N.m NOC No c *(N.
v m
+1)'
7.2. CARGA COMPUTACIONAL
Operaciones de
Los resultados de carga computacional teórica tanh
NOC 1 NOC +1
de las RNAs se calcularon en función del número
Tabla II: Carga computacional teórica de las RNAs propuestas con Njn neuronas de
de neuronas ocultas de cada capa y se muestran en entrada, Noc neuronas en la capa oculta y una neurona de salida
la Tabla II. El número de sumas y de productos es
coincidente y depende tanto del número de entra
das (N.n) como del número de neuronas de la capa Tipo de Neuronas en Tiempo Tiempo
oculta (Noc), mientras que el número de cómputos procesado la capa oculta medio (ps) máximo (ps)
de la función de activación tank sólo depende del M onofrecuencia 5 0.3197 0.3613
número de neuronas de la capa oculta. Monofrecuencia 6 0.3864 0.4138
En la Figura 8 se representan el número de M ultifrecuencia 2 0.2492 0.2787
sumas/productos y el número de cómputos de la M ultifrecuencia 3 0.2896 0.3201
función de activación. Se comprobó que el número
Tabla III: Tiempo de ejecución promedio y máximo requerido por cuatro
de operaciones del procesado multiffecuencia de 2
configuraciones de RNAs propuestas para clasificar una pieza
neuronas en la capa oculta fue inferior al del pro
cesado monofrecuencia de 5 neuronas ocultas tanto
en número de sumas/productos como en número de
cómputos de la tanh. En último lugar se situó el procesado monofrecuencia con 6
neuronas ocultas y 0.3864 ps promedio, un 55.1% más que
en el mejor caso. El tiempo de ejecución de la clasificación
multifrecuencia de 2 neuronas ocultas fue un 22% inferior al
necesario por la clasificación monofrecuencia de 5 neuronas
ocultas.
Cod. 7 0 8 3 | Tecnología industrial | 3310.01 Equipo industrial Septiembre - Octubre 2 0 1 4 1Vol. 89 n»5 | 526/532 | Dyna | 531
■■ a rtíc u lo Clasificación del tratam ie nto térm ico de aceros con ensayos no destructivos por corrientes inducidas mediante redes neuronales
Javier Garda-Martin, Víctor Martínez-Martinez, Jaime Gomez-Gil
de sonda y cableado, con el propio poder de rechazo de los [4 ] G a r c ia -M a rtin J, G o m e z -G il J , V a zq u e z -S a n c h e z E. "N o n -d e s tru c tiv e
te c h n iq u e s based on e d dy c u r re n t te s tin g ". Sensors. 2011. 14)1.11-3
equipos ante cualquier serial interferente fuera de banda y p .2 5 2 5 -2 5 6 5 . DOI: h ttp ://d x .d o i.o rg /1 0 .3 3 9 0 /s 1 1 0 3 0 2 5 2 5
con los filtros adicionales que los equipos suelen incorporar [5 ] Cao Ü, Liu D, Fie Y, e t al. "N o n d e s tru c tiv e and q u a n tita tiv e
en una línea de fabricación industrial sería posible minimizar e v a lu a tio n o f w ire rope based on ra d ia l basis fu n c tio n n e ural
n e tw o rk using eddy c u rre n t in s p e c tio n ". NDT Et E International.
los efectos del ruido interferente y las vibraciones mecáni 2012. 14)1.46-0 p.7-13. DOI: h ttp://dx.doi.O rg/10.1016/j.
cas que pueden dificultar la obtención de tasas de acierto n d te in t.2 0 1 1.09.015
de clasificación elevadas como las obtenidas en el presente [6 ] H aykin S. Neural Networks: A Comprehensive Foundation. 2 a e d ic ió n .
N ew Jersey: P re n tice H a ll PTR, 19 9 8 . 8 4 2 p . ISBN: 0 1 3 2 7 3 3 5 0 1
trabajo.
[7 ] Duda R 0 , H a rt P E , S to rk D G. Pattern Classification. 2 a e d ic ió n .
Dos líneas futuras principales surgen a partir del trabajo N ew Y o rk : J oh n W ile y f t Sons, 2 0 0 1 . 6 5 4 p . ISBN: 0 - 4 7 1 - 0 5 6 6 9 - 3
realizado. Por la mejoría que se ha observado en este trabajo [8 ] C hady T, E no kizo n o M , S ikora R, e t al. "N a tu ra l c ra c k re c o g n itio n
u sing inverse n e u ra l m o del and m u lti- fr e q u e n c y e d dy c u rre n t
al incrementar el número de frecuencias, la primera línea sería m e th o d ". Magnetics, IEEE Transactions on. 2001. V b l.3 7 -4 p .2 7 9 7 -
utilizar más impedancias tomadas a diferentes frecuencias de 2 7 9 9 . DOI: h ttp ://d x .d o i.O r g /l0 .1 1 0 9 /2 0 .9 5 1 3 1 0
trabajo y la segunda línea sería incorporar otras técnicas de [9 ] W rzu szcza k M , W rzu szcza k J. "E ddy c u r re n t fla w d e te c tio n w ith
ne u ra l n e tw o rk a p p lic a tio n s ". Measurement. 2 0 0 5 . 1/o l.38-2 p .13 2 -
preprocesado y otros tipos de RNAs que podrían mejorar el 136. DOI: h ttp ://d x .d o i.O rg /1 0 .1 0 1 6 /j.m e a s u re m e n t.2 0 0 5 .0 4 .0 0 4
método propuesto. [1 0 ] M ix P E. Introduction to Nondestructive Testing: a Training Guide.
2 a e d ic ió n . N ew Jersey: W ile y -in te rs c ie n c e , 2 0 0 5 . 7 1 2p. ISBN:
9780471420293
[1 1 ] D avis J R. ASM Handbook: Nondestructive Evaluation and Quality
Control. 9 a e d ic ió n . M a te ria ls Park, OH: A SM In te rn a tio n a l, 1989.
8. CONCLUSIONES 9 3 7 p . ISBN: 0 - 8 7 1 7 0 - 0 0 7 - 7
En el estudio realizado la RNA que realiza clasificación [1 2 ] B ishop C M . Neural Networks for Pattern Recognition. N ew Y ork,
USA: O x fo rd U n iv e rs ity Press, Inc., 19 95. 4 8 2 p . ISBN: 0 1 9 8 5 3 8 6 4 2
multifrecuencia de las piezas de acero lOOCró, con denomi
[1 3 ] D rach m an D A. "D o w e have bra in to spare?". Journal o f Neurology.
nación F1310 según normativa UNE, consigue una tasa de 2005. l/o l.6 4 -1 2 p .2 0 0 4 -2 0 0 5 . DOI: h tt p ://d x .d o i.o r g /l0 .1 2 1 2 /0 1 .
acierto mejor que las que realizan procesado monofrecuencia. W N L .0 0 0 0 1 6 6 9 1 4 .3 8 3 2 7 .B B
[1 4 ] R u m e lh a rt D E , M c C le lla n d J L. Parallel Distributed Processing:
En segundo lugar se ha comprobado que el incremento del nú
Explorations in the Microstructure o f Cognition. C a m b rid g e : M IT
mero de variables de entrada del procesado multifrecuencia no Press, 1986. 5 4 7 p. ISBN: 0 - 2 6 2 - 6 8 0 5 3 - X
tiene por qué suponer un incremento en la carga computacio- [1 5 ] Levenberg K. "A m e th o d fo r th e s o lu tio n o f c e rta in n o n
lin e a r p ro b le m s in le a s t squares". Quarterly Journal o f Applied
nal del clasificador respecto de los casos monofrecuencia. Y
Mathmatics. 1944. V b l.ll-2 p .1 6 4 -1 6 8 .
por último, el tiempo de ejecución necesario para realizar una [1 6 ] M a rq u a rd t D. "A n A lg o rith m fo r Le ast-S qu are s E s tim a tio n o f
clasificación multifrecuencia no tiene que ser necesariamente N o n lin e a r P ara m ete rs". SIAM Journal on Applied Mathematics.
1963. 14)1.2-11 p .4 3 1 - 4 4 1 . DOI: h ttp ://d x .d o i.o rg /lO .1 1 3 7 /0 1 1 1 0 3 0
mayor que el empleado en un procesado monofrecuencia, a
[1 7 ] C hady T, E n okizon o M , S ikora R. "N e u ra l n e tw o rk m o dels o f
pesar de la mayor complejidad que tienen a priori las RNAs eddy c u r re n t m u lti- fre q u e n c y system fo r n o n d e s tru c tiv e te s tin g ".
con mayor número de entradas. Magnetics, IEEE Transactions on. 2000. V o l.3 6 -4 p .1 7 2 4 -1 7 2 7 . DOI:
h ttp ://d x .d o i.o rg /1 0 -1 1 0 9 /2 0 .8 7 7 7 7 5
En conjunto, la clasificación multifrecuencia de las piezas
[1 8 ] Rao B P C, Raj B, J a y a k u m a rT , e t al. "A n a r tific ia l n e u ra l n e tw o rk
de acero ensayado muestra mejores características que la cla fo r e d dy c u r re n t te s tin g o f a u s te n itic s ta in le s s stee l w e ld s ". NDT
sificación monofrecuencia con respecto a la tasa de acierto, la Et EInternational. 2 0 0 2 . 14)1.35-6 p .3 9 3 -3 9 8 . DOI: h ttp ://d x .d o i.
o r g /1 0 .1 0 1 6 /S 0 9 6 3 - 8 6 9 5 (0 2 )0 0 0 0 7 - 5
carga computacional y el tiempo de ejecución necesario.
5 3 2 I Dyna | Septiembre - Octubre 2 0 1 4 | Vol. 89 n°5 | 526/532 Cod. 7 0 8 3 | T e c n o lo g ía in d u s tr ia l | 3310.01 Equipo industrial
Copyright of DYNA - Ingeniería e Industria is the property of Publicaciones Dyna SL and its
content may not be copied or emailed to multiple sites or posted to a listserv without the
copyright holder's express written permission. However, users may print, download, or email
articles for individual use.