«Шубочкин Андрей Евгеньевич Развитие методов и средств вихретокового и магнитного контроля металлопроката для оценки его остаточного ресурса Специальность 05.11.13. – Приборы и методы контроля природной среды, веществ, ...»

Интерес представляют матрицы вихретоковых преобразователей поставляемые компанией Olympus. Зонды, предназначенные для контроля клепаных соединений самолетов низкочастотный зонд SEB064-ENC и высокочастотный зонд SBBR026-ENC. Полоса контроля SBBR026-ENC составляет 26 мм (1 дюйм) в ширину и содержит 32 катушки, расположенные в два ряда. Эта конфигурация обеспечивает повышенную разрешающую способность. Используются катушки диаметром 1,6 мм (частоты 80-1000 кГц) позволяет обнаруживать мелкие трещины. Преобразователь работает лишь через очень тонкие защитные непроводящие покрытия. Обнаруживает трещины произвольной ориентации.

Зонд SEB064-ENC не обеспечивает высокое разрешение, как на SBBR-026-ENC, поскольку имеет низкочастотный диапазон, (0,5-50 кГц) и большие катушки позволяющие производить сканирование через толстые непроводящие покрытия. Имеет охват 64 мм. Обе сканирующие матрицы позволяют контролировать коррозионные поражения. Новинкой матричных преобразователей стал комплект из 32-х канальных матричных преобразователей для контроля труб диаметром от 33,4мм на наличие стресс-коррозионного растрескивания.

Из небольших, но успешно выживающих на мировом рынке, компаний стоит отметить PTS Josef Solna (Чехия) (http://www.ptsndt.com) [152]. Основанная в 1990 году компания ориентирована на производство оборудования неразрушающего контроля, в том числе магнитного и вихретокового. С 2000 г. компания поставляет свою продукцию на рынки Европы, Канады, Китая.

Из последнего оборудования компании следует отметить новый вихретоковый дефектоскоп DVP-102SV, специально разработанный для неразрушающего контроля сварного шва продольно сварных труб и профилей непосредственно в производственных линиях – в линии сварного стана. Дефектоскоп позволяет работать с преобразователями собственного производства, такими как блок вихретокового преобразователя PCN-SED с полюсным намагничиванием трубы и с проходными преобразователями, интегрируемыми в намагничивающие ярма PC 40, PC 90, PC 170. PTS Josef Solna производит вихретоковые преобразователи совместимые с дефектоскопами серии DEFECTOMAT фирмы FOERSTER, дефектоскопам EDDYCHEK производства фирмы PRUFTECHNIK, термостойкие вихретоковые преобразователи (так называемые «термо-катушки») для неразрушающего контроля горячего проката – труб, прутков, проволоки, температурой до 1200°C непосредственно в производственной линии.

рассеяния DRT. Дефектоскопы DRT-102/103/104 применяются с системой датчиков потока рассеяния серии SRT, обеспечивающей контроль стальных ферромагнитных труб наружным диаметром от 20 до 650 мм и адаптируемой в зависимости от заданного диапазона. Для контроля труб используется поступательно-вращательный транспорт труб (рольганг) через систему датчиков SRT.

Среди разработок компании есть и стенды магнитопорошкового контроля: МП дефектоскоп ж/д колес MZK 1000, МП дефектоскоп ж/д осей MZO 3000, МП дефектоскоп труб KMZ-1-400, линия МПК концевых участков труб, установка МП контроля фаски труб, столы серии MAS для магнитопорошкового контроля.

Американская компания IBG НК Systems (США) (http://www.ibgndt.com/) основана в 1981г. IBG НК со дня своего основания ориентирована на разработку и внедрение новейших вихретоковых приборов [153].

Системы Eddyvisor DC/C, Eddyscan C, F, H, разработанные и построенные IBG НК, предназначены для контроля таких компонентов, как: шаровые пальцы, тяги, рулевые рейки, крепеж, поршневые пальцы, ролики, булавки шестерни, шпиндели, концентраторы, поворотные кулаки, валы, гильзы цилиндров, тюльпаны, иглы и пр. Производитель заявляет чувствительность системы Eddyvisor C до 0,05мм при протяженности трещины 3мм.

Скорость контроля до 50м/сек. Диапазон частот от 10КГц до 10МГц. Вихретоковые системы компании позволяют одновременно обрабатывать до 16 каналов информации.

Уже многие годы лидером электромагнитного неразрушающего контроля остается INSTITUT DR. FOERSTER GMBH & CO. KG (Германия) (http://www.foerstergroup.ru/) разработкой новых средств электромагнитного контроля занимается подразделения Magnetische Prufanlagen GmbH [154].

Из новинок следует отметить новые ручные дефектоскопы.

Defectoscope MC 2.834, новый представитель семейства дефектоскопов, в соответствии с веяниями современности получил возможность работать с матрицами вихретоковых преобразователей. К прибору можно подключить 3 модуля матриц по преобразователя в каждой. Каждый модуль может работать единовременно на четырех частотах либо по двум последовательным каналам. Зонды работают в режиме мультиплексирования.

Defectometr 2.837 электропроводящих материалов на наличие поверхностных дефектов. Прибор также может быть использован для простого контроля твердости и сортировки материала. Дефектоскоп работает по окрашенным поверхностям и поверхностям в состоянии поставки. Прибор глубины около 20 мкм, на поверхности электропроводящих материалов. Возможен контроль металлов с проводимостью от 0.5 до 60 МС/м (1 - 103%IACS). Для гарантии высокой чувствительности, этот диапазон проводимости разделен на три: "Aust" для аустенитных сталей и титановых сплавов, "NFe" для прочих NFe металлов и "Fe" для всех ферромагнитных материалов.

Для поточного контроля металлопроката компания представляет на мировые рынки следующие дефектоскопы. Defectomat ECM – младший в линейки промышленных поточных дефектоскопов компании. Одноканальный прибор работает с проходными и секционными преобразователями. Defectomat CI – двухканальный дефектоскоп, работающий на частотах от 1кГц до 1МГц, с возможностью работы на двух частотах по каждому каналу. Флагманом линейки является на сегодня Defectomat DS. Данный прибор позволяет использовать матрицы преобразователей, имеет дополнительный канал для обнаружения железных включений при контроле медной проволоки.

';

Компания известна своими системами датчиков для контроля методом магнитного потока рассеяния: Rotomat - система постоянного поля с вращающимися датчиками;

Circoflux - система переменного поля с вращающимися датчиками; Transomat - система постоянного поля с проходными датчиками.

Упомянув Институт доктора Фёрстера нельзя не упомянуть и Институт KARL DEUSTCH (Германия) (http://www.karldeutsch.de) [155]. И хотя компания не выпускает вихретоковые дефектоскопы под своей маркой научные труды и учебные пособия в этой области легли в основу многих немецких и мировых компаний, в том числе и FOERSTER GMBH.

Основанная в году Contrle Mesure Systmes SA (CMS) (Франция) (http://www.cmseddyscan.com) является частной и независимой компанией базирующейся в Бургундии. На сегодняшний день продукция компании широко распространена в мире [156].

Фирма производит вихретоковые системы для автоматизированного контроля. Zet @ Master – флагман компании, многоканальный и мультичастотный вихретоковый дефектоскоп, в состоянии работать с несколькими производственными линиями одновременно.

Предназначен для обнаружения дефектов на трубах (сварных и нет), проволоке, прутках, полосах и автомобильных деталях, изготовленных из черной и легированной стали. Может быть использован для проверки термообработки, инспекции труб теплообменника.

Zet @ Premium – упрощенная двухканальная версия, и Zet @ Micro – блок обработки без локального дисплея с USB 2.0 интерфейсом для соединения с ПК. Все вихретоковые системы работают с проходными преобразователями, внутритрубными, накладными подмагничиванием), а также вращающиеся системы ВТП и матрицы ВТП, работающие по технологии удаленных полей. Компания CMS поставляет собственное программное обеспечение для обработки сигналов ВТП.

Компания Techatom (Испания) (http://www.tecnatom.es) является инжиниринговой компанией, которая предоставляет услуги в атомной отрасли с момента ее создания в году [157]. Его основная деятельность сосредоточена на предоставлении осмотра и структурной целостности компонентов, обучение обслуживающего персонала, используя полномасштабные тренажеры и инженерную поддержку в эксплуатации электростанций.

Вместе с тем подразделение компании выпускает системы вихретокового контроля под маркой TEDDY. Teddy +4 и Teddy +8 – четырех и восьми канальные системы сбора данных от ВТП. Для работы систем Teddy необходим сетевой ПК. Со своими системами компания поставляет программные продукты собственной разработки: TEDDY-GEN – базовая программа обработки сигналов ВТП; TEDDY-EVA, TEDDY-EVACC, TEDDY-AСQ – программа адаптированная для о контроля труб теплообменников; TEDDY-3D – программа для обработки сигналов вращающихся преобразователей; TEDDY-RES - применяется для разрешения противоречий между различными типами анализа, проведенного на наборе данных обследования трубы вихревыми токами. Новейшей разработкой компании стали блоки обработки сигнала ETbox2i и ETbox8i – улучшенные версии систем TEDDY+.

Force Technology (Дания) (http://www.forcetechnology.com) также представляет свои системы вихретокового контроля: P-scan 4 Flex – многоканальная система (от 8 до независимых канала) и P-scan 4+ восьми канальная система [158]. Системы работают с ПК и предустановленным программным продуктом PS4 (P-scan System 4 software).

Подобные системы вихретокового контроля представляет и TesTex, Inc. (США) (http://testex-ndt.com) [159]. Свои электромагнитные системы компания разбивает на три группы приборов, отличающихся технологией электромагнитного контроля: низкочастотный (LFET), в удаленных полях (RFET) и сбалансированного поля (BFET). К LFET технологии относятся TS 2000 сканер труб, кроулер Viper и сканер Prodigy 8 и LineCat – кольцо преобразователей для контроля магистрального трубопровода. RFET – 8-канальная система Eagle 2000. BFET - Hawkeye 2000 и его модификации, работают на частотах от 5 Гц до 30 кГц, предназначены для обнаружения грубых трещин от 3мм в металле и сварных швах с зазором до 10мм. Для полноценного функционирования всем системам необходим ПК.

Отдельным продуктом компания представляет инспекционную систему TX-4400 ECT работающую как с классическими вихретоковыми преобразователями, так и со технологии EMEC.

Стоит упомянуть и компанию Centurion NDT (США) (http://www.centurionndt.com) производящую с 1992 года для рынка США портативные вихретоковые дефектоскопы. EDXL, ED-520Me, ED-400, ED-400M, ED-810, ED-1100 [160].

промышленности привела к необходимости создания своих компаний и центров неразрушающего контроля. Молодые, но динамично развивающиеся компании востока, вбирая лучшее из научного потенциала мировых лидеров, делают ставку на современную электронику и ценовую доступность своих приборов. Каких либо революционных достижений в компаниях востока обнаружить не удается, но к их работам стоит присмотреться внимательнее.

Компания Raynar (Южная Корея) (http://raynar.co.kr) производит вихретоковые дефектоскопы для контроля металлопроката непосредственно в процессе производства [161].

От простого дефектоскопа RAY-4000EA работающего с проходным преобразователем и имеющим минимум настроек и функций, до сложных многофункциональных дефектоскопов RAY-3000EA, RAY-8000ST и RAY-8000AE под управлением операционной системой Windows и возможностью работать как с одноканальными накладными и проходными преобразователями, так и с матрицами абсолютных ВТП. Компания выпускает ВТП проходного типа серии REPE; внутритрубные зонды РБК; карандашного типа REPS;

вращающиеся динамические серии RERPS; матрицы ВТП серий RAEPS и REDS-5-04, отличающиеся чувствительностью; и матрицу объединенных ВТП и магнитных RAEDS.

Кроме того в линейке приборов компании есть импульсный вихретоковые дефектоскоп RAY-4001PE-IPE, вихретоковый дефектоскоп для контроля термообработки Ray-1000HT, вихретоковый дефектоскоп Ray-4300AE для контроля шариков для подшипников с использованием матричного ВТП, нано толщиномеры Ray-7000TF.

Из многообразия фирм Китая стоит отметить бренд IDEA (http://www.idea-ndt.com) [162]. Как и многие другие бренды этой страны, конкретный производитель той или иной модели остается неизвестным и на мировые рынки поступает товар с темным происхождением. Тем не менее, уровень продукции в области вихретоковой дефектоскопии позволяет конкурировать с европейскими производителями аналогичных товаров. К недостаткам следует отнести лишь практически полное отсутствие послепродажного и гарантийного обслуживания китайских приборов на российском рынке. Под брендом IDEA сегодня поставляются следующие приборы и системы вихретокового контроля: IDEAP0701вихретоковый портативный дефектоскоп, получивший премию правительства Китая;

- 48 портативные дефектоскопы IDEA-301-22ET, IDEA-MF-1, IDEA-PA811, IDEA-4DET, IDEAET; многоканальные вихретоковые дефектоскопы IDEA-24ET-ndt-1, IDEAD0108, IDEA-24ET-ndt, IDEA010X; портативные вихретоковые дефектоскопы для поиска коррозии IDEAP1502-1ECT; вихретоковые автоматизированные системы для линий поточного производства металлопроката и проволоки IDEA-ET010X, IDEA-D0102ET, IDEA-UT-ET-2;

вихретоковая система контроля подшипников IDEA-D011; вихретоковый дефектоскоп работающий по технологии удаленных полей IDEA-ET/RFT.

- 49 МЕТОДЫ ОЦЕНКИ ОСТАТОЧНОГО РЕСУРСА

МЕТАЛЛОИЗДЕЛИЙ

Ресурс сложных технических объектов, таких как механизмы, машины, инструменты, конструкций и сооружений является важной характеристикой для хозяйствующих субъектов и потребителей. И хотя заявленные сроки эксплуатации тех или иных объектов, обусловлены, прежде всего, их износом или структурным изменениям на практике замене подвергаются лишь устаревшие и экономически не оправдавшие себя технические объекты. Во многих областях их замена производится по графику для гарантированного исключения аварий и поломок, связанных с окончанием жизненного цикла объектов. Срок службы, зачастую выбирается эмпирически, на основании предыдущего опыта эксплуатации подобных объектов. Фактически срок службы должен быть согласован по оптимальному значению оцененного ресурса. На сегодняшний день, с экономической точки зрения, в большинстве отраслей назначенный ресурс не достигает оптимального значения, а для большинства изделий средний фактический ресурс гораздо меньше назначенного [163, 164]. Обусловлена такая ошибка постановкой задачи о не превышении срока службы изделия его реального ресурса, поскольку техногенные аварии приводят к еще большим экономическим затратам, а в ряде областей и к экологическим катастрофам и человеческим жертвам. Актуальная задача разработки оптимальной модели прогнозирования и оценки значения фактического ресурса невосстанавливаемых объектов техники, несмотря на многочисленные подходы, остается не решенной.

Понятия "остаточного ресурса" разнится для различных отраслей промышленности и стран мира. Под понятием "ресурс изделия" принято принимать его собственный технический ресурс [165], ресурсом называют наработку объекта от начала эксплуатации или возобновления эксплуатации до момента наступления предельного состояния. Очевидно, что понятие ресурса на прямую зависит от того как выбирается начальный момент времени, в каких единицах измеряется продолжительность эксплуатации и чем определяется предельное состояние изделия. Для разных классов изделий характерны свои величины измерения продолжительности эксплуатации объекта. Практически им может быть избран любой неубывающий параметр эксплуатируемого объекта. Для автотранспорта ресурс определяется пробегом и измеряется в километрах, для авиации мерой ресурса принят налет в часах, для металлургических предприятий – масса выработанного металла в тоннах или погонных метрах т.п. Для ряда производств наработка измеряется числом производственных циклов, и в таком случае ресурс имеет дискретные значения [166, 167]. Наиболее универсальной мерой измерения продолжительности является единица времени. Для В частности, одним из таких показателей становится рыночная стоимость изделия, реальная стоимость объекта при его продаже по достижению определенного временного периода [167].

Основными показателями остаточного ресурса принято использовать следующие величины: средний остаточный ресурс, являющийся математическим ожиданием остаточного ресурса после наработки времени; и гамма-процентный остаточный ресурс – наработка для безотказно наработавшего объекта с определенного момента времени, в течение которого данный объект имеет значение вероятности безотказной работы.

В работах посвященных методам оценки остаточного ресурса рассматриваются нижеследующие варианты [166]: вероятностный и параметрические. Среди вторых методы, основанные на магнитных характеристиках металла, на использовании диффузионного распределения, индивидуальных кривых усталости, анализа временных рядов.

проиллюстрированы на примере оценки ресурса для различных вероятностных повреждений образцов легкого сплава АМг-6 и стали ЭП-630. Образцы подвергались консольному изгибу на электродинамических установках. Случайность воспроизводилась воздействием суммы случайных процессов различной интенсивности.

Проведя исследований ряда сплавов при различных параметрах нагрузки авторами установлено, что, любой процесс, с точки зрения его влияния на долговечность, может быть представлен следующими тремя параметрами: математическим ожиданием напряжений, характеризующее статическое смещение процесса нагружения объекта; средним квадратичным отклонением напряжений определяющим интенсивность динамического нагружения; параметром структуры процесса, оценивающим интегрально вероятностное соотношение максимумов процесса и ординат.

Представление случайных и других процессов с помощью вышеперечисленных параметров применимо для описания результатов усталостных испытаний. В работах показано применимость вероятностного метода для различных видов нагрузок:

гармонических и полигармонических, смешанных и случайных.

Более интересными представляются методы оценки текущего состояния и остаточного ресурса металлоконструкций на основе методов неразрушающего контроля.

Данный класс методов называется параметрическими.

Одним из распространенных подходов к параметрическому методу оценки является метод, основанный на отслеживании коэрцитивной силы (Нс) на протяжении всего срока эксплуатации изделия. Данный неразрушающий метод контроля относится к магнитным широко применяется металлургической промышленности и машиностроении, а так же контроле металлопродукции по её механическим свойствам [170, 171].

Кроме начальных измеренных величин, принимая во внимание то, что Нс – наиболее чувствительная к структуре магнитная характеристика металла, проводят периодический мониторинг объектов. По результатам измерений контролируют механические свойства как нового металла, так и для отслеживания динамики изменения состояния на протяжении всего срока службы. По величине измеряемого параметра авторы выделяют три основных периода эксплуатации изделия на примере генерального распределения значений коэрцитивной силы на поверхности катания опорных валков из стали 75ХМФ: надежный, контролируемый, критический.

Мужицкий В.Ф. в своей работе [172] показал, что данный параметр неразрушающего контроля оправдан для применения и подтверждает на примере измерения Нс поверхности катания выборки из шестидесяти прокатных валков в течение всего срока их службы. Вся партия прокатных валков наблюдалась на протяжении полутора лет. Для проведения контроля применялся портативный магнитный структуроскоп КРМ-Ц-К2М. Для обеспечения единства измерений для замеров на протяжении всей эксплуатации валков на их рабочую поверхность наносилась координатная сетка с привязкой к конструкции валка, что позволяет проводить измерения в одних и тех же точках в процессе перевалок. Авторами показано, что коэрцитивная сила напрямую связана с накоплением повреждений в металле и действующими эксплуатационными напряжениями, которые определяют остаточный ресурс изделия.

В настоящее время широкое распространение получают теоретические модели распределения отказов. Стрельников В.П.. исследует диффузионное монотонное распределение (DM-распределение) [173] в качестве теоретической модели распределения отказов механических изделий.

распределения ресурса исследуемых изделий, автор определяет выражения для основных характеристик остаточного ресурса. Учитывая параметр масштаба, совпадающий со значением медианы распределения и параметр формы, совпадающий с коэффициентом вариации распределения, определяется вероятность безотказной работы. Математическое ожидание остаточного ресурса вытекает их широко применяемых выражений плотности распределения остаточной наработки [174].

основанный на рассмотрении индивидуальных кривых усталости. Один из возможных способов расчета распределения ресурса при использовании индивидуальных кривых усталости это их представление в виде квантилей значений вероятностей [174, 175]. В литературе представлены два варианта построения индивидуальных кривых усталости – прямой и обратный. Первый подход, прямой, состоит из двух этапов – нахождение распределения ресурса и только затем определяется на основании полученных распределений действительное поведение образцов. Применяется и обратный подход к моделированию усталостного поведения изделий. Сначала, на основании проведенных испытаний получают распределение ресурса образцов. Затем необходимо найти случайные факторы, ответственные за усталостное поведение образцов [176]. Одним из примеров использования расчета усталостной долговечности является контроль процесса нагружения элемента металлоконструкции в опорах козлового крана, полученный при натурном тензометрировании.

Прогнозирование распределения остаточного ресурса также основывается на фундаментальном предположении о наличии у каждого образца своей индивидуальной кривой усталости. При изменении амплитуд нагружения происходит смещение кривых ресурса от нормального распределения. Основываясь, на данных о том, что к моменту прогнозирования при данной истории нагружения исследуемого образца его разрушение не произошло, возможно выделить в пространстве кривых ресурса множество кривых не реализовавшихся для данной истории нагружения. Тогда, если известна предшествовавшая история нагружения, можно выделить во всем пространстве ИКУ множество кривых, не реализовавшихся при данной истории нагружения, а, значит, и вычислить опытно полученное. Сложность вычислений определяется, прежде всего, количеством различных этапов нагружения до предполагаемого разрушения изделия. В данном методе применяются циклические нагружения исследуемого объекта.

Приведенные Борисовым Ю.С. [176] способ прогнозирования ресурса, модель накопления повреждений изделием и исходные данные по его усталости являются взаимосвязанными элементами. На них основывается замкнутая модель надежности элемента конструкции по критерию усталостной долговечности. Для нестационарного нагружения со сложной историей требуется трудоемкая процедура вычисления распределений остаточного ресурса с использованием распределений величины накопленного повреждения.

В мировой практике применяются модели определения остаточного ресурса основанные на использовании анализа временных рядов. Под понятием временного ряда Такие модели позволяют прогнозировать фиксируемые значения ресурса в ближайшем будущем. Они формируются прежде всего для учета ресурсных затрат, что характерно для западных стран), для контроля технологических процессов и ряда иных целей. Модели, в основе которых лежит использование данных временных рядов (или временных серий) применяются как экономическое обоснование при расчете остаточной стоимость не разрушенных изделий и конструкций. Основные принципы и этапы построения таких моделей представлены в следующих печатных работах Копнова В.А. и Chopra S. [178, 179].

На первом этапе производится поиск количественных и качественных трендов и тенденций, а так же анализ внутренней структуры объекта. Происходит первичное разделение исходных данных на прогнозируемые или систематические и случайные не подлежащие прямому прогнозу. На втором этапе производится построение модели и прогнозирование остаточного ресурса.

Сегодня существуют два основных подхода к созданию моделей [180], это статистические и адаптивные методы прогноза.

Статические методы прогноза формируют статистические данные только один раз, на начальной стадии, полагая проведенный анализ данных статичным, т.е. неизменным на протяжении всего времени эксплуатации рассматриваемого объекта. Ошибки прогноза, возникающие в дальнейшем, принимаются случайными компонентами.

Статический метод применим для известных объектов и условий их эксплуатации. В случае исследования нового применения объекта или ввода в эксплуатацию нового применяются адаптивные методы прогноза. В отличие от статических методов адаптивные методы прогноза вносят поправки на основании результатов, полученных при каждом новом измерении. Методы накапливают статистические данные в ходе всего наблюдения за объектом, модернизируют оценки и, соответственно, позволяют скорректировать систематический компонент прогнозирования, а ошибки, возникшие при прошедших оценках прогнозирования, могут быть устранены.

Один из алгоритмов прогнозирования остаточного ресурса методом адаптивного анализа временных рядов приводят Mavris N.D [181]. Первый этап – Инициализация.

Проводится сбор и анализ структуры данных, поиск тенденций носящих качественный и количественный характер. Все данные разбиваются систематические и случайные (не поддающиеся прогнозу) компоненты. Задается период повторения получения данных об объекте и производится первичное прогнозирование значения ресурса.

На каждом следующем этапе по окончанию очередного периода вычисляется ошибка прогнозирования. Чаще всего принимается разность между действительным полученных на первом этапе второго периода с целью уменьшения абсолютного значения ошибки и учетом полученной ошибки прогнозирования.

проанализирован весь временной ряд. Продолжительность временного ряда задается либо априори, либо по заданному уровню сходимости прогнозированных и реальных значениях ресурса. Шаги 2, 3 и 4 повторяются до тех пор, пока не будет проанализирован весь имеющийся временной ряд. Последняя оценка используется для прогноза будущих значений ресурса. Преимуществом методов основанных на анализе временных рядов является их применимость к технически новым объектам, простоте использования и быстром получении результата. Удовлетворительный прогноз ресурса можно получить только для стабильных данных, градиент изменения которых не значителен.

При использовании ресурсных исследований для получения экономических прогнозов необходимо учитывать, что методы временных рядов применимы лишь в условиях стабильной экономики.

- 55 ОПТИМИЗАЦИЯ ВИХРЕТОКОГО МЕТОДА НЕРАЗРУШАЮЩЕГО

КОНТРОЛЯ ПРИ ОПРЕДЕЛЕНИИ ОСТАТОЧНОГО РЕСУРСА

МЕТАЛЛА ТЕХНИЧЕСКИХ ОБЪЕКТОВ

Относительно высокий уровень развития систем ВК основанный на цифровой обработке информативных сигналов с использованием высокоскоростных микропроцессоров и промышленных компьютеров позволил повысить достоверность контроля. Применение сложных алгоритмов для решения многопараметровых задач ВК, повышения степени автоматизации контроля и эксплуатационной надежности позволило, в ряде отраслей, на основе средств вихретокового контроля разработать технологии контроля действующего оборудования.

Вихретоковый метод НК нашел широкое применение в различных отраслях при проведении периодических обследований технических объектов. Российские стандарты [183…185], разработанные для ВК на сегодняшний день, морально устарели и на опасных промышленных объектах применяются отраслевые стандарты, разработанные с учетом требований использования и практики эксплуатации технических объектов.

При эксплуатации тепловых электростанций проводятся работы по периодическому мониторингу состояния и возможного продления срока эксплуатации сверх паркового ресурса основных элементов котлов, турбин и трубопроводов. Работы выполняются в соответствии с требованиями действующей нормативной документации РД 10-577-03, СО 153-34.17.440-2003 [186, 187] и включают в себя следующие этапы:

Обобщение и систематизация данных по режиму работы, результатам контроля, ремонтам и заменам элементов турбины за весь период эксплуатации.

Проведение неразрушающего контроля (ВК, УЗК, ТВК) осевых каналов роторов высокого (ВД) и среднего (СД) давления, галтельных переходов, тепловых канавок, разгрузочных отверстий высокотемпературных ступеней роторов и ультразвуковой контроль Т-образных пазов ободов регулирующих ступеней роторов ВД и СД без разлопачивания.

­ Исследование структуры и свойств металла высокотемпературных ступеней роторов ВД и СД по результатам измерения твердости и анализа микроструктуры на сколах или репликах.

­ Назначение по результатам неразрушающего контроля корпусных деталей мест для вырезки образцов и проведение исследований структуры и свойств металла корпусных деталей на вырезанных образцах (или спилах).

­ Расчёт напряжённого состояния и оценка ресурса роторов высокого и среднего давления, а также поверочный расчёт на прочность и долговечность корпусных деталей с установлением порядка их последующего контроля.

заключения с рекомендациями по сроку и условиям дальнейшей эксплуатации турбины.

Для контроля стальных сосудов, в том числе и работающих под давлением разработаны регламентирующие документы РД 03-421-01 [189]. РД распространяются на отечественные и зарубежные стальные сосуды и аппараты химической, нефтехимической, нефтеперерабатывающей и других отраслей промышленности, при условии, что на них распространяются требования «Правила устройства и безопасной эксплуатации сосудов, работающих под давлением». Методические указания содержат основные требования и рекомендации к проведению диагностирования технического состояния и определению остаточного ресурса эксплуатации сосудов.

Согласно РД вихретоковый метод может быть использован для контроля металла в околошовных зонах сварных швов, особенно в местах концентрации напряжений (местах приварки патрубков, люков, горловин, фланцев и др.). Вихретоковый контроль должен быть использован для выявления межкристаллитной коррозии (МКК) и коррозионного растрескивания (КР) и сварных соединений из нержавеющих аустенитных сталей. Метод эффективен для выявления трещин КР, а также МКК, но он не может быть рекомендован для контроля сварных швов в целях выявления внутренних дефектов. Поэтому при диагностировании сосудов и аппаратов наиболее целесообразно применять вихретоковый метод в сочетании с ультразвуковым, радиографическим или акустико-эмиссионным методами. Но он не может быть рекомендован для контроля сварных швов в целях выявления внутренних дефектов. Поэтому при диагностировании сосудов и аппаратов наиболее целесообразно применять вихретоковый метод в сочетании с ультразвуковым, радиографическим или акустико-эмиссионным методами.

В ОАО «ГАЗПРОМ» принята «Инструкция по оценке дефектов труб и соединительных деталей при ремонте и диагностировании магистральных газопроводов», предписывающая порядок применения различных методов НК [189]. Согласно вышедшему документу вихретоковый контроль выполняют в объеме не менее 10% от общего числа труб и СДТ для выявления стресс-коррозионных дефектов глубиной менее 10% от толщины стенки труб и СДТ, а также определения геометрических размеров стресс-коррозионных дефектов, в том числе выявленных сканером-дефектоскопом; ультразвуковой контроль локальных участков поверхности металла труб, заводских сварных швов в объеме не менее 0,2% от площади поверхности труб и не менее 1% от протяженности заводских сварных швов длиной до 0,2 м, примыкающих к монтажным сварным швам.

поверхностных металлургических и стресс-коррозионных дефектов и выполняется в объеме не менее 10% от числа выявленных дефектов и аномалий.

Толщинометрию бездефектных стенок труб, а также дефектных стенок в местах их уплотнения выполняется по сетке с шагом не более 25 мм.

В своей работе посвященной современному состоянию и перспективам развития вихретокового метода НК Клюев В.В. [190] отмечает, что возможности ВК с учетом его комплексирования с другими методами НК может существенно продвинуть дефектоскопический контроль и даст возможность визуализации пространственного распределения локальных неоднородностей во всем объеме изделия. Компьютерная обработка изображений позволит не только определить пространственное расположение дефектов, но и провести измерение их размеров. Комплексирование методов НК должно быть направлено на решение единой задачи определения остаточного ресурса ответственных узлов и агрегатов различного назначения.

- 58 ВЫВОДЫ И ПОСТАНОВКА ЗАДАЧИ

Рассмотрен уровень развития методов неразрушающего контроля в мировой практике и представленные на российском и международном рынке магнитные и вихретоковые дефектоскопы. Из анализа современного уровня теоретических и практических исследований, можно сделать следующие выводы:

В последние годы совершенствование цифровой, процессорной техники перевело высокотехнологичные методы неразрушающего контроля на качественно новый уровень развития. К новым открывшимся преимуществам можно отнести 100% документирование результатов контроля, увеличение разрядности измерений, визуализация измеряемых параметров в удобной для оператора форме отображения, простота настройки, упрощенная автоматизация контроля.

В настоящее время эффективность магнитных и вихретоковых методов дефектоскопии общепризнана и их дальнейшее использование не вызывает сомнения.

Однако каждый из методов имеет значительные ограничения, влияющие на область их применения и влияющие на достоверность контроля.

Дальнейшее развитие вихретокового метода контроля должно быть направлено на решение важнейшей проблемы НК – определению остаточного ресурса действующего оборудования. Поскольку ВК позволяет диагностировать такие параметры металла, как наличие нарушений сплошности, коррозионные повреждения, зоны концентрации внутренних механических напряжений и зоны резкого изменения структуры, то его развитие и использование, как одного из основных методов НК для построения алгоритмов и методик определения действительного и остаточного ресурса объектов различных отраслей промышленности, является важной научной и технической задачей.

Положительный экономический эффект от внедрения таких методик должен многократно превысить все затраты на проведение исследований в данной области;

разработку средств НК и внедрение их в промышленность; повышение уровня знаний и профессиональных навыков персонала.

Уже сегодня инструкции и руководящие документы предписывают при проведении работ на технически опасных объектах применять различные методы НК взаимно дополняющие друг друга для подтверждения результатов контроля, либо исключения белых пятен из данных о состоянии объекта контроля.

Проведенный анализ существующих методов оценки остаточного ресурса показывает целесообразность дальнейшего усовершенствования методик более точного обнаружения неисправностей изделий на ранней стадии эксплуатации. Оценка большого числа многофакторных зависимостей.

Модели изнашивания для оценки остаточного ресурса изделий, применяемые сегодня, в большинстве случаев являются статическими.

Таким образом, актуальными являются следующие задачи: разработка новых динамических моделей, учитывающих сложные многофакторные фазовые и структурные изменения технического изделия; создание методик получения наиболее информативных признаков изделия с целью дальнейшего диагностирования и оценивания вероятности выхода объекта из строя.

Построение подобных методик и алгоритмов невозможно без применения комплексирования различных методов НК. Нахождение связок взаимодействующих методов НК становится первоочередной задачей при комплексном подходе к решению задачи по продлению срока службы технических объектов.

Создание новых средств вихретокового метода НК, также остается актуальной задачей. Новые средства НК должны совмещать в себе высокую точность и повторяемость получаемых измерений, надежность и быстродействие. Сегодняшние требования, предъявляемые к оборудованию, основываются на потребности в максимально возможной автоматизации процесса контроля, документировании его результатов.

Цель данной диссертационной работы состоит в совершенствовании теории вихретокового метода контроля, повышении достоверности обнаружения дефектов и их идентификации путем комплексирования методов неразрушающего контроля, разработке новых алгоритмов и методик определения остаточного ресурса для мотивированного продления срока эксплуатации ответственных узлов и агрегатов, создании вихретоковых приборов для автоматизированного комплексного контроля изделий различных отраслей промышленности.

Исходя из поставленной цели, основные задачи диссертационной работы можно сформулировать следующим образом:

дефектоскопии для оценки остаточного ресурса изделий выявить их недостатки и определить круг задач по их совершенствованию.

- 60 АВТОМАТИЗАЦИЯ РАСПОЗНОВАНИЯ ОБРАЗОВ ДЕФЕКТОВ

Диагностика металлопроката с использованием методов неразрушающего контроля (НК) [190, 191] требует максимальной автоматизации на всех этапах ее проведения.

Очевидно, что исключение человеческого фактора из процессов получения первичной информации о состоянии объекта контроля (ОК), позволяет увеличить скорость контроля и добиться большей повторяемости результатов, при этом исключаются многие ошибки и погрешности, вызванные случайным действиями персонала. Еще одним явным преимуществом автоматизированного контроля является возможность координатной привязки результатов измерений к ОК. Точная привязка позволяет сопоставлять данные о состоянии ОК при различных режимах контроля и сопоставлении результатов полученных различными методами НК, а так же при проведении комплексного контроля и определения динамики изменения состояния ОК при периодическом проведении его диагностики.

Автоматизированная дефектоскопия и многоканальная дефектометрия изделий металлопроката [192…194], особенно если она проводится непосредственно в производственном цикле и ее результат должен быть получен в реальном времени с минимальной задержкой, ставит достаточно сложную задачу выделения сигнала дефекта из потока информации.

- 61 ФОРМАЛИЗАЦИЯ ОБРАЗОВ ДЕФЕКТОВ

ПОСРЕДСТВОМ РЕГРЕССИОННОЙ ФИЛЬТРАЦИИ

представляют собой массив данных. Каждый элемент такого массива соответствует некоторой точке с определенными координатами, в которой проводились измерения первичными преобразователями. Размер матрицы зависит от шага контроля и дискретности произведенных измерений. Оба параметра, в общем случае, являются постоянными величинами для каждого режима контроля. Они определяются исходя из требований к минимально выявляемым дефектам и временем, отведенным на диагностику.

Современный уровень развития вычислительной техники позволят автоматизировать обработку матрицы значений в режиме реального времени. Был разработан метод формализации образа дефекта.

Для успешного применения предлагаемого метода необходима библиотека образов дефектов характерных для конкретного типа ОК. Образы могут быть получены как отображение реального выявленного дефекта, так и рассчитаны теоретически. Создание базы образов будет рассмотрено ниже.

Формализуем образ дефекта с помощью стохастической матрицы значений, полученной из показаний преобразователя дефектоскопа. Каждый элемент матрицы соответствует показанию в дискретной точки области образца с дефектом, а все элементы составляют двумерный массив, целиком покрывающий исследуемый дефект.

мониторинга с координатами i, j (i=1, 2, …,C; j= 1, 2, …,n).

Каждая строка матрицы (1), в терминах теории случайных функций, может рассматриваться, как одна реализация случайного процесса со значениями процесса в «n»

точках. Как видно из (1) ансамбль случайного процесса состоит из «С» реализаций.

Построим следующую процедуру распознавания образа дефекта:

характеристик) дефектоскопии создается стохастическая матрица модели образа эталонного вида дефекта Wэ(t). В общем случае предполагается использовать библиотеку эталонных дефектов, из которой по алгоритму пошагового приближения выбирать наиболее близкий к исследуемому дефекту. (Данный алгоритм достаточно гибок, и для каждого метода контроля имеет свою специфику. Его рассмотрение выходит за рамки данной статьи и здесь опускается).

Б) Дефектометрия реального образца выполняется сканированием всего образца локальными областями с точками измерений соответствующими точкам эталонной матрицы, т.е. шаг и дискретность совпадают. Матрицу «Т»-той локальной области реального образца обозначим WТ(t). (Т=1,2,…,N).

В) При обработке матриц выполняются следующие операции:

По каждой «Т»-той матрице вычисляется матрица невязок. Формула невязки в каждой точке с координатами i, j имеет следующий вид:

Для каждой матрицы невязок Wн(t) вычисляются оценка вероятного отклонения остаточной дисперсии од(c,n) и доверительный интервал на остаточную дисперсию Рассмотрим методику определения вероятностного отклонения остаточной дисперсии регрессии.

Введем следующее ограничение на случайный процесс. Случайные числа (значения показания датчика в точках с координатами i, j), входящие в матрицу (2) подчиняются любому многомерному распределению, у которого все моменты, выше второго, равны нулю.

Наиболее типичным распределением такого типа является многомерное нормальное распределение [195].

Рассмотрим операции над значениями матрицы (2) для получения оценок промежуточных величин, являющихся аргументами функций регрессии случайного процесса, остаточной дисперсии и доверительного интервала на неё.

По матрице (2) определим ковариационную и корреляционная матрицы:

Где ki,j; ri,j – соответственно ковариационный и корреляционный моменты между случайными числами сечений i и j.

С учетом введенных ограничений на закон распределения случайных чисел определим:

которая будет равна [195]:

Оценку стандартного (среднеквадратического) отклонения процесса случайных величин процесса в сечении tj, которая будет равна:

Оценки элементов соответственно ковариационной и корреляционной матриц между сечениями j и l:, определяются посредством следующих формул [195]:

Нормируя оценки ковариаций оценками среднеквадратичных отклонений сечений j и l, получим оценку коэффициента корреляции:

Операция по оценке коэффициента линейной регрессии j по каждому j-му столбцу матрицы (2) определяется по следующей формуле [195]:

Где: i(tj) – оценка i-го коэффициента линейной регрессии в сечении tj матрицы (2);

|ki,j| – детерминант ковариационной матрицы (3);

k0,l - оценка элемента ковариации между сечениями 0 и l матрицы (3);

Ki,l – алгебраическое дополнение элемента ki,l (l=1,2…n-1) ковариационной Операция по оценке остаточной дисперсии (од(с,n))2 регрессии параметра П1 по данным матрицы (2) определяется по следующей формуле [195]:

Где: (од(с,n))2 – оценка остаточной дисперсии регрессии параметра П1;

Гарольд Крамер [195] доказал, что статистика отношения квадратов остаточной дисперсии к её оценке помноженная на число реализаций ансамбля С распределена по закону 2 с где: (о)2– значение остаточной дисперсии параметра, (од(c,n))2– оценка остаточной дисперсии параметра Плотность вероятностей распределения 2определяется формулой [196] Выражение для Pv(2x) имеет следующий вид:

где Г ( ) – гамма-функция, интегральное представление (формула Эйлера), которой для непрерывных z имеет следующий вид [195]:

Для целочисленных z 0 имеет место следующие соотношения:

Введем обозначение V z 1, тогда справедливо равенство:

Подставив (15) в (13), получим следующую, удобную для вычислений, формулу:

На основании (11) и (16) можно записать следующее неравенство:

где tmin и tmax – соответственно квантили распределения (16) для вероятностей Pmin и Pmax при V степенях свободы.

вероятностью доверия равной РД = Рmax- Рmin будет иметь вид следующего неравенства:

Поскольку будут иметь место «Т» образов дефектов, то в идентификатор оценки остаточной дисперсии введем индекс Т, обозначающий номер вида дефекта. С учетом этого индекса идентификатор оценки остаточной дисперсии будет иметь следующий вид:

од(c,n)Т.

На основании (18) нижняя и верхняя оценки доверительного интервала стандартного отклонения остаточной дисперсии соответственно имеют значения определяется формулой:

Где - коэффициент, определяющий долю вероятного отклонения остаточной дисперсии, которая равна доверительному интервалу на стандартное отклонение остаточной дисперсии.

интервала на остаточную дисперсию необходимо оценить количество измерений при дефектоскопии.

Из формул (10) и (17) видно, что достоверность оценок остаточной дисперсия и доверительного интервала стандартного отклонения остаточной дисперсии зависят от количества статистики, по которой строится матрица (2). Поскольку соотношение между значением остаточной дисперсии и его оценкой определяется выражением (11), которая распределена по закону распределения Пирсона 2 (хи-квадрат).

Из выражения (17) и (19) видно, что доверительный интервал на остаточную дисперсию зависит от квантилей распределения 2, которые определяются количеством реализаций случайного процесса изменения параметров С, количеством точек в каждой реализации n и вероятностью доверия, с которой мы хотим получить доверительный интервал на оценку. Число реализаций С и число точек в реализации определяют число степеней свободы распределения V посредством следующего соотношения:

Величина N должна быть не менее той, которая достаточна для обеспечения достоверности характеристик матрицы (2). Обозначим эту величину через Nд.

Для определения величины Nд, т. е. количества реализаций случайного процесса С и числа измерений в каждой реализации n, были проведены расчеты характеристик распределения 2, которые приведены в табл. 1. Расчет производился для вероятности доверия:

Pmin – нижняя граница вероятности доверия равная интегралу от плотности распределения 2 формула (16) определяющая нижнюю границу доверительного интервала стандартного отклонения остаточной дисперсии;

Pmax – вероятность равная интегралу от плотности распределения 2 формула (16) определяющая верхнюю границу доверительного интервала стандартного отклонения остаточной дисперсии.

Выражение для определения Pmin и Pmax имеют следующий вид:

tmin – квантиль нижней границы вероятности доверия определяющий нижнюю дисперсии определяемой по формуле (17);

tmax– квантиль верхней оценки вероятности доверия определяющий верхнюю дисперсии определяемой по формуле (17).

Таблица 2.1. Характеристики распределения 2 при вероятности доверия Рд = 0, В столбцах 11 и 12 приведены значения соответственно математического ожидания и стандартного отклонения дисперсии. Таблица составлена для трех количеств измерений N=C*n= 205, 1000, 8100. Из таблицы видно:

При N=205, числе реализаций с=41 и числе точек в каждой реализации n= доверительный интервал стандартного отклонения остаточной дисперсии составляет 0,645 от оценки стандартного отклонения остаточной дисперсии При N=1000, числе реализаций с=100 и числе точек в каждой реализации n= доверительный интервал стандартного отклонения остаточной дисперсии составляет 0,403 от оценки стандартного отклонения остаточной дисперсии доверительный интервал стандартного отклонения остаточной дисперсии составляет 0,247 от оценки стандартного отклонения остаточной дисперсии Алгоритм работы модуля определения образа дефекта с использованием регрессионной фильтрации представлен на рисунке 2.1.

Матрица данных Al+30,k … A1+30,k+ Перечень матриц Рис. 2.1. Алгоритм работы модуля определения образа дефекта с использованием зрения его использования в совокупности с различными методами НК (вихретокового, магнитного, рентгеновского, ультразвукового и т.д.) позволяющими получить при проведении диагностики, библиотеки матриц значений образов дефектов. Для достижения заданной вероятности доверия необходимо рассчитывать минимально-достаточное значение числа измерений, т.е. дискретность и шаг контроля. На основе метода формализации образов дефектов можно создать самообучающуюся систему с пополняемой библиотекой образов.

автоматизированного вихретокового контроля позволило в режиме реального времени выделять информацию о дефектах типа одиночная трещина и сквозное сверление при использовании многоканального вихретокового преобразователя и роботизированной сканирующей системы.

Метод формализации образов дефектов применяется после того, как сигнал обрабатывается методами цифровой фильтрации и первичного нормирования [197, 198] На сегодняшний день уровень развития цифровой техники позволяет использовать представленный метод для автоматизированных систем НК используемых в промышленных станах [199…201], по производству металлопроката имеющих в своем составе промышленные компьютеры, однако, постоянное усовершенствование компьютерных технологий и миниатюризация вычислительных систем позволит использовать его и в портативных дефектоскопах.

- 72 ОПРЕДЕЛЕНИЕ ОБРАЗА ДЕФЕКТА С ИСПОЛЬЗОВАНИЕМ

НЕЙРОННОЙ СЕТИ

Автоматизированный анализ данных сегодня стал насущней необходимостью.

Объем информации поступающей при проведении контроля уже сейчас превышает возможности человека оценивать их в реальном времени. В то же время объем информации полученной об ОК позволяет применить способ обработки информации не только по текущей информации (применительно к вихретоковому методу НК – амплитуды и фазы сигнала), но и определять наличие существующих в ОК неоднородностей по их характерным признакам на полученной в процессе обследования плоскости данных.

В процессе обработки результатов контроля необходимо определить (выявить) артефакты в поле данных характеризующие несколько классов и категорий дефектов.

Для выполнения алгоритма процедуры распознавания образов дефектов необходима база эталонных образов. Именно в сравнении с ними будет определяться наличие дефектов в ОК. В ходе проведения контроля могут появляться области отличные от нормального (бездефектного) поля данных. Решение о наличии либо отсутствии дефекта в таких областях может приниматься экспертным заключением. Также на эксперта возлагается задача добавления новых эталонных образцов дефектов из числа выявленных в ходе проведения диагностики либо процессе обучения программы.

Таким образом, алгоритм выявления дефектов из массива данных должен не только определить наличие областей соответствующих уже существующим в базе образам дефектов, но и предлагать новые не коррелирующие с эталонными для пополнения базы дефектов.

Образы дефектов, полученные в процессе контроля поверхности объекта, подлежащие выявлению интеллектуальной системой для сравнения с эталонными в общем случае будут в значительной мере искажены. Прежде всего, алгоритм распознавания необходимо создать таким, что бы он был инвариантен к масштабированию. Так же должны быть учтены возможности разнонаправленной ориентации образов в поле и их смещение по сравнению с эталонами.

Для решения общей задачи выявления образов дефектов ее следует разбить на два основных этапа. Прежде всего, необходимо определить признаки инвариантные к имеющимся пространственным искажениям и провести нормализацию существующих данных. Под нормализацией подразумевается приведение данных полученных при диагностике к виду соответствующему представлению образцовых дефектов из обучающей выборки. На этом этапе при необходимости производится масштабирование данных, а так же смещение так называемого центра масс образа в центр рассматриваемой выборки.

применить нейронные сети для распознавания образов дефектов в поле информации от ОК [202].

Ниже будут рассмотрены подходы реализующие применение технологии нейронных сетей применительно к задачам определения образов дефектов. Предлагается использовать сверточные нейронные сети.

Исходными данными для метода поиска дефектов по их образу являются матрицы значений параметров контроля с координатной привязкой к контролируемому объекту. Для каждого метода контроля характерны свои методики съема полезной информации.

дискретизации и представление. Методики получения матриц данных для каждого из использованных методов будут рассмотрены ниже. Здесь приведены параметры матриц данных и примеры, полученные для вихретокового, магнитопорошкового, магнитного, рентгеновского и ЭМА методов НК.

Магнитный метод контроля. Данные при проведении контроля с использованием магнитного метода НК получены в точках на поверхности ОК. В каждой точке может быть измерена нормальная и тангенциальная составляющая магнитного поля на поверхности ОК.

Таким образом каждой точке на ОК, выбранной для измерения, ставится в соответствие два значения измеренной величины. Следует отметить, при проведении контроля в статическом режиме сетка измерений имеет равномерное смещение по обеим осям координат. В случае динамического режима контроля, при котором производится линейное смещение преобразователя вдоль ОК, шаг дискретизации по оси смещения, обычно, заметно превышает шаг контроля. Шаг контроля по оси перемещения определяется, прежде всего, целесообразностью и зависит от типоразмера выявляемого дефекта. На практике именно шаг дискретизации определяет скорость проведения контроля. Сдвиг по второй оси определяется задачей проведения контроля и зависит, прежде всего, от требования к минимальному по размеру выявляемому дефекту и типоразмером применяемого первичного преобразователя.

Отдельно стоит рассмотреть данные получаемые при использовании магнитных структуроскопов, к примеру, МС-10, КРМ-Ц и т.д. Для данного типа приборов характерен достаточно большой размер преобразователя, что определяется их конструктивными особенностями. Эти данные имеют усредненный характер для всей области ОК в межполюсном расстоянии преобразователя. Однако при смещении преобразователя локальность неоднородности будет определяться шагом измерения. Им же будет определяться минимальные размеры неоднородности и точность определения границы зоны неоднородных магнитных свойств контролируемого ферромагнитного материала. Для ряда измерения в двух взаимно перпендикулярных направлениях со сменой полюсов на каждом из них. Таким образом, для магнитных структуроскопов выходной информацией являются от одной до четырех матриц величин измеренных в узлах условной сетки наложенной на ОК.

Данные, полученные при проведении магнитного контроля, имеют абсолютное значение, что в общем случае не требуется для определения наличия магнитных неоднородностей. Для этих целей достаточно использовать относительное приращение измеряемой величины в сравнении с бездефектной областью ОК. Уменьшение размерности величины также упрощает компьютерную обработку и ускоряет их преобразование.

ЭМА толщинометрия. Данные получаемые при проведении ЭМА представляют собой матрицу значений измеренных толщиномером в узлах сетки по которой проводится измерения ОК и обычно имеет нормировку в системе СИ. Особенностью измерения толщины ЭМА методом, толщиномером ЭМАТ-100, заключается в том, что толщиномер возвращает минимальное измеренное значение толщины в области ОК соответствующей габариту преобразователя толщиномера. При этом существует минимальная выявляемая несплошность материала, влияющая на показания толщиномера. Этот размер зависит не только от разрешающей способности прибора, но и от его удаления от поверхности со стороны которой производится контроль.

Шаг контроля будет определяться требованием к минимальному размеру несплошности или утонению, выявляемому при проведении толщинометрии. Следует учитывать, что для данного типа контроля характерен резкий градиент информации от ОК.

Рентгеновская толщинометрия. При проведении данного способа контроля информация, полученная для дальнейшей обработки, представляет собой аналог цифровой фотографии в градациях серого (рис. 2.2).

дальнейшего использования. Цифровая фотография представляет собой массив точек, значение которых определяется форматом представления цифровой информации. Число уровней квантования в точке может колебаться от 256 до 65536, в зависимости от используемого формата. При использовании мульти-энергетического режима работы радиометрических сканеров возможно использование цветового пространства RGB.

RGB – (аббревиатура английских слов Red, Green, Blue – красный, зелёный, синий) – аддитивная цветовая модель описывающая способ синтеза. Выбор основных цветов обусловлен особенностями физиологии восприятия цвета сетчаткой человеческого глаза.

Цветовая модель RGB нашла широкое применение в технике. Аддитивной (англ. addition) она называется по способу определения цветов, получаемых путём добавления к чёрному цвету. Цвет точки обозначается в RGB как (r1, g1, b1). Для цветовых данных, представленных в градации серого цвета, информация по каждому из цветовых каналов одинакова, т.е.

r1=g1=b1, и для дальнейшей обработки информации достаточного одного канала.

Таким образом, получается одномерный массив данных, каждая точка из элементов которого имеет величину от FFFF до 0 в шестнадцатеричном формате.

Данный способ контроля позволяет не только выявлять несплошности металла, но и рассчитывать их величину даже при градиентных значениях толщины ОК, поскольку относительное изменение от несплошности можно линеаризовать и считать постоянным для различных толщин ОК.

Магнитопорошковый контроль. При проведении магнитопорошкового контроля применяются порошки различного типа. После получения магнитного рисунка ОК фотографируется (либо снимается на видео). Так или иначе, но информация об ОК, как и для рентгеновского контроля, представляет собой массив данных в RGB формате.

Наиболее простой обработкой полученной информации характеризуется черный магнитный порошок, наносимый на контрастную белую краску. В этом случае, как и для рентгеновского контроля, рассматривается лишь один из цветовых каналов. Однако данный способ магнитопорошкового контроля редко применяется для большого объема детектируемой поверхности, поскольку сопряжен с большим объемом дополнительных трудоемких процедур, таких как покраска и смывка контурной краски.

Обычно применяют контрастные магнитные порошки: красные, видимые при дневном освещении (рисунок 2.3), и флуоресцентные желто-зеленого, красного либо голубого цвета, видимые при ультрафиолетовом облучении ОК.

Представление информации в данном случае имеет трехмерный массив, т.е. каждой точке изображения кроме пары координат ставится в соответствие три значения R G B.

Развитие цифровой фото и видео аппаратуры позволяет получать изображения высокой четкости, превышающей требования к дискретизации информации. Для дальнейшей обработки полученной информации не требуется столь большой объем данных и для исследования используются матрицы данных имеющие значительно меньшую размерность.

Применяются алгоритмы преобразующие данные в уменьшенные массивы без потери значимой информации.

При проведении контроля могут использоваться светофильтры позволяющие перейти к обработке только одного из цветовых каналов. Такая методика контроля более характерна при использовании флуоресцентных магнитных порошков.

Однако при проведении контроля в видимом спектре, бывает обосновано рассматривать все три цветовых канала. На рисунке 2.4 показаны значения всех трех каналов в графическом представлении.

Рис. 2.4. Представление информации в формате RGB для магнитопорошкового контроля Для достижения оптимального результата обработке подлежат все три канала. В этом случае возрастает объем вычислений, однако алгоритм для всех каналов един и обученный под один тип магнитного порошка при определенных условиях освещенности будет также применим и для других условий освещенности и цветов магнитной суспензии.

Вихретоковый контроль. Дефектоскопия металла с использованием вихретокового метода НК предпочтительна при необходимости проведения автоматического контроля и компьютерной обработки результатов измерения. К преимуществам данного метода НК относятся представление результатов контроля в виде сигналов, зависящих от амплитуды и дефектоскопы по разному представляющие результат контроля:

ВД-90НП, ВД-12НФП – вихретоковые дефектоскопы представляющие результат контроля в виде временной развертки изменения фазы сигнала;

результате проведенного контроля в виде временной развертки сигналов соответствующих изменению амплитуды и фазы измерительной катушки ВТП;

ВД-41П, ВД-87НСт – вихретоковый дефектоскопы представляющие результаты контроля на комплексной плоскости.

Еще одна особенность вихретокового контроля заключается в возможности его проведения на высоких взаимных скоростях ВТП и ОК. Скорость движения может достигать нескольких метров в секунду.

- Рис. 2.5. Представление результатов вихретокового контроля На рисунке 2.5 представлены результаты вихретокового контроля участка использованного преобразователя 4,5мм с использование вихретокового дефектоскопа ВДНП. Контроль проведен по пяти прямым параллельным длинной стороне ОК на расстоянии 6, 10, 14, 18, 22 мм от края с шагом измерения 1мм. Завал в начале и конце образца вызван краевым эффектом, из результата контроля данная область исключается.

Величина измеряемого сигнала не ограничивается как в вышеизложенных примерах 256-ю значениями, а определяется размерностью использованного аналого-цифрового преобразователя (АЦП).

При использовании как динамического, так и статического режимов контроля шаг контроля выбирается таким, чтобы обеспечить выявление произвольно ориентированного трещиноподобного дефекта, если иное не предусмотрено регламентирующими документами.

Практика проведения вихретокового контроля различных деталей и объектов показывает, что оптимальные результаты достигаются в случаях, когда при проведении контроля выбирается направление сканирования, пересекающее трещиноподобные дефекты перпендикулярно их длинной стороне. Так при контроле трубопроводов сканирование производится перпендикулярно образующей, а при контроле отверстий по окружности вдоль кромки его образующей. Естественно на практике дефекты могут иметь произвольную ориентацию по поверхности ОК. На тех же трубопроводах изломы вызванные подвижкой параллельно ей. По этой причине контроль производится, не более чем в двух взаимно перпендикулярных направлениях. Реальные дефекты, даже одного типа, естественно, имеют отклонение от ожидаемых параметров и ориентированы в некотором разбросе от него.

Исходя из выше изложенного очевидно, что один из признаков должен быть инвариантен к ориентации дефекта.

Расположение дефекта на поверхности также является произвольной величиной и не должна быть инвариантной при выявлении образа дефекта.

Рассмотрим необходимые признаки, использование которых позволит перейти к следующему этапу выделения образа дефекта на информационном поле от ОК.

Топологические признаки.

значительное удлинение образа. Рассматривая площадь фигуры (количество точек измерения внутри неё) можно отметить, что она практически пропорциональна длине дефекта.

Значение площади дефекта инвариантно к сдвигу, однако оно зависит от его размера (протяженности). Еще одной особенностью трещиноподобных дефектов является их произвольная длина при малой ширине (раскрытии). Рассматривая другую величину – длину контура образа дефекта. Она тоже зависит от длины.

Обозначим признак W(Е) равный где S(E) – площадь образа, L(E) – длину контура, будет являться инвариантным как к сдвигу, так и к длине.

Данный признак может быть применен и для нетрещиноподобных дефектов, поскольку позволяет отнести к одному классу пропорциональные образы, являясь инвариантным к их масштабу. Для таких образов у признака W(Е) есть некоторый недостаток, состоящий в том, что подсчёт длины контура требует значительных вычислительных затрат.

В данном случае инвариантный признак является составным. Его составные части сами по себе не являются инвариантными по отношению к повороту, размеру и т.п., однако при использовании двух и более свойств образа, их отношения в различных вариациях могут давать достаточно эффективные инвариантные признаки.

Одним из вариантов таких составных признаков является отношение кратчайшего и наибольшего расстояния от центра масс образа до его крайних точек [203]. Отношение этих расстояний будет признаком, инвариантным по отношению к масштабу.

К амплитудным признакам относится признаки, основанные на вычислении величины сигнала образа на фоне бездефектного поля. К примеру, пороговый уровень сигнала дефекта инвариантен по отношению к его сдвигам и поворотам:

где P(i, j) – амплитуда в позиции (i, j);

Основным плюсом данного признака является его малая вычислительная нагрузка на расчет.

Еще один признак, который можно использовать в реализации алгоритма выделения образов дефектов, основан на моментах [204]. Для бинарного образа момент может быть вычислен по формуле:

где p и q определяют порядок момента, B(i, j) – значение измеренной точки (для бинарного образа это 1 при превышении порога и 0 в противном случае). Далее на основании (27) можно вычислить центральные моменты (28):

Центральные моменты также являются инвариантными к смещениям.

Возможен расчет моментов и более высокого порядка, которые не зависят также от поворотов и масштабирования.

Существуют и другие инвариантные признаки и свойства [205]. Однако их вычисление требует значительных затрат вычислительных ресурсов поскольку большинство из них являются топологическими.

Трещиноподобные дефекты имеют не только линейные габариты. При обнаружении сеток трещин, закалочных трещин дефекты могут создавать некоторое подобие рисунка, а закаты принимать радиальную форму. Контурный анализ может быть использован для такого вида дефектов. Он применяется при распознавании образов в основном для подразумевается внешнее очертание образа дефекта. Поскольку ярко выраженной грани образа может не быть принимается 10% пороговое значение.

Контурный анализ позволяет производить поиск объектов, описывать их, хранить и сравнивать между собой. Способен решать и вышеперечисленные задачи распознавания образов дефектов, таких как: смещение, поворот, изменение размеров. Для этих задач он является инвариантным [206].

Контур содержит всю необходимую информацию о форме исследуемого объекта.

При этом внутренние точки объекта во внимание не принимаются, что с одной стороны ограничивает область применимости алгоритмов контурного анализа, но с другой рассмотрение только контуров позволяет снизить вычислительную и алгоритмическую сложность. Упрощение происходит из-за перехода от плоскости измерений, которая является двухмерным пространством (массивом) к одномерному пространству (библиотеке) контуров.

Контур представляет собой последовательность комплексных чисел т.е. векторконтур. Выбирается начальная точка контура. Затем, от этой фиксированной точки контур обходится по периметру образа. На каждом шаге образуется новый вектор – комплексное число.

Каждый вектор смещения имеет вид a+ib, где a – смещение точки по оси X, а b – смещение по оси Y. Каждое следующее комплексное число смещения рассчитывается от относительно предыдущей точки [206].

Переходя в пространство векторных контуров образ приобретает очевидные свойства векторов. Среди них и инвариантные свойства:

Поворот образа соответствует равному по величине углу поворота каждого из Изменение линейного размера исходного образа рассматривается, как умножение каждого из элементарных векторов контура на масштабирующий Поскольку вектор-контур кодируется в относительных координатах, от начальной точки находящейся на нем, то он становится инвариантным к параллельному сдвигу начального контура. Таким образом, вектор-контур не зависит от переноса исходного образа.

Еще одним характеризующим признаков вектора-контура является его замкнутость, т.е. сумма всех элементарных векторов одного вектор-контура Для вектор-контуров применимы уравнения линейной алгебры. Известно, что для коллинеарных векторов скалярное произведение по модулю максимально, а для ортогональных равно 0. Скалярное произведение контуров образов наследует это свойство [206].

Таким образом, скалярное произведение позволяет при сравнении пар векторов определять их подобие, а именно, чем больше скалярное произведение между парой векторов, тем более подобны они друг другу.

Исходя их вышеизложенного, можно сделать вывод, что данный признак скалярного произведения позволяет применить метод контурного анализа для решения задачи распознавания образов дефектов.

Переходя к рассмотрению скалярного произведения контуров образов имеем:

где k – размерность вектор-контура;

следующему выражению:

где а, с – координаты пары векторов по оси X; b,d – координаты пары векторов по оси Y.

Данный метод имеет и ряд недостатков [206]. Прежде всего, определенную сложность представляет анализ контуров образцов дефектов:

для некоторых областей представляется сложным выделить полностью в общем случае при пересечении нескольких образов тяжело выделить необходимый контур, однако на практике однотипные трещиноподобные дефекты практически не имеют пересечений, а варианты их разветвлении также некоторую сложность представляет учет искажений образа, однако применительно к задачам дефектоскопии следует учитывать, что такого вида искажения у образа дефекта сглаживаются из-за значительной разницы между линейными размерами первичного преобразователя и раскрытия отклонениями применяется выделение характерных помех и их удаление из начального образа дефектоскопической информации.

Основным преимуществом метода, кроме большого числа инвариантных свойств, является простота вычислений, т.е. быстродействие.

качественными не были признаки инвариантные к различным пространственным искажениям, необходимо применять и другие преобразования для достижения максимальной надежности распознавания образов дефектов. Использование таких преобразований, кроме улучшения качества работы следующих уровней обработки начального образа. Исключение искажений и артефактов в образе на ранних этапах выполнения алгоритма определения образа дефекта приводит к значительному увеличению быстродействия всего процесса в дальнейшем.

Центрирование образа Центрирование образа проводится с целью нивелирования часто встречающегося искажения образа дефекта, связанного со сдвигом его положения относительно центра образа. Для этого применяется критерий центра масс образа. Определяется текущий центр масс детектируемого элемента, а затем вносится пространственная корректировка, смещающая на величину определенной поправки центр масс элемента, так чтобы он совпал с центром масс образа обучающей выборки. Для этого используем нижеследующий алгоритм центрирования изображения детектируемого элемента:

1.этап Нахождение центра масс (он же центр инерции системы). Для любой произвольной системы его можно определить. Задается произвольную точку системы K.

Затем рассчитывается нормированная векторная сумма от нее до всех остальных точек системы [207]. Согласно теореме о группировке масс, рассчитанный вектор соединяет исходную точку с центром масс системы. Таким образом, зная координату начальной (выбранной) точки и полученный вектор легко определить центр масс системы – точку С.

Положение центра масс определяется его радиус-вектором :

где – радиус-векторы точек относительно точки K, образующих систему;

Для удобства расчетов исходной точкой рассматривается точка с координатами (0,0).

центра масс.

2.этап После определения центра масс системы рассчитываются координаты вектора, соединяющего центр масс с серединой выборки образа. Затем все точки исследуемой выборки смещаются на полученный вектор.

Приведенный, достаточно простой с точки зрения вычислений алгоритм позволяет исключить практически любые искажения исследуемого образа дефекта, связанные с его сдвигами.

Масштабирование и поворот образа.

На практике для масштабирования образа дефекта применяются библиотеки OpenCV [208] (Open Source Computer Vision Library) – библиотека компьютерного зрения. OpenCV выпущена под лицензией BSD и, следовательно, является бесплатной, как для академического, так и коммерческого использования. Имеет интерфейсы C + +, C, Python и Java и поддерживает Windows, Linux, Mac OS, IOS и Android. OpenCV была разработана для вычислительной эффективности и с сильным акцентом на приложений реального времени.

Написанная оптимизированной для C / C ++, библиотека может использоваться с применением многоядерных процессоров. Её функции позволяют масштабировать исходное изображение образа в нужное число раз.

Устранение искажений, связанных с поворотом, также реализуется при помощи библиотеки OpenCV.

В рассматриваем образе дефекта выделяется пара точек определяющих прямую, которая должна быть горизонтальной (либо вертикальной). Далее образ поворачивается так, чтобы эта прямая стала горизонтальной (вертикальной), т.е. скалярное произведение вектора соединяющего выбранные точки и нормировочного вектора искомой прямой образа дефекта должны стать максимальным, а векторы коллинеарными. При этом производится пересчет всех точек исследуемой выборки.

После нормализации необходимо производится распознавание образов дефектов при помощи нейронной сети.

Одним из получивших наиболее распространенных нейросетевых моделей является многослойный персептрон [209, 210]. Особенностью модели является наличие более чем одного обучаемого слоя. Так двухслойные перцептроны очень устойчивы и практически не накапливает собственные ошибки. Они имеет линейную вычислительную сложность. Этот факт делает возможным обучать нейронные сети с большим числом входов и выходов для любого числа слоёв нейронов. Сегодня существуют государственные стандарты «

Защита информации. Техника защиты информации. Автоматическое обучение нейросетевых преобразователей биометрия-код доступа» [211].

Как недостаток алгоритма, следует рассматривать то, что он построен на искусственном ухудшении нейросетевых решений.

Недостатки данного алгоритма компенсируют выбором большого числа входов и выходов нейронной сети, что позволяет значительно снизить вероятность ошибок второго рода. Кроме того он не достаточно подходит для решения реальных задач распознавания многомерных образов. Так же размер массива входных данных может ограничить применение многослойных персептронов. Большой объем массива приводит к резкому увеличению числа нейронов и синапсических связей сети. Как следствие, значительно увеличивается сложность процесса обучения. В ряде случаев добиться сходимости такой сети вообще не удается. Следует отметить, что обычный персептрон не учитывает четкую двумерную структуру массивов входных данных.

Для построения нейронной сети выявления образов дефектов можно использовать сверточные сети позволяющие устранить вышеперечисленные недостатки.

Сверточная нейронная сеть была изобретена американским профессором Ян ЛеКуном. Она также относится к многослойным персептронам. Данный их подкласс был специально создан для распознавания двумерных поверхностей с высокой степенью инвариантности к различным искажениям, таким как: масштабирование, смещение параллельное и угловое и прочие.

В настоящее время сверточные сети с успехом применяются для распознавания рукописных символов [212], снимков трехмерных объектов [213] и номеров домов на улице [214]. Топология классической нейронной [215] сети приведена на рисунке 2.6.

Рис. 2.6. Топология классической сверочной нейронной сети Архитектура данной сети реализует нижеприведенные факторы [215]:

Локальное восприятие. Под локальностью подразумевает, что на вход нейрона подается не весь массив входных данных или данных с выхода предыдущего слоя, а только вычислений при сохранении топологии образа при переходах от слоя к слою. В результате образуются последовательности нейронов, каждый из которых получает информацию не от всего предыдущего слоя, а только от его части. Т.е. на вход нейрона поступает информация, описываемая локальным рецептивным полем. Благодаря сканированию целой области, а не отдельных точек, данный подход позволяет учесть все свойства образа, что позволяет значительно увеличить качество распознавания и применить алгоритм для выявления образов дефектов.

Разделяемые веса. Данная концепция позволяет для большого количества связей использовать одинаковые весовых коэффициенты, что значительно сокращает число используемых параметров. Достигается это за счет того, что всем нейронам одной области присваиваются одинаковые весовые коэффициенты. В этом случае процесс обучения сети проходит намного быстрее и точнее, чем у обычного персептрона. При этом влияние в сторону уменьшения точности распознавания такое допущение не оказывает.

Субдискретизация. Субдискретизация позволяет добиться частичной инвариантности к масштабу. Её работа сводится к уменьшению пространственной размерности образа. Принцип ее работы сводится к тому, что в сеть вводятся слои субдискретизации, которые не выделяют новых черт образа, а уменьшают его размер, сохраняя уже выделенные признаки на предыдущих слоях.

Структура используемой сети.

Архитектура сверточной сети в общем виде представлена на рисунке 2.6. Ее особенность в том, что она может быть упрощена практически без значимого снижения качества распознавания образов дефектов [216]. Упрощение производится путем уменьшения числа слоев. Для этого производится объединение сверточного слоя и слоя субдискретизации.

Исходными данными исследуемой нейронной сети является часть входного массива данных размером 33 на 9 элемента. Входной слой нейронной сети состоит из нейронов. Размер входного массива определен в п. 2.1 и является компромиссной величиной для статистического метода и числом вычислительных операций. Уменьшение размерности матрицы производится смещением рецептивных полей сверточных нейронов на два шага. Для обеспечения попадания нейрона следующего слоя свертки в середину центра рецептивного поля его размер принимается нечетным, т.е. больше расчетной, но обеспечивающий нечетность полей всей сети. Нечетное количество элементов стороны матрицы данных позволяет избежать смешения центра поля на каждом слое.

Особенностью слоев свертки является то, что при сдвиге входного массива данных значения сдвиг карты признаков равновелик, что делает сверточную сеть инвариантной к смещению незначительному искажению исходного массива данных. Размер рецептивного поля также выбран равносторонним, как и исходный массив, и имеющим по пять элементов на сторону.

Такой размер обеспечивает достаточное перекрытие рецептивных полей и не размер карты признаков до:

Первый скрытый слой является слоем свертки. Он содержит карты признаков размером 15х5 из (2.31). Согласно расчетам Симарда (Simard) [216] большее число карт признаков не приведет к принципиальному улучшению свойств нейронной сети.

Снижение числа карт признаков на этом скрытом слое приводит к значительному снижению точности работы нейронной сети. Классическая сверточная сеть, предложенная Яном ЛеКуном, предполагает смещение рецептивного поля на одну позицию при составлении слоя свертки [213, 215, 217]. В предложенной сети сдвиг локального рецептивного поля смещается на два элемента по большей стороне. Таким образом, становится возможным уменьшить пространственный размер образа без использования дополнительного слоя субдискретизации.

Каждый элемент первого сверточного слоя содержит 25 весовых коэффициентов соответствующих каждому элементу локального рецептивного поля и значение смещения равное 2, т.е. 26 обучаемых параметров на каждый элемент карты признаков.

Особенностью разработанной сеть заключается в том, что значение смещений и весовых коэффициентов является постоянной для всех 45 нейронов карты признаков. Такой подход позволил многократно уменьшить число обучаемых параметров сети и добиться ее сходимости в процессе обучения. Что для стандартных многослойных перцептронов практически нереально. Второй слой сети содержит m=5 карт признаков. Общее число достаточно большом числе синапсических связей них (смещение) постоянные.

Второго слоя свертки (третьего слоя нейронной сети) состоит из 30 карт признаков размером 7 на 3 элемента. Принцип его построения аналогичен первому слою свертки и число нейронов, которые он содержит равно 630. Каждый элемент в карте признаков связан с пятью областями размеров 5 на 3 по одной от каждой карты признаков первого слоя. Число обучаемых параметров второго слоя свертки равно:

Число связей второго слоя свертки:

Два сверточных слоя предназначены для определения признаков образов дефектов в исходном массиве данных. Остальные два слоя сети являются классификационными Нейроны четвертого скрытого и пятого выходного слоев сверточной нейронной сети связаны с каждым нейроном предыдущего слоя. Четвертый слой состоит из нейронов, каждый из которых связан со всеми элементами карт предыдущего слоя. Число обучаемых параметров третьего слоя равно числу его синапсических связей:

Выходной слой нейронной сети состоит из 7 нейронов соответствующих образам дефектов. Число связей и обучаемых параметров равно:

Предложенная сверточная нейронная сеть содержит:

Принцип работы данной сети в своей основе аналогичен принципу работы многослойного персептрона (рисунок 2.8).

Входными данными для каждого нейрона сети является взвешенная сумма — скалярное произведение между векторами входных сигналов и весов, которая затем подается в качестве аргумента функции активации:

— скалярное произведение между входным вектором сигналов и вектором — весовой коэффициент между j-ым нейроном (n-1)-го слоя и i-ым Для удобства записи формул смещения каждого нейрона принимается равным 1, а весовой коэффициент обозначается через (рис. 2.8):

В качестве функции активации для скрытых слоев сети была выбрана сигмоидальная функция – гиперболический тангенс:

где y – скалярное произведение на входе нейрона;

A и S – числовые коэффициенты. Эмпирическим путем [215] установлено, что x = f(y) – значение возбуждения на его выходе, th(y) – гиперболический тангенс, который равен:

График функции th(y) изображен на рисунке 2.9. Особенностью нейронов с такой передаточной характеристикой является то, что они усиливают сильные сигналы существенно меньше, чем слабые, поскольку области сильных сигналов соответствуют пологим участкам характеристики. Это позволяет предотвратить насыщение от больших сигналов.

Гиперболический тангенс как функции активации имеет ряд свойств, делающих его применение обоснованным. Среди них симметричность функции относительно 0: f (1) = 1, f (-1) = -1; тангенс угол наклона функции вначале координат близок к 1; отклик сети смещен от границы области значений функции активации в её внутреннюю сторону, что позволяет ускорить обучение, поскольку при модификации параметров сети в процессе обучения не происходит резких колебаний значений.

Еще одной положительной особенностью гиперболического тангенса используемой при реализации обратного распространения является простата ее производной [218]:

т.е. для x = th(y) сигмоидальная функция – гиперболический тангенс.

Обучение любой нейронной сети сопряжено с рядом сложностей и является трудоемкой вычислительной задачей. При использовании многослойных перцептронов, применяемых для анализа образов, процесс их обучения не всегда позволяет добиться сходимости, что делает их применение в ряде случаев нецелесообразным. Сверточная проблем многослойных перцептронов. Тем не менее, задача обучения сети не тривиальна и достаточно трудоемка.

Для обучения сверточной нейронной сети определения образа дефекта был применен метод обратного распространения ошибки. Метод принципиально не отличается от алгоритмов, применяемых для обучения многослойных персептронов [216].

Но он учитывает особенности собственной архитектуры сверточной сети. В ходе реализации обратного распространения ошибка выходного слоя может быть выбрана в виде различных функций [215, 216], В данном алгоритме была применена функция ошибки по среднеквадратичному отклонению из-за ее универсальности:

где M — количество нейронов выходного слоя, xk — реальное значение выходного сигнала нейрона, Для обучения сети применен стандартный алгоритм градиентного спуска [215].

Коррекция весов осуществлялась следующим образом:

– величина, характеризующая скорость обучения; в начальный момент обучения выбирается равной 5Е-4, а затем в процессе обучения постепенно увеличивается.

— скалярное произведение всех выходов нейронов (n-1)-го слоя и из (34).

Ошибка распространяется на предыдущий слой сети. Ее величина определяется по нижеследующей формуле:

При реализации процесса обучения сверточных слоев сети формулы (34…37) используются в матричном виде. Исходные значения всех синапсических весов задаются на основе равномерного распределения. Математическое ожидание этого распределения равно нулю, а дисперсия либо равна величине обратной квадратному корню из числа синапсических связей нейрона [215], либо ее принимают равной 5Е-2 [218].

Для удобства и ускорения обучения сети входные значения входной матрицы нормируются:

где xij — значение элемента матрицы данных, yij — нормированное значение, подаваемое на вход сети.

Для ускорения процесса обучения нейронной сети вводится пороговое значение ошибки. Для образцов с ошибкой меньше порогового значения дальнейшее рассмотрение не целесообразно. Такой довольно простой подход позволяет сократить время процесса обучения в несколько раз.

Библиотека новых образов Карта дефектов Рис. 2.10. Алгоритм определения образа дефекта с использованием Для обучения сети использовались образы дефектов. Первоначальное обучение проводилось на образах, полученных для искусственных дефектов. Их применение обусловлено тем, что их образы имеют меньшее число искажений по сравнению с образами естественных дефектов. Каждый образ был получен при смещении ряда параметров контроля, таких как частота возбуждения ВТП, зазор между ВТП и поверхностью металла. Еще Зацепиным Н.Н. [84] была доказана подобность топографии полей дефектов одной формы как для различных ферромагнитных сталей и сплавов, так и немагнитных проводящих материалов. Поэтому для дальнейшего обучающей выборки использовались данные, накопленные при контроле различного металлопроката.

Обучение проводилось на дефектах типа прямая протяженная трещина; край трещины плавный сход; разветвление трещины 1 в 2; трещиноподобный R-дефект; параллельные трещины; цилиндрический малый дефект; овальный сегмент. Первые четыре типа относятся к трещиноподобным дефектам. Три образа используются для дефектов типа сквозное отверстие, питтинговая коррозия, включения.

В ходе исследования возможности применения сверточных нейронных сетей для задач распознавания образов дефектов по результатам проведенной диагностики с применением вихретокового и магнитного методов неразрушающего контроля была разработана автоматизированная система, реализующая модифицированную архитектуру четырехслойной сверточной сети без слоев субдискретизации. Несмотря на упрощение структуры сети, были показаны удовлетворительные результаты, однако, в процессе выделения образов дефектов из массива исходных данных образуется класс матриц, именуемых библиотекой новых образов, который априори относит область исходных данных, к дефектной области. Таким образом, возрастает количество ошибок второго рода, но исключается возможность пропуска дефекта при автоматическом выделении образа дефекта.

Архитектура сверточных сетей не позволяет создавать новые классы образов и в библиотеке нераспознанных образов они накапливаются индивидуально. В дальнейшем эти образы вероятных дефектов подлежат индивидуальному экспертному разбору и, в случае признания появления ошибки второго рода, причислению соответствующим им областей ОК к бездефектным. Экспертного участия избежать не удастся, но трудоемкую работу возможно в значительной мере облегчить, автоматизировав процесс разбиения библиотеки новых образов на классы.

- 96 ВЫДЕЛЕНИЕ НОВЫХ КЛАССОВ ОБРАЗОВ ДЕФЕКТОВ

Практика применения сверточной нейронной сети показала, что при проведении контроля обнаруживаются области, форма измерительных сигналов на которых не подпадает ни под один из принятых к рассмотрению базовых образов дефектов. После проведения распознавания образов дефектов с использованием нейронной сети также как и при использовании регрессионной фильтрации выделяются области, не отнесенные ни к бездефектным и зашумленным областям, ни к областям с подтвержденными дефектами.

Поскольку в практике дефектоскопии ошибки второго рода имеют приоритет над ошибками первого рода, то подобные области причисляются к условно дефектным, и подлежат дальнейшему анализу. На этом этапе области подлежащие анализу должны быть разделены на две группы: бездефектная (зашумленная область) и новый тип образа дефекта, подлежащий приемки при помощи экспертной оценки.

На практике новым типом дефекта оказываются комбинации, либо пересечения (наложения) уже существующих эталонных образов дефектов, программное выделение которых не представляется возможным.

Рассматривая применяемые сегодня нейронные сети для определения образов, следует отметить, их неприменимость к решению поставленной задачи автоматизации определения новых классов образов дефектов. Так многослойный персептрон, обучающийся по методу обратного распространения, запоминает весь пакет обучающей информации. При попытке произвести дополнительное обучение сетей из класса многослойных перцептронов новому образу происходит разрушение структуры памяти об уже изученных, при этом производится модификация синаптических связей. Т.е. при обучении таких сетей новому образу происходит не дополнение уже существующей нейронной сети, а ее переформатирование с невозможностью отката.

В Сетях Кохонена и Липпмана-Хемминга подобная ситуация возникает при возникновении ситуации самоорганизованного обучения, Эти сети всегда выдают положительный результат при классификации, создавая новый класс образа, поскольку их архитектура не в состоянии разграничивать новые образы и старые классы образов дефектов имеющих искажения, либо значительное зашумление.

В реальной практике поступающие данные не являются стабильными, т.е. на вход обученной нейронной сети попадает образ такого класса, который не был представлен в обучающей последовательности или во множестве образов, подлежащих автоматической классификации или кластеризации.

пластичности и стабильности:

Стабильность – устойчивая работа нейронной сеть с узнаваемыми образами дефектов (образами накопленными в библиотеке эталонных образов).

Пластичность – способность выявлять (обнаруживать) образы дефектов новых классов, ранее не представленных в сети.

противоречащими друг другу. К классу сетей позволяющих решить данную дилемму относится Нейронные сети адаптивной резонансной теории (Adaptive Resonance Theory=ART).

ART-сети, это класс нейронных сетей, в основе которых лежат принципы построения сети предложенных Карпентером (Carpenter) и Гроссбергом (Grossberg) (Бостонский университет, 1987-1991) позволяющих устанавливать новые классы без забывания старых [219].

В семейство ART-сетей входят нижеследующие сети (общепринятая классификация) [220]:

ART-1: для входных векторов признаки распознаваемых образов, которых ART-2 и ART-2a: расширение нейронной сети ART-1-сетей для возможности применения входных векторов непрерывного вида, модификация 2а – оптимизированная версия с повышенной скоростью сходимости ART-3 – специализированные сети разработанные для целей моделирования временных и химических процессов основываясь классе сетей ART-2;

ARTMAP – класс сетей составленные из комбинации нескольких классов FuzzyART – вид гибридной сеть, объединяющая ART- сети и Fuzzy Logik Для решения поставленной задачи выделения новых образов дефектов можно использовать сеть построенную по технологии ART-1 для распознавания образов приведенных к бинарному типу. К такому типу образов можно привести контрастные изображения полученные при проведении неразрушающего контроля металлопроката с применением магнитопорошкового метода и рентгенографического. При этом каждому образу ставится в соответствие два образа подлежащих обработке:

Образ-МАХ – образуется бинаризацией начального массива данных по Образ-КОНТУР – является усовершенствованием образа-МАХ, путем получения огибающего бинарного контура в матрице исходных данных Рис. 2.11. Бинаризация данных НК для использования в сети ART- а – фрагмент исходной матрицы данных; б – бинарный Образ-МАХ; в – бинарный Образ-КОНТУР Сеть АРТ-2 применима для использования со всеми перечисленными методами диагностики использующие методы НК перечисленные выше в п. 2.1.2.

Принцип работы.

Особенностью нейронных сетей построенных на принципе адаптивного резонанса является то, что при запоминании нового образа они сохраняют пластичность при этом не производя модификацию старых данных. АРТ нейронная сеть имеет внутренний детектор новизны образа, заключающийся в сравнении поступившего образа с содержимым уже определенных в сети. При появлении события совпадения, вновь поступивший образ классифицируется, при этом у нейрона, выполнившего классификацию, производится уточняющая модификация синаптических весов, что и интерпретируется как возникновение адаптивного резонанса. Если же в пределах заданного порогового уровня резонанс не возникает, то поступивший образ принимается прошедшим тест новизны, и далее воспринимается нейронной сетью, как новый класс образа дефекта. Модификация существующих классов при появлении нового не производится, т.е. весовые коэффициенты нейронов, не испытавших резонанса не изменяются.