WWW.KONF.X-PDF.RU
БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА - Авторефераты, диссертации, конференции
 

Pages:   || 2 |

«РАЗВИТИЕ МЕТОДОВ И СРЕДСТВ ВИХРЕТОКОВОГО И МАГНИТНОГО КОНТРОЛЯ МЕТАЛЛОПРОКАТА ДЛЯ ОЦЕНКИ ЕГО ОСТАТОЧНОГО РЕСУРСА ...»

-- [ Страница 1 ] --

УДК 620.179.14

На правах рукописи

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, материалов и изделий



АВТОРЕФЕРАТ

диссертации на соискание ученой степени доктора технических наук

Москва – 2014

Работа выполнена в ЗАО «НИИИН МНПО «Спектр», г. Москва

Официальные оппоненты: Шкатов Петр Николаевич доктор технических наук, профессор ФГБОУВПО «Московский государственный университет приборостроения и информатики», кафедра ПР4 Гаврюшин Сергей Сергеевич доктор технических наук, профессор МГТУ им. Н.Э. Баумана кафедра РК9 Покровский Алексей Дмитриевич доктор технических наук, профессор НИУ «Московский энергетический институт», кафедра ЭИ

Ведущая организация: ЗАО НПЦ «Молния»

Защита состоится «03» декабря 2014 г. в 10 часов на заседании диссертационного совета Д 520.010.01 ЗАО «НИИИН МНПО «Спектр»

По адресу: 119048, г. Москва, ул. Усачёва, 35, строение 1.

С диссертацией можно ознакомиться в библиотеке ЗАО «НИИИН МНПО «СПЕКТР»

Автореферат разослан «30» июля 2014 г.

Ученый секретарь диссертационного совета, д. т. н. Н.Р. Кузелев

1.

Общая характеристика работы

Актуальность темы 1.1.

Глобальная урбанизация, свойственная современному миру, неразрывно связана со все возрастающей ролью технического прогресса в жизни человека. Рост уровня жизни и потребления требует постоянного наращивания промышленного потенциала, внедрения новых наукоемких технологий. Мировая экономика поддерживается за счет постоянного увеличения производства. Для удовлетворения современных потребностей постоянно разрабатываются и внедряются все новые материалы на основе углеводородов.

Тем не менее, производство и потребление металлов во всем мире постоянно растет. За последние два десятилетия потребление металлов в мире удвоилось и составляет около 800 млн т в год, а общемировой металлофонд приближается к 8 млрд т. Металлы остаются основными конструкционными материалами, поскольку по своим свойствам, экономичности производства не имеют себе равных в большинстве сфер применения. В настоящее время 72…74% всего национального валового продукта составляет продукция, в производстве которой применялись черные и цветные металлы.

Россия является единственной страной в мире, обеспечивающей свои потребности во всех видах минеральных ресурсов. Важнейшим ресурсом является железная руда. С одной стороны, этот минерал является самым распространенный элементом земной коры, и разведанные мировые запасы оцениваются в 200 млрд т, которых при расчетных темпах использования должно хватить более чем на два века. Разведанные запасы железной руды на территории нашей страны также достаточно велики. С другой стороны прослеживается тенденция к сокращению запасов в традиционных, центрах добычи и переработки металлов. Так в Уральском регионе уже требуется завозить сырье для загрузки металлургических комбинатов, из центральных районов страны, при этом значительно увеличились издержки за счет транспортных расходов и себестоимости тонны породы добытой в тяжелых климатических условиях.

Контроль качества металлопродукции становится все более очевидным способом сбережения ресурсов и наиболее верным с экономической и экологической точек зрения. Гарантированное качество выпускаемой продукции в эпоху глобализации не только делает товары востребованными в конкурентной борьбе мировых производителей, продлевает срок их эксплуатации и экономит невосполнимые природные ресурсы, но и исключая техногенные аварии спасает бесценные человеческие жизни и экологическую среду.

Гонка технологий не могла не затронуть приборы и методы неразрушающего контроля (НК).

Высокий уровень развития промышленности во всем мире неразрывно связан с использованием методов неразрушающего контроля (НК) на всех этапах жизни металлоизделий. На сегодняшний день нет отрасли промышленности, в которой не использовались бы современные методы и средства НК. К шести основным методам контроля в последние годы добавился ряд новых методов совмещающих в себе несколько физических принципов и позволяющих, сохраняя основные достоинства классических методов, значительно расширить область их применения.





Широчайший класс изделий металлопроката подлежит контролю с начальных этапов производства. В дальнейшем, в зависимости от области эксплуатации, изделие из металлопроката может подвергаться периодической диагностике с использованием различных методов НК вплоть до принятия решения о его ненадежности и выводе из эксплуатации.

Важное место среди методов НК, применяемых для контроля изделий, использующих в своей конструкции сортовой, фасонный или листовой металлопрокат, занимают методы вихретокового (ВК) и магнитного контроля (МК). Средства контроля, реализующие в своей конструкции данные методы, обеспечивают высокую надежность при обнаружении поверхностных несплошностей металла, позволяют проводить контроль структуры, и электромагнитных свойств металла объекта контроля (ОК).

Состояние проблемы 1.2.

Благодаря лавинообразному развитию микропроцессорных технологий, приборы, реализующие принципы ВК и МК, перешли на новый качественный уровень. Появилась возможность использовать многоканальные системы контроля, сохранять полученную информацию в полном объеме, а также использовать математический аппарат для постобработки сохраненной информации. На первый план выходят требования по автоматизации контроля от техпроцесса съема информации до документирования результатов контроля.

Разработка методов обработки информации и принятия решения, исключающие влияние человеческого фактора, являются актуальными и востребованными при проведении диагностики металлопроката на этапах производства и на протяжении всего срока эксплуатации.

Недостаточно реализована и задача автоматизации процесса контроля. Требования по сохранению и документированию всех результатов проведенного контроля должны быть реализованы во всех выпускаемых приборах НК, что позволит не только повысить ответственность лиц ответственных за проведение диагностики, но и даст возможность оценивать состояние ОК в динамике на протяжении всего срока его эксплуатации.

В настоящее время в России и за рубежом созданы и внедрены в промышленности различные типы магнитных и вихретоковых дефектоскопов, позволяющих обнаруживать поверхностные трещиноподобные и коррозионные дефекты; структуроскопы и толщиномеры. Эффективные при решении конкретных задач НК приборы каждого из методов не способны оценить общее состояния обследуемого металлоизделия. В том случае, когда при диагностике изделий металлопроката обнаружить корреляцию между результатами различных методов НК не представляется возможным, то для оценки остаточного ресурса металлоизделий и определения срока их безаварийной эксплуатации комплексный подход является единственным логичным продолжением развития НК.

Создание новых и развитие существующих методов оценки остаточного ресурса и риска эксплуатации изделий металлопроката, на основе применения магнитного и вихретокового методов НК являются актуальными и экономически обоснованными научно-техническими задачами.

В современной дефектоскопии требования к процессу контроля непрерывно растут, в связи с чем, увеличивается объем обрабатываемых данных. По этой причине, задача совершенствования приборов и средств НК с использованием современной и высокопроизводительной вычислительной техники остается актуальной и сегодня.

В связи с этим настоящая работа посвящена развитию методов и средств вихретокового и магнитного контроля металлопроката для оценки его остаточного ресурса.

Цель диссертационной работы 1.3.

Цель данной диссертационной работы состоит в совершенствовании теории вихретокового и магнитного методов контроля сортового, трубного и листового металлопроката; повышении достоверности автоматизированного обнаружения дефектов и их идентификации; создании приборов и средств вихретокового и магнитного методов НК для диагностики технического состояния металлопроката и оценки его остаточного ресурса.

Основные задачи диссертационной работы:

1.4.

Для достижения сформулированных целей потребовалось решить следующие задачи:

Провести анализ существующих методов магнитной и вихретоковой дефектоскопии, 1.

выявить их недостатки и определить круг задач по их совершенствованию.

Разработать способ автоматизированного определения образов дефектов, основанных на 2.

алгоритмах, применяющих формализацию образов дефектов с использованием регрессионного анализа;

сверточных нейронных сетей и самообучающихся классификаторов образов дефектов.

Совершенствование методов оценки остаточного ресурса металлопроката с 3.

использованием комплексирования результатов диагностики вихретокового, магнитного и ЭМА методов неразрушающего контроля.

Провести исследования и определить степень влияния локальной области с измененными 4.

магнитными свойствами на трещиностойкость металла ОК.

Провести исследования влияния анизотропии свойств листового металлопроката на 5.

скорость роста трещиноподобных дефектов.

Провести исследование применимости вихретокового контроля для контроля твердости 6.

трубного металлопроката.

На основе предложенных алгоритмов и решений разработать и создать средства 7.

магнитного и вихретокового контроля предназначенные для автоматизированного контроля металлопроката и документирования результатов диагностики.

Научная новизна 1.5.

Разработан алгоритм распознавания формализованного образа дефекта с помощью 1.

стохастической матрицы с использованием регрессионного анализа.

Разработаны алгоритмы распознавания образа дефекта с использованием сверточной 2.

нейронной сети и самообучаемых классификаторов новых образов дефектов, построенных по архитектуре адаптивно-резонансной теории.

Проведены теоретические и экспериментальные исследования, результатом которых стал 3.

алгоритм учитывающий комплексирование результатов диагностики магнитного и вихретокового методов неразрушающего контроля изделий трубного металлопроката.

Теоретическая и практическая значимость работы 1.6.

Предложены и программно реализованы алгоритмы автоматизированного определения образов дефектов с использованием регрессионного анализа; сверточных нейронных сетей и самообучающихся классификаторов бинарной и аналоговой нейронных сетей, построенных по архитектуре адаптивно резонансной теории.

Разработан алгоритм проведения диагностики металлоконструкций и изделий металлопроката с применением комплексирования результатов контроля магнитного и вихретокового методов с целью уточнения результатов расчетов оценки остаточного ресурса ОК, полученного при использовании существующих методик.

Разработан способ контроля твердости поверхностей газопроводных труб для морских переходов марки Х65 с переменным рабочим зазором вплоть до 7 мм без потери чувствительности.

Методология и методы исследования 1.7.

В работе используются аналитические, экспериментальные и численные методы исследования.

При разработке метода формализации образа дефекта используется регрессионная фильтрация, статистический анализ. При разработке нейронных сетей классификаторов применена архитектура адаптивной резонансной теории.

При проведении исследований применялись вихретоковый, магнитный, магнитопорошковый и электромагнитно-акустический методы неразрушающего контроля. Применен расчет оценки малоцикловой долговечности по критерию зарождения трещины из уравнения Менсона – Коффина.

Степень влияния областей подверженных стресс-коррозии исследовалась с использованием магнитной структуроскопии и разрушающего метода исследования скорости роста трещин с использованием симметричного цикличного нагружения.

Положения, выносимые на защиту 1.8.

Способ автоматизированного определения дефектов с применением формализации их 1.

образов с использованием регрессионного анализа;

Предложены подходы к построению и алгоритмы сверточной нейронной сети для 2.

выделения образов дефектов из массива данных, полученных при сканирования поверхности металлопроката и самообучающихся бинарной и аналоговой нейронных сетей, построенных по архитектуре адаптивно резонансной теории АРТ-1 и АРТ-2.

Методика оценки остаточного ресурса участков трубного металлопроката после 3.

проведения ремонтных работ на участках с дефектами типа стресс-коррозия и общее коррозионноэрозионное поражение с изменением коэрцитивной силы металла.

Предложены подходы к конструированию автоматизированных систем вихретокового, 4.

магнитного и ЭМА контроля.

Концепция построения вихретоковых дефектоскопов, позволяющих контролировать как 5.

поверхностные, так и внутренние дефекты в изделиях из ферромагнитных материалов.

Практическая значимость и реализация результатов работы 1.9.

Разработан и внедрен вихретоковый дефектоскоп ВД-41П предназначенный для проведения автоматизированного вихретокового контроля.

Разработана и внедрена система вихретокового контроля ВД-41П-ф для контроля ферромагнитных труб и прутков.

Разработана автоматизированная система вихретоковой дефектоскопии немагнитных металлов и сплавов ВД-41П-нф.

Разработана многоканальная система вихретокового контроля ВД-41П-н15.

Разработана программируемая роботизированная система для проведения неразрушающего контроля изделий сложной формы.

Разработан ручной вихретоковый дефектоскоп ВД-90НС и широкополосный сканерпреобразователь для контроля трубопроводов, баков и других протяженных объектов.

Разработан ручной малогабаритный вихретоковый дефектоскоп ВД-93.

Апробация работы 1.10.

Основные результаты работы докладывались на V Международной научно-практической конференции «Фундаментальные и прикладные проблемы приборостроения, информатики, экономики и права» (Москва, 2002); 1-ой Национальной конференции “Методы и средства неразрушающего контроля и технической диагностики” (Молдова, Кишинев, 2003); III, VI и VII Международных выставках и конференциях «Неразрушающий контроль и техническая диагностика в промышленности» (Москва, 2004, 2007, 2008); XV Международной конференции и выставки, «Современные методы и средства неразрушающего контроля и технической диагностики»(Ялта, 2007); 13-ой и 17-ой Международных деловых встречах «Диагностика – 2003» и «Диагностика – 2007» (Сочи, 2003, 2007); III Российской научно-технической конференции “Разрушение, контроль и диагностика материалов и конструкций” (Екатеринбург, 2007); XV международной конференции "Современные методы и средства НК и ТД" (Ялта, 2007); XVIII всероссийской научно-техническая конференции по неразрушающему контролю и технической диагностике (Нижний Новгород 2008); XVII Всемирной конференции и выставке по неразрушающему контролю (Китай, Шанхай, 2008); Международной конференции "Неразрушающий контроль и диагностика – 2009" (Литва, Каунас, 2009); 3-й международной научно-техническая конференции и выставке «Современные методы и приборы контроля качества и диагностика состояния объектов» (Беларусь, Могилев, 2009); X-ой Европейской конференции по неразрушающему контролю (Москва, 2010); XIX Всероссийская Конференция по НК и ТД (Самара, 2011); XVII Всемирной конференции по неразрушающему контролю (Южная Африка, Дурбан, 2012); XX Всероссийской научно-технической конференции по НК и ТД (Москва, 2014); 5-я Международной научно-технической конференции и выставке «Современные методы и приборы контроля качества и диагностики состояния объектов», (Республика Беларусь, Могилев, 2014); XI-ой Европейской конференции по неразрушающему контролю (Чехия, Прага, 2014).

По материалам диссертации опубликовано 47 печатных работ, в том числе 1 монография, 15 статей в изданиях из списка ВАК (журналы «Дефектоскопия», «Контроль. Диагностика»). На технические решения, реализованные в разработанных вихретоковых средствах контроля и намагничивающем устройстве, получены 1 патент РФ на изобретение и 6 патентов РФ на полезную модель.

Разработанный вихретоковый дефектоскоп ВД-90НП занял 1-е место в конкурсе «ИННОВАЦИЯ 2009», проводившемся в рамках VIII Международной выставки и конференции NDT-2009 и награжден золотой медалью IX-го международного форума «Высокие технологии XXI века».

Структура и объем работы 1.11.

Диссертационная работа состоит из введения, 5-и глав, основных выводов и рекомендаций, библиографического списка использованной литературы, включающего 257 наименований.

Объем работы составляет 237 страниц, включая 7 таблиц и 66 иллюстраций.

2. Содержание работы Во введении приведено обоснование актуальности выбранной темы диссертации, сформулированы цель работы и задачи исследований, отражена научная новизна и показана практическая ценность работы.

В первой главе проведен литературный обзор и анализ развития и современного состояния теоретических и экспериментальных исследований в области магнитной и вихретоковой дефектоскопии.

Среди ученых и инженеров, внесших своими исследованиями и разработками существенный вклад в развитие магнитного и вихретокового методов неразрушающего контроля, В.В. Клюев, В.Ф. Мужицкий, Ю.К. Федосенко., В.Е. Шатерников, А.Б. Сапожников, Ю.М. Шкарлет, А.Л. Дорофеев, П.И. Беда, В.Г. Герасимов, М.Н. Михеев, Э.С Горкунов, В.Е. Щербинин, П.Н. Шкатов, Н.Н. Зацепин, В.В. Сухоруков., Г.С. Шелихов, В.В. Власов, А.Н. Коваленко, Р.В. Загидулин и др., а также иностранные ученые Ф. Фёрстер, Г. Строп, К. Шеболд.

Рассмотрены существующие методы и приборы магнитного и вихретокового контроля направление и основные тенденции развития на основании продукции мировых лидеров в области НК.

Исследованы вопросы применимости методов численного решения краевых задач электродинамики для выполнения проектов и интерпретации измерений и уровень развития их программной реализации.

Из анализа современного уровня теоретических и практических исследований, сделаны нижеследующие выводы. 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 и риска эксплуатации показывает целесообразность дальнейшего усовершенствования методик более точного обнаружения дефектов изделий на ранней стадии эксплуатации. Оценка остаточного ресурса при использовании таких методик характеризуется применением большого числа многофакторных зависимостей. Модели изнашивания для оценки остаточного ресурса изделий, применяемые сегодня, в большинстве случаев являются статическими.

Загрузка...

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 низкую погрешность и повторяемость получаемых измерений, надежность и быстродействие. Сегодняшние требования, предъявляемые к оборудованию, основываются на потребности в максимально возможной автоматизации процесса контроля, документировании его результатов.

Вторая глава посвещена разработке автоматизированных методов определения образов дефектов, основанных на алгоритмах, применяющих формализацию образов дефектов с использованием регрессионного анализа; сверточных нейронных сетей и самообучающихся бинарной и «аналоговой»

нейронных сетях классификаторов, построенных по архитектуре адаптивно резонансной теории АРТ-1 и АРТ-2.

Диагностика металлопроката с использованием методов неразрушающего контроля (НК) 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 случайными действиями персонала. Еще одним явным преимуществом автоматизированного контроля является возможность координатной привязки результатов измерений к ОК. Точная привязка позволяет сопоставлять данные о состоянии ОК полученные при: различных режимах контроля и при 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, 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.

Полученные при проведении дефектометрии ОК результаты измерения 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.

Разработан метод формализации образа дефекта.

–  –  –

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;

Ki,l – алгебраическое дополнение элемента ki,l (l=1,2…n-1) ковариационной матрицы.

Операция по оценке остаточной дисперсии (од(с,n))2 регрессии параметра П1 по данным матрицы (2) определяется по следующей формуле:

–  –  –

, (9) (

–  –  –

где V/2 = Z+1.

Доверительный интервал стандартного отклонения остаточной дисперсии с вероятностью доверия равной РД = Рmax- Рmin определяется формулой:

–  –  –

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) 5 41 35 0,00162 14,5 0,9978 62,5 0,595 1,240 0,645 33 8,37 10 100 89 0,00143 55 0,9977 131 0,742 1,145 0,403 87 13,34 30 270 239 0,00153 179 0,9977 304 0,814 1,061 0,247 237 21,87

–  –  –

Рис. 1. Алгоритм работы модуля определения образа дефекта с использованием регрессионной фильтрации Во второй главе также представлен разработанный способ автоматизированного анализа данных диагностики металлопроката с использованием сверточной нейронной сети. Показаны подходы, реализующие применение технологии нейронных сетей, применительно к задачам определения образов дефектов.

Исходными данными для метода поиска дефектов по их образу являются матрицы значений параметров контроля с координатной привязкой к контролируемому объекту. Приведены методики получения матриц данных для каждого из использованных методов НК – вихретокового, магнитопорошкового, магнитного, рентгеновского и ЭМА, отличающиеся размерностью, уровнем дискретизации и представлением. При проведении комплексного контроля изделий трубного, листового и сортового металлопроката формируется многомерная база данных измерений различных параметров.

Разработанный метод автоматизированного определения дефекта по его образу предполагает использование с приборами НК разработанными в ЗАО «НИИИН МНПО «Спектр».

Магнитный метод НК: магнитометр дефектоскопический МФ-23ИМ при измерений нормальной и тангенциальной составляющих магнитного поля;

магнитный структуроскоп МС-10, предназначенный для измерения магнитных свойств материала ОК, и определения степени их анизотропии.

ЭМА метод: электромагнитно-акустический толщиномер ЭМАТ-100. К особенностям входной матрицы данных диагностики этого метода относится шаг контроля, определяемый требованием к минимальному размеру несплошности или утонению, выявляемому при проведении толщинометрии, а также характерный для данного типа контроля резкий градиент информации от ОК.

Данные, полученные при проведении рентгеновской толщинометрии, представляют собой массив точек, значение которых определяется RGB форматом представления цифровой информации. Для метода характерно одномерное представление информации, поскольку она может быть представлена в градациях серого цвета, т.е. данные по трем каналам цветности совпадают.

Магнитопорошковый контроль: Данные этого метода НК, в зависимости от применяемого типа магнитного порошка (черный, цветной, флуоресцентный), для использования с предложенным методом обработки образов дефектов могут быть представлены в различных вариантах. От бинарной матрицы, до многомерного информационного поля, состоящего из данных каждого канала цветности RGB формата.

Вихретоковый контроль. Разработаны вихретоковые дефектоскопы, позволяющие в автоматическом режиме представлять результат контроля в виде изменения фазы сигнала: ВД-90НП, ВД-93, ВД-12НФП, – вихретоковые дефектоскопы представляющие результат контроля в виде временной развертки; ВД-91НМ, ВД-92НП – вихретоковые дефектоскопы представляющие информацию о результате проведенного контроля в виде временной развертки сигналов соответствующих изменению амплитуды и фазы измерительной катушки ВТП; ВД-41П, ВД-87НСтМ – вихретоковый дефектоскопы представляющие результаты контроля на комплексной плоскости.

Библиотеки образов, используемые с каждым из приборов, отличаются, однако алгоритм обработки данных и структура сети остается практически неизменной для каждого из вышеперечисленных методов и приборов НК.

Для построения нейронной сети выявления образов дефектов можно использовать сверточные сети, позволяющие устранить недостатки наиболее распространённой на сегодняшний день архитектуры нейронных сетей типа многослойный персептрон.

Данный подкласс 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, снимков трехмерных объектов и номеров домов на улице.

К преимуществам данной архитектуры относится:

­ Локальное восприятие - что подразумевает, что на вход нейрона подается не весь массив входных данных или данных с выхода предыдущего слоя, а только некоторая область данных.

­ Разделяемые веса - данная концепция позволяет для большого количества связей использовать одинаковые весовых коэффициенты, что значительно сокращает число используемых параметров.

­ Субдискретизация, позволяющая добиться частичной инвариантности к масштабу.

Архитектура сверточной сети в общем виде представлена на рисунке 2. Ее особенность в том, что она может быть упрощена практически без значимого снижения качества распознавания образов дефектов. Упрощение производится путем уменьшения числа слоев. Для этого производится объединение сверточного слоя и слоя субдискретизации.

Рис. 2. Структура нейронной сети: входной слой, два слоя свертки и два слоя классификации Исходными данными исследуемой нейронной сети является часть входного массива данных размером 33 на 9 элемента. Размер входного массива 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.

Первый скрытый слой является слоем свертки. Согласно расчетам Симарда (Simard) 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. 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.

Особенность разработанной сети заключается в том, что значение смещений и весовых коэффициентов является постоянной для всех 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. Принцип построения второго слоя свертки (третьего слоя нейронной сети) аналогичен первому слою свертки.

Каждый элемент в карте признаков связан с областями по одной от каждой карты признаков первого слоя.

Два сверточных слоя предназначены для определения признаков образов дефектов в исходном массиве данных. Остальные два слоя сети являются классификационными (рис. 2).

Нейроны четвертого скрытого и пятого выходного слоев сверточной нейронной сети связаны с каждым нейроном предыдущего слоя. Четвертый слой состоит из 70 нейронов, каждый из которых связан со всеми элементами карт предыдущего слоя.

Выходной слой нейронной сети состоит из нейронов соответствующих образам дефектов.

Число связей и обучаемых параметров равно:

Принцип работы данной сети в своей основе аналогичен принципу работы многослойного персептрона (рисунок 3).

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:

,, (15) где — выход i-го нейрона n-го слоя, — скалярное произведение между входным вектором сигналов и вектором весов, — функция активации, — весовой коэффициент между j-ым нейроном (n-1)-го слоя и i-ым нейроном n-го слоя.

Для удобства записи формул смещения каждого нейрона принимается равным 1, а весовой коэффициент обозначается через В качестве функции активации для скрытых слоев сети была выбрана сигмоидальная функция – гиперболический тангенс:

(16) где y – скалярное произведение на входе нейрона; A и S – числовые коэффициенты. Эмпирическим путем установлено, что оптимально принять A = 1,716, S = 2/3; x = f(y) – значение возбуждения на его выходе, 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. Для нейронов составляющих выходной слой сети также применяется сигмоидальная функция – гиперболический тангенс.

Сверточная нейронная сеть имеет значительно меньше обучаемых параметров и практически лишена 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, учитывающий особенности собственной архитектуры сверточной сети.

В ходе реализации обратного распространения ошибка выходного слоя может быть выбрана в виде различных функций, В данном алгоритме была применена функция ошибки по среднеквадратичному отклонению из-за ее универсальности:

(17) где M — количество нейронов выходного слоя, k — номер выходного нейрона, xk — реальное значение выходного сигнала нейрона,dk — ожидаемое значение.

Для обучения сети применен стандартный алгоритм градиентного спуска.

Коррекция весов осуществлялась следующим образом:

( ), (18)

–  –  –

где — выход j-го нейрона (n-1)-го слоя, — скалярное произведение всех выходов нейронов (n-1)-го слоя и соответствующих весовых коэффициентов.

( )

–  –  –

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

–  –  –

Рис. 3. Алгоритм определения образа дефекта с использованием сверточной нейронной сети 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. 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 Rдефект; параллельные трещины; цилиндрический малый дефект; овальный сегмент. Первые четыре типа образов относятся к трещиноподобным дефектам. Еще 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, магнитного, магнитопорошкового, рентгеновского методов неразрушающего контроля была разработана автоматизированная система, реализующая модифицированную архитектуру четырехслойной сверточной сети без слоев субдискретизации. Несмотря на упрощение структуры сети, были показаны достаточно неплохие результаты, однако, в процессе выделения образов дефектов из массива исходных данных образуется класс матриц, именуемых библиотекой новых образов, который априори относит область исходных данных, им соответствующую к дефектной области. Таким образом, возрастает количество ошибок второго рода, но исключается возможность пропуска дефекта при автоматическом выделении образа дефекта.

Архитектура сверточных нейронных 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 соответствующих 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.

Практическое применение нейронных сетей показывает, что какими бы качественными не были признаки инвариантные к различным пространственным искажениям, необходимо применять и другие преобразования для достижения максимальной надежности распознавания образов дефектов.

Использование таких преобразований дает улучшение 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.

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.

Сеть позволяющая использовать новый тип образов должна обладать свойствами 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.

Требования стабильности и пластичности в общем случае являются противоречащими друг другу. К классу сетей позволяющих решить данную дилемму относится Нейронные сети адаптивной резонансной теории (Adaptive Resonance Theory=ART).

Сеть состоит из четырех типов элементов рисунок 4: слой сравнения Fi; слой распознавания Fj;

весовые матрицы Wji, Wij; коэффициенты усиления: ключи - g1, g2 и сброс R.

–  –  –

Алгоритм работы бинарной сети классификатора.

Априори значение нейрона ключа g1 принимается равным единице.

Входной двоичный образ X поступает на слой сравнения, который первоначально пропускает его без изменения, при этом выходной вектор слоя сравнения C = X.

Каждый из нейронов слоя весовых матриц имеет три двоичных входа - сигнал от соответствующей компоненты образа X, сигнала от нейрона ключа и сигнал обратной связи из слоя распознавания P. В начале работы сети сигнал Р принимается равным нулю. Для активации нейрона, находящегося в слое сравнения необходимым условием является наличие двух ненулевых сигналов на его входах (39). В начальный момент это условие активации выполняется сигналом с ключа g1 и активными компонентами вектора X.

Слой сравнения осуществляет сравнение выхода слоя распознавания Fj с текущим входом (входным образом) Х. Для этого входной образ Х преобразуется сначала в образ С, который затем передается на весовую матрицу Wij действительных чисел. В начале расчета коэффициент усиления (gain) g1 равен 1. На выходе слоя распознавания Fj рассчитывается так называемый ожидаемый образ Р или типичный представитель (прототип, стереотип) для класса образов, к которому отнесен образ С.

В процессе обучения (точнее самообучения) сети составляющие С определяется на основе правила:

{ (21) или: nm-я компонента вектора C принимает значение единица, если по крайней мере две из трех следующих переменных приняли значение 1: коэффициент усиления g1 (для всех нейронов одинаков);

nm-я компонента хnm входного вектора Х; nm-я компонента рnm ожидаемого вектора P (взвешенная сумма выходов слоя распознавания).

Слой распознавания сопоставляет каждому входному образу соответствующий класс. Если для входного вектора не удается найти достаточно близкий класс из числа уже выявленных, то открывается (образуется) новый класс.

Класс, представляемый j-м нейроном слоя распознавания и наиболее близкий ко входному вектору Х или вектору С, определяется следующим образом:

{ ( )} (22) где C*Wk - скалярное произведение векторов C* и Wk.

При победе нейрона j слоя распознавания, действительный весовой вектор Wj=(w1j, w2j,..., wmj).

Компоненты вектора Р на выходе слоя распознавания определяются при этом следующим образом:

{ (23) то есть Рj=1, если скалярное произведение весового вектора Wj и вектора С максимально.

В сети используются две весовые матрицы:

Действительная матрица Wij предназначенная для расчета степени соответствия шаге распознавания образа;

Бинарная матрица Wji: предназначенная для проверки степени корректности классификации входного образа с помощью действительная матрицы Wij.

В бинарной сети классификаторе используются два ключа с коэффициентами усиления g1 и g2.

Они использованы для синхронизации работы нейросети. g1 принимает значение 1, если по меньшей мере одна составляющая входа Х имеет значение 1 и одновременно ни один нейрон слоя распознавания не находится в состоянии 1.

g2 реализует логическое ИЛИ для входного образа.

g2=1, если хотя бы одна составляющая входного образа равна 1:

«Сброс» – функция сети принимающая значение R=1 при появлении нейрона («победителя») слоя распознавания reset-составляющая равна 1, если различие входного образа Х и образа С превышает некоторый заданные порог.

Алгоритм работы бинарной нейронной сети классификаторе представлен на рисунке 5. Нейрон сброса осуществляет функцию определения: достаточен ли набор критических черт для окончательного отнесения образа X к категории нейрона-победителя, который определяет сходство между векторами X и C.

Выход R нейрона сброса определяется отношением числа единичных компонент в образе сравнения к числу единичных компонент исходного образа X. Если это отношение ниже некоторого определенного уровня сходства, нейрон выдает сигнал сброса. Сигнал сброса сообщает сети, уровень резонанса образа X имеет недостаточное число общих черт с данной категорией для причисления его к нему. Условием возникновения сигнала сброса R является соотношение:, где – параметр соответствия.

Представленная выше бинарная сеть-классификатор относится к нейронным сетям типа АРТ-1 и применима только к работе с битовыми образами. Это ограничение преодолевается использованием сети класса АРТ-2. Основной отличительной чертой нейронной сети АРТ-2 является возможность работы с аналоговыми величинами. Кроме того, в сравнении с нейронными сетями класса АРТ-1 в архитектуре сети сделаны изменения, позволяющие отдельным ее подсистемам выполнять свои функции не синхронно, что является дополнительным преимуществом при аппаратной реализации такой сети. Сети с архитектурой АРТ-2 применяются для распознавания движущихся образов. Успешные эксперименты выполнены в Массачусетском Технологическом Институте (MIT).

–  –  –

Рис. 6. Алгоритм обучения и функционирования «аналоговой» сети классификатора Результатом работы сети, как и в случае, бинарной нейронной сетью классификатором, является либо номер нейрона-победителя, прошедшего проверку на близость, т.е. факт распознавания образа и его отнесения к уже известному классу, либо сообщение об отсутствии класса для данного образа и создание нового класса образов дефектов.

При сравнении поступившего образа с образами уже признанными и классифицированными сетью по шаблону критических черт класса, в ряду классов происходит возбуждение одного из нейронов распознающего слоя. Наибольшее совпадение с одним из образов относит его к его классу. Если степень похожести образа не превышает порогового значения ни одного из классифицирующих категорий, то для него формируется новый класс. Для описания нового класса вводится в сеть новый, ранее не задействованный нейрон в слой распознавания. С этого момента новый класс, как и все прежние, подлежит модификации и уточнению следующими поступающими образами, формируя свою карту критических признаков образа.

Третья глава посвящена разработке методов расчета остаточного ресурса и предельного срока эксплуатации металлопроката по критериям остаточной толщины и трещиностойкости с учетом влияния областей с измененной коэрцитивной силой подверженных стресс-коррозионному растрескиванию.

Предложен алгоритм проведения диагностики металлоконструкций и изделий металлопроката с применением взаимодополняющих методов НК с целью уточнения результатов оценки остаточного ресурса ОК, полученного при использовании существующих методик, включающий расчеты остаточного ресурса металлопроката с учетом минимальной остаточной толщины стенок ОК, подверженных общей коррозии и/или износу; и расчет остаточного ресурса металлопроката по характеристикам трещиностойкости.

Алгоритм процедуры контроля Этап №1. На первом этапе производится анализ технической документации, условий эксплуатации и рассматриваются факторы, влияющие на снижение надежности ОК. Определяются справочные данные по материалу ОК, марка, химический состав, прочностные характеристики материала; условия и среда эксплуатации, режимы работы, расчетные нагрузки и т.д. Рассматриваются критерии предельного состояния и механические характеристики, такие как: предел текучести; предел прочности; твердость; трещиностойкость; пределы выносливости, длительной прочности и т.д.;

коэффициенты запаса прочности для пределов прочности и текучести, трещиностойкости, устойчивости, при расчетах на циклическую прочность по числу циклов или напряжениям.

Этап №2. Оперативная функциональная диагностика ОК. Целью проведения оперативной диагностики является получение данных о техническом состоянии ОК, его технологических параметрах и условиях взаимодействия с окружающей средой. На этом этапе проводится регистрация режимов работы ОК и показателей техпроцесса (температура, давление, вибрации и т.д.). Производится регистрация всех перечисленных параметров для сравнения со справочными и расчетными с целью внесения поправок в базу данных накопленных на первом этапе и отличающимися от реальных.

Этап №3. Экспертное обследование. Цель экспертного обследования – получение максимально полной, на момент контроля, информации о техническом состоянии ОК, т.е. поиск и классификация повреждений, выявлении причин и механизмов их возникновения и развития. Этот этап наиболее интересен, поскольку на нем используется максимальное количество средств и методов НК, а так же проводится сбор информации для проведения расчета остаточного ресурса. ОК Первым проводится визуальный контроль. Его цель выявить крупные дефекты, такие как вмятины, царапины, вырывы, оплавления, вмятины и выпучины, кратеры, газовые поры, непровары, прожоги, раковины, дефекты геометрии. Большинство таких дефектов являются нетрещиноподобными, но могут стать дислокациями напряжений, что, в свою очередь приводит к зарождению трещин и может стать причиной значительного снижения срока службы ОК.

Обязательным является проведение толщинометрии ОК. Наилучшие результаты достигаются при использовании ЭМА толщиномеров. Основной отличительной особенностью этого типа приборов, является возможность их использования по корродированной поверхности или через диэлектрическое покрытие. Объем проводимых измерений определяется по методикам проведения контроля и зависит от требуемой погрешности оценки и наличия дефектов. Используя ЭМА-толщиномеры возможно обнаружить вырывы, оплавления, вмятины и выпучины, кратеры, газовые поры, неметаллические включения, непровары, прожоги, коррозионные и эрозионные поражения.



Pages:   || 2 |
Похожие работы:

«Лебедев Кирилл Сергеевич Разработка метода и инструментальных средств создания приложений для системы управления содержанием веб-сайтов Специальность 05.13.11 – Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей АВТОРЕФЕРАТ диссертации на соискание учёной степени кандидата технических наук Иркутск 2008 Работа выполнена на кафедре Автоматизированных систем Иркутского государственного технического университета Научный руководитель:...»

«Аро Хабиб Олалекан СИНТЕЗ РОБАСТНЫХ АЛГОРИТМОВ УГЛОВОЙ СТАБИЛИЗАЦИИ МЕТЕОРОЛОГИЧЕСКОЙ РАКЕТЫ Специальность 05.13.01 «Системный анализ, управление и обработка информации (в технике и технологиях)» Автореферат диссертации на соискание ученой степени кандидата технических наук Санкт-Петербург Работа выполнена на кафедре компьютерного проектирования аэрокосмических измерительно-вычислительных комплексов в СанктПетербургском государственном университете аэрокосмического...»

«БОЛДЕНКОВ ЕВГЕНИЙ НИКОЛАЕВИЧ РАЗРАБОТКА И ИССЛЕДОВАНИЕ ОПТИМАЛЬНЫХ АЛГОРИТМОВ ОБРАБОТКИ СИГНАЛОВ В АППАРАТУРЕ СПУТНИКОВОЙ НАВИГАЦИИ Специальность 05.12.14 — Радиолокация и радионавигация Автореферат диссертации на соискание учёной степени кандидата технических наук Москва — 2007 Работа выполнена на кафедре радиотехнических систем Московского Энергетического института (ТУ). Научный руководитель: доктор технических наук, профессор Перов Александр Иванович Официальные оппоненты:...»

«Литманович Андрей Михайлович Исследование и разработка оптико-электронных информационноуправляющих систем на основе метода теневой локации. Специальность: 05.13.06 „„Автоматизация и управление технологическими процессами и производствами (в приборостроении) Автореферат диссертации на соискание ученой степени кандидата технических наук Москва – 2012 г. Работа выполнена на кафедре «Системы автоматического управления и контроля» национального исследовательского университета...»

«АЛИМУРАДОВ Алан Казанферович АЛГОРИТМЫ И УЗЛЫ ОБРАБОТКИ РЕЧЕВЫХ КОМАНД ПОДСИСТЕМ ГОЛОСОВОГО УПРАВЛЕНИЯ ИНФОРМАЦИОННОИЗМЕРИТЕЛЬНЫХ И УПРАВЛЯЮЩИХ СИСТЕМ Специальность 05.11.16 – Информационно-измерительные и управляющие системы (приборостроение) Автореферат диссертации на соискание ученой степени кандидата технических наук ПЕНЗА 2015 Работа выполнена на кафедре «Информационно-измерительная техника и метрология» Федерального государственного бюджетного образовательного...»

«ТХАН ЗО У ИССЛЕДОВАНИЕ МЕТОДОВ СНИЖЕНИЯ ИНФОРМАЦИОННОЙ НАГРУЗКИ НА ОПЕРАТОРОВ ДИСПЕТЧЕРСКИХ СИСТЕМ Специальность 05.13.01. Системный анализ, управление и обработка информации (в приборостроении) АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Москва 2013 Работа выполнена на кафедре «Вычислительная техника» в Национальном исследовательском университете «МИЭТ». Научный руководитель кандидат технических наук, профессор Лупин Сергей Андреевич....»

«АУНГ СО ЛВИН ИССЛЕДОВАНИЕ И РАЗРАБОТКА БОРТОВЫХ ИНФОРМАЦИОННО-ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ УПРАВЛЕНИЯ ПАРАМЕТРАМИ ДВИЖУЩИХ ОБЪЕКТОВ Специальность 05.13.06 – Автоматизация и управление технологическими процессами и производствами (в приборостроении) АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Москва 2013 Работа выполнена на кафедре «Системы автоматического управления и контроля в микроэлектронике» Национального иследовательского унивеситета «МИЭТ»...»

«ФРОЛОВ Михаил Алексеевич ЕМКОСТНЫЕ ДАТЧИКИ ДАВЛЕНИЯ С ПОВЫШЕННОЙ НАДЕЖНОСТЬЮ ДЛЯ ИНФОРМАЦИОННОИЗМЕРИТЕЛЬНОЙ И УПРАВЛЯЮЩЕЙ СИСТЕМЫ ДВИГАТЕЛЬНОЙ УСТАНОВКИ Специальность 05.11.16 – Информационно-измерительные и управляющие системы (приборостроение) Автореферат диссертации на соискание ученой степени кандидата технических наук ПЕНЗА 2015 Работа выполнена в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Пензенский...»









 
2016 www.konf.x-pdf.ru - «Бесплатная электронная библиотека - Авторефераты, диссертации, конференции»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.