Содержание к диссертации
Введение
Глава 1. Применение методов анализа данных в задачах управления, контроля и диагностики АЭС 10
1.1. Методы обработки и анализа данных в системах управления АЭС 10
1.2. Системы технической диагностики 17
1.3. Автоматизированный анализ результатов неразрушающего контроля оборудования 21
1.4. Выводы к главе 1 22
Глава 2. Разработка алгоритмов анализа данных с использованием метода опорных векторов 24
2.1. Линейная классификация данных методом опорных векторов (SVM) 24
2.2. Обобщение метода SVM на нелинейный случай 33
2.3. Метод SVM с мягкой границей 38
2.4. Программная реализация алгоритмов анализа данных на основе метода SVM 42
2.5. Выводы к главе 2 44
Глава 3. Автоматизированный анализ результатов радиографического контроля сварных соединений оборудования АЭС 45
3.1. Постановка задачи 45
3.2. Выделение области сварного шва 48
3.3. Выделение служебных объектов на снимке 48
3.3.1. Сегментация снимка 48
3.3.2. Выделение объектов с использованием метода кратчайшего незамкнутого пути 50
3.4. Автоматическое выявление дефектов сварных соединений . 53
3.4.1. Кластерный анализ изображения сварного шва 53
3.4.2. Распознавание дефектов с использованием метода опорных векторов 64
3.5. Влияние параметров снимка на качество выявления дефектов . 66
3.6. Выводы к главе 3 66
Глава 4. Автоматизированный анализ результатов ультразву кового контроля сварных соединений оборудования АЭС 70
4.1. Система полуавтоматизированного ультразвукового контроля сварных соединений трубопроводов АЭС 70
4.2. Постановка задачи 75
4.3. Исходные данные 76
4.4. Предобработка данных 77
4.5. Раздельный анализ сигналов 79
4.5.1. Автоматическое определение порогов выявления дефектов 79
4.5.2. Предсказание значений порогов выявления дефектов . 80
4.5.3. Определение координат дефектов 81
4.5.4. Голосование оценок координат дефектов 84
4.6. Отбор признаков и формирование обучающей выборки 85
4.7. Автоматическое выявление дефектов сварных соединений . 86
4.7.1. Кластерный анализ сигналов 86
4.7.2. Автоматическая поточечная классификация данных с использованием метода опорных векторов 93
4.7.3. Балансировка обучающей выборки 96
4.8. Пост-обработка результатов поточечной классификации 99
4.8.1. Комбинирование результатов классификации для разных наборов признаков 99
4.8.2. Оценка плотности распределения для результатов классификации 101
4.9. Программная реализация алгоритмов автоматизированного анализа 103
4.10. Выводы к главе 4 103
Заключение 108
Литература 109
- Методы обработки и анализа данных в системах управления АЭС
- Линейная классификация данных методом опорных векторов (SVM)
- Выделение объектов с использованием метода кратчайшего незамкнутого пути
- Система полуавтоматизированного ультразвукового контроля сварных соединений трубопроводов АЭС
Введение к работе
Актуальность работы. В настоящее время одним из важнейших направлений обеспечения эффективной, надежной и безопасной эксплуатации АЭС является широкое применение методов неразрушающего контроля сварных соединений оборудования. Для достижения высокой точности выявления дефектов и оценки их параметров, уменьшения времени проведения контроля и снижения требований к квалификации оператора используются системы автоматизированного анализа результатов контроля.
Для анализа данных в таких системах наиболее часто используются различные методы распознавания образов, использующие в качестве исходной информации предварительно классифицированные обучающие выборки. При этом мало внимания уделяется исследованию структуры данных, объективно отражающей наличие или отсутствие дефектов в объекте контроля, что может быть выполнено с помощью методов кластерного анализа. Также не исследована возможность применения для решения данной задачи таких алгоритмов распознавания образов, как методы опорных векторов (SVM — Support Vector Machines), которые во многих случаях значительно превосходят по эффективности традиционные методы классификации.
Таким образом, актуальными являются задачи, связанные с разработкой алгоритмов автоматизированного анализа результатов неразрушающего контроля сварных соединений оборудования АЭС, основанных на использовании кластерного анализа и метода опорных векторов с целью дальнейшего повышения эффективности выявления дефектов.
Цель диссертации — разработка методик и алгоритмов распознавания дефектов сварных соединений оборудования АЭС по результатам радиографического и ультразвукового контроля.
Для достижения поставленной цели были решены следующие задачи:
Разработка методов решения задач системного анализа и обработки информации применительно к автоматизированному анализу результатов неразрушающего контроля, основанных на совместном применении кластерного анализа и метода опорных векторов.
Разработка метода решения задач обработки информации и принятия решений при автоматизированном анализе результатов ультразвукового контроля, основанного на пост-обработке результатов поточечной классификации данных путем оценивания функции плотности распределения.
Разработка специальрюго математического и программного обеспечения для анализа, обработки, визуализации информации и принятия решений по результатам неразрушающего контроля сварных соединений оборудования АЭС.
Научная новизна работы
Впервые предложен и обоснован метод автоматической сегментации радиографических снимков, основанный на анализе распределений яркости, непосредственно не привязанных к элементам изображения, и использовании кластерного анализа.
Впервые разработана унифицированная методика автоматического распознавания дефектов сварных соединений по результатам неразрушающего контроля, основанная на совместной обработке сигналов с использованием кластерного анализа и метода опорных векторов.
Впервые предложен и обоснован метод пост-обработки результатов поточечной классификации данных, основанный на оценивании функции плотности распределения результатов классификации.
Практическая ценность работы
Разработано программное обеспечение «SVMClass» для классификации результатов неразрушающего контроля оборудования АЭС на основе методов опорных векторов.
Разработаны и реализованы в составе программного обеспечения «Xrays» эффективные алгоритмы для автоматизированного анализа результатов радиографического контроля сварных соединений оборудования АЭС. Применение разработанных методов позволяет повысить качество контроля сварных соединений и сократить временные затраты на его проведение.
Разработаны алгоритмы автоматизированного анализа данных ультразвукового контроля сварных соединений трубопроводов АЭС, реализованные в составе системы «УЗК-Аналитик» и специализированной базы данных. Это дало возможность повысить качество контроля и сократить временные затраты. Результаты используются на Смоленской и Курской АЭС.
На защиту выносятся:
Унифицированная методика автоматического распознавания дефектов сварных соединений оборудования АЭС по результатам неразрушающего контроля, основанная на совместном использовании кластерного анализа и метода опорных векторов для поточечной классификации сигналов.
Метод пост-обработки результатов поточечной классификации данных ультразвукового контроля сварных соединений трубопроводов АЭС, вклю-
чая объединение результатов классификации по различным наборам признаков и оценивание функции плотности распределения.
3. Алгоритмы и программное обеспечение для автоматизированного анализа результатов неразрушающего контроля сварных соединений оборудования АЭС.
Достоверность научных положений. В ходе разработки все результаты проверялись на большом объеме независимых данных, полученных непосредственно в процессе контроля оборудования АЭС. Разработанные методы и алгоритмы подтвердили свою работоспособность при применении на Курской и Смоленской АЭС.
Апробация результатов работы. Основные результаты работы докладывались на международных конференциях:
VIII Международной конференции «Безопасность АЭС и подготовка кадров», Обнинск, 2003 г.;
X Международной научно-технической конференции «Радиоэлектроника, электротехника и энергетика», Москва, 2004 г.;
Международной выставке-конференции «Неразрушающий контроль в промышленности», Москва, 2004 г.;
VII Международной конференции по мягким вычислениям и измерениям SCM'2004, Санкт-Петербург, 2004 г.;
7th International Conference on Pattern Recognition and Image Analysis: New information technologies (PRIA-7-2004), Санкт-Петербург, 2004 г.;
IX Международной конференции «Безопасность АЭС и подготовка кадров», Обнинск, 2005 г.;
X Международной конференции «Безопасность АЭС и подготовка кадров», Обнинск, 2007 г.
Публикации- По теме диссертации опубликовано 14 научных работ, в том числе 4 статьи в научно-технических журналах, 5 публикаций в трудах конференций. По материалам, изложенным в диссертации, получено 4 свидетельства об официальной регистрации программы для ЭВМ и 2 акта о внедрении на Курской АЭС.
Личный вклад автора. Автор принимал непосредственное участие в решении задач, изложенных в диссертации, разработал методики, алгоритмы и программы автоматической обработки данных.
Структура и объем диссертации. Работа состоит из введения, 4 глав и заключения, изложенных на 122 страницах машинописного текста, куда входит 62 рисунка и список используемой литературы, включающий в себя 90 наименований, в том числе 14 работ автора.
Методы обработки и анализа данных в системах управления АЭС
Методы анализа данных начали широко применяться на АЭС относительно недавно, что определяется целым рядом важных факторов. В начальный период развития и строительства первых АЭС (50-60е гг. XX века) реактор, ядерная энергетическая установка и АЭС в целом рассматривались скорее как сложные физические устройства, поведение которых, тем не менее, можно заранее предсказать с помощью расчетов и тем самым исключить возникновение каких-либо внештатных ситуаций и аномалий в процессе эксплуатации. При таком подходе необходимость в сборе обширной эксплуатационной информации с целью ее последующего анализа практически отсутствовала, так как поведение реакторной установки считалось детерминированным в рамках заданных моделей.
Однако по мере развития атомной энергетики стало очевидно, что поведение такой сложной системы как АЭС невозможно точно предсказать на основе теоретических моделей. Это поведение определяется взаимосвязанным протеканием большого количества ядерных, теплогидравлических и прочих процессов и взаимным влиянием большого числа различных факторов, а создать теоретическую модель, которая бы с достаточной точностью описывала поведение такой сложной системы, очень трудно, если вообще возможно. Также необходимо учитывать тот важный факт, что АЭС является человеко машинной системой и, следовательно, необходимо принимать во внимание «человеческий фактор», для чего требуются совершенно иные подходы и методы.
Одним из возможных решений в данной ситуации является постоянный сбор и анализ информации о различных физических параметрах системы, состоянии оборудования и пр. Применяя методы анализа данных, мы можем получить эмпирические модели, описывающие протекание интересующих нас процессов, которые будут намного ближе к реальному состоянию системы за счет явного или неявного учета большого числа влияющих факторов.
Однако для успешной практической реализации данного подхода необходимо хорошее оснащение контрольно-измерительным оборудованием, наличие определенной аппаратной базы и эффективные методы обработки и анализа информации. Поэтому применение методов анализа данных и искусственного интеллекта для решения разнообразных задач, возникающих в процессе эксплуатации АЭС, началось вслед за бурным развитием электронной и компьютерной техники и активными исследованиями в этой области.
В работе [1] приведен всесторонний обзор применения методов искусственного интеллекта для обнаружения отказов оборудования АЭС.-Используемые методы отнесены к трем основым группам: экспертным системам, искусственным нейронным сетям и гибридным системам, использующим оба этих подхода. Так как в первую очередь нас интересуют методы распознавания дефектов и неисправностей оборудования, рассмотрим примеры применения нейронных сетей при решении задач управления и эксплуатации АЭС. Нейронные сети относят как к методам искусственного интеллекта, так и к методам интеллектуального анализа данных (Data Mining). В качестве их основных преимуществ можно указать следующие: Параллельная обработка информации, что позволяет значительно уско рить процесе и обеспечивает большую устойчивость сети к ошибкам; Способность к обобщению, то есть получению обоснованного результата на основании данных, которые не использовались в процессе обучения; Нелинейность; Адаптивность, то есть способность адаптировать синаптические веса к изменениям окружающей среды; Масштабируемость в рамках технологии VLSI (very-large-scale-integrated); Единообразие анализа и проектирования для различных предметных областей. Нейронные сети можно использовать для решения задач аппроксимации, классификации и распознавания образов, прогнозирования, идентификации и оценивания, ассоциативного управления. Важным их практическим отличием от экспертных систем является то, что в большинстве случаев нейронная сеть является «черным ящиком», то есть мы не можем получить в явном виде те правила, в соответствии с которыми было найдено решение, поэтому с помощью данного подхода сложно получить информацию о структуре исследуемых данных. В середине 80-х годов начался очередной этап бурного развития теории искусственных нейронных сетей, спустя несколько лет эта методология стала активно применяться в атомной энергетике для решения самого широкого спектра задач. Например, в работе [2] анализируется возможность применения нейронных сетей для решения таких задач как диагностирование аномальных режимов работы и обнаружение их изменения, проверка достоверности сигналов, контроль различного оборудования, общестанционный контроль с использованием автоассоциативных нейронных сетей, моделирование термодинамических процессов на АЭС, контроль параметров, анализ вибраций. Далее приведем лишь несколько примеров использования данного подхода: Определение реактивности и ранняя индикация изменения скорости теплоносителя в топливных элементах реактора BWR [3]; Моделирование задач нелинейной идентификации в реакторе PWR с помощью многослойной нейронной сети с алгоритмом обратного распространения [4]; Оценка температурного коэффициента реактивности в реакторе PWR с помощью адаптивной нейронной сети с обратным распространением ошибки [5]; Определение осевого положения управляющих стержней по профилю нейтронного потока [6]; Контроль трендов при работе АЭС с помощью рекуррентных нейронных сетей Элмана и Джордана со сбором данных в реальном времени [7].
Линейная классификация данных методом опорных векторов (SVM)
В работе [41] представлена система обнаружения неисправностей с использованием нейронной сети, которая может обнаруживать изменения в спектральных характеристиках измеренных сигналов посредством автономных процессов обучения с учителем. В [42] изучается возможность применения метода многоуровневого моделирования, основанного на методе группового учета аргументов, для нелинейного анализа реакторных шумов, также описывается применение данного метода для искусственных проверочных данных, имитирующих осцилляции мощности в реакторе типа BWR. В [43] представлены результаты разработки методов контроля вибраций, основанных на использовании нейронных сетей. В [44] проведено исследование возможности применения нейронных сетей для распознавания и анализа данных по нейтронным шумам с целью разработки автоматической диагностической системы, приведены ограничения статистических методов распознавания образов, примеры применения нейронных сетей для распознавания аномальных спектров и определения сдвигов резонансов. В работе [45] представлены результаты использования нейронной сети для диагностики вибрации управляющих стержней по флуктуациям нейтронного потока.
Одной из основных является система для диагностирования кипения теплоносителя по акустическим шумам. В работе [46] приведено описание системы акустического контроля для прототипа реактора на быстрых нейтронах в Доунри (Великобритания) и результаты применения методов распознавания образов для выделения сигнала на фоне шума и анализа расположения источников. В [47] описано применение адаптивной нейронной сети для распознавания кипения натрия при высокой зашумленности исходного сигнала, метод был использован для анализа шумов реактора KNS-I (Индия), после чего успешно применен к данным реактора БОР-60. Работа [48] описывает результаты исследований по акустическому контролю парогенераторов с использованием нейронной сети. В [49] представлен адаптивный метод распознавания зашумленных сигналов на АЭС, включающий в себя адаптивный фильтр, блок отбора признаков и нейронную сеть для распознавания предварительно обработанных сигналов.
В работе [50] представлены результаты применения нейронных сетей для решения задачи обнаружения протечек теплоносителя по акустическим шумам на реакторе ВВЭР-440 АЭС Greifswald (Германия). В [51] предлагаются для анализа новые статистические характеристики, полученные из ковариационной матрицы для спектральной плотности мощности шумов, более чувствительные к акустическим сигналам течи натрия в реакторе LMFBR.
Различные методы анализа данных широко применяются и во многих других системах технической диагностики АЭС, таких как, например, система обнаружения свободных и слабозакрепленных предметов и система диагностирования роторного оборудования. Отдельной важной задачей независимо от конкретной системы диагностирования является обнаружение отказа датчиков. В работе [52] представлена система контроля и диагностики для обнаружения и распознавания отказа датчиков и нарушений в работе при наличии шума, изменчивости состояния и многочисленных неисправностей, основанная на использовании методов распознавания образов совместно со статистической проверкой гипотез. В [53] описывается подход к контролю отказов датчиков на АЭС как в стационарном режиме, так и во время переходных процессов, основанный на использовании метода распознавания образов ISODATA, с помощью которого осуществляется управление девятью специализированными нейронными сетями, каждая из которых обучается для конкретного режима работы АЭС. Приведены результаты применения данного метода для реакторов типа BWR. В работе [54] описывается применение для решения задачи диагностирования датчиков Байесовской нейронной сети.
В то время как системы технической диагностики служат для обнаружения отклонений при протекании различных физических процессов и постоянного мониторинга состояния оборудования, для периодической проверки состояния металла используются различные методы неразрушающего контроля. Основными методами, которые широко используются на АЭС, являются ультразвуковой и радиографический. Областью применения методов анализа данных здесь является автоматизированный анализ результатов контроля, с помощью которого повышается качество контроля и уменьшаются временные затраты на его проведение.
В системах ультразвукового контроля, применяемых на российских АЭС, в основном используются методы автоматического выявления дефектов, основанные на превышении сигналом некоторого порогового значения. По мере увеличения числа измерительных каналов и ухудшения условий контроля (высокий уровень шумов, потеря акустического контакта) эффективность данного подхода значительно падает. В многоканальных автоматизированных системах контроля как правило используются только методы фильтрации и визуализации сигналов для наглядного представления оператору, который определяет наличие дефектов в объекте контроля и оценивает их характеристики.
При радиографическом контроле методы анализа данных широко применяются для автоматизированного анализа радиографических снимков и выявления дефектов. При этом наиболее часто используются различные методы цифровой обработки изображений и распознавания образов. Разные подходы к решению данной задачи представлены в работах [55-59].
Выделение объектов с использованием метода кратчайшего незамкнутого пути
Таким образом, каждый вектор Х{ представляет собой распределение яркости вертикального «среза» (профиля) шва. В анализе дан-пых группы точек, похожих между собой и отличающихся от точек в других группах, называются кластерами, а для их нахождения предназначены методы кластерного анализа. В нашем случае проводился кластерный анализ т точек в n-мерном пространстве признаков. Однородность исследуемого множества (отсутствие ярко выраженных кластеров) будет свидетельствовать об однородности распределения яркости вдоль сварного шва, или, другими словами, об отсутствии дефектов. В случае выявления кластеров распределение яркости неоднородно и, наряду с нормальными участками шва, имеются участки, содержащие дефекты, например, трещины. В данном случае выборка данных состояла из 2369 векторов, каждый из которых был задан 223 признаками.
Для проведения дальнейших исследований широко использовалась среда статистических вычислений R [70], которая представляет собой многоплатформенное свободное программное обеспечение с возможностью подключения большого числа специализированных пакетов (библиотек), посредством чего обеспечивается доступ к самым различным методам и алгоритмам прикладной статистики, анализа данных и т.д.
Для проведения кластерного анализа использовались иерархические и итеративные методы. Иерархические методы кластеризации делятся на аг-ломеративные (с объединением) и дивизимные. В первом случае кластеризация осуществляется путем объединения отдельных объектов (точек данных) в кластеры, а во втором — путем разделения групп на отдельные объекты. В данном случае использовался более распространенный агломеративный метод кластеризации [71, 72].
В этом методе на первом шаге каждый объект выборки рассматривается как отдельный кластер. Работа алгоритма сводится к последовательному объединению в кластеры наиболее близких объектов на основании матрицы сходства. Последовательность объединения легко поддается геометрической интерпретации и может быть представлена в виде специального графа, называемого дендрограммой. Многочисленные методы иерархического кластерного анализа различаются используемыми мерами сходства и способами объединения объектов в кластеры (мерами связи).
Для кластерного анализа изображения сварного шва использовались методы полных связей, Уорда, средней связи, одиночной связи, медианной и центроидной связи. Хорошее качество кластеризации было достигнуто при использовании первых трех методов. Их основное отличие заключается в том, что в методе полных связей мера сходства между объектом, включаемым в кластер, и любым из объектов кластера не должна быть меньше некоторого порогового значения, в методе средней связи сравнивается с порогом среднее значение этой меры сходства, а в методе Уорда объекты объединяются в кластеры таким образом, чтобы в итоге сумма квадратов отклонений точек от центра соответствующего кластера была минимальной, таким образом этот метод оптимизирует минимальную дисперсию внутри кластеров.
В качестве меры сходства используются различные метрики пространства признаков, то есть меры расстояния между объектами выборки. В данном случае рассматривались следующие метрики.
Система полуавтоматизированного ультразвукового контроля сварных соединений трубопроводов АЭС
Одной из мер обеспечения эффективной, надежной и безопасной работы АЭС является контроль сварных соединений оборудования и трубопроводов. Результатом применения методов неразрушающего контроля является заключение об отсутствии в контролируемом объекте выявляемых дефектов и его пригодности к дальнейшей эксплуатации. В случае наличия дефектов определяются их местоположение и размеры, после чего производятся необходимые расчеты и делается оценка допустимости данного объекта к эксплуатации. В отличие от систем технической диагностики, контроль металла, как правило, проводится периодически во время планово-предупредительных ремонтов.
В работе АЭС с реакторами РБМК-1000 очень важную роль играют трубопроводы, причем характерной особенностью по сравнению с реакторами типа ВВЭР является очень большая разветвленность коммуникаций. Значительную их часть составляют трубопроводы Ду-300, которые входят в состав контура многократной принудительной циркуляции (опускные и напорные трубопроводы), системы продувки и расхолаживания, системы аварийного охлаждения реактора и ряда других. Состояние этих трубопроводов непосредственно влияет на безопасность работы АЭС.
При этом наиболее важен контроль сварных соединений трубопроводов, так как именно в этих местах под воздействием больших механических напряжений наиболее вероятно развитие трещин, которые могут привести к разрушению конструкции. Основным методом неразрушающего контроля этих объектов является ультразвуковой. В настоящее время для контроля сварных соединений трубопроводов Ду-300 применяются как ручные методы, так и системы автоматизированного контроля. К последним относятся система полуавтоматизированного ультразвукового контроля (ПУЗК), разработанная специалистами Инженерного центра диагностики при НИКИЭТ им. Н.А. Доллежаля, и система «АВГУР» разработки ООО НПЦ «Эхо+» [77]. При этом основной объем контроля выполняется с помощью системы ПУЗК, а система «АВГУР» выступает в качестве средства экспертного контроля. Это обусловлено тем, что вследствие использования другого физического принципа работы (основанного на многочастотной акустической голографии), система «АВГУР» позволяет получать ультразвуковое изображение дефекта и измерять его реальные размеры. Недостатками при этом являются значительное время контроля (порядка 40 минут), большие габариты измерительного блока, высокие требования к квалификации операторов, выносящих заключение о результатах контроля. Все вместе это приводит к тому, что доля системы «АВГУР» не превышает 30-40% от общего объема контроля, включая уточняющий контроль дефектов, выявленных другими методами.
В системе ПУЗК используются традиционные методы ультразвукового контроля (УЗК), вследствие чего с ее помощью можно оценивать только условные размеры дефекта, но при этом она является более компактной и время контроля одного сварного шва не превышает 4 минут. Это позволяет в сжатые сроки осуществлять контроль большей части необходимых объектов (до 80% всех сварных соединений).
Работа системы ПУЗК основана на использовании двух методик ручного УЗК, а именно МЦУ-5-99 [78] и методики МГТУ им. Н.Э. Баумана. Установ ка для проведения контроля состоит из специализированного многоканального импульсного ультразвукового дефектоскопа с блоком записи результатов контроля, сканера с акустическим блоком, трекового устройства фиксации и соединительных кабелей. Для проведения контроля на трубопровод надевается трековое устройство фиксации, на которое устанавливается сканер с акустическим блоком. Затем сканер с помощью мотор-редуктора перемещается вдоль сварного соединения, контролируя материал сварного шва через каждый миллиметр пути, при этом датчик пути измеряет пройденное расстояние. Акустический блок с помощью информационного кабеля соединен с дефектоскопом, на который передается вся полученная в процессе контроля информация. После проведения контроля информация с дефектоскопа переносится на персональный компьютер для дальнейшего анализа [79, 80].
Схема акустического блока представлена на рис. 4.1. Для повышения достоверности и качества УЗК прозвучивание сварного соединения осуществляется в различных направлениях, под различными углами и по различным схемам. Для этого в состав блока входит 8 пьезоэлектрических преобразователей, расположенных по обе стороны сварного шва. Установка работает в 16-тактовом режиме, на каждом такте реализуется определенная схема контроля. Контроль проводится эхо- и теневым методами с помощью поперечных волн наклонными раздельными (по хордовой схеме) и раздельно-совмещенными (PC) преобразователями специальной конструкции. Для каждой схемы контроля один преобразователь является генератором, а другой — приемником (усилителем) акустического сигнала.
