ОПЫТ ПРИМЕНЕНИЯ МНОГОСЛОЙНОЙ НЕЙРОННОЙ СЕТИ С ОБРАТНЫМ РАСПРОСТРАНЕНИЕМ ОШИБКИ В ЦЕЛЯХ РЕШЕНИЯ ЗАДАЧ НЕРАЗРУШАЮЩЕГО КОНТРОЛЯ Текст научной статьи по специальности «Техника и технологии»

ПРИБОРОСТРОЕНИЕ, МЕТРОЛОГИЯ -

И ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНЫЕ ВЕСТНИК ТСГУ. 2023. № 1 (68)

ПРИБОРЫ И СИСТЕМЫ

УДК 620.179 В. Н. Овчарук

ОПЫТ ПРИМЕНЕНИЯ МНОГОСЛОЙНОЙ НЕЙРОННОЙ СЕТИ С ОБРАТНЫМ РАСПРОСТРАНЕНИЕМ ОШИБКИ В ЦЕЛЯХ РЕШЕНИЯ ЗАДАЧ НЕРАЗРУШАЮЩЕГО КОНТРОЛЯ

Овчарук В. Н. - канд. техн. наук, доцент кафедры «Автоматика и системотехника», (ТСГУ), e-mail: [email protected]

Метод акустической эмиссии используется как средство анализа состояния материалов и конструкций, неразрушающего контроля и диагностики их во время работы. Важное преимущество перед другими методами состоит в том, что он реагирует только на развитие действительно опасных дефектов и способен контролировать большие объемы и поверхности без их сканирования. В статье приведены результаты разработки алгоритмов и программ интеллектуального блока акустико-эмиссионной системы EMISS-2, предназначенных для анализа акустических сигналов, и связи их с данными, полученными на более ранних стадиях эксперимента.

Ключевые слова: Информационно-измерительные системы, неразрушающий контроль, акустическая эмиссия, спектральный анализ, нейронная сеть

Введение

В настоящее время существует и предлагается разработчиками довольно много разнообразных акустико-эмиссионных (АЭ) систем, соответствующих требованиям РД 03-299-99 «Требования к акустико-эмиссионной аппаратуре, используемой для контроля опасных производственных объектов» [1] и другим нормативным документам. Все они без исключения, также, как и ГССТ Р 52727-2007, рекомендуют использовать резонансные преобразователи АЭ. По требованиям РД 03-299-99 полоса анализа таких АЭ систем должна быть от 20-1000 кГц. Однако ни одна из них не производит в указанном диапазоне полноценный анализ свойств сигналов АЭ, лишь позволяя перемещаться по диапазону за счет изменения частоты резонанса приемного преобразователя.

Абсолютное большинство информационно-измерительных систем АЭ контроля имеют в своем составе средства спектрального анализа. Однако далеко не все из них позволяет решать поставленные задачи, а именно, анализировать спектральные характеристики сигналов АЭ в реальном масштабе вре-

© Овчарук В. Н., 2023

ВЕСТНИК ТОГУ. 2023. № 1 (68)

мени. Проведенный анализ существующих средств АЭ спектрометрии и результаты экспериментальных исследований позволили выработать основные требования к информационно-измерительному комплексу [2]. Он должен в реальном времени производить экспресс анализ входного сигнала с целью обеспечения помехоустойчивости, регистрацию временной формы сигнала с предысторией и послезвучанием, и дальнейшую постобработку полученной информации с использованием аппарата спектрального анализа.

Анализ спектральных характеристик регистрируемых сигналов накладывает свои суровые требования к структуре аппаратно-программного комплекса. Вычисление спектра есть процедура длительная сама по себе. Согласно сделанным ранее выводам [3, 4] для надежной идентификации сигналов следует вычислять еще и вторичные параметры. В таких условиях следует проводить экспресс-анализ входного сигнала на предмет обнаружения и достоверности, а дальнейшую идентификацию и уточнение параметров производить в режиме постобработки. Кроме того, необходимо заранее знать и использовать для корректировки спектральных функций АЧХ системы «объект-преобразователь».

Разработанные в рамках научного исследования программные комплексы для АЭ системы серии «EMIS» позволяют производить захват временной формы сигналов АЭ с предысторией, а также помехоустойчивую регистрацию и распознавание сигналов с заранее заданными время-частотными характеристиками. Программные комплексы имеют разнообразные режимы постобработки спектральных функций с целью решения задач идентификации сигналов АЭ и диагностики состояния объектов контроля.

Описание установки

Сбор данных производится с применением оборудования «X Series DAQ» фирмы National Instruments. Программное обеспечение, входящее в состав системы, было разработаны в среде NI LabVIEW 2013. В качестве аппаратной платформы для реализации функции захвата сигнала была использована платформа NI CompactDAQ 9188 с модулями ввода-вывода NI 9223 [5].

Для регистрации сигналов АЭ при проведении испытаний крупномасштабных объектов следует применять приборы АЭ в виде многоканальных систем, позволяющих определять, как координаты источников сигналов, так и характеристики сигналов АЭ с одновременной регистрацией параметров функции нагружения (давления, температуры и т.д.). Многоканальная АЭ система «EMIS» [2] согласно требованиям нормативной документации (РД 03299-99) имеет в своем составе:

• комплект предварительных усилителей;

• кабельные линии;

опыт применения многослойной нейронной сети с обратным распространением ошибки в целях решения задач неразрушающего контроля

• блоки предварительной обработки и преобразования сигналов акустической эмиссии;

• ЭВМ с необходимым математическим обеспечением;

• средства отображения информации;

• блоки калибровки системы.

При этом АЭ системы серии «EMIS» обеспечивают оперативную обработку и отображение информации в режиме реального времени. А также обработку, отображение и вывод на периферийные устройства для документирования накопленных в течение испытания данных после окончания испытания. Режим постобработки является неотъемлемой частью всех АЭ систем. Это связанно с тем, что большой поток обрабатываемой информации не позволяет реализовать все возможные варианты в реальном времени. Чаще всего в реальном времени осуществляется помехоустойчивый прием и экспресс-анализ.

Системы серии «EMIS» выполнены в новой концепции и для них разработаны добротные программные приложения [2]. Кроме того, в них реализованы новые методологии обработки спектральных функций [4], которые позволяют в режиме постобработки реализовать алгоритмы аппроксимации, сглаживания, усреднения, корректировки по АЧХ и статистической обработки. Они выполнены на базе аппаратно-программных средств компании National Instruments», которые были выбраны не случайно. При создании инженерных программных комплексов обработки сигналов наиболее важную роль играет наличие библиотечных реализаций разнообразных алгоритмов и преобразований. Это позволяет сосредоточиться на инженерно-исследовательских задачах и экспериментах, а не на вопросах реализации алгоритма. Большую роль играет удобство визуального отображения данных и результата, а также широкие возможности графических средств.

В зависимости от условий контроля АЭ система может быть, как стационарной, так и передвижной. Для контроля объектов простой конфигурации, и в случаях, когда не требуется определение местоположения дефектов, допускается применение менее сложной аппаратуры (EMIS 4-16 DAQ). Возможно так же применение одноканальных приборов, либо многоканальной АЭ системы в режиме зонной локации.

На рис. 1 приведены внешний вид и состав компактной мобильной многоканальной АЭ система EMIS - 12/32 DAQ, выполненной по линейно-лучевой схеме. Аппаратно-программный комплекс позволяет объединять в единую сеть разрозненные базовые станции, охватывая, таким образом, довольно значительную площадь. Это особенно важно при работе с протяженными объектами в виде трубопроводов разного назначения и крупногабаритными промышленными объектами.

ВЕСТНИК ТОГУ. 2023. № 1 (68)

ВЕСТНИК ТОГУ. 2023. № 1 (68)

Рис. 1. Компактная мобильная многоканальная АЭ система EMIS - 12/32 DAQ

На рис. 2 приведен фрагмент интерфейса пользователя АЭ системы EMIS - 4/16 DAQ. Аналогичный интерфейс имеют все системы серии DAQ. Интерфейс имеет общий экран для просмотра временной формы сигнала АЭ, регистрируемой по каждому из каналов. Основной режим предусматривает идентификацию входного сигнала по ряду признаков, в том числе и от спектральной функции. Идентификаторы и обнаружители имеются в каждом канале, а также в каждом канале имеется свой графический экран. На нем отображается временное распределение энергии сигналов АЭ, прошедших идентификацию.

Приведенный интерфейс пользователя программного комплекса для предварительной обработки спектральных функций многоканальной АЭ система EMIS - 12/32 DAQ. ПК позволяет решать задачи по вычислению спектр входного сигнала в оконном режиме регистрации. Полученный набор спектральных функций сглаживается и нормируется. В каждом частотном канале оценивается затухание.

опыт применения многослойной нейронной -

сети с обратным распространением ошибки ВЕСТНИК ТОГУ. 2023. № 1 (68) в целях решения задач неразрушающего контроля

0,3-1- Сэмпл |40000 Путь для сохранения ÎC:\my eventi toi

I

с { Вточить режим поиска Cj a

f ipl-L ! СЧиибка шж

•0,2- I -н Закрыть программу И AvâCarrçPerChan

( 10000 20000 30000 «000 50« »0 ых Ю0 70000 8С ООО Ю000 100 000 И 0000 120000 3881

Канал 1 Канал 2 Канал 3 У®* Канала Затрусь]

ей sa |фДЮК1 10,02405 Щ 3 10 |w WZ U» Л : нз i «*» [Г II я ш US7 [Ï* 11 firn 10 щ 10,13*0 ИГ 0.134« —1 F» .. [мс ni ib [шах îitiïï ia Щ ]0Д>1159 [[ (То 0,11777 к-! 1. 0,12« J ж ню ia —Ц к |7Г - [ X С 1С ь |олозси |з •sa |ол*31 щ 0,310« № KG 3500 ] 1в [Й5Л lia Г fm II г» и

ваш исаи— л sm В«» ■■ ecaii 1

Рис. 2. Фрагмент интерфейса пользователя АЭ системы EMIS - 4/16 DAQ

Проведенный анализ показывает, что анализ спектральных характеристик сигналов акустической эмиссии невозможен без предварительной оценки АЧХ системы «объект-преобразователь». Методика и результаты исследования АЧХ образцов приведены в работе [2]. Как отмечалось, АЧХ системы "объект-преобразователь" в значительной мере зависит от координаты источника. Если местоположение источника изменяется незначительно, то вносимая АЧХ погрешность будет систематической и её влияние можно ослабить путем корректировки и сглаживания. Однако при ряде испытаний предполагаемые источники акустического излучения находятся в области материала, составляющей до 50% общего объема. В таких условиях невозможно восстановление истинного спектра исходного сигнала путем корректировки его по АЧХ. Такая корректировка внесет только дополнительную погрешность. Поэтому в программе обработки спектральных функций имеется возможность использовать спектральные характеристики, скорректированные лишь по АЧХ приемного преобразователя. Для ослабления влияния быстрых изменений АЧХ образца на основании проведенного анализа требуется введение усреднения по частоте с Л/ > 60 кГц.

Описание эксперимента

В ходе эксперимента исследовались спектры акустико-эмиссионных сигналов, полученные при замедленном разрушении сварных соединений в технологических пробах [2]. Сварочный образец представляет собой Т-образную

ВЕСТНИК ТОГУ. 2023. № 1 (68)

конструкцию, приведенную на рис. 3. На перпендикулярно приваренную пластину оказывается давление с силой Б, что сначала приводит к деформации сварного шва, с его последующим разрушением. На каждом из этапов функции нагружения регистрировались сигналы АЭ, которые в дальнейшем использовались для обучения и отладки нейронной сети.

Рис. 3. Сварочный образец

Для работы с нейронными сетями в программном модуле MATLAB предусмотрено инструментальное средство с GUI-интерфейсом, которое носит название NNTool (Neural Network Toolbox). С его помощью можно создавать новую сеть, визуализировать, обучать, моделировать и затем экспортировать финальный результат в другие программы или рабочую зону самого MATLAB [6].

Для реализации применялся алгоритм обучения сети с учителем. Для каждого из вида разрушений имелись три группы исходных данных, но для обучения в нейронную сеть подавалась только одна, остальные две использовались для проверки правильности обучения сети. Таким образом, входной блок представлял собой набор из четырех столбцов, которые соответствовали общей энергии и ее процентному содержанию для трех диапазонов спектра. Общее количество выборок на входе - 150, по 50 для каждого из видов разрушений.

Использовалась сеть прямого распространения сигнала с обратным распространением ошибки [7]. Функция обучения - TRAINLM, которая обновляет вес и значения смещения согласно оптимизации Левенберга-Маркара [8]. Количество слоев - два.

Первоначально обучение было проведено при количестве нейронов на первом слое равным 20 (рис. 4). Погрешность обучения составила 10-5. Обученная нейронная сеть хорошо распознавала развивающиеся трещины и акустические шумы, однако показала плохой результат при анализе сигналов от растрескивания шлаковой корки, где сигнал иногда воспринимался как шум. Были проведены эксперименты для количества нейронов равным 20, 100, 250

опыт применения многослойной нейронной -

сети с обратным распространением ошибки ВЕСТНИК ТОГУ. 2023. № 1 (68) в целях решения задач неразрушающего контроля

и 500. Наиболее оптимальным для двухслойной сети получился результат при 500 нейронах (рис. 5).

Для наглядного сравнения на рис. 4 приведены выходные данные обучения нейронной сети при 20 и 500 нейронах.

Рис. 4. Результаты обучения при 20 (а) и 500 (б) нейронах

При 20 нейронах на скрытом слое сеть хоть и показала неплохой результат в распознавании трещины, однако нам требовалось большое количество нейронов (500), при котором сеть четко могла бы различать все три классификатора. Значение ошибки обучения при этом составило 10-8. Следует отметить, что такое большое количество нейронов в одном слое довольно пагубно сказывается на времени обучения сети, однако уже обученная сеть работает достаточно быстро.

Исходя из проведенных проверок видно, что нейронная сеть довольно хорошо справляется с поставленной задачей распознавания сигналов от разрушений. При этом лучше всего сеть распознает развивающиеся трещины. Не совсем уверенно распознаются сигналы, связанные с растрескиванием шлаковой корки, что связано, в первую очередь, с исходными данными для обучения.

ВЕСТНИК ТОГУ. 2023. № 1 (68)

Самый плохой результат сеть показала при распознавании акустических шумов. Для их надежной идентификации следует переходить в диапазон более низких частот.

Финальным этапом проверки работоспособности системы была подача на вход сети большого ансамбля импульсов, состоящего из 532 выборок. (рис. 5).

■ Акустические шумы Растрескивание шлаковой корки Трещины

Рис. 5. Результат идентификации сигналов от разрушений ансамбля импульсов

Первые 90 выборок характеризуют этап зарождения и развития трещины; в диапазонах выборок от 90-140 и 200-230 этот процесс сопровождает ярко выраженное растрескивание шлаковой корки и акустическими шумами, которые тем не менее идентифицируются нейронной сетью; начиная с 256-й выборки, четко прослеживается дальнейшее развитее трещины в относительно спокойной обстановке. Исключение составляет выброс шлака, который накладывается на процесс трещинообразования.

Полученные результаты демонстрируют эффективность метода и возможность его применения при решении задач идентификации сигналов акустической эмиссии от различных источников. При этом воздействие акустических шумов минимально влияет на качество идентификации, что следует считать положительным. Очевидно, что наибольшее воздействие шумов происходит при растрескивании шлаковой корки, что легко объясняется физикой процесса. При этом на завершающем этапе эксперимента сигналы от трещины регистрируются практически без помех, что объясняется методикой нагружения и не всегда соответствует реальным условиям.

опыт применения многослойной нейронной сети с обратным распространением ошибки в целях решения задач неразрушающего контроля

Заключение

1. Количество слоев и нейронов на скрытых слоях существенно влияют на эффективность распознавания. Для такого объемного обучающего набора использование двухслойной нейронной сети нецелесообразно, так как для достижения приемлемых результатов требуется большое количество нейронов, что неоправданно увеличивает затраты. Число слоев следует увеличить до трех.

2. За счет особенностей регистрации сигналов АЭ в обучающий набор могут попасть данные, не имеющих отношения к указанному классификатору. Сокращение количества обучающих выборок позволяет исключить путаницы в сигналах от разных источников.

3. При соответствующих настройках трехслойную нейронную сеть можно рекомендовать к применению в автоматизированных системах неразрушающего контроля.

Библиографические ссылки

1. ГОСТ Р 52727-2007. Техническая диагностика. Акустико-эмиссионная диагностика. Общие требования. М.: Стандартинформ, 2007. 15 с.

2. Овчарук В.Н. Акустико-эмиссионные информационно-измерительные системы. Пути и методы совершенствования. Хабаровск : Изд-во ТОГУ, 2013. 300 с.

3. Овчарук В.Н. Критерии выбора параметров акустической эмиссии материалов // Датчики и системы. 2014. № 3. С. 10-17.

4. Овчарук В.Н. Метрологические аспекты регистрации энергетических параметров акустической эмиссии материалов // Измерительная техника. 2014. № 8. С. 57-62.

5. Пурисе Ю.А., Овчарук В.Н. Свидетельство о государственной регистрации программы для ЭВМ № 2013617928. Программа для регистрации сигналов акустической эмиссии № 2013615820 ; заявл. 08.07.2013 ; зарегистрировано в реестре программ для ЭВМ 27.08.2013.

6. Дьяконов В.П., Круглов В В. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Sim-ulink 5/6. Инструменты искусственного интеллекта и биоинформатики : практ. пособие. М. : СОЛОН-ПРЕСС, 2009. 454 с.

7. Ростовцев В.С. Искусственные нейронные сети : учебник. СПб. : Лань, 2019. 216 с.

ВЕСТНИК ТОГУ. 2023. № 1 (68)

ВЕСТНИК ТОГУ. 2023. № 1 (68)

8. Остроух А.В., Суркова Н.Е. Системы искусственного интеллекта : монография. СПб. : Лань, 2019. 228 с.

Title: Experience of Application of a Multilayer Neural Network with Error Backpropagation for Solving the Problems of Non-Destructive Testing

Authors' affiliation:

Ovcharuk V. N. - Pacific National University, Khabarovsk, Russian Federation

Abstract: The acoustic emission method is used as a means of analyzing the state of materials and structures, non-destructive testing and diagnosing them during operation. An important advantage over other methods is that it reacts only to the development of really dangerous defects and is able to control large volumes and surfaces without scanning them. The article presents the results of the development of algorithms and programs for the intelligent unit of the acoustic emission system EMISS-2, intended for the analysis of acoustic signals, and their connection with the data obtained at earlier stages of the experiment.

Keywords: information and measuring systems, non-destructive testing, acoustic emission, spectral analysis, neural network