CC BY
55
УДК 620.19
ВИБРОАКУСТИЧЕСКИЙ СПОСОБ И ДИАГНОСТИЧЕСКИЙ КОМПЛЕКС ДЛЯ ОПРЕДЕЛЕНИЯ ДЕФЕКТОВ ТРУБОПРОВОДОВ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННОЙ СЕТИ
Ю.Я. ПЕТРУШЕНКО, Ю.В. ВАНЬКОВ, Ш.Г. ЗИГАНШИН, В.Н. ТЫРЫШКИН
Казанский государственный энергетический университет
В статье приводятся результаты экспериментов по обнаружению и классификации коррозионных дефектов трубопроводов. Для обработки экспериментальных данных и классификации дефектов в работе использована модель вероятностной нейронной сети, реализованной на базе программного комплекса LabView.
Ключевые слова: дефект, виброакустический контроль, трубопровод, форма колебаний, классификация, нейронная сеть.
Надежность и экономичность теплоснабжения городов и промышленных объектов во многом зависит от фактического технического состояния трубопроводов и, в частности, коррозионного состояния труб. Акустический способ определения дефектов трубопроводов является одним из наиболее перспективных методов диагностики.
Авторами была поставлена задача определения размеров дефектов трубопроводов акустическим методом. Дефект принимался как утонение основного материала трубы в виде мембраны, которая имеет собственную частоту колебаний. Предварительно были рассчитаны частоты собственных колебаний этих мембран для последующего их сравнения с частотами, полученными в ходе натурных измерений частот трубопровода [1].
С целью выявления возможности определения размеров дефектов поверхности трубопровода, в КГЭУ был разработан диагностический комплекс, позволяющий проводить измерения для определения частот колебаний коррозионных дефектов различного рода.
В состав измерительной системы комплекса (рис. 1) входят: два пьезоэлектрических датчика для приема акустических сигналов, аналогово-цифровой преобразователь (АЦП) и блок обработки на базе персонального компьютера (ноутбука) с установленными на нем программами для записи и обработки акустических сигналов с датчиков. Для регистрации, обработки, а также анализа сигналов авторами были разработаны программная оболочка Inspector [2] и лабораторный стенд для проведения исследований.
Оценка погрешности измерительной системы проводилась вероятностно-статистическим методом, определенным ГОСТ 8.207-76, предусматривающим определение погрешности по характеристикам законов распределения погрешностей средств измерений, входящих в состав системы. Оценка результатов измерений проводилась путем получения среднего арифметического 15 наблюдений амплитуды колебания стальной трубы диаметром 0,159 м длиной 1 м. В результате расчетов для
диагностического комплекса абсолютная погрешность составила ^ с = ± 0,055588205
А
В, при доверительной вероятности Р=0,95 при результатах измерений с = 0,9058 В.
Исследовались стальные трубы условным диаметром 159 мм и длиной 1 м, на поверхности которых механическим способом наносились дефекты в виде утонения стенки. Размеры дефектов труб соответствовали размерам мембран, предварительно рассчитанных для данных условий в программном комплексе ANSYS (0,05x0,05 м; 0,1x0,05 м; 0,15x0,05 м; 0,2x0,05 м; 0,25x0,05 м) [1].
Рис. 1. Внешний вид измерительной системы и лабораторного стенда
На поверхность исследуемого участка трубопровода закреплялись с помощью магнита два пьезоэлектрических датчика КД-35. По трубе наносился механический удар, импульс от которого записывался на компьютер. Обработка полученных виброакустических сигналов проводилась на ЭВМ с использованием пакета прикладных программ Inspector [2].
Программа Inspector обеспечивает выполнение следующих функций:
1 запись сигнала в звуковые файлы от двух пьезодатчиков (формат файлов wrm и wav);
2 обработка записанных данных;
3 определение скорости распространения звука в исследуемом изделии;
4 определение расстояний до дефекта от первого и второго датчиков;
5 запись спектра (рис. 2) в табличном виде, где в первом столбце стоит номер моды, а во втором - частота, соответствующая этой моде;
6 запись в отчет и вывод информации о состоянии контролируемого участка трубопровода.
Анализ экспериментальных данных показал:
1. Наличие в спектре бездефектной трубы преимущественно низких частот (рис 2, а). Тогда как в спектрах дефектных труб выявились высокие частоты, совпадающие с частотами собственных колебаний 1-3 форм, рассчитанными для дефектов (рис. 2, б).
2. Наиболее информативными для анализа являются частоты от 9 кГц и выше, т.к. на этом интервале проявляются наибольшие различия между бездефектной и дефектными трубами.
а)
б)
Рис. 2. Спектр трубы, записанный в программе Inspector: а) бездефектной трубы; б) трубы с дефектом 0,25х0,05 м
Сравнение частот труб, полученных экспериментально, с частотами таких же труб, рассчитанных в программном комплексе ANSYS, показало, что:
1. Экспериментально выявились не все частоты колебаний мембран (дефектов), которые получились по результатам теоретических расчетов. Это может быть объяснено слишком малой амплитудой невыявленных частот.
2. Анализ сходимости теоретических и экспериментальных частот показал, что их разность не превышает 10%.
3. В спектре колебаний всех образцов (труб) на интервале 500 - 3000 Гц присутствуют одинаковые частоты. Начиная с 4000 Гц начинает проявляться различие между бездефектной и дефектными трубами в виде появления в спектрах дефектных труб более высоких частот.
В процессе обработки акустических сигналов приходится сталкиваться с анализом массивов из большого количества частот, полученных в результате расчета и экспериментов. Применение персональных компьютеров делает возможным обработку такого количества данных, однако возникают трудности при написании алгоритма программного распознавания и классификации дефектов. Авторами была создана компьютерная программа для обработки экспериментальных данных с помощью нейронной сети.
Искусственные нейронные сети представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. Будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.
Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона.
Каждый вход умножается на соответствующий вес, аналогичный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона [3].
Рис. 3. Модель искусственного нейрона
На рис. 3 представлена модель, реализующая эту идею. Каждый синаптический вес определяет, насколько соответствующий вход нейрона влияет на его состояние. Состояние нейрона определяется по формуле
п
пе = £ xiwi i=1 ,
где п - число входов нейрона; xi- значение г-го входа нейрона; wi- вес г-го синапса.
Далее отклик нейрона У описывается какой-либо нелинейной переходной функцией.
Решение задачи классификации является одним из важнейших применений нейронных сетей. Для задачи определения дефектности трубы была выбрана модель так называемой вероятностной нейронной сети (PNN), т.к. она является наиболее быстродействующей, а ее обучение характеризуется наименьшей простотой. Этот тип нейронной сети основан на решающем правиле Байеса и методе оценки функции плотности вероятностей Парзена [4].
Согласно методу Байеса, для двух классов А и В выбирается класс А, если
клсл/л(х)> квсв/в(х)
?
где кл и кв - априорная вероятность класса А и В соответственно; с - цена ошибки { ( х )
классификации, а - функция плотности вероятностей. Для большинства
приложений к и с принимаются равными.
Для оценки функции плотности вероятностей используют метод Парзена, суть которого состоит в использовании весовой функции (окна Парзена). На каждой точке обучающего набора центрируется W(d), где й - расстояние от классифицируемой точки до точки из обучающего набора. Оценочная функция представляет собой сумму №г(й) для всех обучающих точек из данного класса. Кроме того, эта сумма может масштабироваться. Таким образом, для одномерного случая
1 П
8 ( х ) =
по г=1
гх х}л
где п - число точек в обучающем наборе; о - масштабирующий параметр. Параметр о, по сути, определяет ширину парзеновского окна. Чаще всего в качестве W(d) используется Гауссиана:
-й 2
Ч 2 о 2 у
W (й ) = —1— е
Л/ 2 по .
В нашем случае архитектура сети выглядит следующим образом (рис. 4).
о
Рис. 4. Архитектура вероятностной нейронной сети для диагностики трубы
Входной слой задан двумя нейронами или двумя признаками - частотой и размером дефекта. Слой примеров содержит по одному элементу для каждого обучающего наблюдения (обучающего вектора). Каждый из них представляет гауссову функцию с центром в этом наблюдении. Было выбрано по 3 элемента для каждого размера дефекта.
Активность элементов слоя образца будет равна
о j = ехр
-Е(е- xi)2
о 2
где х обозначает неизвестный входной образец.
Слой суммирования содержит по одному элементу на каждый класс. Каждый такой элемент соединен со всеми элементами слоя примеров, относящимися к его классу, а со всеми остальными элементами он имеет нулевое соединение.
Входной вектор подается одновременно на все нейроны слоя примеров. Каждый нейрон этого слоя вычисляет расстояние между входом и примером, который он представляет. Затем он подвергает вычисленное значение воздействию активационной функции, которая является окном Парзена. Далее каждый нейрон слоя суммирования складывает выходы нейронов соответствующих классов. На выходе нейрона этого слоя получаем оценочное значение функции плотности вероятностей. Выходной элемент представляет собой дискриминатор пороговой величины, указывающий элемент слоя суммирования с максимальным значением активности (т.е. указывающий класс, к которому принадлежит неизвестный экземпляр). Определение класса называется «победой» того или иного класса. Выходной элемент дает оценку дефектности трубы: дефектная или годная. Суть процесса обучения в вероятностной нейронной сети сводится к отысканию оптимального значения параметра о, которое чаще всего подбирается в результате эксперимента.
Нейронная сеть для диагностики трубопроводов была реализована на базе программного комплекса LabView. Основная программа состоит из нескольких подпрограмм, каждая из которых выполняет конкретную задачу. Первая подпрограмма запускает задачу, считывает табличные файлы с записанными частотами труб разной степени дефектности, а также файл с частотами проверяемой трубы, после чего выполняется нормализация всех считанных векторов (рис. 5).
Рис. 5. Подпрограмма чтения и нормализации данных
Вторая подпрограмма (рис. 6) реализует метод вероятностной нейронной сети, в которой частоты диагностируемой трубы сравниваются с частотами дефектных труб. На выходе программа показывает класс, к которому относится диагностируемое изделие (дефектный - не дефектный).
Рис. 6. Подпрограмма, определяющая годность - дефектность трубы Третья подпрограмма (рис. 7) выполняет классификацию дефектной трубы по размеру дефекта. Подпрограмма является также нейронной сетью, только в качестве учебных данных в ней берутся данные из таблиц результатов расчета частот собственных колебаний мембран различного размера, выполненного в программном комплексе ANSYS. Данная нейронная сеть состоит из пяти выходных нейронов, каждый из которых характеризует определенный размер дефекта. Программа сравнивает учебные вектора с диагностируемыми, а на выходе дает результат, к какому из классов (размеру) относится дефект.
Рис. 7. Подпрограмма классификации дефекта Интерфейс программы показан на рис. 8.
Рис. 8. Интерфейс программы
С помощью программы были проанализированы экспериментальные данные. На вход программы подавались частоты диагностируемых образцов. В качестве образцов принимались частоты труб с заранее известными размерами дефектов на них: 5х5, 10х5, 15х5, 20х5, 25х5 см. На выходе выдавалась сумма «побед» для каждого класса дефекта. Класс с максимальным количеством побед определял размер дефекта
и для него загорался соответствующий индикатор на панели программы (рис. 6). Метод диагностики и классификации дефектов с применением нейронных сетей показал высокую достоверность получаемых результатов (табл. 1).
Таблица 1
Распределение количества «побед»
Размерде фектаист инныйП Количество «побед» тестируемого образца
«дефект 5 см» «дефект 10 см» «дефект 15 см» «дефект 20 см» «дефект 25 см»
5 см 33 25 12 5 5
10 см 17 36 7 11 9
15 см 5 4 69 2 0
20 см 4 1 5 56 14
25 см 9 8 19 12 32
Summary
In article results of experiments on detection and classification of corrosion defects of pipelines are resulted. For processing of experimental data and classification of defects the model likelihood the neural networks, realised on the basis of program complex LabView has been used.
Key words: defect, acoustic, the pipeline, the form offluctuations, classification, a neural network.
Литература
1. Петрушенко Ю.Я., Ваньков Ю.В., Зиганшин Ш.Г., Серов В.В. Определение информативных параметров дефектов трубопроводов методом конечных элементов // Известия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИ. 2009. № 7-8. С. 149-154.
2. Ш.Г. Зиганшин, Ю.В. Ваньков и др. Свидетельство о государственной регистрации программы для ЭВМ №2009612056.
3. http://www.intuit.rU/department/ds/neuronnets/1/4.html. Уоссермен Ф.Н. Нейрокомпьютерная техника. Теория и практика. 1982.
4. Калан Р. Основные концепции нейронных сетей.: Пер. с англ. М.: Издательский дом «Вильямс», 2001.
Поступила в редакцию 15 июня 2009 г.
Петрушенко Юрий Яковлевич - д-р физ.-мат. наук, профессор, ректор Казанского государственного энергетического университета (КГЭУ). Тел.: 8 (843) 519-42-02. E-mail: kgeu@kgeu.ru.
Ваньков Юрий Витальевич - д-р техн. наук, доцент, заведующий кафедрой «Промышленные теплоэнергетические установки и системы теплоснабжения», проректор по научной работе Казанского государственного энергетического университета (КГЭУ). Тел. 8 (843) 519-42-56. E-mail: vankov@mi.ru.
Зиганшин Шамиль Гаязович - старший преподаватель кафедры «Промышленные теплоэнергетические установки и системы теплоснабжения» Казанского государственного энергетического университета (КГЭУ). Тел.: 8-919-6342130. E-mail: shz@list.ru.
Тырышкин Владислав Николаевич - аспирант кафедры «Промышленные теплоэнергетические установки и системы теплоснабжения» Казанского государственного энергетического университета (КГЭУ). Тел. 8 (843) 519-42-56.
