Смирницький Геннадій Олександрович

Факультет комп'ютерних наук і технологій (КНТ)

Кафедра автоматизованих систем управління (АСУ)

Спеціальність: Інформаційні управляючі системи і технології (ІУС)

Науковий керівник: к.т.н., доц. кафедри АСУ Омельченко Андрій Анатолійович

Тема випускної роботи: Розробка комп'ютеризованої інформаційної системи контролю стану промислових об'єктів за допомогою метода акустичної емісії

РЕФЕРАТ З ТЕМИ ВИПУСКНОЇ РОБОТИ

ВСТУП

Для великої кількості галузей сучасної промисловості характерна потреба в застосуванні неруйнуючих методів контролю з метою з'ясування кількості, ступеня розвитку, місця розташування дефектів у внутрішній структурі матеріалів, з яких виконано об'єкт: адже контроль повинен здійснюватися безпосередньо під час протікання технологічного процесу (або експлуатації об'єкта чи його окремих частин під навантаженням), що не дозволяє порушувати цілісність елементів об'єкта для з'ясування кількості та вагомості розвинених дефектів. При наявності знань про динаміку утворення дефектів можливо спрогнозувати час наближення об'єкта до аварійного стану і вчасно вжити необхідних заходів для запобігання аварії. Основний принцип діагностики інженерних споруд і конструкцій полягає в пасивному зборі інформації з багатьох звукових (і ультразвукових) датчиків, і її обробці для подальшого визначення ступеня зносу конструкції. Проблематика такого моніторингу наведена в [1].

1 АКТУАЛЬНІСТЬ ТЕМИ

Протягом останнього часу динамічно зростає кількість публікацій, присвячених використанню методу акустико-емісійного контролю (АЕ контролю), який має ряд переваг перед іншими методами неруйнуючого контролю завдяки своїм особливостям, наведених у [2]:

метод АЕ контролю забезпечує виявлення і реєстрацію дефектів, що розвиваються, і це дозволяє класифікувати дефекти не за розміром, а за ступенем їх небезпеки;
метод АЕ контролю чутливий до дефектів зростають: він дозволяє виявити в робочих умовах приріст тріщини дуже малих розмірів; чуттєвість акустико-емісійної апаратури з теоретичних оцінках складає приблизно 1×10^-6 мм², що дозволяє визначити приріст тріщини 1 мкм на величину 1 мкм;
властивість інтегрального методу АЕ контролю забезпечує контроль всього об'єкта з використанням одного або декількох перетворювачів сигналів, нерухомо встановлених на поверхні об'єкта;
метод АЕ контролю дозволяє проводити контроль різних технологічних процесів і процесів зміни властивостей і стану матеріалів;
розташування й напрямок об'єкта не впливає на можливість виявлення дефекту;
метод АЕ контролю має менше обмежень, пов'язаних з властивостями і структурою матеріалів.

З 1 грудня 1997 р. в Україні введено в дію «Нормативні документи з питань обстежень, паспортизації, безпечної та надійної експлуатації виробничих будівель і споруд», згідно з якими технічне діагностування залізобетонних будівель повинно діагностуватися із застосуванням взаємопов'язаних і взаємодоповнюючих обслідувальних, розрахункових та аналітичних процедур . Втрата міцності залізобетонних об'єктів відбувається не миттєво, а поступово, тому можливо за допомогою проведення АЕ контролю стежити за динамікою розвитку дефектів-тріщин і судити про ступінь залишкового запасу міцності. Завдяки низці переваг перед іншими видами неруйнуючого контролю, даний метод має привабливість для використання і проведення нових досліджень.

2 НАУКОВА НОВИЗНА, ЩО ПЛАНУЄТЬСЯ

Особливістю методу АЕ контролю, яка обмежує його застосування, в ряді випадків пов'язана з труднощами виділення сигналів акустичної емісії (АЕ) на тлі завад, тому що сигнали АЕ є шумоподібних за своєю природою (АЕ - стохастичний імпульсний процес). Якщо сигнали АЕ мають малу амплітуду, виділення корисного сигналу на тлі завад являє собою складну задачу, і актуальне питання пошуку ефективного її вирішення. Істотним недоліком представленого методу є відсутність єдиної інформаційної бази, яка містить в собі систематизовані результати досліджень, які дозволяли б поширювати отримані результати на ряд подібних.

Сучасні системи, що використовують метод АЕ контролю, в основному потребують наявності оператора для аналізу отриманих даних акустичної емісії, тому актуальним є питання пошуку засобів, які б допомогли перенести виконання функції аналізу отриманих спектральних характеристик на машинну частина системи, що дозволило б за якісної роботи (а багато в чому це залежить від пошуку оптимального набору досліджуваних параметрів і оптимальних методів їх обробки) системи зменшити ризик суб'єктивної помилки оператора і звільнити певну кількість його робочого часу. У ході виконання магістерської роботи планується спроектувати систему, в якій об'єднати традиційні методи аналізу даних за значеннями основних макропараметрів цього процесу і методи розпізнавання перешкод та істинних звукових сигналів з використанням нейронних мереж, які одержали останнім часом популярність. Це дало б можливість порівнювати отримані різним способом результати аналізу акустичних даних, завдяки чому можна буде експериментувати з вибором різних наборів аналізованих макропараметрів і вибором різних конфігурацій нейронних мереж у пошуках оптимальних рішень.

3 ОГЛЯД ДОСЛІДЖЕНЬ З ТЕМИ

Магістерська робота буде виконана в рамках кафедральної наукової роботи М-3-07 «Розробка наукових основ побудови систем технічного та медичної діагностики». За результатами пошуку серед матеріалів порталу магістрів ДонНТУ були знайдені роботи Соломічева Р.І., Бєлінської Ю.П., Кардибанского О.С., в яких згадувався метод АЕ, проте питання його застосування не було ключовим у роботі.

В Україні були зареєстровані держбюджетні теми № 6902/21 (№ держреєстрації 0102U001185) «Розробити методику технічної діагностики автодорожніх мостів з використанням методу акустичної емісії», № 6953 (№ держреєстрації 0103U001353) «Дослідження напружено-деформованого стану елементів мостових конструкцій методом акустичної емісії». Слід особливо виділити проведену відповідно до планів цих тем роботу [3], у якій автор відзначає, що проведений ним «літературний пошук використання методу АЕ у дослідженні натурних будівельних залізобетонних конструкцій свідчить про те, що на даний час немає оброблених і надійних методик визначення ПДВ конструкцій та їх тріщиностійкості».

Видатним ученим в Україні, які займаються питаннями застосування методу акустичної емісії в дефектоскопії, є Сакальська В.П., якому належить понад 250 наукових робіт з даної тематики.

Дана тема активно розробляється в зарубіжних дослідженнях. Існують об'єднання вчених, що активно займаються питаннями АЕ контролю, наприклад European Working group on Asoustic Emission (EWGAE) в Європі, яка проводила конференцію [4] в Харкові у 2008 р. Крім даної організації існують наступні проекти:

Видано безліч публікацій російською мовою, присвячених опису аспектів застосування методу АЕ, перелік яких можна знайти на порталі [5]. Даний проект слід відзначити окремо, оскільки в його рамках працює програма "Open AE Initiative", створена для обміну досвідом досліджень. На порталі розміщена інформація для студентів (в основному орієнтована на що навчаються в Тель-Авівському університеті). Крім Тель-Авівського університету в Ізраїлі велика кількість вищих навчальних закладів та дослідницьких інститутів по всьому світу проводять дослідження, пов'язані з питаннями застосування методу АЕ контролю. Особливо слід відзначити видання "Acoustic Emission Journal" у США (виходить з 1982 р.), а також журнал Російської академії наук «Дефектоскопія» (виходить з 1965 р.).

4 ПОСТАНОВКА ЗАДАЧ ДОСЛІДЖЕНЬ

Мета дослідження полягає у здійсненні пошуку можливих варіантів побудови програмно-апаратного рішення технічної діагностики з використанням методів для визначення ступеня зносу об'єкта, що знаходиться під контролем, шляхом з'ясування кількості, розміру і розташування дефектів у його внутрішній структурі. Досягти цієї мети можна за умови вирішення наступних задач:

реєстрація акустичних даних;
ідентифікація імпульсів акустичної емісії на тлі завад;
класифікація імпульсів акустичної емісії і відповідно їх джерел;
прогнозування часу зносу об'єкта.

Дослідження можливих шляхів вирішення даних завдань виноситься на магістерську роботу.

5 РІШЕННЯ ЗАДАЧ І РЕЗУЛЬТАТИ ДОСЛІДЖЕННЯ

У ході виконання магістерської роботи повинна бути спроектована комп'ютеризована система, узагальнена схема якої наведена на рисунку 5.1.

Рисунок 5.1 — Узагальнена схема комп'ютеризованої системи контролю стану промислового об'єкту за допомогою методу акустичної емісії (анімація: обсяг – 12,8 КБ; розмір – 518x223; кількість кадрів – 13; затримка поміж кадрами – 100 мс; затримка поміж останнім та першим кадрами – 100 мс; кількість циклів повторень – безперервний цикл повторення)

На рисунку 5.1 наведені наступні позначення: введені наступні позначення: 1 — досліджуваний зразок; 2 — дефект, що розвивається у зразку, який є джерелом АЕ; 3 — датчики; 4 — центр обробки акустичних даних з усіх каналів на базі сучасної ЕОМ .

Як зазначено в [6], основним елементом резонансного датчика є п'єзоелектричний кристал, що перетворить механічний рух в електричний сигнал. Кристал поміщається в спеціальний корпус з денцем у вигляді платівки і роз'ємом. Датчик збуджується хвилями напружень, які потрапляють на його денце, і перетворює їх в електричні сигнали. Ці сигнали надходять на розташований поблизу передпідсилювач, посилюються і на кінцевому етапі реєстрації надходять на основну вимірювальну апаратуру та обробну. Останнім часом з метою досягнення зручності при встановленні і одночасно зниження чутливості до електромагнітних наведеннях, попередні підсилювачі роблять мініатюрними і розміщують безпосередньо в корпусі датчика, отримуючи суміщений датчик-передпідсилювач.

Одним з основних вимог до датчика є його висока чутливість. І хоча в цілому високоякісними датчиками вважаються датчики, що володіють плоскою частотною характеристикою, проте в більшості практичних випадків найбільш чутливими є резонансні датчики, які, до того ж, є дешевшими, ніж широкосмужні. Ці датчики мають порівняно вузьку смугу частот, в якій відбувається переважне коливання. Частотна смуга визначається в основному розміром і формою кристала. Частоти, що характеризують датчик, є домінуючими при утворенні форми і спектру АЕ сигналу.

За допомогою датчиків виконується перше завдання з перелічених у попередньому розділі — реєстрація сигналу АЕ. Останні три завдання пов'язані з роботою над кількісними характеристиками, отже, логічно застосувати для їх вирішення нейронні мережі. В даний час розроблені методи розпізнавання образів за допомогою нейронних мереж з різною структурою і специфікою, завдяки чому відкривається широкий простір для досліджень. Раніше реєстрація, ідентифікація та класифікація акустичних імпульсів, що виникають у процесі пластичної деформації і руйнування (зростання тріщин) об'єктів, що знаходяться під контролем, відбувалися завдяки роботі підготованої людини-оператора, яка спиралась виключно на свої суб'єктивні слухові відчуття. Сучасні технології дозволяють створити комп'ютерну систему, що використовує нейронну мережу, вхідним образам для якої будуть відповідати спектральні характеристики акустичних сигналів; натренована нейронна мережа повинна визначити, до якого класу слід віднести дефект, який спричинив випромінювання акустичних хвиль.

Отримання корисної інформації, що міститься в сигналах АЕ, здійснюється різними методами їх кількісної обробки. Число можливих параметрів, які реєструються, може бути досить великим, тому дуже важливим є обрання найбільш інформативних параметрів, які несуть необхідну інформацію про динаміку локальної перебудови внутрішньої структури твердих тіл. Дотепер ще слабке метрологічне забезпечення вимірювань в галузі АЕ призводить до досить вільного вибору і різної інтерпретації інформаційних параметрів і методів їх реєстрації, що робить складним співставлення результатів.

В [6] проілюстровані класичні інформаційні параметри, які повинні фіксуватися при аналізі сигналів АЕ, як показано на рисунку 5.2.

Рисунок 5.2 — Стандартний набір параметрів, що вимірюються системою АЕ контролю

На рисунку 5.2 введені наступні умовні позначення: Т — поріг, щодо якого розраховується число осциляцій, тобто перетину його сигналом; A — амплітуда (максимальне значення сигналу); D — тривалість (повний час від перетину сигналом порогу до відходу під поріг); R — час наростання сигналу (час від першого перетину порогу сигналом до досягнення ним максимальної амплітуди); Е - енергетичний параметр МАRSE.

Деякі сучасні вимірювальні прилади реєструють спектр АЕ і E_АЕ — енергію АЕ сигналу, яка зазвичай пропорційна тривалості, квадрату амплітуди і визначається за площею обвідної сигналів, які реєструються. Останній параметр носить назву MARSE (Measured Area under the Rectified Signal Envelope); він якісно описує поведінку інтегральну АЕ у часі, однак, на жаль, не дозволяє здійснювати кількісне оцінювання енергетичних параметрів процесу утворення дефектів: річ у тому, що визначена таким чином у вузькій частотній смузі датчика «псевдоенергія АЕ» відповідає лише малої частини (іноді всього 1 -2%) цієї енергії первинного випромінювань шірокосмужного сигналу АЕ.

Для дискретної АЕ вводяться наступні інформаційні параметри:

загальне число імпульсів — число зареєстрованих імпульсів АЕ за інтервал часу;
активність АЕ — загальне число імпульсів, зіставлень до одиниці часу;
сумарна АЕ — число зареєстрованих перевищень (викидів) АЕ сигналів встановленого рівня за заданий інтервал часу;
швидкість рахування — число зареєстрованих перевищень АЕ сигналів встановленого рівня за одиницю часу;
густина вірогідності амплітуди імпульсів w(A), тобто вірогідність того, що амплітуда АЕ імпульсу А₀ знаходиться в інтервалі від А до А + dA, як показано у формулі (5.1); частіше використовують похідний параметр — кількість імпульсів, амплітуда яких знаходиться в інтервалі від А до А + dA, як показано у формулі (5.2);

P { A < A₀ < A+dA}=w(A)dA	(5.1)
n(A)=N×w(A)	(5.2)

розподіл часових інтервалів між окремими АЕ імпульсами;
амплітудно-часовий розподіл імпульсів АЭ N(A,T) — функція, що вказує на кількість імпульсів Dn, зареєстрованих в проміжку часу від T до T + dT, амплітуда яких знаходиться в інтервалі від A до A + dA, як показано у формулі (5.3);

dN=n(A,t)dAdt

(5.3)

спектральна густина S (w) дискретної АЕ збігається з відповідною характеристикою випадкового процесу і дорівнює потужності процесу в одиничної смузі частот.

Для проведення досліджень планується створити модель джерела імпульсів акустичної емісії. Подібна задача була розглянута в [7], де був спроектований програмно-апаратний комплекс попередньої обробки сигналів акустичної емісії та наведено форму зразкового сигналу акустичної емісії:

(5.4)

У формулі 5.4 наведені такі позначення: A_c — мінімальна амплітуда сигналу, T — інтервал квантування, t_d — час затримки до появи імпульсу,A_s — максимальна амплітуда сигналу, t₁, t₂ , t₃ — тривалість переднього фронту, інтервалу постійності і заднього фронту, α и &beta — константи. Дана модель є сильно спрощеною, на практиці форма АЕ сигналу залежить від структури і форми матеріалу, положення джерела, характеристик перетворювача.

Сучасні технічні можливості дозволяють спростити роботу оператора інтелектуальної системи і перевести задачу розпізнавання образів на машинну частина системи (при такому підході широко використовуються штучні нейронні мережі). Можливо також, що при хороших умовах настройки і функціонування покращиться точність отриманих результатів. Нині існує кілька пропозицій щодо структури нейронної мережі для використання в системах, які повинні обробляти імпульси АЕ. У магістрської роботи планується детально розглянути роботу мережі зі структурою, наведеною в [8] і зображеної на рисунку 5.3.

Рисунок 5.3 - Структура 2-компонентної НМ, запропонованої у [8]

Рисунок 5.3 — Архітектура двокомпонентної нейронної мережі для розпізнавання завад і сигналів АЕ

Представлена мережа складається з двох компонентів: мережі Хопфілда та мережі прямого поширення. Мережа Хопфілда використовується в якості асоціативної пам'яті: її функція полягає в зведенні образів, що надходять на вхід мережі, до поданих під час навчання еталонів. Після обробки за допомогою мережі Хопфілда образ подається для класифікації до мережі прямого поширення. Мережа прямого поширення має 2 шари: 5 нейронів у першому шарі і 1 нейрон у другому. Налаштування кожного з компонентів мережі здійснюється роздільно; навчання мережі прямого поширення здійснюється за методом зворотного розповсюдження помилки у варіанті Левенберга-Маквардта. Вхідні дані мережі — спектральне подання сигналу, отримане із часового подання за допомогою дискретного перетворення Фур'є. В якості тимчасового подання автор пропонує використовувати звукових файлів, що містять виділені експертом зразки імпульсів акустичної емісії, а також зразки імпульсних завад. Пропонується використання фізіологічного підходу до аналізу звукової інформації, заснованого на даних когнітивної психології. Цей підхід полягає в тому, що для додаткової обробки спектрального представлення використовується шакала барків — частотних діапазонів, на які розбитий весь чутний людським вухом діапазон, з межами, отриманими в ході досліджень з когнітивної психології. У кожному з діапазонів обчислюється середній рівень енергії сигналу і отримані значення нормуються. Експериментальним чином було встановлено, що значущими є тільки перші десять значень кожного з отриманих векторів, які і використовуються для подальшої роботи. У роботі [9] даний підхід був модифікований: весь спектр частот був розбитий на діапазони по трьом різним шкалам: рівномірній, логарифмічній і шкалою барків, що відбиває модель сприйняття звуку людиною. У кожному з діапазонів був обчислений середній рівень енергії сигналу і отримані значення були пронормовані. Сформовані таким чином групи векторів різної для кожної з частотних шкал розмірності далі були використані для подачі на нейронні мережі

Під час розробки ПЗ для аналізу спектрів, отриманих із файлів, що містять звук технологічного процесу, планується використовувати підхід, описаний в [10].

У ході виконання магістерської роботи планується використовувати описані вище підходи і проводити експерименти із застосуванням нейронних мереж з різною конфігурацією з метою вибору оптимальної структури нейронної мережі для вирішення завдань, що стосуються моніторингу стану залізобетонних конструкцій.

ВИСНОВКИ

Для вирішення поставленого завдання було проведено аналіз етапів роботи з сигналами акустичної емісії та математичних методів, можливо при цьому використовувати. Узагальнена схема роботи алгоритму зводиться до наступного: реєструється акустична інформація, проводиться попередня фільтрація можливих виробничих шумів і перешкод, здійснюється перехід від тимчасової форми подання до спектральної, здійснюється ідентифікація і класифікація образів, яким відповідають спектральні подання, за допомогою нейронної мережі. Визначальними при побудові алгоритму є:

наявність сильних чи слабких завад при реєстрації сигналів;
засоби створення образів, які використовуються для навчання нейронної мережі;
можливість розширення простору вхідних образів нейронної мережі за рахунок отриманих у процесі роботи результатів.

Проаналізувавши публікації за останній час можна стверджувати, що метод акустико-емісійного контролю набуває усе більшої популярності, тому що він має ряд переваг в порівнянні з подібними методами. Однак є невирішені питання, пов'язані з:

виділенням корисних сигналів на тлі завад;
помилковим визначенням імпульсу;
визначенням структури нейронної мережі, яка б давала кращі результати.

Перспективно було б створити систематизоване сховище, де могла б зберігатися інформація, створена під час роботи систем обробки даних АЕ, яка могла б використовуватися в якості попереднього досвіду і для пошуку можливих шляхів поліпшення правил проведення дослідження.

Перелік використаних джерел

Шемякин В.В., Стрижков С.А. Аспекты применения метода акустической эмиссии в мониторинге опасных промышленных объектов // В мире неразрушающего контроля, 2004. № 4 (26) [Електронний ресурс] / Сайт компанії ТОВ «Диапак», - режим доступу: http://www.diapac.ru/Articles/Monitoring.pdf.
Правила организации и проведения акустико-эмиссионного контроля сосудов, аппаратов, котлов и технологических трубопроводов (утв. постановлением Госгортехнадзора РФ от 9 июня 2003 г. N 77) [Електронний ресурс] / Портал информационной поддержки охраны труда и техники безопасности, - режим доступу: http://www.tehbez.ru/Docum/DocumShow_DocumID_473.html.
Сташук П.М. Удосконалення визначення тріщиностійкості залізобетонних конструкцій методом акустичної емісії : Автореф. дис... канд. техн. наук: 05.23.01 / ; Нац. ун-т «Львів. політехніка». — Л., 2003. — 19 с.: рис. — укp. [Електронний ресурс] / Національна бібліотека України имені Вернадського, - режим доступу: http://www.nbuv.gov.ua/ard/2003/03spmmae.zip.
EWGAE-Krakow 2008_Summary [Електронний ресурс] / European Working Group on Acoustic Emission, -режим доступу: http://www.ewgae.eu/ewgae2008/forms/ewgae-krakow%202008_summary.pdf.
List of books on Acoustic Emission published in Russian [Електронний ресурс] / Acoustic Emission Portal at Muravin.com, - режим доступу: http://muravin.com/ae/books-on-acoustic-emission-in-russian.html.
Поллок А. Акустико-эмиссионный контроль // Авторская перепечатка из книги Металлы (METALS HANDBOOK), 9-ое издание, т. 17, ASM International (1989):с. 278-294 [Електронний ресурс] / Сайт компанії ТОВ «Диапак», - режим доступу: http://www.diapac.ru/Articles/Pollock.pdf.
Шамин А.Е., Овчарук В.Н. Программно-аппаратный комплекс предварительной обработки сигналов акустической эмиссии // «Образовательные, научные и инженерные приложения в среде LabVIEW и технологии National Instruments-2006»: материалы научно-практической конференции.- М: 2006. [Електронний ресурс] / Сайт навчального центру «Центр технологий National Instruments», - режим доступу: http://nitec.n-sk.ru/pdf/esea_2006_M.33.0.doc.
Деглина Ю.Б. Нейросетевой алгоритм распознавания сигналов акустической эмиссии // Искусственный интеллект. - 2006 .- № 4. - С. 731-734 [Электронный ресурс] / Сайт Інститута проблем штучного інтелекту, - режим доступу: http://iai.dn.ua/public/JournalAI_2006_4/Razdel8/%F1%E2%E5%F0%F1%F2%E0%ED%EE/13_Deglina.pdf.
Деглина Ю.Б. Распознавание сигналов акустической эмиссии на основе нейросетевых методов // Материали Міжнародної наукової конференції «Компьютері науки та інформаційні технології», присвяченої пам'яті професора А. М. Богомолова 1 – 4 липня 2009 р. / Сумісний проект Саратовського державного університета ім. Н.Г. Чернишевського та Інститута прикладної математики та механіки Національної Академії наук України , - режим доступу: http://knit2007.sgu.ru/docs/102.doc.
Бадло Е., Бадло С. Виртуальные приборы. Спектроанализатор своими руками [Текст]: Радиолюбитель, Минск, 2009, №3, с.32-36

Важливе зауваження. На момент написання цього автореферата магістерська робота ще не була завершена. Дата остаточного завершення роботы: 1 грудня 2010 р. Повний текст роботы и матеріалы за темою можна буде отримати у автора або його наукового керівника після вказаної дати.

ДонНТУ > Портал магістрів ДонНТУ || Про автора