ОБРАБОТКА СИГНАЛОВ ДАТЧИКА ПОТЕРЬ НА ПЕРЕМАГНИЧИВАНИЕ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ | Опубликовать статью РИНЦ

Вильданов Р.Г.¹, Лукьянцев М.А.², Исхаков Р.Р.³

¹ Профессор, доктор технических наук,; ² аспирант; ³ студент, Уфимский государственный нефтяной технический университет

ОБРАБОТКА СИГНАЛОВ ДАТЧИКА ПОТЕРЬ НА ПЕРЕМАГНИЧИВАНИЕ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ

Аннотация

В статье предложено обрабатывать диагностическую информацию датчика потерь на перемагничивание с помощью нейронных сетей. Для распознавания различных видов дефектов на разных частотах построено несколько нейронных сетей. Для оценки уровня поврежденности сформированы обучающие выборки.

Ключевые слова: диагностика, неразрушающий контроль, нейронная сеть, обучающая выборка.

Vildanov R.G.¹, Lukyantsev M.A.², Iskhakov R.R.³

¹ Professor,  Doctor of Technical Science; ² postgraduate student; ³ student, Ufa State Petroleum Technical University

PROCESSING OF DATA RECEIVED FROM SENSOR OF MAGNETIZATION REVERSAL BASED ON NEURAL NETWORKS

Abstract

The article suggested process diagnostic information losses at magnetization reversal sensor by neural networks. To distinguish the various types of defects at several different frequencies of neural networks constructed. For assessing the level of fatigue failure are generated training samples.

Keywords: diagnostics, nondestructive testing, neural network, a self-learning sample.

Актуальной задачей неразрушающего контроля является применение нейронных сетей для распознавания дефектов по сигналам прибора неразрушающего контроля (НК). Современные технические возможности позволяют упростить работу оператора и перевести задачу классификации дефектов на машинную часть системы. Целью данной работы является определение возможности применения нейронных сетей для распознавания дефектов в металлических конструкциях.

Для построения системы распознавания дефектов на базе искусственных нейронных сетей были проведены ряд экспериментов с образцами:

– пластина с дефектом сплошности;

– непровар сварных соединений;

– пластина с одиночным дефектом в виде  газового включения;

–  пластина с коррозией металла.

Эксперименты проводились интроскопом, принцип действия которого основан на измерении потерь на перемагничивание в металле [1,2]. Определение уровня поврежденности основано на том факте, что если ферромагнитный материал подвергается периодическому перемагничиванию, то в нем возникают потери энергии на гистерезис и вихревые токи. В данной работе использовались конструкций датчиков потерь на перемагничивание для оценки уровня накопленных повреждений при деформациях и выявления дефектов сплошности [3].

Датчик поочередно устанавливался на пластину над каждым дефектом. Регистрацию сигналов проводили с помощью мультиметра, замеры фиксировали в большом диапазоне частот от 50 Гц до 20 кГц. Для всестороннего исследования применялось различные входное напряжение и частота [4].

При уменьшении частоты напряжения обмотки возбуждения, следовательно, и частоты перемагничивания, магнитное поле глубже проникает в испытуемый образец. Такое проникновение обеспечивает распознавание дефекта на разной глубине. Было проведено более 90 экспериментальных измерений.

Для построения системы распознавания дефектов на базе искусственных нейронных сетей было проведено ряд экспериментов, которые помогли создать обучающую выборку для нейронной сети. Для распознавания различных видов дефектов предлагается построить несколько нейронных сетей, которые будут ориентированы на тот или иной вид дефекта, т.к. распознавание видов дефектов происходит на различных частотах. Следовательно, необходимо построить 4 вида нейронных сетей – для распознавания  дефектов сплошности,  непроваров сварных соединений, одиночных дефектов и газовых включений и коррозии металла.

Для решения задач неразрушающего контроля с применением нейронной сети необходимо первым делом сформировать обучающую выборку. Обучающая выборка – это набор входных векторов типа Р {р₁, р₂, р₃,…р_n; 1, 2, 3,…m}, в соответствии которым поставлены выходные вектора D {d₁, d₂, d₃,…d_k}, где n и k – количество нейронов во входном и выходном слое сети; m – частота, при которой наиболее точно определяется тот или иной дефект. Входные вектора Р поочередно подаются на вход сети, а выход её сравнивается с заданным парным входному выходным вектором D, затем параметры сети корректируются таким образом, чтобы сократить различие между фактическим и желаемым выходом сети.

В качестве параметров р₁, р₂, р₃,…р_n входных векторов Р предлагается взять сигналы, полученные при помощи датчика потерь перемагничивания с наиболее значимыми частотами. Выходными векторами D в таком случае будут вектора с тремя классами (по состоянию повреждённости) вида { d₁, d₂, d₃}. Номера классов 1, 2 и 3 соответствуют состояниям повреждённости оборудования: 1 – повреждение не обнаружено, 2 – повреждение обнаружено, 3 – обнаружено критическое повреждение.

Для построения нейронной сети, которая будет определять состояние повреждённости дефекта сплошности, заданы обучающую последовательность следующего вида: P=[7.56 7.55 7.54 7.53 7.40 7.39 7.38 7.37 7.30 7.29 7.28 7.27;20 20 20 20 20 20 20 20 20 20 20 20]; Tc=[1 1 1 1 2 2 2 2 3 3 3 3 ]. Из структуры обучающей последовательности следует, что первые четыре значения соответствуют первому классу – повреждение не обнаружено, вторые четыре значения относятся ко второму классу – повреждение обнаружено, четыре оставшиеся значения соответственно принадлежат третьему классу – обнаружено критическое повреждение. Значение 20 – здесь соответствует частоте, при которой определяется дефект сплошности. Вектор Т_с – это индексы классов.

По такому же принципу были заданы обучающие последовательности для других нейронных сетей. В таблице представлены значения обучающих последовательностей для различных типов дефектов.