Методологія багатопараметрового діагностування технічного стану трубопроводів довгортривалої експлуатації

Завдання забезпечення промислової безпеки в умовах зростаючого фізичного та морального зношення обладнання на небезпечних виробничих об’єктах України зумовлює підвищення ролі методів і засобів неруйнівного контролю та технічної діагностики. Використання обладнання нафтохімічних, нафтопереробних...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2013
Автор:	Карпаш, М.О.
Формат:	Стаття
Мова:	Russian
Опубліковано:	Інститут електрозварювання ім. Є.О. Патона НАН України 2013
Назва видання:	Техническая диагностика и неразрушающий контроль
Теми:	Научно-технический раздел
Онлайн доступ:	http://dspace.nbuv.gov.ua/handle/123456789/103010
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Методологія багатопараметрового діагностування технічного стану трубопроводів довгортривалої експлуатації / М.О. Карпаш // Техническая диагностика и неразрушающий контроль. — 2013. — № 3. — С. 23-30. — Бібліогр.: 22 назв. — укр.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-103010
record_format	dspace
spelling	irk-123456789-1030102016-06-14T03:02:40Z Методологія багатопараметрового діагностування технічного стану трубопроводів довгортривалої експлуатації Карпаш, М.О. Научно-технический раздел Завдання забезпечення промислової безпеки в умовах зростаючого фізичного та морального зношення обладнання на небезпечних виробничих об’єктах України зумовлює підвищення ролі методів і засобів неруйнівного контролю та технічної діагностики. Використання обладнання нафтохімічних, нафтопереробних промислів, об’єктів теплової та ядерної енергетики, яке працює із вибухо- та пожежонебезпечними і токсичними середовищами при надлишкових тисках та температурах, строк експлуатації якого значно перевищує нормативний, є потенційно небезпечне і збільшує ймовірність виникнення аварійних ситуацій. Ресурс безпечної експлуатації металоконструкцій визначається в тому числі фізико-механічними характеристиками металу. Враховуючи сказане вище, визначення механічних характеристик конструкційних сталей та ступеню їх зміни, є важливою та актуальною науково-практичною задачею. В статті подано підхід до вирішення задач визначення параметрів, що характеризують технічний стан металоконструкцій довготривалої експлуатації на прикладі газопроводів. Запропоновано підхід до розроблення методів контролю цих характеристик, що полягає у врахуванні кількох інформативних параметрів за допомогою штучних нейронних мереж, а також визначено напрямки застосування методології для контролю технічного стану трубопроводів (товщина стінки, наявність дефектів типу порушення суцільності, фізико-механічні характеристики та тип мікроструктури). The safe operating life of metal structures is determined by physico-mechanical characteristic of metal. Determination of mechanical characteristics and degree of their variation in structural steels, which are applied as material in a wide range of structures in industry, is an important and urgent scientifi c-practical task. The paper presents an approach to solution of the problems of determination of parameters, which characterize technical condition of metal structures in long-term service, for the case of gas pipelines. An approach to development of the method of monitoring these characteristics is proposed that consists in allowing for several informative parameters using artifi cial neural networks, and directions of application of the methodology for monitoring technical condition of pipelines (wall thickness, presence of defects of the type of discontinuities, physico-mechanical characteristics and type of microstructure) are outlined. 2013 Article Методологія багатопараметрового діагностування технічного стану трубопроводів довгортривалої експлуатації / М.О. Карпаш // Техническая диагностика и неразрушающий контроль. — 2013. — № 3. — С. 23-30. — Бібліогр.: 22 назв. — укр. 0235-3474 http://dspace.nbuv.gov.ua/handle/123456789/103010 620.179 ru Техническая диагностика и неразрушающий контроль Інститут електрозварювання ім. Є.О. Патона НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Научно-технический раздел Научно-технический раздел
spellingShingle	Научно-технический раздел Научно-технический раздел Карпаш, М.О. Методологія багатопараметрового діагностування технічного стану трубопроводів довгортривалої експлуатації Техническая диагностика и неразрушающий контроль
description	Завдання забезпечення промислової безпеки в умовах зростаючого фізичного та морального зношення обладнання на небезпечних виробничих об’єктах України зумовлює підвищення ролі методів і засобів неруйнівного контролю та технічної діагностики. Використання обладнання нафтохімічних, нафтопереробних промислів, об’єктів теплової та ядерної енергетики, яке працює із вибухо- та пожежонебезпечними і токсичними середовищами при надлишкових тисках та температурах, строк експлуатації якого значно перевищує нормативний, є потенційно небезпечне і збільшує ймовірність виникнення аварійних ситуацій. Ресурс безпечної експлуатації металоконструкцій визначається в тому числі фізико-механічними характеристиками металу. Враховуючи сказане вище, визначення механічних характеристик конструкційних сталей та ступеню їх зміни, є важливою та актуальною науково-практичною задачею. В статті подано підхід до вирішення задач визначення параметрів, що характеризують технічний стан металоконструкцій довготривалої експлуатації на прикладі газопроводів. Запропоновано підхід до розроблення методів контролю цих характеристик, що полягає у врахуванні кількох інформативних параметрів за допомогою штучних нейронних мереж, а також визначено напрямки застосування методології для контролю технічного стану трубопроводів (товщина стінки, наявність дефектів типу порушення суцільності, фізико-механічні характеристики та тип мікроструктури).
format	Article
author	Карпаш, М.О.
author_facet	Карпаш, М.О.
author_sort	Карпаш, М.О.
title	Методологія багатопараметрового діагностування технічного стану трубопроводів довгортривалої експлуатації
title_short	Методологія багатопараметрового діагностування технічного стану трубопроводів довгортривалої експлуатації
title_full	Методологія багатопараметрового діагностування технічного стану трубопроводів довгортривалої експлуатації
title_fullStr	Методологія багатопараметрового діагностування технічного стану трубопроводів довгортривалої експлуатації
title_full_unstemmed	Методологія багатопараметрового діагностування технічного стану трубопроводів довгортривалої експлуатації
title_sort	методологія багатопараметрового діагностування технічного стану трубопроводів довгортривалої експлуатації
publisher	Інститут електрозварювання ім. Є.О. Патона НАН України
publishDate	2013
topic_facet	Научно-технический раздел
url	http://dspace.nbuv.gov.ua/handle/123456789/103010
citation_txt	Методологія багатопараметрового діагностування технічного стану трубопроводів довгортривалої експлуатації / М.О. Карпаш // Техническая диагностика и неразрушающий контроль. — 2013. — № 3. — С. 23-30. — Бібліогр.: 22 назв. — укр.
series	Техническая диагностика и неразрушающий контроль
work_keys_str_mv	AT karpašmo metodologíâbagatoparametrovogodíagnostuvannâtehníčnogostanutruboprovodívdovgortrivaloíekspluatacíí
first_indexed	2025-07-07T13:10:52Z
last_indexed	2025-07-07T13:10:52Z
_version_	1836993848474075136
fulltext	23ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №3, 2013 УДК 620.179 МЕТОДОЛОГІЯ БАГАТОПАРАМЕТРОВОГО ДІАГНОСТУВАННЯ ТЕХНІЧНОГО СТАНУ ТРУБОПРОВОДІВ ДОВГОТРИВАЛОЇ ЕКСПЛУАТАЦІЇ М.О.КАРПАШ Івано-Франківський нац. техн. ун-т нафти і газу. 76019, вул. Карпатська, 15. E-mail: publiс@nund.edu.ua Завдання забезпечення промислової безпеки в умовах зростаючого фізичного та морального зношення обладнання на небезпечних виробничих об’єктах України зумовлює підвищення ролі методів і засобів неруйнівного контролю та технічної діагностики. Використання обладнання нафтохімічних, нафтопереробних промислів, об’єктів теплової та ядерної енергетики, яке працює із вибухо- та пожежонебезпечними і токсичними середовищами при надлишкових тисках та температурах, строк експлуатації якого значно перевищує нормативний, є потенційно небезпечне і збільшує ймовірність виникнення аварійних ситуацій. Ресурс безпечної експлуатації металоконструкцій визначається в тому числі фізико-механічними характеристиками металу. Враховуючи сказане вище, визначення механічних характеристик конструкційних сталей та ступеню їх зміни, є важливою та актуальною науково-практичною задачею. В статті подано підхід до вирішення задач визначення параметрі в, що характеризують технічний стан металоконструкцій довготривалої експлуатації на прикладі газопроводів. Запропоновано підхід до розроблення методів контролю цих характеристик, що полягає у врахуванні кількох інформативних параметрів за допомогою штучних нейронних мереж, а також визначено напрямки застосування методології для контролю технічного стану трубопроводів (товщина стінки, наявність дефектів типу порушення суцільності, фізико-механічні характеристики та тип мікроструктури). Бібліогр. 22, рис. 6. К л ю ч о в і с л о в а : технічна діагностика, трубопроводи, багатопараметровий підхід, нейронні мережі, нелінійна апроксимація Нарощування обсягів видобування як тради- ційних (нафти та природного газу) та нетрадицій- них вуглеводневих енергоносіїв (сланцевий газ, шахтний метан тощо), що є одним з пріоритетів Енергетичної стратегії України до 2030 р. немож- ливе без розвитку та підтримання у належному технічному стані розгалуженої мережі трубо- провідного транспорту. На фоні незадовільного фінансового стану нафтогазової галузі загрозливою залишається ситуація з основним устаткуванням – до 29 % газопроводів відпрацювали свій амортизацій- ний термін, майже 60 % експлуатуються від 10 до 33 років, майже третина із 703 газоперека- чувальних агрегатів компресорних станцій ви- робила свій моторесурс, або близька до цього і потребує реконструкції. Розподіл причин відмов газопроводів, % Зовнішній вплив ........................................................... 48,4 Дефекти будівництва/дефекти матеріалу ................... 16,7 Корозія ........................................................................... 16,1 Рухи ґрунту ...................................................................... 7,4 Помилкові врізки ............................................................ 4,8 Інше та невідоме ............................................................. 6,6 На жаль, відомості про технічний стан віт- чизняних газопроводів в останні роки, їх аварій- ність та статистику надзвичайних ситуацій від- сутні у широкому доступі, тому скористаємось європейським досвідом тривалого й безпечного експлуатування газопроводів за даними Європей- ської групи щодо надзвичайних ситуацій на газо- вих трубопроводах (EGIG) [1]. EGIG підтримує та постійно розширює базу даних щодо надзвичайних ситуацій на газовому транспорті в Європі. Газотранспортні компанії з п’ятнадцяти Європейських країн збирають ві- домості про надзвичайні ситуації на трубопро- водах із загальною довжиною понад 135 тис. км щороку. Загальна середня частота надзвичайних ситуацій складає 0,35 надзвичайних ситуацій за 1 рік на 1000 км в межах періоду часу з 1970 по 2010 роки, а середнє значення надзвичайних си- туацій за 5 останніх років в 2010 р. склало 0,16 за 1 рік на 1000 км. На рис. 1 зображено розподіл зовнішніх впливів за товщинами стінок та характерними дефектами трубопроводів – очевидно, найбільш чутливими до зовнішніх впливів є труби з меншою товщиною стінки, а саме 5 мм. На рис. 2 зображено сукупний розподіл дефек- тів спорудження/матеріалів за роками будівництва газових трубопроводів. Аналіз узагальнених даних щодо статистики відмов нафтогазопроводів дає змогу встановити наступні істотні чинники: – найбільша інтенсивність відмов спостері- гається для тонкостінних та трубопроводів дов- готривалої експлуатації;© М.О.Карпаш, 2013 24 ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №3, 2013 – корозійні пошкодження є причиною значної кількості відмов на трубопровідному транспорті; – існують проблеми із визначенням фактичних розмірів дефектів, їх типів з метою оцінки ступеня їх небезпечності для експлуатації трубопроводів. Підсумовуючи наведені статистичні відомості можна також стверджувати, що невідповідність фактичних фізико-механічних характеристик ма- теріалу трубопроводів є серед причин механічних пошкоджень, руйнувань тощо. Світовою практикою доведено, що одним із найефективніших методів забезпечення експлуатаційної надійності обладнання, кон- струкцій та матеріалів є широке впроваджен- ня нових науково-містких технічних засобів і технологій оцінки їх фактичного технічного стану методами неруйнівного контролю (НК) і технічної діагностики (ТД). Проблеми ТД систем трубопровідного транс- порту, зокрема прогнозування залишкового ресур- су, навіть за значного поширення різних технічних засобів НК та низку нормативних документів, що регламентують порядок робіт в цій сфері, не мо- жуть бути вирішені ефективно без застосування сучасних і, в той же час, доступних технологій та інструментів урахування окремих інформативних параметрів для визначення цільових (шуканих) характеристик. У даному випадку інформативними параме- трами є параметри, що можуть бути визначені методами НК (швидкість поширення ультразву- кових коливань, акустичний імпеданс, питомий електричний опір тощо), а типовими цільовими параметрами технічного стану трубопроводів є дійсні фізико-механічні характеристики, на- явність (відсутність) чи розмір дефектів типу порушення суцільності, залишкова товщина стінки металоконструкцій. Додатково, також за можливості визначення цих цільових параме- трів з достатньою точністю та достовірністю, можливо перейти до визначення ступеня їх змі- ни (деградації) з метою оцінки залишкового ресурсу, оцінки ризиків тощо. Схематично цю проблему зображено на рис. 3. Окрім того, у багатьох випадках було пока- зано наскільки недосконалими є методи контро- лю технічного стану трубопроводів за окреми- ми параметрами. У роботах [2, 3] показано, що найбільш прийнятним вирішенням цієї ситуації є застосування багатопараметрового (комплекс- ного) контролю технічного стану. Зазначена вище проблема у сфері ТД характе- ризується наступними особливостями, які необ- хідно врахувати під час її вирішення: – переважна нелінійність зв’язків між інфор- мативними параметрами та цільовими характери- стиками; – значення інформативних параметрів і цільо- вих характеристик можуть різнитись за точністю, достовірністю та ступенями довіри; Рис. 1. Розподіл зовнішніх впливів за розмірами витоків і товщиною стінки (Т) трубопроводів: 1 – невідомо; 2 – точко- вий отвір/тріщина; 3 – отвір; 4 – руйнування Рис. 2. Розподіл дефектів матеріалу/спорудження за розміра- ми витоків та роками будівництва (P) газопроводів (позначен- ня ті самі, що і на рис. 1) Рис. 3. Проблема методології підбору комплексу інформатив- них параметрів контролю технічного стану трубопроводів 25ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №3, 2013 – можливі комплекси інформативних параме- трів можуть бути взаємнокорельованими; – точність визначення цільових параметрів технічного стану об’єктів є критичною щодо ро- зрахунку та прогнозування ресурсу їх безпечної експлуатації і вибору оптимальних режимів екс- плуатування. Істотними чинниками, які необхідно врахувати для вирішення зазначеної проблеми, є відсутність аналітичного (формульного) зв’язку між інфор- мативними параметрами, що можуть бути визна- чені сучасними засобами контролю та цільовими характеристиками, що визначають безпечність експлуатації металоконструкції; складність оцін- ки сукупного та індивідуального впливу інформа- тивних параметрів на характеристики технічного стану досліджуваних об’єктів; відсутність мето- дології підбору комплексу інформативних пара- метрів, у тому числі нових, використовуваних для вирішення конкретних завдань ТД та НК. Найбільшу складність вирішення цієї про- блеми становить сам вибір інформативних пара- метрів. Зазначимо, що методи кластеризації та методи вибору інформативних параметрів із су- купності вихідних в останні роки широко викори- стовуються для інтелектуального аналізу даних [4, 5], що характеризуються складністю застосування на практиці та відсутністю доведеного досвіду ви- користання в нафтогазовій промисловості. Вибір ознак (інформативних параметрів) є у загальному випадку багатоекстремальним. Біль- шість відомих алгоритмів не дають можливості досягнути глобального екстремуму – найбільш оптимального комплексу інформативних параме- трів, які б дали змогу визначати цільовий пара- метр із задовільною точністю. Залежно від способу побудови алгоритму, що задає послідовність проходження вершин у бага- товимірному просторі інформативних параметрів, методи вибору можна розділити на наступні гру- пи: послідовне перебирання варіантів [6], випад- ковий пошук та його модифікації [7], комбіновані методи [8], генетичні методи, що є узгодженою сукупністю методів комбінаторики та випадково- го пошуку [9]. Раніше [10] автором запропоновано використо- вувати новітні генетичні методи для вирішення зазначеної вище проблеми в галузі ТД та НК – ал- горитми штучних нейронних мереж [11]. Крім того, вибір штучних нейронних мереж було зроблено на підставі глибокого аналізу їх переваг. 1. Нелінійність. Нейронні мережі, побудовані зі з´єднань нелінійних нейронів, самі є неліній- ними. Більше того, ця нелінійність особливо- го виду, оскільки вона розподілена по мережі. Нелінійність є надзвичайно важливою властиві- стю, особливо, якщо фізичне явище, що від- повідає за формування вхідного сигналу, також є нелінійним. 2. Перетворення вхідної інформації на вихідну. Однією з популярних парадигм навчання є на- вчання «з учителем»: передбачається зміна си- наптичних вагових коефіцієнтів на основі набору навчальних прикладів. Кожен приклад складаєть- ся зі вхідного сигналу та відповідної йому бажаної відповіді. Із цієї множини випадково вибирається приклад, а нейронна мережа модифікує синаптич- ні вагові коефіцієнти для мінімізації розходжень бажаного вихідного сигналу та сформованого ме- режею відповідно вибраного статистичного кри- терію – навчання проводиться до тих пір, поки зміни синаптичних ваг не стануть незначними. Таким чином, нейронна мережа навчається на прикладах, складаючи таблицю відповідностей вхід-вихід для конкретного завдання [12]. 3. Адаптивність. Нейронні мережі володіють здатністю адаптувати свої синаптичні ваги до змін середовища. Зокрема, нейронні мережі, навчені діяти в певному середовищі, можна легко перев- чити для роботи за незначних коливань параме- трів середовища. Відомо, що чим вищі адаптивні здібності системи, тим стійкішою буде її робота в нестаціонарному середовищі, що цілком ймовір- но в разі вимірювання параметрів НК. Для того, щоб використовувати усі переваги адаптивності, основні параметри системи повинні бути досить стабільними, щоб можна було не враховувати зов- нішні перешкоди, і достатньо гнучкими для забез- печення реакції на істотні зміни середовища – ця проблема називається дилемою стабільності-пла- стичності [13]. 4. Очевидність відповіді. У контексті завдання класифікації образів можна розробити нейрон- ну мережу, що збирає інформацію не тільки для визначення конкретного класу, але і для збільшен- ня достовірності рішення, що приймається. Зго- дом ця інформація може використовуватися для відхилення сумнівних рішень, що підвищить про- дуктивність нейронної мережі. 5. Контекстна інформація. Знання представля- ються в самій структурі нейронної мережі за до- помогою її стану активації. Кожен нейрон мережі потенційно може зазнавати впливу всіх інших її нейронів. Як наслідок, існування нейронної ме- режі безпосередньо пов’язано з контекстною ін- формацією. 6. Відмовостійкість. Нейронні мережі, від- творені у формі електроніки, потенційно є від- мовостійкими. Це означає, що за несприятливих умов їх продуктивність знижується не значно – тільки серйозні пошкодження структури нейрон- ної мережі істотно вплинуть на її працездатність, 26 ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №3, 2013 а зниження якості роботи нейронної мережі відбу- вається повільно [14]. 8. Однаковість аналізу та проектування. Ней- ронні мережі є універсальним механізмом опрацю- вання інформації. Це означає, що одне і те ж проектне рішення нейронної мережі може використовуватися в багатьох предметних областях – в тому числі для вирішення різних завдань НК та ТД. 9. Аналогія з нейробіологією. Будова нейронних мереж визначається аналогією з людським моз- ком, який є живим доказом того, що відмовостійкі паралельні обчислення не тільки фізично реалі- зовані, але і є швидким і потужним інструментом вирішення завдань. На підставі виконаного аналізу досвіду та мож- ливостей алгоритмів штучних нейронних мереж було розроблено методологію відбору оптималь- ного комплексу інформативних параметрів, що ха- рактеризують технічний стан трубопроводів і по- лягає у послідовному виконанні наступних кроків (рис. 4). Розглянемо порядок та особливості реалі- зації описаних кроків у загальному випадку. Крок 1. Відбір множини інформативних пара- метрів, керуючись цільовими параметрами. Ос- новний вплив на відбір множини інформативних параметрів контролю має досвід дослідника, а також нормативні документи, що регламентують вимоги до матеріалів, процесу виробництва си- ровини та готових виробів, їх експлуатування й технічного діагностування. При цьому важливо враховувати фізичну сутність цільового параме- тра і вимоги щодо точності, достовірності та мож- ливості вимірювання інформативних параметрів у польових умовах та упродовж тривалого терміну. На цьому етапі необхідно також забезпечити достатній статистичний розкид інформативних та цільових параметрів. Для цього можливо скори- статись доступними базами даних, математични- ми моделями, результатами, одержаними іншими дослідниками чи нормативними документами. За випадків, коли кількість інформативних па- раметрів не є достатньою для забезпечення від- повідності встановленим вимогам до точності чи достовірності, варто розглянути доцільність пошуку нових параметрів за допомогою цієї ме- тодології шляхом включення їх до відібраної мно- жини. Кількість цільових параметрів, що характе- ризують технічний стан об’єктів, рекомендовано обирати рівну 1, а запропоновану методологію застосовувати для кожного іншого цільового па- раметра згідно з нижче наведеними кроками. Наприклад, для труб нафтогазо- проводів цільовими параметрами є товщина стінки труби, дефекти порушення суцільності (тріщини), фізико-механічні характеристики (межа плинності/міцності, ударна в’язкість) тощо. Крок 2. Кореляційно-регресій- ний аналіз використовується для визначення необхідності введення тих чи інших чинників до рівнянь регресії, а також для оцінки одер- жаних рівнянь регресії. При цьому розраховують табли- цю коефіцієнтів кореляції, а за ними визначають наявність та ступінь зв’язку між елементами відібра- ної множини інформативних па- раметрів та цільовим параметром. Додатні значення коефіцієнтів ко- реляції вказують на прямопропор- ційний зв’язок, тоді як від’ємні – на обернений. Слід зазначити, що в більшості випадків на практиці ко- ефіцієнти кореляції не досягають значень близьких до 1. Як правило, значення, що перебувають в межах від 0,4 до 0,8, вказують не на відсут- ність зв’язку між досліджуваними Рис. 4. Послідовність реалізації методології відбору оптимального комплексу інформативних параметрів 27ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №3, 2013 характеристиками, а на його нелінійний характер. Рекомендується у таких випадках або поділити чи звузити діапазон значень інформативних параме- трів, або виконати графоаналітичний аналіз. Крім того, рекомендується враховувати наступ- ні обмеження кореляційного аналізу: – необхідність застосування якнайбільшої кіль- кості спостережень для дослідження. Вважається, що кількість спостережень повинна не менше, ніж в 5-6 разів перевищувати кількість чинників впливу. Якщо кількість спостережень перевищує кількість чинників у десятки разів, в дію може вступити закон великих чисел, який забезпечує взаємну компенсацію випадкових коливань [15]; – необхідно, щоб сукупність значень усіх інфор- мативних та цільових параметрів підпорядковува- лась багатовимірному нормальному розподілу [16]; – сам факт кореляційної залежності не надає підстав стверджувати, що одна зі змінних пере- дує чи є причиною змін, або те, щоб змінні вза- галі причинно пов’язані між собою, а не спостері- гається вплив третього чинника [17]. Таким чином, результати кореляційного аналі- зу можуть допомогти відкинути відразу інформа- тивні параметри, що ніяким чином не пов’язані з цільовим і вказати на можливий нелінійний харак- тер залежності. Крок 3. Формування та підготовка наборів комплексів інформативних параметрів. Як було зазначено вище, на цьому етапі особливу увагу необхідно звернути на формування наборів даних якнайбільшої розмірності, забезпечивши при цьо- му дотримання наступних обмежень: – розмірності груп інформативних і цільових параметрів повинні бути рівними; – статистичний розкид значень всіх параметрів повинен бути максимальним; – розподіл значень параметрів, особливо цільо- вих, повинен бути максимально наближеним до однорідного. Кожна окрема сукупність значень комплексу ін- формативних параметрів та відповідного їм цільово- го параметра називається навчальною парою. З метою полегшення виконання наступного кроку доцільно привести значення інформативних та цільових параметрів до значень у межах від 0 до 1. Для цього найкраще скористатись функціями нормалізації згідно з наступною формулою (1): ( min ) ,max AA AA AA − αα = (1) де АА – дійсне значення параметра; аа – приведе- не до діапазону [0; 1] значення параметра; min AA – мінімальне значення, яке слід обирати як най- менше значення з набору значень параметра мінус 5…7 % цього значення; max AA – максимальне значення, яке слід обирати як найбільше значен- ня з набору значень параметра плюс 5…7 % цього значення. Додаток, рівний 5…7 % конкретного значення, вводиться, виходячи з наступних міркувань [18]: – похибка більшості значень параметрів, визначених експериментально чи математично не перевищує 5 %. Крім того, неможливо уника- ти ситуації, коли значення інформативних пара- метрів, виміряні в процесі досліджень у майбут- ньому, будуть виходити за вибрані межі; – не рекомендується «заводити» нейронні мережі в процесі тренування в крайні значення 0 чи 1; – області багатовимірного простору значень па- раметрів поза визначеними межами є формально невідомими для нейронних мереж, тому ймовірність достовірного прогнозування значень цільових пара- метрів в цих областях неможливо оцінити. Під час формування комплексних наборів даних потрібно керуватись правилом перебору всіх мож- ливих варіантів, тобто в разі наявності трьох інфор- мативних параметрів треба сформувати чотири на- бори даних (три набори з двох параметрів та один набір з трьох параметрів), у випадку 4 параметрів – 11 наборів (6 наборів з 2 параметрів, 4 набори з 3 параметрів та 1 набір з 4 параметрів) і т. д. На цьому кроці та в усіх наступних для їх най- більш якісного виконання рекомендується вико- ристовувати пакет прикладного програмного за- безпечення для обчислень Matlab R2006 і вище. Характерною позитивною особливістю цього програмного забезпечення є матрична форма ви- конання обчислень. Далі підготовлені набори даних потрібно розді- лити на дві частини: – тренувальний набір – набори інформативних і цільових параметрів, що використовуватимуться для тренування нейронних мереж; – тестовий набір – використовуватиметься для перевірки правильності тренування нейронних мереж. Розмірність цього набору повинна стано- вити від 10 до 30 % розмірності початкового набо- ру. Крім того, з метою забезпечення достовірності результатів тестування особливу увагу необхідно звернути на те, щоб навчальні пари, які входять до тестового набору, ні в якому разі не використову- вались для тренування. Крок 4. Моделювання за допомогою штучних нейронних мереж. На базі досвіду низки дослід- ників [19] встановлено, що найбільш прийнятним для переважної більшості завдань підбору ком- плексів параметрів для НК та оцінки технічного стану є багатошарові нейронні мережі, що трену- ються за алгоритмом зворотнього поширення по- милки Левенберга–Марквардта. Основною парадигмою навчання у цьому ви- падку є навчання «з учителем». На рис. 5 зобра- 28 ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №3, 2013 жено блок-діаграму, яка ілюструє дану форму на- вчання. Описана форма навчання з учителем є нічим іншим, як навчанням на основі корекції помилок – зворотнього поширення помилки. Це замкну- та система зворотнього зв’язку, яка не включає в себе навколишнє середовище. Продуктивність такої системи можна оцінювати в термінах се- редньоквадратичної помилки або суми квадратів помилок на навчальній вибірці, представленій у вигляді функції від вільних параметрів системи. Алгоритм зворотнього поширення є найпопуляр- нішим серед алгоритмів навчання багатошарових нейронних мереж. Тобто він є градієнтним мето- дом, а не методом оптимізації. Для реалізації описаної послідовності операції з тренування штучних нейронних мереж рекомен- дується використовувати спеціалізований про- грамний додаток Neural Network Toolbox в середо- вищі Matlab R14. Похибку тренування під час встановлення на- лаштувань у додатку Neural Network Toolbox слід вибрати 5 %. Це пояснюється тим, що як правило, сумарний рівень похибок вимірювань цільових та інформативних параметрів, а також стохастичних складових не перевищує 5 %. Рекомендується для кожного випадку обраних комплексів інформативних параметрів виконати тренування 5–7 мереж однакової архітектури. Така кількість мереж є довільною, проте вона дає змогу уникнути випадків сходження алгоритму тренуван- ня в локальний мінімум та ефекту «перенавчання», що супроводжуватиметься запам’ятовуванням ці- льових значень, що відповідають інформативним, а не встановленню залежності між ними [20]. Для більшості випадків найбільш прийнятною є класична архітектура багатошарової нейронної мережі [21] зі зворотним поширенням помилки (рис. 6). Математичний вираз для розрахунку вихідного значення нейронної мережі наступний [21]: 3 3,2 2 2,1 1 1,1 1 2 3( ( ( ) ) .y f LW f LW f lW p b b b= + + + (2) Як функцію перетворення у вихідному (остан- ньому) шарі рекомендується використовувати сіг- моїдальну функцію logsig, а у всіх прихованих ша- рах – тангенційно-сігмоїдальну tansig. Математичний вираз функції logsig є наступ- ним (3): 1 logsig( ) , 1 nn e−= + (3) Математичний вираз функції tansig (4): 2 2 tansig( ) 1. 1 nn e−= − + (4) Функція tansig математично еквівалентна гіперболічному тангенсу. Її відмінністю є те, що для більшості програм розрахунок її значень вико- нується швидше, ніж для гіперболічного тангенса, а результати відрізняються дуже незначно. Вибір функцій logsig та tansig як функцій пере- творення зумовлений наступними міркуваннями: – ці функції є нелінійними, а отже їх су- купність у структурі нейронної мережі дасть можливість апроксимувати нелінійні багатопа- раметрові залежності цільових параметрів від інформативних; – logsig рекомендовано використовувати у вихідному шарі нейронної мережі, оскільки зна- чення всіх параметрів (включно із цільовими) по- передньо зведені до діапазону [0; 1], що відповідає ділянці значень цієї функції. tansig доцільно вико- ристовувати у прихованих шарах мережі, оскільки Рис. 5. Блок-діаграма навчання з учителем Рис. 6. Рекомендований тип багатошарової нейронної мережі: R – розмірність матриці вхідних (інформативних) параметрів; IW – матриця вагових коефіцієнтів вхідного шару нейронів; p – елементи вхідного набору параметрів; b – матриці затримок в нейронах; n – позначення нейронів; LW – матриця вагових коефіцієнтів прихованих шарів; S – розмірність матриці вагових коефіцієнтів та за- тримок нейрона; f – функція перетворення; а – матриці виходів шарів нейронів; y – вихід останнього шару нейронів 29ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №3, 2013 вони володіють вищою чутливістю до незначних змін входів нейронів порівняно із logsig [22]. Крок 5. Визначення комплексу параметрів, що є оптимальними з точки зору точності їх визна- чення і цільових параметрів, а також можли- вості вимірювання. Після завершення процесу тренування усіх нейронних мереж для всіх можливих комбінацій потрібно провести тестування за допомогою по- передньо підібраних тестових наборів даних, що не використовувались під час тренування. Одержані результати розрахунку значень ці- льових параметрів порівнюються з еталонними (з тестового набору) шляхом розрахунку абсолютної та, за потреби, відносної похибки і розрахунку їх середнього значення. Серед одержаних результатів виходів нейрон- них мереж обирається найменший. Надзвичайно низькі (близькі до нуля) значення похибок для всіх значень відкидаються як такі, що свідчать про явище «перенавчання». Далі такий же вибір слід виконати для кожного набору комплексу інформативних параметрів. Як критерії оптимальності, в даному випадку, обрано наступні: – мінімально можливий комплекс інформатив- них параметрів; – найвища точність визначення цільового пара- метра (у абсолютному чи відсотковому вираженні). Вибраний за вказаними вище критеріями комплекс інформативних параметрів можна вва- жати оптимальним та прийнятним. Крок 6. Графоаналітичні дослідження. Гра- фоаналітичний метод допомагає проаналізувати фізичну суть одержаної моделі, що міститься в структурі нейронної мережі, і дає змогу працюва- ти з найбільш оптимальним набором інформатив- них параметрів. Він здатний допомогти наглядно відстежити і проаналізувати всі ті взаємні зв’язки між цільовими та інформативними параметрами, а також допомагає уникнути помилок під час по- будови алгоритмів розрахунку за допомогою ПК та мікропроцесорних засобів. Для цього необхідно сформувати «модельні» на- бори вхідних (інформативних параметрів) з тими самими діапазонами значень, що були обрані для початкових наборів даних на Кроці 3 та розрахувати значення цільового параметра на них. Кількість зна- чень у цих наборах повинна бути задовільною для забезпечення нормального візуального відтворення дво- та тривимірних зображень залежностей. Оскільки розмірність «модельних» наборів вхідних (інформативних) параметрів і одержаних шляхом розрахунку штучною нейронною мере- жею цільових параметрів однакові, постає мож- ливість побудови дво- і тривимірних залежностей цільового параметра від одного чи двох вхідних. Отримані таким чином набори даних можуть бути використані для табуляції залежності вихід- ного параметра від обраного комплексу інформа- тивних параметрів з метою програмування мікро- процесорів та побудови відповідного програмного забезпечення. Крок 7. Побудова аналітичних залежностей. Основним недоліком використання штучних ней- ронних мереж більшість дослідників вважає від- сутність встановлених аналітичних залежностей, що містяться в структурі мережі. Додатково ці за- лежності можна використовувати для проведення подальших досліджень, спрощення використання одержаних результатів досліджень. Використо- вуючи формули (2)−(4) та набори вагових коефі- цієнтів і затримок усіх шарів використовуваної нейронної мережі можна побудувати аналітичну залежність у матричній формі. Крок 8. Формулювання методу. Одержана таким чином штучна нейронна мережа може використовуватись для виконання операцій з визначення цільових параметрів у вигляді спеціалізованого програмного забезпечення або інформаційно-вимірювальної системи. Після виконання усіх кроків запропонованої методології рекомендується сформувати їх вико- нання у конкретну послідовність операцій, що в подальшому можуть бути повторені з метою одер- жання задовільних результатів визначення цільо- вих параметрів, які характеризують технічний стан металоконструкцій. Одним із найбільш прийнятних способів фор- малізації розробленого методу є нормативний документ чи його проект, який регламентував би наступне: – методи та засоби вимірювання інформатив- них параметрів; – спосіб розрахунку цільового параметра, що характеризує технічний стан трубопроводів; – метрологічні характеристики методу; – бракувальні критерії; – способи представлення результатів досліджень; – напрямки використання результатів дослід- жень для розрахунку залишкового ресурсу трубо- проводів. Висновки Таким чином, існують підстави стверджува- ти, що застосування нейромережевих технологій в НК містить значний потенціал для підвищення достовірності результатів обстежень та погли- блення наукових досліджень за даним напрямком. З огляду на зазначені завдання контролю техніч- ного стану матеріалів і виробів у нафтогазовій галузі 30 ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №3, 2013 розроблена методологія може застосовуватись для: – встановлення взаємозв’язків між фізико-ме- ханічними характеристиками металоконструкцій та мікроструктурним станом; – розроблення методів контролю параметрів, що характерузують технічний стан металокон- струкцій в нафтогазовій промисловості – товщини стінки, механічних характеристик і дефектів типу порушення суцільності. 1. Gas Pipeline Incidents, 8th Report of the European Gas Pipeline Incident Data Group, Dec. 2011. – Режим доступу: www.egig.eu 2. Bida G. V., Nichipuruk A. P. Multiparameter Methods in Magnetic Structuroscopy and Nondestructive Testing of Mechanical Properties of Steels // Defektoskopiya. – 2007. – 43, № 8. – P. 3–24. 3. Multiparameter analysis of the Barkhausen noise signal and its application for the assessment of plastic deformation level in 13HMF grade steel / L.Piotowski, B.Augistyniak, M.Chmielewski, Z.Kowalewski // Measurement Sci. and Technology. – 2010. – 21, №11. 4. Bida G. V., Nichipuruk A. P. Multiparameter Methods in Magnetic Structuroscopy and Nondestructive Testing of Mechanical Properties of Steels // Defektoskopiya. – 2007. – 43, № 8. – P. 3–24. 5. Multiparameter analysis of the Barkhausen noise signal and its application for the assessment of plastic deformation level in 13HMF grade steel / L.Piotowski, B.Augistyniak, M.Chmielewski, Z.Kowalewski // Measurement Sci. and Technology. – 2010. – 22, № 12. 6. Мирошниченко Л. В. Сравнение алгоритмов выбора при- знаков в распознавании образов. Статистические про- блемы управления. – Вильнюс: ИМК АН Литвы, 1990. – Вып.93. – С.78–91. 7. Методы, критерии и алгоритмы, используемые при пре- образовании, выделении и выборе признаков в анализе данных / К.А.Чепонис., Д.А.Жвиренайте, Л.В.Мирош- ниченко, Б.С. Бусыгин. – Вильнюс: Изд-во ИМК АН ЛитССР, 1988. – 149 с. 8. Siedelcki W., Sklansky J. On automatic feature selection // IEEE Pattern Recognition and Art. Int. – 1988. – 2, № 2. – P. 197–220. 9. Курейчик В. М. Генетические алгоритмы. – Таганрог: ТРТУ, 1998. – 242 с. 10. Карпаш М. О., Котурбаш Т. Т. Перспективи застосу- вання штучних нейронних мереж в дефектоскопії // Ма- тер. ХV Міжнарод. наук.-техн. конф. «Електромагнітні та акустичні методи неруйнівного контролю матеріалів та виробів» ЛЕОТЕСТ-2010 (15–20 лютого 2010 р.). – Славське Львівської обл., 2010. – С.55–56. 11. Industrial application of neural networks – an investigation / B. Lennox, G.A.Montague, A.M.Frith et al. // Mechanical Systems and Signal Processing. – 2002. – Vol. 16. – Issue 4. – P. 487–546. 12. Geman S. E. Bienenstock and R.Doursat. Neural networks and the bias/variance dilemma // Neural Computation. – 1992. – 4. – P.1–58. 13. Grossberg S. Z. Neural Networks and Natural Intelligence. – Cambridge, MA: MIT Press, 1988. 14. Kerlirzin P. and F.Vallet. Robustness in multilayer perceptrons // Neural Computation. – 1993. – 5. – P. 473–482. 15. Елисеева И. И., Юзбашев М. М. Общая теория статистики: Учебник / Под ред. И.И.Елисеевой. – 4-е изд., перераб. и до- полн. − М.: Финансы и Статистика, 2002. − 480 с. 16. Общая теория статистики: Учебник / Под ред. Р.А. Шмой- ловой. − 3-е изд., перераб. − М.: Финансы и Статистика, 2002. − 560 с. 17. Ландау Л. Д., Лифшиц Е. М. Статистическая физика. – М.: Наука, 1964. – 567 с. 18. Карпаш О. М. Новітні методи прикладної фізики і ма- тематики в інженерних дослідженнях: Навч.посібник / О.М. Карпаш, А.О. Снарський, П.М. Райтер, М.О. Кар- паш. – Івано-Франківськ: Факел, 2008. – 320 с. 19. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. – М.: Мир, 1992. – 185 с. 20. Карпаш М. О. Підвищення чутливості акустичного мето- ду неруйнівного контролю матеріалів // Техн. диагности- ка и неразруш. контроль. – 2011. – № 4. – С.39–43. 21. Хайкин С. Нейронные сети: полный курс, 2-е изд: Пер. с англ. – М.: ИД «Вильямс», 2006. – 1104 с. 22. Карпаш М. О., Рибіцький І. В., Котурбаш Т. Т. Перспективи застосування штучних нейронних мереж в дефектоскопії // Мат. ХVІ Міжнар. наук.-техн. конф. «Електромагнітні та акустичні методи неруйнівного контролю матеріалів та ви- робів» ЛЕОТЕСТ-2011 (21–26 лютого 2011 року). – Слав- ське Львівської області. – 2011. – С.10–11. The safe operating life of metal structures is determined by physico-mechanical characteristic of metal. Determination of mechanical characteristics and degree of their variation in structural steels, which are applied as material in a wide range of structures in industry, is an important and urgent scientifi c-practical task. The paper presents an approach to solution of the problems of determination of parameters, which characterize technical condition of metal structures in long-term service, for the case of gas pipelines. An approach to development of the method of monitoring these characteristics is proposed that consists in allowing for several informative parameters using artifi cial neural networks, and directions of application of the methodology for monitoring technical condition of pipelines (wall thickness, presence of defects of the type of discontinuities, physico-mechanical characteristics and type of microstructure) are outlined. 22 References, 6 Figures. K e y w o r d s : technical diagnostics, pipelines, multiparametral approach, neural networks, nonlinear approximation Надійшла до редакції 04.04.2013

Методологія багатопараметрового діагностування технічного стану трубопроводів довгортривалої експлуатації

Репозитарії

Схожі ресурси