Авторы: А.Н. Кузьмин (ООО «Стратегия НК»), В.В. Иноземцев, А.С. Прохоровский, Е.Г. Аксельрод, В.А. Кац (ООО «Диаформ»).
Опубликовано в журнале Химическая техника №3/2018
Рассмотрен вопрос разработки и применения на практике технологии беспороговой регистрации данных (БРД) акустико-эмиссионного контроля. Рассмотрены основные принципы построения системы БРД, способ фильтрации помех во временном ряду данных акустико-эмиссионного контроля (АЭК) и обнаружения на фоне и внутри шума полезных сигналов от развивающихся дефектов контролируемого объекта. По результатам фильтрации сигналов акустической эмиссии (АЭ) и дальнейшей обработки данных предложен способ классификации сигналов, соответствующих развивающимся дефектам, по степени опасности. Представленная технология БРД может быть эффективно использована на практике как при периодическом контроле, так и при разработке автоматических систем принятия решения диагностического мониторинга на опасных производственных объектах (ОПО).
Основной проблемой современной акустико-эмиссионной аппаратуры, основанной на принципе пороговой амплитудной дискриминации регистрируемого сигнала АЭ, по-прежнему является слабая помехозащищенность [1]. Эта проблема особенно актуальна для объектов с высоким уровнем производственных и прочих помех, где получить действительно полезный АЭ сигнал от дефекта в ходе диагностических мероприятий до сих пор представляется практически не выполнимой задачей. Надежное обнаружение полезного АЭ сигнала в сигнале помехи в реальном времени и в широком диапазоне отношений сигнал/шум (S/N) при АЭ контроле опасных производственных объектов широкого спектра назначения требует разработки принципиально нового помехоустойчивого алгоритма [2]. Существующие методы обработки зашумленных АЭ данных в частотной/временной областях основаны на анализе Фурье, в том числе на wavelet-декомпозиции и анализе главных компонент [3]. Методы, в которых используется пороговая регистрация данных, обладают слабой помехоустойчивостью. При S/ N > 1 может быть эффективно использована технология, связанная с отказом от введения порога дискриминации при регистрации данных АЭ, определяемая как беспороговая регистрация данных [4].
Преимущество БРД перед пороговой регистрацией заключается в способе фильтрации шумов и последующей обработке данных АЭ. Работа устройства БРД (рис. 1) основана на непрерывной записи АЭ сигнала, поступающего с выхода регистрирующей цепочки I – II: преобразователь акустической эмиссии (ПАЭ) – предварительный, широкополосный согласующий усилитель. Отметим отсутствие ключевого компонента цепочки I – II любой серийной АЭ системы – детектора-дискриминатора.
В блоках III, IV с использованием аналогового цифрового преобразователя (АЦП) типа L-Card ведутся регистрация и запись непрерывного стохастического временного ряда событий АЭ, как аддитивной смеси полезного сигнала и шума c S/ N > 1 или S/ N < 1, что не имеет принципиального значения. Задачи фильтрации решаются не заданием порога дискриминации, а расчетным способом в режиме постобработки (блоки V – VI), включающей набор полосовых частотных фильтров (блок V) и адаптивную фильтрацию (блок VI), – последовательные стадии для выделения полезного АЭ сигнала.
Обнаружение и фильтрация полезного сигнала АЭ
Остановимся более подробно на реализации алгоритма адаптивной фильтрации зашумленного сигнала АЭ в условиях беспороговой непрерывной записи сигнала АЭ. При пороговом АЭК промышленных ОПО объекты с S/ N ≤ 1 слабо поддаются контролю, в то время как технология адаптивной фильтрации в БРД позволяет сохранить информативность полезного сигнала АЭ даже при S/ N < 1 [4]. Известно, что в системах радиосвязи параметры систем цифровой адаптивной фильтрации (АФ) могут в реальном времени подстраиваться под спектральные, корреляционные и статистические характеристики зашумленного входного сигнала, при этом адаптивные алгоритмы фильтрации успешно обнаруживают полезный сигнал с неизвестными параметрами (источником которого является дефект) в присутствии сильных помех различной природы [5].
Классическая схема АФ – использование образцового (шумового) сигнала в качестве шумоподавителя – часто не применима на практике. При этом работа фильтра предполагает использование двух раздельных ПАЭ, регистрирующих соответственно зашумленный сигнал АЭ и свободную от полезного сигнала «чистую» помеху – шум. Однако на практике классическая двухканальная схема работы АФ при анализе данных АЭ, полученных с объектов, оказалась непригодной. Обусловлено это тем, что отсутствие АЭ сигнала от дефекта на участке, где установлен вспомогательный датчик, является определяющим условием работоспособности классической схемы АФ. Сформулированное условие не всегда выполнимо на практике, поскольку априори присутствует неопределенность расположения дефекта в объекте контроля.
Нами реализована схема АФ с одним информационным входным каналом (рис. 2). В результате адаптивной фильтрации зашумленного сигнала АЭ на выходе фильтра происходит разделение сигнала и шума на две независимые компоненты: случайной шумовой компоненты и детерминированной компоненты, представляющей собой полезный сигнал АЭ, выделяемый из шума в качестве сигнала ошибки работы фильтра. При использовании механизма «слепой адаптации» [6], а также специально разработанной нами процедуры задержки сигнала на входе [7] был достигнут эффект выделения детерминированного сигнала АЭ при отношении сигнал/шум много меньше единицы. В качестве иллюстрации эффективности работы фильтра на рис. 2 приведена функция когерентности, рассчитанная для полезного сигнала АЭ на входе и выходе фильтра. Значения функции когерентности в используемом диапазоне частот – не менее 0,7.
Это означает, что форма и спектральный состав полезного сигнала после фильтра практически совпадают с таковыми для входного сигнала.
В основе сравнительного анализа компонент на выходе адаптивного фильтра лежит тезис о том, что случайный шум, который формирует шумовую компоненту АФ, представляет собой характерный для таких сигналов пуассоновский процесс [2]. Это означает, что временной ряд отсчетов шума подчиняется статистике Пуассона, при этом плотность вероятности распределения временных интервалов между импульсами АЭ носит экспоненциальный характер. Известно, что отклонения от статистики Пуассона и, соответственно, от экспоненциального распределения есть следствие наличия в потоке событий данных АЭ детерминированной, неслучайной компоненты. Эти свойства детерминированности заключаются, в первую очередь, в группировании отдельных событий АЭ, возникающем вследствие коррелированности в работе соответствующих им элементарных источников АЭ.
Таким образом, критерием наличия сигнала, исходящего от дефекта, является изменение характеристик функции распределения, в частности, отклонение от экспоненциального закона функции распределения временных интервалов между импульсами.
Проиллюстрируем это на графиках, представленных на рис. 3. На диаграмме (рис. 3, а) представлены фрагменты наложенных друг на друга разделенных компонент сигнала и шума в характерный момент подрастания опасного развивающегося дефекта. Видно, что сигнал на диаграмме действительно много слабее шумовой компоненты и практически полностью ею подавляется.
График на рис. 3, б иллюстрирует принцип формирования отсчетов полезного сигнала АЭ. В случае БРД это производится методом определения положения переднего фронта импульса АЭ посредством операции дифференцирования мгновенной мощности сигнала АЭ.
Дальнейшие операции по обработке сигнала заключаются в переходе к сравнительному расчету локальных свойств разделенных компонент сигнала и шума. В данном эксперименте мы рассматриваем отношения сигнал/шум порядка 0,05.
Позднее работоспособность этой системы фильтрации в условиях малого соотношения сигнал/шум была подтверждена на реальных объектах контроля, о чем пойдет речь далее, и явилась основой создания соответствующей запатентованной экспертной системы БРД АЭК [4].
Принципы обработки данных экспериментальных временных рядов
Дальнейшая работа модулей устройства БРД, согласно схеме на рис. 1, сводится к следующему. После выделения полезного сигнала на фоне шума посредством АФ (см. рис. 3, б) в блоке VII осуществляется расчет комплекса информативных параметров, характеризующих локальные свойства как АЭ сигнала, так и шума. Для этого выбирается скользящее временное окно, в котором используются информативные параметры, устойчивые по отношению к изменению интенсивности и амплитуды шума. В частности, в блоке VII на основе анализа спектральных и корреляционных свойств АЭ сигнала и шума рассчитываются текущие значения времени корреляции и функции когерентности в полосе частот использованного в блоке V типа полосового фильтра. Далее для разделенных компонент сигнала и шума реализуется алгоритм расчета функции распределения временных интервалов между импульсами АЭ, на основе которого определяются численные оценки степени отклонения статистики временных интервалов сигнала АЭ от случайного шума.
Дополнительно к этому производится анализ локальных статистических свойств временных рядов сигнала и шума. Эта процедура осуществляется посредством расчета соответствующих моментов высших порядков, а также коэффициентов асимметрии и эксцесса, описывающих различия функций распределения сигнала и шума. Кроме того, для улучшения статистики и повышения достоверности данных АЭ в блоке VII реализован анализ фрактальных свойств временных рядов сигнала и шума, поступающих с выхода блока VI, на основе которого рассчитываются параметры, оценивающие степень стохастичности исходных временных рядов сигнала и шума.
В блоках VIII–IX (см. рис. 1) на основе многопараметрической идентификации источников акустической эмиссии на фоне случайной помехи осуществляется классификация соответствующих им дефектов по степени опасности. Так, в блоке VIII производится распознавание полезного сигнала на фоне шума и его классификация (блок IX) методом кластерного анализа в пространстве признаков. В качестве последних используются численные значения совокупности локальных характеристических инвариантов, сформированных в блоке VII: а) спектральных и корреляционных – времени корреляции, максимумов функции когерентности и дифференциального кепстра; б) временных – коэффициента вариации, моды функции распределения временных интервалов между импульсами; в) статистических – дисперсии, коэффициентов асимметрии и эксцесса, амплитудных дискриминантов; г) фрактальных – индекса Херста, наибольшего показателя Ляпунова, фрактальной размерности, степени стохастичности. Результатом работы завершающего блока X (см. рис. 1) является формирование диагностического решения о техническом состоянии объекта контроля.
Иллюстрация результатов расчета информативных параметров АЭ, чувствительных к присутствию в случайном шуме детерминированной акустико-эмиссионной компоненты при соотношении сигнал/шум, равном 0,03, приведена на рис. 4. Показаны локальные статистические (а–е) и характеристический (ж, з) инварианты сигнала АЭ и шума на выходе АФ: коэффициенты эксцесса (а, б); вариации (в, г); асимметрии (д, е); Херста (ж, з).
Диаграммы а, б, ж, з на рис. 4 рассчитаны по временным рядам отсчетов; в–е – по временным рядам временных интервалов между отсчетами. Диаграммы в левой части рисунка – сигнал; в правой – шум. Отношение сигнала к шуму – 0,03.
Выбор информативных параметров, используемых в качестве диагностических признаков для оценки технического состояния объекта контроля в заявляемом способе, основан на том, что характерные значения статистических моментов высших порядков и стохастических индексов случайного шумового процесса не зависят от амплитуды и интенсивности шума. В частности, для временного ряда отсчетов шума значение коэффициента эксцесса равно 3, индекса Херста 0,5; для временного ряда временных интервалов между отсчетами шумовой компоненты коэффициент вариации 1, асимметрии 2. Поскольку значения перечисленных характеристик для шума и случайной компоненты сигнала АЭ практически совпадают (см. рис. 4), данные параметры являются помехоустойчивыми и могут рассматриваться в качестве инвариантов, изменения которых обусловлены появлением неслучайных детерминированных компонент во временных рядах АЭ. Вывод о возникновении на фоне шума полезного сигнала от источника АЭ, обусловленного наличием развивающего дефекта, в текущий момент времени измерений производится по экстремальным изменениям значений инвариантов на графиках левой части рис. 4.
На основе экспериментальных данных, полученных в ходе опытно-промышленной эксплуатации системы БРД, рассмотрим пример количественного анализа технического состояния натурного промышленного объекта контроля, который производится в модуле оценки степени опасности дефекта блока X (см. рис. 1).
Разработка и адаптация системы принятия решения в технологии БРД
В качестве объекта контроля, на котором проводилась опытно-промышленная эксплуатация разработанной нами технологии БРД, был использован типовой линейный участок магистрального нефтепровода высокого давления, на котором по данным внутритрубной дефектоскопии (ВТД) было предварительно выявлено некоторое количество локальных недопустимых дефектов отдельных кольцевых и продольных сварных соединений трубопровода. Далее по результатам наружного обследования методами НК выявленных дефектов был составлен их перечень с описанием типа-размера и характеристикой типа разрушения. Некоторые из этих дефектов (пример приведен на рис. 5) были отобраны для проведения эксперимента по определению степени их опасности с применением систем пороговой и беспороговой регистрации данных АЭ [8]. В качестве системы пороговой регистрации данных АЭ для идентификации месторасположения дефекта и определения класса его опасности в соответствии с действующими правилами ПБ 03-593–03 была использована многоканальная цифровая система АЭ типа A-Line 32DDM ООО «Интерюнис» (Москва). Для обеих систем регистрации АЭ был использован адаптированный для протяженных объектов преобразователь АЭ типа SNK-15 производства ООО «Стратегия НК» (Екатеринбург). Основания для выбора данного преобразователя изложены в работе [9].
Особенностью проводимого эксперимента являлся параметрический контроль, необходимый для определения динамики изменения напряженно-деформированного состояния в условиях диагностики объекта контроля в режиме мониторинга, т.е. без принудительного изменения давления. С этой целью был использован специализированный тарированный экстензометрический преобразователь, принцип действия которого основан на бесклеевом способе крепления к трубопроводу. Пример установки преобразователей АЭ систем пороговой и беспороговой регистрации, а также экстензометрического преобразователя показан на рис. 6 а, б. Показания высокочастотной тензометрической системы в пересчете на пульсации внутреннего давления представлены на диаграмме (рис. 6, в). Видно, что в режиме эксплуатации магистрального нефтепровода транспорт нефти представляет собой действительно стохастический неоднородный процесс, который сопровождается локальными флуктуациями давления, необходимыми и достаточными для создания условий нагружения при АЭК.
Таким образом, данный график действительно обосновывает факт возможности проведения АЭК в условиях мониторинга на данном участке МН.
На рис. 7 приведены результаты АЭК для одного из дефектов. Представлены информативные параметры АЭ для дефекта 3-го класса опасности, а также предварительные сведения о месторасположении дефекта и итоговая локационная диаграмма. Видно, что местоположение источника АЭ 3-го класса опасности (рис. 7, б) и ранее обнаруженного дефекта по ВТД (рис. 7, а) совпадают. Далее на основе проведенных измерения пороговой АЭ (рис. 7, в) была осуществлена дальнейшая классификация источников АЭ по степени опасности с использованием адаптированного к условиям контроля интегрально-динамического критерия по стандарту NDIS [9].
Методические принципы эксперимента можно свести к следующим: формирование системы диагностических признаков и определение метода распознавания источников сигнала АЭ, а также использование результатов пороговой регистрации АЭ для так называемого обучения системы принятия решения БРД на основе априори известных данных о дефектах.
Остановимся подробнее на практической реализации указанных подходов. По результатам эксперимента в рамках работы блоков VII–VIII (см. рис. 1) рассчитывались 12 информативных параметров, т.е. зашумленный сигнал АЭ анализировался в двенадцатимерном пространстве признаков, разделенных на три группы: локальные статистические, спектрально-корреляционные и стохастические свойства. Примеры расчета некоторых из этих параметров в системе БРД уже были приведены на рис. 3. При этом работа блоков VII–VIII осуществлялась таким образом, чтобы значения информативных параметров, отвечающих шумовой компоненте временного ряда АЭ, были одинаковы для разных дефектов независимо от времени записи, месторасположения и уровня шума. В конечном итоге в блоке VIII реализации для каждого из информативных параметров объединялись в один (общий) временной ряд, который использовался в качестве диагностического признака для классификации совокупности источников АЭ и распознавания соответствующих им дефектов. Для классификации источников АЭ использовался метод кластерного анализа.
Кластерный анализ осуществлялся по двенадцати упомянутым диагностическим признакам. В работе завершающего блока X (см. рис. 1) системы принятия решения БРД использовался алгоритм иерархического метода k-средних. Соответствующий пример оценки технического состояния объекта контроля приведен на рис. 9 и в табл. 1, 2. На рис. 9 приведена классификация сигналов АЭ на выходе системы БРД: диаграмма рассеивания в пространстве диагностических признаков – канонических переменных. Канонические переменные 1 и 2 на рис. 8 рассчитаны на основе результирующей матрицы информативных параметров АЭ (блок VII). Численные результаты кластеризации для обучающей тестовой выборки событий АЭ приведены в табл. 1. Координаты центров тяжести соответствующих кластеров сведены в табл. 2. Из рис. 8 видно, что события АЭ распределены по четырем смежным кластерам с непересекающимися границами. Существенно, что при этом эллипс рассеяния располагается вдоль главной диагонали, т.е. кластер с большим номером имеет большие координаты центроида. Таким образом, на практике обучающая выборка настраивалась таким образом, чтобы большему номеру кластера соответствовал больший класс опаснос-ти дефекта. При этом шумовые события компактно располагаются в кластере 1 со значениями канонических переменных, близких к нулю, т.е. с минимальной степенью отклонения от случайности. В больших кластерах степень детерминированности, в свою очередь, возрастает. Такое представление может быть эффективно использовано при формировании итогового результата работы системы принятия решения в технологии БРД.
Таблица 1
Результаты кластерного анализа для тестовой обучающей выборêи данных АЭ, полученных на натурном промышленном объекте с опасными развивающимися дефектами
Номер кластера | Количество событий в кластере | Процент от общего числа событий | Класс опасности источника АЭ |
1 | 43983 | 97,74 | шум |
2 | 817 | 1,82 | I |
3 | 43983 | 97,74 | II |
4 | 36 | 0,08 | III |
Представленные результаты дают основание полагать, что совместное применение пороговой и беспороговой регистрации данных АЭ может быть использовано для построения обучающей выборки и создания соответствующей автоматической экспертной подсистемы, которая является составной частью блока принятия решения о техническом состоянии объекта контроля.
Таким образом, в отличие от существующих пороговых способов акустико-эмиссионного контроля, предлагаемый способ беспороговой регистрации и анализа зашумленных сигналов акустической эмиссии позволяет практически применить акустико-эмиссионный контроль в системах диагностического мониторинга с автоматическим принятием решения без участия оператора и при отношении сигнал/шум порядка или меньше единицы.
Таблица 2
Координаты центроидов кластеров
Номер кластера | Переменная 1 | Переменная 2 |
1 | –0,0968 | –0,0975 |
2 | 2,3495 | 2,3315 |
3 | 9,0472 | 9,4631 |
4 | 23,8279 | 23,1692 |
На основании изложенного можно сделать следующие выводы:
1. Предложена технология БРД при АЭ контроле, успешно применимая в условиях высокого уровня производственных помех, а также нестационарного шума;
2. Запатентованная технология беспороговой регистрации данных при АЭ контроле линейных протяженных объектов может быть эффективно использована для построения автоматической системы принятия решения экспертной мониторинговой системы для различного рода объектов нефтегазового комплекса.
Список литературы
- D.G. Davydova, A.N. Kuz’min, R.G. Rizvanov, E.G. Aksel’rod. Identification of Acoustic-Emission Sources During Testing of Technological Equipment with a High Noise Level//Russian Journal of Nondestructive Testing. May 2015. Vol. 51, Issue 5. Р. 292–302.
- Кузьмин А.Н., Аксельрод Е.Г., Давыдова Д.Г. Помехоустойчивый метод обнаружения полезного сигнала в системах акустико-эмиссионного мониторинга производственных объектов//Технадзор. 2013. №4 (77), С. 26–29.
- Терентьев Д.А., Елизаров С.В. Вейвлет-анализ сигналов АЭ в тонкостенных объектах. М.: ООО «ИНТЕРЮНИС», 15 с.
- Пат. РФ №2570592, МПК G01N 29/14 (2006.01). Способ регистрации и анализа сигналов акустической эмиссии.
- Diniz P.S.R. Adaptive Filtering: Algorithms and Practical Implementation. Springer, 2013. Р. 673.
- Уидроу Б., Стирнз С. Адаптивная обработка сигналов. М.: Радио и связь, 1989. 440 с.
- Давыдова Д.Г., Кузьмин А.Н., Суворова Е.А. Адаптация механизмов беспороговой регистрации данных к методу акустико-эмиссионного контроля//Сборник трудов III научной конференции молодых ученых «Актуальные проблемы науки и техники», Уфа, 2011. Т. 1. С. 271–272.
- Кузьмин А.Н., Жуков А.В., Аксельрод Е.Г., Шитов Д.В., Давыдова Д.Г., Кац В.А. Акустико-эмиссионный контроль при оценке технического состояния оборудования нефтегазового комплекса//В Мире НК. 2017. №1. С. 71–80.
- Кузьмин А.Н., Жуков А.В., Аксельрод Е.Г., Шитов Д.В., Кац В.А., Давыдова Д.Г. Новые технологии акустико-эмиссионного контроля при диагностике объектов нефтегазового комплекса//Химагрегаты. 2017. №4.