Нейросетевая обработка электромагнитно-акустического сигнала для идентификации напряженно-деформированного состояния и поврежденности энергетического оборудования

DOI: 10.47026/1810-1909-2023-4-44-56

УДК 620.179.162

ББК 30.820.51

Исследование выполнено при поддержке гранта РНФ, проект № 22-29-00327 «Исследование взаимосвязанных изменений механических, электрофизических и акустических свойств металлов для реализации интеллектуальной электромагнитно-акустической системы идентификации напряженно-деформированного состояния и поврежденности нефтегазового оборудования».

М.Г. БАШИРОВ, Д.Ш. АКЧУРИН, К.Н. КУВАЙЦЕВ, Д.Е. МАКСИМОЧКИН

Ключевые слова

напряженно-деформированное состояние, электромагнитно-акустическое преобразование, амплитудные и фазовые спектры гармоник, частотные характеристики, искусственные нейронные сети, машинное обучение

Аннотация

Цель исследования – разработка и обучение искусственной нейронной сети для идентификации напряженно-деформированного состояния и поврежденности металла энергетического оборудования по значениям параметров гармонических составляющих сигнала электромагнитно-акустического преобразователя.

Материалы и методы. Экспериментальное исследование взаимосвязи параметров гармонических составляющих сигнала электромагнитно-акустического преобразователя с напряженно-деформированным состоянием и поврежденностью структуры стандартных образцов металлов, разработка искусственной нейронной сети и методики её обучения идентификации напряженно-деформированного состояния и поврежденности структуры металла согласно диаграмме нагружения.

Результаты. Анализ изменения микроструктуры и частотных моделей стандартных образцов сталей, используемых в энергетическом машиностроении, подтвердил возможность идентификации напряженно-деформированного состояния и поврежденности структуры металлов по значениям параметров гармонических составляющих сигнала электромагнитно-акустического преобразователя. Для решения этой задачи разработана и обучена искусственная нейронная сеть. После обучения эффективность сети по идентификации напряженно-деформированного состояния и поврежденности структуры металлов достигла значения 92,16%, что для задач распознавания технического состояния металлических конструктивных элементов оборудования электроустановок является приемлемым.

Выводы. Использование искусственной нейронной сети для идентификации напряженно-деформированного состояния и поврежденности металлических конструкций по значениям параметров гармоник сигнала электромагнитно-акустического преобразователя позволяет выявить зоны концентрации механических напряжений и повреждения структуры металла на ранней стадии развития, тем самым повысить надежность и безопасность эксплуатации оборудования электроустановок.

Литература

1. Акт технического расследования причин аварии на Саяно-Шушенской ГЭС 17 августа 2009 года [Электронный ресурс]. URL: http://www.gosnadzor.ru/news/aktSSG_bak.doc (дата об-ращения: 07.08.2023).
2. Алешин Н.П. Исследование выявляемости поверхностных объемных дефектов при ультразвуковом контроле с применением волн Рэлея, генерируемых электромагнитно-акустическим преобразователем // Дефектоскопия. 2021. № 5. C. 22–30.
3. Анализ причин аварий на энергоустановках, подконтрольных органам Ростехнадзора за 2021 год [Электронный ресурс] // Ростехнадзор. Северо-Западное Управление: сайт. URL: http://szap.gosnadzor.ru/activity/energonadzor/nesc_sluch/Анализ%20причин%20аварий%20за%202021.pdf / (дата обращения 07.08.2023).
4. Аязян Г.К., Хоробров В.Р., Галиев Р.М. Метод идентификации динамических характеристик объектов с запаздыванием // Автоматизация и метрологическое обеспечение в нефтяной промышленности: межвуз. науч. сб. Уфа: Изд-во УНИ, 1980. С. 29–33.
5. Баширов М.Г., Баширова Э.М., Юсупова И.Г., Акчурин Д.Ш. Исследование способов повышения эффективности электромагнитно-акустического преобразования средств диагностики энергетического оборудования // Промышленная энергетика. 2022. № 10. С. 2–9.
6. Баширов М.Г., Хуснутдинова И.Г., Хуснутдинова Л.Г., Усманов Д.Р. Электромагнитно-акустический метод оценки технического состояния энергетического оборудования // Промышленная энергетика. 2016. № 12. С. 8–13.
7. Иванов С.О., Никандров М.В., Славутский Л.А. Нейросетевое моделирование релейной защиты с временной задержкой // Вестник Чувашского университета. 2022. № 3. С. 53–60. DOI: 10.47026/1810-1909-2022-3-53-60.
8. Кощеев М.И., Ларюхин А.А., Славутский А.Л. Использование адаптивных нейроалгоритмов для распознавания аномальных режимов систем вторичного оборудования электроэнергетики // Вестник Чувашского университета. 2019. № 1. С. 47–58.
9. Моделирование и экспериментальное исследование влияния механических напряжений и поврежденности металла нефтегазового оборудования на параметры электромагнитно-акустического преобразования / М.Г Баширов., Э.М. Баширова, И.Г. Юсупова и др. // Нефтегазовое дело. 2023. Т. 21, № 1. С. 183–194.
10. Огородников Ю.И. Задача параметрической идентификации моделей управляемых динамических систем как проблема моментов // Современные технологии. Системный анализ. Моделирование. 2017. Т. 56, № 4. С. 33–40.
11. Скоросуева О.И. Функциональные возможности ML.NET // Современные научные исследования и инновации. 2023. № 5 [Электронный ресурс]. URL: https://web.snauka.ru/issues/2023/05/100324 (дата обращения: 19.10.2023).
12. Славутский Л.А., Славутская Е.В. Нейросетевая обработка сигналов: задачи без «глубокого обучения» // Вестник Чувашского университета. 2023. № 2. С. 151–160. DOI: 10.47026/1810-1909-2023-2-151-160.
13. Углов А.Л., Хлыбов А.А., Бычков А.Л., Кувшинов М.О. О неразрушающем контроле остаточных напряжений в деталях осесимметричной формы из стали 03Н17К10В10МТ // Вестник ИжГТУ имени М.Т. Калашникова. 2019. Т. 22, № 4. С. 3–10.
14. Хуснутдинова И.Г., Баширов М.Г. Оценка технического состояния и ресурса безопасной эксплуатации технологических трубопроводов на основе электромагнитно-акустического эффекта // Нефтегазовое дело. 2019. № 1. С. 144–162.
15. Ducousso М., Reverdy F. Real-time imaging of microcracks on metallic surface using total fo-cusing method and plane wave imaging with Rayleigh waves. NDT E Int., 2020, vol. 116, p. 102311.
16. Jiang C., Li Z., Zhang Z., Wang S. New Design to Rayleigh Wave EMAT Based on Spatial Pulse Compression. Sensors (Basel), 2023, vol. 23(8), 3943.
17. Leroux S., Bohez S., Verbelen T. et al. Resource-constrained classification using a cascade of neural network layers. In: International Joint Conference on Neural Networks (IJCNN), 2015, pp. 1–7, DOI: 10.1109/IJCNN.2015.7280601.
18. Leroux S., Verbelen T., Simoens P. et al. Iterative neural networks for adaptive inference on resource-constrained devices. Neural Comput & Applic, 2022, vol. 34, pp. 10321–10336. DOI: 10.1007/s00521-022-06910-5.
19. Oh J.W., Jeong J. Convolutional neural network and 2-D image based fault diagnosis of bear-ing without retraining. In: 3^rd International Conference (ICDA 2019), 2019, pp.134–138. DOI: 1145/3314545.3314563.
20. Wang S., Huang S., Wang Q. et al. Accelerated optimizations of an electromagnetic acoustic transducer with artificial neural networks as metamodels, J. Sens. Sens. Syst., 6, 2017, pp. 269–284.

Сведения об авторах

Баширов Мусса Гумерович – доктор технических наук, профессор кафедры электрооборудования и автоматики промышленных предприятий, Институт нефтепереработки и нефтехимии, Уфимский государственный нефтяной технический университет, Россия, Салават (eapp@yandex.ru; ORCID: https://orcid.org/0000-0001-7493-6803).

Акчурин Дамир Шамилевич – аспирант, ассистент кафедры электрооборудования и автоматики промышленных предприятий, Институт нефтепереработки и нефтехимии, Уфимский государственный нефтяной технический университет, Россия, Салават (akihiro177@mail.ru; ORCID: https://orcid.org/0000-0002-2174-8216).

Кувайцев Кирилл Николаевич – магистрант направления «Автоматизация технологических процессов и производств», Институт нефтепереработки и нефтехимии, Уфимский государственный нефтяной технический университет, Россия, Салават (kirill.kuvaitsev@mail.ru).

Максимочкин Дмитрий Ефимович – магистрант направления «Автоматизация технологических процессов и производств», Институт нефтепереработки и нефтехимии, Уфимский государственный нефтяной технический университет, Россия, Салават (03maksimochkin.de@bashgaz.ru).

Формат цитирования

Баширов М.Г., Акчурин Д.Ш., Кувайцев К.Н., Максимочкин Д.Е. Нейросетевая обработка электромагнитно-акустического сигнала для идентификации напряженно-деформированного состояния и поврежденности энергетического оборудования // Вестник Чувашского университета. – 2023. – № 4. – С. 44–56. DOI: 10.47026/1810-1909-2023-4-44-56.

Загрузить полный текст статьи