автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Распознавание дефектов сварных соединений оборудования АЭС с использованием кластерного анализа и метода опорных векторов

На правах рукописи

Нахабов Александр Владимирович

Распознавание дефектов сварных соединений оборудования АЭС с использованием кластерного анализа и метода опорных векторов

05.13.01 - Системный анализ, управление и обработка информации (по

энергетике)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

0034ВЬааз

Обнинск - 2009

003469939

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования Обнинский государственный технический университет атомной энергетики

Научный руководитель: кандидат технических наук, доцент

Скоморохов Александр Олегович

Официальные оппоненты: доктор технических наук, профессор

Коршошин Юрий Петрович кандидат физико-математических наук Куприянов Вячеслав Михайлович

Ведущая организация: ОАО Научно-исследовательский и конструкторский институт энерготехники им. H.A. Доллежаля

Защита состоится * № * ü U> U J? г. в / ^ часов на заседа-

нии диссертационного совета Д 212.176.01 при Обнинском государственном техническом университете атомной энергетики по адресу: 249040, Калужская обл., г. Обнинск, Студгородок, 1, ИАТЭ, зал заседаний Ученого совета.

С диссертацией можно ознакомиться в библиотеке Обнинского государственного технического университете атомной энергетики.

Автореферат разослан < «5~ »__2009 г.

Ученый секретарь

диссертационного совета Д 212.176.01 у ^

д.ф.-м.н., профессор фМС^И В.Л. Шаблов

Общая характеристика работы

Актуальность работы. В настоящее время одним из важнейших направлений обеспечения эффективной, надежной и безопасной эксплуатации АЭС является широкое применение методов не разрушающего контроля сварных соединений оборудования. Для достижения высокой точности выявления дефектов и оценки их параметров, уменьшения времени проведения контроля и снижения требований к квалификации оператора используются системы автоматизированного анализа результатов контроля.

Для анализа данных в таких системах наиболее часто используются различные методы распознавания образов, использующие в качестве исходной информации предварительно классифицированные обучающие выборки. При этом мало внимания уделяется исследованию структуры данных, объективно отражающей наличие или отсутствие дефектов в объекте контроля, что может быть выполнено с помощью методов кластерного анализа. Также не исследована возможность применения для решения данной задачи таких алгоритмов распознавания образов, как методы опорных векторов (SVM — Support Vector Machines), которые во многих случаях значительно превосходят по эффективности традиционные методы классификации.

Таким образом, актуальными являются задачи, связанные с разработкой алгоритмов автоматизированного анализа результатов неразру-шающего контроля сварных соединений оборудования АЭС, основанных на использовании кластерного анализа и метода опорных векторов с целью дальнейшего повышения эффективности выявления дефектов.

Цель диссертации — разработка методик и алгоритмов распознавания дефектов сварных соединений оборудования АЭС по результатам радиографического и ультразвукового контроля.

Для достижения поставленной цели были решены следующие задачи:

• Разработка методов решения задач системного анализа и обработки информации применительно к автоматизированному анализу результатов неразрушающего контроля, основанных на совместном применении кластерного анализа и метода опорных векторов.

• Разработка метода решения задач обработки информации и принятия решений при автоматизированном анализе результатов ультразвукового контроля, основанного на пост-обработке результатов поточечной классификации данных путем оценивания функции плотности распределения.

• Разработка специального математического и программного обеспе-

чения для анализа, обработки, визуализации информации и принятия решений по результатам неразрушающего контроля сварных соединений оборудования АЭС.

Научная новизна работы

• Впервые предложен и обоснован метод автоматической сегментации радиографических снимков, основанный на анализе распределений яркости, непосредственно не привязанных к элементам изображения, и использовании кластерного анализа.

• Впервые разработана унифицированная методика автоматического распознавания дефектов сварных соединений но результатам неразрушающего контроля, основанная на совместной обработке сигналов с использованием кластерного анализа и метода опорных векторов.

• Впервые предложен и обоснован метод пост-обработки результатов поточечной классификации данных, основанный на оценивании функции плотности распределения результатов классификации.

Практическая ценность работы

• Разработано программное обеспечение «БУМС!^» для классификации результатов неразрушающего контроля оборудования АЭС на основе методов опорных векторов.

• Разработаны и реализованы в составе программного обеспечения «Хгауэ» эффективные алгоритмы для автоматизированного анализа результатов радиографического контроля сварных соединений оборудования АЭС. Применение разработанных методов позволяет повысить качество контроля сварных соединений и сократить временные затраты на его проведение.

• Разработаны алгоритмы автоматизированного анализа данных ультразвукового контроля сварных соединений трубопроводов АЭС, реализованные в составе системы «УЗК-Аналитик» и специализированной базы данных. Это дало возможность повысить качество контроля и сократить временные затраты. Результаты используются на Смоленской и Курской АЭС.

На защиту выносятся:

1. Унифицированная методика автоматического распознавания дефектов сварных соединений оборудования АЭС по результатам нераз-рушающего контроля, основанная на совместном использовании кластерного анализа и метода опорных векторов для поточечной классификации сигналов.

2. Метод пост-обработки результатов поточечной классификации данных ультразвукового контроля сварных соединений трубопроводов АЭС, включая объединение результатов классификации по различным наборам признаков и оценивание функции плотности распределения.

3. Алгоритмы и программное обеспечение для автоматизированного анализа результатов неразрушающего контроля сварных соединений оборудования АЭС.

Достоверность научных положений. В ходе разработки все результаты проверялись на большом объеме независимых данных, полученных непосредственно в процессе контроля оборудования АЭС. Разработанные методы и алгоритмы подтвердили свою работоспособность при применении на Курской и Смоленской АЭС.

Апробация результатов работы. Основные результаты работы докладывались на международных конференциях: VIII Международной конференции «Безопасность АЭС и подготовка кадров» (Обнинск, 2003 г.), X Международной научно-технической конференции «Радиоэлектроника, электротехника и энергетика» (Москва, 2004 г.), Международной выставке-конференции «Неразрушающий контроль в промышленности» (Москва, 2004 г.), VII Международной конференции по мягким вычислениям и измерениям SCM'2004 (Санкт-Петербург, 2004 г.), 7th International Conference on Pattern Recognition and Image Analysis: New information technologies (PRIA-7-2004) (Санкт-Петербург, 2004 г.), IX и X Международной конференции «Безопасность АЭС и подготовка кадров» (Обнинск, 2005 г., 2007 г.).

Публикации. По теме диссертации опубликовано 14 научных работ, в том числе 4 статьи в научно-технических журналах, 5 публикаций а трудах конференций. По материалам, изложенным в диссертации, получено 4 свидетельства об официальной регистрации программы для ЭВМ и 2 акта о внедрении на Курской АЭС.

Личный вклад автора. Автор принимал непосредственное участие в решении задач, изложенных в диссертации, разработал методики, алгоритмы и программы автоматической обработки данных.

Структура и объем диссертации. Работа состоит из введения, 4 глав и заключения, изложенных на 122 страницах машинописного текста, куда входит 62 рисунка и список используемой литературы, включающий в себя 90 наименований, в том числе 14 работ автора.

Содержание работы

Во введении обоснована актуальность темы диссертационной работы, сформулирована цель и задачи, аргументирована научная новизна исследований, показана практическая значимость полученных результатов, представлены научные положения, выносимые на защиту.

В первой главе представлен обзор применения методов анализа данных в задачах управления, контроля и диагностики АЭС. Наиболее часто используются методы распознавания образов и нейронные сети различной архитектуры, предназначенные в первую очередь для решения задачи классификации данных на основе имеющейся обучающей выборки. Значительно реже применяются методы кластерного анализа, с помощью которых можно получить объективную информацию о фактической структуре исследуемых данных и, тем самым, повысить качество решения задачи.

Помимо этого, все более широко применяются новые методы распознавания образов, уже доказавшие свою высокую практическую эффективность при решении самых различных задач, но пока не нашедшие широкого применения в атомной энергетике. К ним относятся методы опорных векторов (8УМ), которые за счет ряда преимуществ во многих случаях значительно превосходят по эффективности традиционные алгоритмы.

В итоге делается вывод о необходимости совместного применения кластерного анализа и метода БУМ для решения задач контроля и диагностики АЭС с целью дальнейшего повышения эффективности выявления дефектов оборудования и оценки их характеристик.

Вторая глава посвящена разработке алгоритмов анализа данных, основанных на использовании методов опорных векторов. В данной работе рассматривалось применение методов БУМ для решения задач классификации.

Продемонстрируем основные идеи метода БУМ на примере классификации данных, заданных двумя признаками. В качестве оптимальной разделяющей поверхности между двумя классами выбирается та из

Рис. 1. Нахождение нелинейной разделяющей границы (слева) путем применения линейного алгоритма » пространстве признаков (справа)

них, для которой сумма расстояний до ближайших точек каждого класса максимальна. В рамках статистической теории обучения математически строго доказывается, что в этом случае мы получаем минимальную ошибку классификации на новых данных. Для нахождения такой поверхности необходимо решить следующую оптимизационную задачу:

N ^ N

шах y¡yjaiajK(xi, Xj), (1)

»=1 i,j=1 N

ViOti = О,

i=1

О < a¡ < C,i = í,..., N,

где Xi, ni — i-Vi образ выборки данных (вектор в пространстве признаков) и его метка класса (+1 или — 1), N — объем выборки, a¡ — множители Лагранжа, С является параметром алгоритма.

Важная особенность метода опорных векторов заключается в том, что образы данных присутствуют в алгоритме только в виде аргументов функции специального вида (ядра) K(Si,Xj). Наиболее часто используются следующие ядра:

K(xi,xj) = £i ■ Xj — линейное,

K(5!i,Xj) = (fSi ■ Xj + c)d — полиномиальное,

K(xi,xj) = exp(—/i||x¿ — Xj\\2) — гауссовское.

Это дает возможность выполнять эффективную нелинейную классификацию данных. Поясним это на следующем примере. Слева на рис. 1 представлены точки двух классов, разделенные нелинейной границей. Так как вид спрямляющего преобразования обычно заранее неизвестен, для того чтобы классифицировать эти данные с помощью традиционного линейного алгоритма необходимо перейти из входного пространства (х1, Х2) в пространство признаков более высокой размерности (х\, 24 • Хг,^,^), в котором данные становятся линейно-разделимыми (справа на рис. 1). Основная проблема здесь заключается в резком увеличении числа новых признаков с ростом размерности входного пространства, что очень существенно ограничивает область применения этого подхода.

В методе БУМ переход в новое пространство осуществляется просто путем использования соответствующего ядра (в данном примере полиномиального с <1= 2), таким образом, отсутствует необходимость в явном задании новых признаков. Это дает возможность использовать все преимущества линейного алгоритма для нахождения нелинейной границы, что обеспечивает высокую эффективность метода.

Для решения проблемы переобучения в задаче (1) используется условие минимизации допустимой ошибки классификации, при этом параметр С определяет соотношение между ошибкой на обучающей выборке и сложностью разделяющей границы. Вид разделяющей поверхности зависит только от тех образов выборки, для которых а^ / 0 и которые называются опорными векторами. Решающее правило для классификации новых образов х выглядит следующим образом:

где Ъ — смещение.

Основными преимуществами методов опорных векторов по сравнению с другими методами классификации являются следующие:

в Хорошее качество обобщения, то есть способность алгоритма правильно классифицировать данные, которые не использовались в процессе обучения.

• Простое и эффективное решение нелинейных задач путем перехода в неявно заданное пространство признаков высокой размерности.

• Решение проблемы переобучения алгоритма.

• Высокая вычислительная эффективность.

• Возможность работы с большими выборками данных (как по числу образов, так и по числу признаков).

• Эффективный контроль статистической достоверности полученных результатов.

На основе методов опорных векторов было разработано программное обеспечение «БУМОажз», включающее в себя функции для обучения алгоритмов классификации, использования различных ядер, подбора оптимальных значений параметров, предобработки данных и представления результатов анализа. Эффективность разработанных методов была подтверждена при решении различных задач неразрушающего контроля и технической диагностики оборудования АЭС, на программное обеспечение получено свидетельство о государственной регистрации. Достигнутые результаты использованы при реализации алгоритмов обработки и анализа данных ультразвукового и радиографического контроля сварных соединений оборудования АЭС.

Третья глава посвящена разработке и применению алгоритмов автоматизированного анализа результатов радиографического контроля сварных соединений оборудования АЭС.

Радиографический контроль основан на взаимодействии излучения с материалом объекта контроля с последующей регистрацией полученного радиационного изображения на снимке, по результатам анализа которого делаются выводы о наличии дефектов и их параметрах. В основном расшифровка снимков выполняется вручную с минимальным уровнем автоматизации, что приводит к увеличению времени контроля и большому влиянию «человеческого фактора». Для решения данной проблемы разрабатываются специализированные программы автоматизации анализа радиографических снимков.

На рис. 2 показан типичный снимок стыкового сварного соединения (для целей печати в инвертированном виде). Примерно по центру располагается сварной шов, в правой части которого присутствует дефект типа трещины. Все остальные объекты на снимке располагаются с двух сторон шва. Среди них находятся эталон чувствительности, необходимый для анализа снимка, и маркировочные знаки, которые содержат дополнительную информацию о контроле. После перевода в цифровую форму снимок представляется в виде файла формата Ьтр, которому можно поставить в соответствие матрицу точек (пикселей) со значениями яркости (плотности потемнения снимка) в диапазоне от 0 до 255:

2 =

/ ¿11 ^12 '' " 21т \ ^21 222 •' • *2т

,0<лу< 255. (3)

\ 2п1 гп2 • ■ • гпт )

Типичный размер изображения (на рис. 2 п — 1010, т = 2369) составляет 2,4 — 2,5 млн. точек.

Свар "

Эталон

чувствительности

\ / / Маркировочные знаки

Дефект

_У

Рис. 2. Пример радиографического снимка сварного соединения

Основными этапами анализа снимка являются проверка на соответствие требованиям ГОСТ 7512-82, выявление дефектов различного типа и оценка их размеров.

Выделение сварного шва. Для решения поставленных задач при автоматизированном анализе результатов в первую очередь выделялась область сварного шва. Для этого рассматривалось распределение суммарной яркости снимка вдоль вертикальной оси 1,..., п (средний график на рис. 3). С учетом того, что сварной шов всегда должен находиться примерно по центру снимка, границам искомой области будут соответствовать локальным минимумы данного распределения, ближайшие к его середине.

Выделение служебных объектов на снимке. Эта задача решалась в два этапа. На первом этапе выполнялась сегментация снимка — выделение областей, каждая из которых содержала бы только один объект. Для этого анализировалось распределение суммарной яркости вдоль горизонтальной оси отдельно для верхней и нижней (относительно шва) части изображения:

где П\, П'2 — границы соответствующей части снимка (рис. 3). Как видно из рисунка, отдельным сегментам соответствуют области резкого изменения величины (4), поэтому для определения границ сегментов использовались точки изменения наклона графика кумулятивной суммы для соответствующих распределений.

На вто[юм этапе производилось выявление объектов в каждом из сегментов. Для этого по распределению яркости сначала определялся порог, отделяющий группу более ярких точек, после чего к ним применялся ме-

(4)

Координат» »до« сертикшьноА осм, пиме*

Нижняя часть сниыкэ

Клар дин« г« «д0(ъ юрюонтшъмии оси, гмювли

Рис. 3. Распределения суммарной яркости снимка вдоль осей координат

тод кратчайшего незамкнутого пути. Основная идея этого метода заключается в построении графа, соединяющего все точки выборки, который имеет наименьшую длину и не имеет петель. Для каждого участка пути рассчитывается значение критерия

Аг =

(3™х

ап

(5)

где щ — длина участка пути, /З^01 — максимальная длина непосредственно прилегающего участка. После этого производится разрезание графа по ребрам, для которых А* < 1, в результате чего образуются отдельные группы точек (кластеры). Преимуществом данного алгоритма является его способность выделять некомпактные протяженные кластеры, для которых расстояния между точками одного кластера сравнимы с межкластерным расстоянием.

После выявления всех объектов либо выполнялось их распознавание для последующего занесения информации в базу данных (в случае маркировочных знаков), либо определялись необходимые для дальнейшего анализа параметры контроля (для эталона чувствительности).

Кластерный анализ изображения сварного шва. Для решения основной задачи распознавания дефектов сначала был проведен кластерный анализ изображения сварного шва. Для этого оно было представлено в виде последовательности векторовХ1,Х2,. ■ ■ ,хт) х = (х\,Х2,...,х„)Т (ттг и п — число точек вдоль горизонтальной и вертикальной оси), которые

Число кластеров

Рис. 4. Дендрограмма для профилей сегмента сварного шва (слева) и зависимость меры сходства от числа кластеров

и являлись объектами кластерного анализа. При этом каждый вектор представляет собой распределение яркости вертикального «среза» шва. Однородность исследуемого множества (отсутствие ярко выраженных кластеров) будет свидетельствовать об однородности распределения яркости вдоль сварного шва, то есть об отсутствии дефектов. В случае же выявления кластеров распределение яркости неоднородно и, наряду с нормальными участками шва, присутствуют участки, содержащие дефекты.

Для проведения анализа использовался метод иерархической кластеризации с объединением. В этом методе на первом шаге каждый объект выборки рассматривается как отдельный кластер, после чего работа алгоритма сводится к последовательному объединению в кластеры наиболее близких объектов на основании матрицы сходства. Различные варианты метода отличаются используемыми мерами сходства и способами объединения объектов в кластеры (мерами связи). В данном случае наилучшие результаты были получены для метода Уорда с евклидовым расстоянием в качестве меры сходства. Слева на рис. 4 представлен результат кластерного анализа в виде дендрограммы, которая наглядно представляет последовательность объединения объектов выборки в кластеры. По оси абсцисс откладываются номера объектов выборки (на рис. 4 опущены), а по оси ординат — значение меры сходства, при котором произошло объединение. Из рисунка можно сделать вывод, что рассматриваемая выборка имеет ярко выраженную кластерную структуру. Для определения оптимального числа кластеров использовалась зависимость меры сходства от числа кластеров (справа на рис. 4), точка излома которой соответствует числу кластеров равному пяти.

Для интерпретации полученных кластеров была построена зависимость номера кластера от координаты профиля вдоль шва, после чего было выполнено ее сравнение с изображением (рис. 5). Как видно из

1-1---Т-1-1—

О 500 1000 1500 2000

Координата вдоль сварного шбз

Рис. 5. Сегмент сварного шва (вверху) и зависимость номера кластера от координаты профиля вдоль шва

Номер признака 11омер признака

Рис. 6. Средние профили кластеров, соответствующих бездефектным участкам шва (слева) и области дефекта (справа)

рисунка, бездефектным участкам шва соответствуют первые три, а дефектным — последние два кластера. На рис. 6 представлены центры полученных кластеров, при этом профили кластеров, соответствующих области дефекта, характеризуются наличием минимумов яркости посередине, что соответствует затемнениям в области трещины. Таким образом, с помощью кластерного анализа удалось автоматически выявить неоднородность распределения профилей изображения сварного шва в пространстве признаков, определяемую наличием дефектов.

Автоматическое выявление дефектов с использованием метода опорных векторов. Для распознавания дефектов в сварном шве использовался метод БУМ, с помощью которого находилось решающее правило, позволяющее определить наличие дефекта в отдельном профиле сварного шва. Наилучшие результаты показал вариант с линейным ядром, дающий в результате наиболее простую границу между точками разных классов. Для формирования обучающей выборки из исходных данных брался каждый второй профиль, размерность пространства признаков при этом равнялась 223. В качестве классификационного вектора

использовались результаты экспертного анализа снимка. В результате был получен алгоритм с оптимально подобранными параметрами, имеющий нулевую ошибку классификации на обучающей и независимой проверочной выборках. При этом полученное правило зависит всего от 17 опорных векторов (1,5% от объема обучающей выборки), которые представляют собой наиболее характерные профили для объектов каждого класса. Большая часть этих профилей расположена вблизи разделяющей границы. Таким образом, в итоге разработан алгоритм, позволяющий осуществлять автоматическую точную классификацию данных и, тем самым, определять наличие дефектов в сварном соединении, используя при этом очень малую часть обучающей выборки, представленную опорными векторами.

В результате проведенных исследований разработан новый подход к распознаванию образов применительно к анализу радиографических снимков. Его главным отличием от общепринятого анализа изображений является анализ распределений яркости, которые не привязаны непосредственно к элементам изображения. На основе совместного применения данного подхода и кластерного анализа разработан эффективный алгоритм выявления отдельных объектов на снимке.

На основе совместного применения кластерного анализа и алгоритма опорных векторов разработан объективный метод автоматического выявления дефектов в сварном соединении, эффективность которого была подтверждена на множестве снимков со значительно отличающимися характеристиками. Разработанные методы и алгоритмы реализованы в виде программного обеспечения «Хгаув» для автоматизированного анализа радиографических снимков сварных соединений оборудования АЭС. На данные разработки получено свидетельство о государственной регистрации программы для ЭВМ.

Четвертая глава посвящена разработке и применению методов автоматизированного анализа результатов ультразвукового контроля (УЗК), основанным на предложенном подходе объективного выявления дефектов путем совместного применения кластерного анализа и метода опорных векторов. Анализировались результаты, полученные системой полуавтоматизированного ультразвукового контроля сварных соединений трубопроводов Ду-300 на АЭС с реакторами РБМК-1000, разработанной ИЦД НИКИЭТ.

В состав системы контроля входит 8 пьезоэлектрических преобразователей, расположенных по обе стороны сварного шва, при этом часть из них является генераторами, часть — приемниками акустических сигналов, а часть совмещает эти функции. Для обнаружения дефектов используются эхо- и теневой методы контроля. Эхо-метод основан на том, что генератор излучает ультразвуковую волну, которая отражается от1 дефекта и принимается приемником, при этом оба преобразователя располага-

ются с одной стороны шва. В отсутствие дефекта сигнал на приемнике отсутствует. При теневом методе генератор и приемник располагаются с разных сторон шва и в случае отсутствия дефекта волна без потерь проходит от генератора к приемнику, а при его наличии на приемник приходит ослабленный сигнал.

Для повышения надежности выявления дефектов применяется 16 различных схем (тактов), по которым происходит прозвучивание на каждом миллиметре сварного хпва при перемещении блока преобразователей. Для обнаружения продольных дефектов основными являются 4 эхо-такта и 4 теневых такта, кроме этого на случай плохого акустического контакта также имеется 4 эхо-такта с усилением +6 дБ.

Анализ результатов контроля выполняется экспертом, который выдает заключение о наличии дефектов и определяет их тип и условные размеры. Основным признаком дефекта является одновременное повышение уровня эхо-сигнала и падение амплитуды теневого сигнала хотя бы по одной паре тактов, однако решение задачи обнаружения дефектов сильно затрудняется наличием большого числа мешающих факторов.

Основная задача заключалась в разработке методов автоматизации анализа результатов УЗК, направленных на повышение скорости обработки данных, снижение субъективности и повышение качества контроля.

В качестве исходных данных использовались результаты УЗК сварных соединений трубопроводов Курской АЭС. Результаты контроля можно предс1авить в веде матрицы:

/ Ун У12 ■■■ Уы \ ,, 2/21 У22 ■■■ 2/2л

Y = : : •. : W

\ Ут VN2 ■■• yNn ) где tjij — амплитуда сигнала, п = 16 — число признаков, N =■ 1020 — число образов (точек) данных.

Предобработка данных. Вследствие сильной зашумленности сигналов первым этапом являлось их сглаживание. В данном случае наилучшим оказался метод локально-взвешенного усреднения LOWESS, при котором сглаженное значение в точке xt для исходной последовательности у(х) определяется следующим образом:

п

Y,w{Xi,Xt)y(Xi)

У*Ы - ^V--. (7)

£ w{xit Xt) ¿=1

'>1

о

200

600

800

г <

Координата вдоль сварного шва, мм

Рис. 7. Сглаживание данных и подбор порога для выявления дефектов с весовыми коэффициентами

где п — число точек последовательности, Ъ - параметр алгоритма, определяющий эффективную ширину окна усреднения данных. В результате удалось значительно уменьшить число ложных тревог при минимальном искажении сигнала от дефектов, пример исходных и сглаженных эхо-сигналов представлен на рис. 7.

Раздельный анализ сигналов. В качестве признака для выявления дефектов было взято превышение эхо-сигналом некоторого порога, зависящего от характеристик конкретного такта. Для этого методом подбора было определено оптимальное значение порога, при котором обеспечивается наилучшее выявление дефектов при минимальном числе ложных тревог (рис. 7), после чего была получена линейная модель, позволяющая предсказывать значение порога в зависимости от уровня шумов для конкретного такта. Результаты, полученные для отдельных тактов, объединялись путем голосования, при этом в качестве дефектов рассматривались области превышения эхо-сигналом порога по двум и более тактам.

При относительной простоте реализации данный подход показал хорошее качество автоматического выявления дефектов, которое было ограничено основным недостатком самого подхода — раздельным анализом сигналов по различным тактам, приводящим в итоге к потере значительной доли информации о данных. Поэтому для дальнейшего повышения точности выявления дефектов был сделан переход к совместному анализу сигналов по различным признакам.

Отбор признаков и формирование обучающей выборки. Для устране-

ю{хих1) = ехр

ь2

1 — 1,...,п.

-200 -100 0 100 200 300 1-я главная компонот-а

Рис. 8. Проекция точек данпых на плоскость главных компонент

Таблица 1. Результаты кластерного анализа данных УЗК

Номер кластера Число точек Интерпретация

1 334 Область дефекта

2 535 Ухудшение акустического контакта по хордовым теневым тактам

3 492 Бездефектный участок шва

4 661 Ухудшение акустического контакта по раздельно-совмещенным теневым тактам

ния влияния мешающих факторов, таких как смещение уровня и зашкаливание сигналов по эхо-тактам с усилением, из исходных 16 признаков были отобраны 8 основных, соответствующих эхо-тактам без усиления и теневым тактам.

Так как число нормальных точек во много раз превышает число точек дефектов, для эффективной работы алгоритмов анализа необходимо было сформировать обучающую выборку, сбалансированную по числу точек разных классов. Для этого брались все точки дефектов и такое же случайно выбранное число нормальных точек, после чего 2/3 этих точек были взяты в обучающую, а 1/3 — в проверочную выборки.

Кластерный анализ данных. Для решения поставленной задали был применен предложенный выше подход, первым этапом которого является объективная проверка факта наличия дефектов в сварном соединении путем выявления структуры данных. Для этого был проведен кластерный анализ точек обучающей выборки с помощью методов иерархической кластеризации с объединением и ЙГ-средних. В результате было установлено наличие в данных четырех выраженных кластеров. На ряс. 8 представлена проекция точек обучающей выборки на плоскость

Ядро Число опорных векторов Ошибка на всей выборке, %

Линейное 702 11,3

Полиномиальное, <1 = 2 445 9,5

Полиномиальное, ¡1 = 3 270 7Д

Гауссовское 645 3,7

первых двух главных компонент и отдельно показаны области, соответствующие полученным кластерам. Следует подчеркнуть, что проекция лишь приблизительно отражает взаимное расположение и разделимость обнаруженных кластеров в исходном многомерном пространстве признаков. Путем анализа средних точек и распределений значений различных признаков для каждого из кластеров была предложена следующая интерпретация (табл. 1). Из рис. 8 видно, что наиболее удаленные и непересекающиеся кластеры соответствуют нормальным точкам и точкам дефектов, а находящиеся между ними кластеры соответствуют областям с потерей акустического контакта, для которых характерно значительное падение теневых сигналов при низком уровне сигналов по эхо-тактам-

Распознавание дефектов с помощью метода БУМ. На втором этапе анализа для получения решающего правила, позволяющего с высокой точностью классифицировать данные, использовался метод опорных векторов. В табл. 2 приведены результаты классификации всей выборки данных для 17 швов предварительно обученным алгоритмом БУМ с различными ядрами, оптимальные значения параметра алгоритма С и параметров для каждого ядра были определены на обучающей выборке. Для этого использовался метод перебора по сетке в области определения параметров, дающий в результате набор значений, при которых достигается минимальный уровень ошибки. Для определения точности классификации и решения проблемы переобучения использовалась процедура 10-кратной кросс-проверки.

Из табл. 2 видно, что разделяющая граница между классами является существенно нелинейной. В качестве оптимального то соображениям минимизации числа опорных векторов и ошибок классификации для дальнейшего анализа было выбрано полиномиальное ядро 3-й степени.

Балансировка обучающей выборки. Недостатком полученного решающего правила является значительный разрыв между числом ошибок классификации первого и второго рода, то есть наличие большого количества ложных тревог при практическом отсутствии пропусков цели. Это объясняется тем, что число нормальных точек в обучающей выборке оказалось недостаточным для хорошего описания всего класса. Для решения этой проблемы было исследовано влияние состава обучающей выборки (доли точек каждого класса) на точность решающего правила, в результате чего было установлено, что оптимальным соотношением чис-

ла точек разных классов является 5:1. При обучении алгоритма БУМ на измененной таким образом обучающей выборке за счет выравнивания числа ложных тревог и пропусков цели общая ошибка классификации была уменьшена до 2,3%.

Таким образом, один и тот же подход показал очень высокую точность автоматического распознавания дефектов по результатам контроля методами, основанными на совершенно различных физических принципах, что является свидетельством его универсальности. При этом он является поточечным, так как при классификации каждой отдельной точки выборки не учитывается класс, к которому отнесены соседние с ней точки. В случае УЗК этим обусловлено наличие в полученных результатах значительного числа ложных тревог малой протяженности. Для устранения этого недостатка и корректного сравнения результатов автоматической классификации с экспертной оценкой был разработан метод пост-обработки результатов поточечной классификации, состоящий из двух этапов.

Комбинирование результатов классификации для разных наборов признаков. На первом этапе к имеющемуся решающему правилу было добавлено еще одно, полученное путем обучения БУМ на той же выборке, но с другим набором признаков, в котором вместо основных эхо-тактов использовались эхо-такты с усилением. Затем результаты классификации по двум правилам объединялись путем логического умножения:

^ = с|1)АсР, (8)

(к)

где с* — класс, к которому отнесена г-я точка, с\ — результат классификации г-й точки к-м решающим правилом, с; 6 {0,1}. За счет того, что ложные тревоги носят в значительной степени случайный характер, удалось уменьшить ошибку классификации при сохранении точности выявления точек дефектов.

Оценка плотности распределения для результатов классификации. Второй этап заключается в оценке плотности распределения точек, классифицированных как дефекты, вдоль сварного шва с помощью метода К-го ближайшего соседа:

р{х) = ЖЩх)' (9)

где Я(х) — расстояние от точки оценивания х до К-И ближайшей к ней точки выборки, N — объем выборки. На рис. 9 представлены результаты поточечной классификации, оценка плотности распределения точек, классифицированных как дефекты, при К = 20, а также экспертная оценка местоположения дефектов для одного из швов. Как видно из рисунка, областям фактических дефектов соответствуют большие значения

I порог

J

1--1-1-----1-1-ГО 200 400 600 800 1000

Координата вдоль шва, мм

Рис. 9. Оценка плотности распределения точек дефектов

р(х), в то время как отдельностоящие ложные тревоги практически не влияют на эту величину. Таким образом, путем сравнения величины (9) с неким порогом можно фильтровать ложные тревоги и получить окончательный результат классификации в виде областей дефектов. Для этого на обучающей выборке были подобраны оптимальные значения порога и параметра К, минимизирующие число ложных тревог при максимальном выявлении дефектов, после чего была получена модель для предсказания значения порога по характеристикам конкретного сварного шва.

Разработанные методы автоматического выявления дефектов по результатам УЗК проверены на большом объеме новых данных и подтвердили свою высокую эффективность, позволив выявить все имеющиеся по экспертной классификации дефекты при минимальном числе ложных тревог, а в ряде случаев и обнаружить дефекты, пропущенные экспертами. Эти методы реализованы в составе системы «УЗК-Аналитик» и используются для анализа результатов контроля, хранящихся в специально разработанной базе данных, на которые полу чены свидетельства о государственной регистрации и акты о внедрении в опытную эксплуатацию на Курской АЭС. Помимо этого полученные результаты также используются в ИЦД НИКИЭТ и на Смоленской АЭС.

Основные результаты и выводы:

• Предложен и обоснован подход к автоматической сегментации радиографических снимков, основанный на анализе распределений яркости и использовании кластерного анализа. Показана эффективность его применения для снимков со значительно отличающимися характеристиками.

• По результатам анализа данных неразрушающего контроля разработана унифицированная методика автоматического распознавав ния дефектов сварных соединений оборудования АЭС, основанная на совместном использовании кластерного анализа и метода опор-пых векторов. Ее эффективность подтверждена на большом объеме

данных, полученных непосредственно в процессе контроля на АЭС.

• Для повышения точности распознавания дефектов разработан метод пост-обработки результатов поточечной классификации данных УЗК, включающий в себя объединение результатов классификации по различным наборам признаков и оценивание функции плотности распределения. Применение данного метода позволило значительно уменьшить число ложных тревог при высокой точности выявления дефектов.

• Разработанные методы и алгоритмы обработки и анализа информации реализованы в виде программного обеспечения для автоматизированного анализа данных неразрушающего контроля сварных соединений оборудования АЭС. Полученные результаты используются на Смоленской и Курской АЭС.

Основные публикации по теме диссертации

1. Нахабов A.B., Скоморохов А.О. Акустическая диагностика кризиса теплообмена с применением алгоритмов SVM // Тез. докл. VIII Международной конференции «Безопасность АЭС и подготовка кадров». - Обнинск: ИАТЭ, 2003. - С. 128-129.

2. Белоусов П.А., Нахабов A.B., Скоморохов А.О. Разработка системы для автоматизированного анализа результатов ультразвукового контроля сварных соединений трубопроводов АЭС // Тез. докл. X Международной науч.-техн. конференции «Радиоэлектроника, электротехника и энергетика». — М.: МЭИ, 2004. — С. 140-141.

3. Skomorokhov A., Belousov P., Nakhabov A. Cluster analysis of ultrasonic testing data // Proc. of 7th International Conference on Pattern Recognition and Image Analysis: New information technologies (PRIA-7-2004).

- St. Petersburg, 2004. - Vol. 3, pp. 917-919.

4. Скоморохов А.О., Белоусов H.A., Нахабов А.В и др. Система автоматизированного анализа результатов ультразвукового контроля сварных соединений трубопроводов АЭС // Годовой отчет ФГУП НИКИЭТ. Под ред. Е.О. Адамова. - М.: ФГУП НИКИЭТ, 2004. -С. 154-155.

о. Скоморохов А.О., Белоусов П.А., Нахабов A.B. и др. Автоматическое выявление дефектов по результатам УЗК сварных соединений трубопроводов АЭС // Известия вузов. Ядерная энергетика. — 2005

- №2., С. 16-25.

6. Нахабов А.В., Скоморохов А.О. Разработка метода диагностирования отказов расходомеров в реакторах типа РБМК с помощью современных методов обучения машин // Тез. докл. IX Международной конференции «Безопасность АЭС и подготовка кадров». — Обнинск, 2005. - С. 59-60.

7. Skomorokhov A., Nakhabov A. Support Vector Machines in A-f // APL Quote Quad. - 2006. - Vol. 34, №4 - pp. 8-17.

8. Skomorokhov A.O., Belousov P.A., Nakhabov A.V. Cluster Analysis of Ultrasonic Testing Data // Pattern Recognition and Image Analysis. - 2006. - Vol. 16, №1 - pp. 82-84.

9. Скоморохов А.О., Белоусов П.А., Нахабов А.В. и др. «УЗК-Анали-тик» — программа для анализа результатов ультразвукового контроля сварных соединений трубопроводов АЭС // Свидетельство об официальной регистрации программы для ЭВМ № 2006610877 от 01.03.2006.

10. Скоморохов А.О., Белоусов П.А., Нахабов А.В. и др. «База данных УЗК» — база данных но результатам ультразвукового контроля сварных соединений трубопроводов АЭС // Свидетельство об официальной регистрации программы для ЭВМ № 2006612043 от 26.04.2006.

11. Nakhabov А. V., Skomorokhov А.О. Development of Methods for Automated Result Analysis in Radiographic Testing // Тез. докл. X Международной конференции «Безопасность АЭС и подготовка кадров». - Обнинск, 2007. - Часть 2., С. 90.

12. Skomorokhov А.О., Belousov P.A., Nakhabov A.V. Cluster Analysis of Results of Ultrasonic Testing // Pattern Recognition and Image Analysis. - 2007. - Vol. 17, №4 - pp. 639-650.

13. Скоморохов A.O., Нахабов А.В. «SVMClass» — программа классификации результатов неразрушающего контроля оборудования АЭС на основе алгоритмов опорных векторов // Свидетельство о государственной регистрации программы для ЭВМ № 2008613243 от 07.07.2008.

14. Скоморохов А.О., Нахабов А.В. «Xrays» — программа для автоматизированного анализа результатов радиографического контроля сварных соединений трубопроводов и оборудования АЭС // Свидетельство о государственной регистрации программы для ЭВМ № 2009610833 от 06.02.2009.

Компьютерная верстка А.В. Нахабов

ЛР № 020713 от 27.04.1998

Подписано к печати 28.04.09 Формат бумаги 60 х 84/16

Печать ризограф. Заказ № 254. Бумага МВ Тираж 100 экз. Печ.л. 1,5 Цена договорная

Отдел множительной техники ИАТЭ 249040, г. Обнинск, Студгородок, 1

Введение

Глава 1. Применение методов анализа данных в задачах управления, контроля и диагностики АЭС.

1.1. Методы обработки и анализа данных в системах управления

1 I '

1.2. Системы технической диагностики

1.3. Автоматизированный анализ результатов неразрушающего контроля оборудования.

1.4. Выводы к главе

Глава 2. Разработка алгоритмов анализа данных с использованием метода опорных векторов.

2.1. Линейная классификация данных методом опорных векторов (БУМ).

2.2. Обобщение метода БУМ на нелинейный случай

2.3. Метод БУМ с мягкой границей.

2.4. Программная реализация алгоритмов анализа данных на основе метода БУМ.

2.5. Выводы к главе

Глава 3. Автоматизированный анализ результатов радиографического контроля сварных соединений оборудования АЭС

3.1. Постановка задачи.

3.2. Выделение области сварного шва

3.3. Выделение служебных объектов на снимке.

3.3.1. Сегментация снимка.

3.3.2. Выделение объектов с использованием метода кратчайшего незамкнутого пути

3.4. Автоматическое выявление дефектов сварных соединений

3.4.1. Кластерный анализ изображения сварного шва

3.4.2. Распознавание дефектов с использованием метода опорных векторов.

3.5. Влияние параметров снимка на качество выявления дефектов

3.6. Выводы к главе

Глава 4. Автоматизированный анализ результатов ультразвукового контроля сварных соединений оборудования АЭС

4.1. Система полуавтоматизированного ультразвукового контроля сварных соединений трубопроводов АЭС.

4.2. Постановка задачи.

4.3. Исходные данные

4.4. Предобработка данных

4.5. Раздельный анализ сигналов.

4.5.1. Автоматическое определение порогов выявления дефектов

4.5.2. Предсказание значений порогов выявления дефектов

4.5.3. Определение координат дефектов

4.5.4. Голосование оценок координат дефектов

4.6. Отбор признаков и формирование обучающей выборки.

4.7. Автоматическое выявление дефектов сварных соединений

4.7.1. Кластерный анализ сигналов.

4.7.2. Автоматическая поточечная классификация данных с использованием метода опорных векторов

4.7.3. Балансировка обучающей выборки

4.8. Пост-обработка результатов поточечной классификации . 99 4.8.1. Комбинирование результатов классификации для разных наборов признаков.

4.8.2. Оценка плотности распределения для результатов классификации

4.9. Программная реализация алгоритмов автоматизированного анализа

4.10. Выводы к главе

Актуальность работы. В настоящее время одним из важнейших направлений обеспечения эффективной, надежной и безопасной эксплуатации АЭС является широкое применение методов неразрушающего контроля сварных соединений оборудования. Для достижения высокой точности выявления дефектов и оценки их параметров, уменьшения времени проведения контроля и снижения требований к квалификации оператора используются системы автоматизированного анализа результатов контроля.

Для анализа данных в таких системах наиболее часто используются различные методы распознавания образов, использующие в качестве исходной информации предварительно классифицированные обучающие выборки. При этом мало внимания уделяется исследованию структуры данных, объективно отражающей наличие или отсутствие дефектов в объекте контроля, что может быть выполнено с помощью методов кластерного анализа. Также не исследована возможность применения для решения данной задачи таких алгоритмов распознавания образов, как методы опорных векторов (SVM — Support Vector Machines), которые во многих случаях значительно превосходят по эффективности традиционные методы классификации.

Таким образом, актуальными являются задачи, связанные с разработкой алгоритмов автоматизированного анализа результатов неразрушающего контроля сварных соединений оборудования АЭС, основанных на использовании кластерного анализа и метода опорных векторов с целью дальнейшего повышения эффективности выявления дефектов.

Цель диссертации — разработка методик и алгоритмов распознавания дефектов сварных соединений оборудования АЭС по результатам радиографического и ультразвукового контроля.

Для достижения поставленной цели были решены следующие задачи:

• Разработка методов решения задач системного анализа и обработки информации применительно к автоматизированному анализу результатов неразрушающего контроля, основанных на совместном применении кластерного анализа и метода опорных векторов.

• Разработка метода решения задач обработки информации и принятия решений при автоматизированном анализе результатов ультразвукового контроля, основанного на пост-обработке результатов поточечной классификации данных путем оценивания функции плотности распределения.

• Разработка специального математического и программного обеспечения для анализа, обработки, визуализации информации и принятия решений по результатам неразрушающего контроля сварных соединений оборудования АЭС.

Научная новизна работы

• Впервые предложен и обоснован метод автоматической сегментации радиографических снимков, основанный на анализе распределений яркости, непосредственно не привязанных к элементам изображения, и использовании кластерного анализа.

• Впервые разработана унифицированная методика автоматического распознавания дефектов сварных соединений по результатам неразрушающего контроля, основанная на совместной обработке сигналов с использованием кластерного анализа и метода опорных векторов.

• Впервые предложен и обоснован метод пост-обработки результатов поточечной классификации данных, основанный на оценивании функции плотности распределения результатов классификации.

Практическая ценность работы

• Разработано программное обеспечение «ЗУМСЛазэ» для классификации результатов неразрушающего контроля оборудования АЭС на основе методов опорных векторов.

• Разработаны и реализованы в составе программного обеспечения «Хгауэ» эффективные алгоритмы для автоматизированного анализа результатов радиографического контроля сварных соединений оборудования АЭС. Применение разработанных методов позволяет повысить качество контроля сварных соединений и сократить временные затраты на его проведение.

• Разработаны алгоритмы автоматизированного анализа данных ультразвукового контроля сварных соединений трубопроводов АЭС, реализованные в составе системы «УЗК-Аналитик» и специализированной базы данных. Это дало возможность повысить качество контроля и сократить временные затраты. Результаты используются на Смоленской и Курской АЭС.

На защиту выносятся:

1. Унифицированная методика автоматического распознавания дефектов сварных соединений оборудования АЭС по результатам неразрушающего контроля, основанная на совместном использовании кластерного анализа и метода опорных векторов для поточечной классификации сигналов.

2. Метод пост-обработки результатов поточечной классификации данных ультразвукового контроля сварных соединений трубопроводов АЭС, включая объединение результатов классификации по различным наборам признаков и оценивание функции плотности распределения.

3. Алгоритмы и программное обеспечение для автоматизированного анализа результатов неразрушающего контроля сварных соединений оборудования АЭС.

Достоверность научных положений. В ходе разработки все результаты проверялись на большом объеме независимых данных, полученных непосредственно в процессе контроля оборудования АЭС. Разработанные методы и алгоритмы подтвердили свою работоспособность при применении на Курской и Смоленской АЭС.

Апробация результатов работы. Основные результаты работы докладывались на международных конференциях:

1. VIII Международной конференции «Безопасность АЭС и подготовка кадров», Обнинск, 2003 г.;

2. X Международной научно-технической конференции «Радиоэлектроника, электротехника и энергетика», Москва, 2004 г.;

3. Международной выставке-конференции «Неразрушающий контроль в промышленности», Москва, 2004 г.;

4. VII Международной конференции по мягким вычислениям и измерениям SCM'2004, Санкт-Петербург, 2004 г.;

5. 7th International Conference on Pattern Recognition and Image Analysis: New information technologies (PRIA-7-2004), Санкт-Петербург, 2004 г.;

6. IX Международной конференции «Безопасность АЭС и подготовка кадров», Обнинск, 2005 г.;

7. X Международной конференции «Безопасность АЭС и подготовка кадров», Обнинск, 2007 г.

Публикации- По теме диссертации опубликовано 14 научных работ, в том числе 4 статьи в научно-технических журналах, 5 публикаций в трудах конференций. По материалам, изложенным в диссертации, получено 4 свидетельства об официальной регистрации программы для ЭВМ и 2 акта о внедрении на Курской АЭС.

Личный вклад автора. Автор принимал непосредственное участие в решении задач, изложенных в диссертации, разработал методики, алгоритмы и программы автоматической обработки данных.

Структура и объем диссертации. Работа состоит из введения, 4 глав и заключения, изложенных на 122 страницах машинописного текста, куда входит 62 рисунка и список используемой литературы, включающий в себя 90 наименований, в том числе 14 работ автора.

4.10. Выводы к главе 4

Разработанные методы автоматического выявления дефектов по результатам УЗК проверены на большом объеме новых данных и подтвердили свою

Ввод данных

Рис. 4.23. Схема алгоритма автоматизированного анализа результатов УЗК высокую эффективность, позволив выявить все имеющиеся по экспертной классификации дефекты при минимальном числе ложных тревог, а в ряде случаев и обнаружить дефекты, пропущенные экспертами. Эти методы реализованы в составе системы «УЗК-Аналитик» и используются для анализа результатов контроля, хранящихся в специально разработанной базе данных, на которые получены свидетельства о государственной регистрации программы для ЭВМ [89, 90] и акты о внедрении в опытную эксплуатацию па Курской АЭС. Помимо этого полученные результаты также используются в ИЦД НИ-КИЭТ и на Смоленской АЭС.

I IИМИППШПГ1

И| 1Г 1ТШРПГИМ|П(|1ТШГП1,|1

Ihiil.il' ИМ /Г, ||,||| 1.Ш ПЯЯГй I* М'и ^ I

I'^МНуЫЯНЛ*« МЛ1

МI ■ ■ ■ .ж.'.м-'.м-'.■ а!» |(ю Й 1(^0 д4о Зек) «¿О ^¿о ^¿о «о

ЩузкА».Н>.Чг-ь 1>'ч1.»(.)1 шо; И.И^Ц^ ¿Л л!*'.* Л2'л

10 ли и/ 1МО;113

СГфЯГ*

ШЯ1, я

Т»)М141К9е1Т«

Сом»*» ог^ла

Рис. 4.24. Интерфейс программы «УЗК-Аналитик» для анализа результатов УЗК сварных соединений

33 Вмл новы* данных

Стдтмя САЭС

Б к» 1 '

Системе 1 «

Сторона 1 *

Номер СС 24-1

Дата контроле |06102004

Вр*мо »сит рога | 121Э24 +20С

Номер прь^ор* 253

Номер С* 1 »

Рис. 4.25. Форма дня ввода результатов контроля в базу данных

Запрос по Смоленской ДЭС

Вьябеол* гисдет№ ыгоосй

ЕТ4Н1ИЯ ¡ыас л! г« ЗЯ»^

Бшж 1« ±1 Нмш

Система 4

Номер ЕС | Иоемчч»*аг<х1 [

Рис. 4.26. Форма для организации запроса

Рис. 4.27. Форма вывода результатов запроса

Рис;. 4.28. Представление отчета по запросу

Заключение

Предложен и обоснован подход к автоматической сегментации радиографических снимков, основанный на анализе распределений яркости и использовании кластерного анализа. Показана эффективность его применения для снимков со значительно отличающимися характеристиками.

По результатам анализа данных неразрушающего контроля разработана унифицированная методика автоматического распознавания дефектов сварных соединений оборудования АЭС, основанная на совместном использовании кластерного анализа и метода опорных векторов. Ее эффективность подтверждена на большом объеме данных, полученных непосредственно в процессе контроля на АЭС.

Для повышения точности распознавания дефектов разработан метод пост-обработки результатов поточечной классификации данных УЗК, включающий в себя объединение результатов классификации по различным наборам признаков и оценивание функции плотности распределения. Применение данного метода позволило значительно уменьшить число ложных тревог при высокой точности выявления дефектов.

Разработанные методы и алгоритмы обработки и анализа информации реализованы в виде программного обеспечения для автоматизированного анализа данных неразрушающего контроля сварных соединений оборудования АЭС. Полученные результаты используются на Смоленской и Курской АЭС.

1. Reifman J. Survey of artificial intelligence methods for detection and identification of component faults in nuclear power plants // Nuclear Technology. — 1997.-July.-Vol. 119, no. l.-Pp. 76-97.

2. Uhrig R. E. Application of neural networks to the operation of nuclear power plants // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol. 2. - Gatlinburg: 1991. — May. - Pp. 149 -158.

3. Marseguerra M., Padovani E. Possible improvements of the reactor safety via neural networks // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). — Vol. 1.— Avignon: 1995, —June. — Pp. 311 320.

4. Carre J. C., Martinez J. M. Approach to identification and advanced control of PWR using neural networks // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). — Vol. 2.— Gatlinburg: 1991.-May.-Pp. 159 -166.

5. Upadhyaya B. R., Glockler O. Estimation of feedback parameters in pressurized water reactors using neural networks // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). — Vol. 2.— Gatlinburg: 1991.— May. — Pp. 175 189.

6. Development and application of core diagnostics and monitoring for the Ringhals PWRs / T. Andersson, C. Demaziere, A. Nagy et al. // Progress in Nuclear Energy. — 2003. — July. — Vol. 43, no. 1. — Pp. 35-41(7).

7. Comparisons between the various types of neural networks with the data ofwide range operational conditions of the Borssele NPP / E. Ayaz, S. §eker, B. Barutgu, E. Türkcan // Progress in Nuclear Energy.— 2003. — July.— Vol. 43, no. 1.- Pp. 381-387(7).

8. Nabeshima K., Suzuki K., Türkcan E. Neural network with an expert system for real-time nuclear power plant monitoring // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII).— Vol. 1.— Avignon: 1995. — June. — Pp. 269 277.

9. Water level in boiling water reactors — measurement, modelling, diagnosis / R. Hampel, A. Traichel, S. Fleisher, W. Kästner // Progress in Nuclear Energy. — 2003. July. — Vol. 43, no. 1. — Pp. 121-128(8).

10. On-line monitoring of instrument channel performance in nuclear power plant using PEANO / P. F. Fantoni, M. I. Hoffmann, R. Shankar, E. L. Davis // Progress in Nuclear Energy. — 2003. — July. — Vol. 43, no. 1. — Pp. 83-89(7).

11. Методы и модели анализа данных: OLAP и Data Mining / А. А. Барсегян, М. С. Куприянов, В. В. Степаненко, И. И. Холод. — СПб.: БХВ-Петер-бург, 2004. 336 с.

12. Witten I. Н., Frank Е. Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. The Morgan Kaufmann Series in Data Management Systems. — Academic Press, 2000. — P. 370.

13. Michie D., Spiegelhalter D. J., Taylor С. C. Machine Learning, Neural and Statistical Classification. — Ellis Horwood, 1994. — P. 298.

14. Kantardzic M. Data Mining: Concepts, Models, Methods, and Algorithms. — John Wiley k Sons, 2003. 343 pp.

15. Upadhyaya B. R., Zhao K., Lu B. Fault monitoring of nuclear power plant sensors and field devices // Progress in Nuclear Energy. — 2003. — July. — Vol. 43, no. 1.- Pp. 337-342(6).

16. Marseguerra M., Zio E., Torri G. Power density axial oscillations induced by xenon dynamics: Parameter identification via genetic algorithms // Progress in Nuclear Energy. — 2003. — July. — Vol. 43, no. 1. — Pp. 365-372(8).

17. Fuzzy logic for signal prediction in nuclear system / M. Marseguerra, E. Zio, P. Baraldi, A. Oldrini // Progress in Nuclear Energy. — 2003. — no. 1-4. — Pp. 373-380.

18. Лескин С. Т. Алгоритмы классификации для анализа состояний активной зоны по данным измерительной системы внутриреакторного контроIля // Известия вузов. Ядерная энергетика.— 1996.— № 4,— С. 20-26.

19. Лескин С. Т., Жидков С. В. Представление состояния активной зоны ВВЭР-1000 минимальным связным графом // Известия вузов. Ядерная энергетика. — 1997. — № 3. — С. 9-13.

20. Лескин С. Т., Жидков С. В. Система оценки состояния активной зоны ВВЭР-1000 по данным внутриреакторного контроля при эксплуатации энергоблока // Известия вузов. Ядерная энергетика. — 1998. — № 3.-С. 12-17.

21. Лескин С. Т. Разработка алгоритмов распознавания аномалий в состоянии оборудования АЭС по анализу данных оперативного технологического контроля // Известия вузов. Ядерная энергетика. — 1997. — № 4.-С. 4-11.

22. Лескин С. Т., Зарюгин Д. Г. Комплекс программ БША-1 для диагностирования главных циркуляционных насосов ВВЭР по данным оперативного технологического контроля // Известия вузов. Ядерная энергетика. 2001. - № 1. - С. 3-12.

23. Лескин С. Т., Валуй В. В., Зарюгин Д. Г. Применение нейронных сетей для задач диагностики ГЦН по данным оперативного технологического контроля // Известия вузов. Ядерная энергетика. — 2001.— № 2.— С. 15-21.

24. Лескин С. Т., Валуй В. В. Применение метода главных компонент для диагностики насосов высокого и низкого давления по результатам испытаний в процессе эксплуатации АЭС с ВВЭР // Известия вузов. Ядерная энергетика. — 2002. — № 4. — С. 38-45.

25. Лескин С. Т., Корнилова В. В. О возможности идентификации аномалии в состоянии насосов высокого и низкого давления по результатам испытаний на АЭС с ВВЭР // Известия вузов. Ядерная энергетика. — 2005.- № 4.- С. 56-63.

26. Аркадов Г. В., Павелко В. И., Усанов А. И. Виброшумовая диагностика ВВЭР / Под ред. А. А. Абагяна. — М.: Энергоатомиздат, 2004. — 344 с.

27. Trenty A., Puyal C., Klajnmic H. SINBAD, a data base for PWR internals vibratory monitoring // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). — Vol. 1. — Gatlinburg: 1991. — May. — Pp. 253 264.

28. Trenty A. Operational feedback on internal structure vibration in 54 french PWRs during 300 fuel cycles // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). — Vol. 1.— Avignon: 1995.— June. Pp. 40 - 48.

29. Stegemann D., Runkel J. Experience with vibration monitoring in german PWRs Obrigheim, Grohnde, Brokdorf and Emsland // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII).— Vol. 1. — Avignon: 1995. — June. — Pp. 23-31.

30. Korean experience in neutron noise monitoring of nuclear power plant / T. R. Kim, S. H. Jung, Y. S. Joo, C. M. Sim // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). — Vol. 1. — Avignon: 1995. — June. — Pp. 32 39.

31. Ciftcioglu 0. Synthetic noise benchmark data analysis for anomaly by pattern recognition methodology // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). — Vol. 1. — Gatlinburg: 1991.— May. — Pp. 345 355.

32. Development of advanced core noise monitoring system for BWRs / M. Mori, M. Kaino, S. Kanemoto et al. // Progress in Nuclear Energy.— 2003.— July. Vol. 43, no. 1. — Pp. 43-49(7).

33. Kiss J., Soumelidis A., Bokor J. Applying artificial neural networks in nuclear power plant diagnostics // Proc. of 7th Symposium on Nuclear Reactor

34. Surveillance and Diagnostics (SMORN-VII). — Vol. 1.— Avignon: 1995.— June.-Pp. 323 331.

35. Hayashi K., Shinohara Y., Konno H. Study of a modeling method for nonlinear reactor noise // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). — Vol. 1. — Gatlinburg: 1991. — May. — Pp. 291 302.

36. Alguindigue I. E., Uhrig R. E. Vibration monitoring with artificial neural networks // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). — Vol. 2. — Gatlinburg: 1991. — May. — Pp. 185 -196.

37. Glockler 0., Pazsit I., Garis N. S. Neural network techniques for control rod localization // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). — Vol. 1.— Avignon: 1995. —June. — Pp. 350 -358.

38. New statistical features and multivariate pattern recognition analysis for boiling noise detection in fast reactors / O. P. Singh, G. S. Srinivasan,

39. R. K. Vyjayanthi, R. Prabhakar // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). — Vol. 1,— Gatlinburg: 1991. May. — Pp. 167 - 178.

40. Olma B. J. Acoustic monitoring of U-tube steam generators // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol. 2. - Gatlinburg: 1991. - May. - Pp. 347 - 359.

41. Hessel G., Schmitt W., Weiss F.-P. Acoustic leak monitoring with neural networks at complicated structures // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII).— Vol. 1.— Avignon: 1995. —June. Pp. 359 - 366.

42. Goal-oriented flexible sensing for higher diagnostic performance of nuclear plant instrumentation / M. Takahashi, T. Miyazaki, A. Miyamoto, M. Ki-tamura // Progress in Nuclear Energy. — 2003.— July.— Vol. 43, no. 1.— Pp. 105-111(7).

43. Горбунов В. И., Епифанцев Б. Н. Автоматические устройства в радиационной дефектоскопии.— М.: Атомиздат, 1979.— С. 121.

44. A step towards automatic defect pattern analysis and evaluation in industrial radiography using digital image processing / H. Jagannathan, N. Bhaskar, P. Sriraman, N. Vijay // Proc. of 15th World Conference on Nondestructive Testing. — Roma: 2000.

45. Федотов H. Г., Никифорова Т. В. Техническая дефектоскопия на основе новой теории распознавания образов // Измерительная техника. — 2002. — № 12.-С. 27-31.

46. Ефименко JI. А., Григорченко С. А. Программное обеспечение комплекса автоматизированной расшифровки радиографических изображений // Контроль. Диагностика. — 2007. — № 12. — С. 26-29.

47. Фурсов А. С., Филинов М. В. К вопросу об автоматизации анализа изображений аппаратно-программными комплексами цифровой радиографии // Контроль. Диагностика. — 2008. — № 9. — С. 6-15.

48. Той J., Gonzalez R. Pattern Recognition Principles.— Addison-Wesley, 1974.-P. 377.

49. Burges С. J. С. A tutorial on support vector machines for pattern recognition // Data Mining and Knowledge Discovery. — 1998.— Vol. 2, no. 2,— Pp. 121-167.

50. Cristianiny N., Shawe-Taylor J. An Introduction to Support Vector Machines and other kernel-based learning methods.— Cambridge University Press, 2000. 189 pp.

51. Skomorokhov A., Nakhabov A. Support vector machines in A+ // APL Quote Quad. — 2006. — Vol. 34, no. 4. — Pp. 8-17.

52. Нахабов А. В., Скоморохов А. О. Акустическая диагностика кризиса теплообмена с применением алгоритмов SVM // Тез. докл. VIII Международной конференции „Безопасность АЭС и подготовка кадров — 2003". — Обнинск: 2003. — Окт. — С. 128-129.

53. Нахабов А. В., Скоморохов А. О. „SVMClass" — программа классификации результатов неразрушающего контроля оборудования АЭС на основе алгоритмов опорных векторов // Свидетельство о государственной регистрации программы для ЭВМ № 2008613243 от 07.07.2008.

54. ГОСТ 7512-82. Контроль неразрушающий. Соединения сварные. Радиографический метод (с Изменением № 1). — 2003.

55. Никифоров В. Н. Последовательное обнаружение изменения свойств временных рядов. — М.: Наука, 1983.— С. 199.

56. Загоруйко Н. Г. Методы распознавания и их применение. — М.: Советское Радио, 1972. — С. 206.

57. R Development Core Team. R: A language and environment for statistical computing: http://www.r-project.org // Электронный документ.— Проверено 01.04.2009.

58. Факторный, дискриминаптный и кластерный анализ: Пер. с англ. / Д.-О. Ким, Ч. У. Мыоллер, У. Р. Клекка и др.; Под ред. И. С. Ешокова. — М.: Финансы и статистика, 1989. — 215 с.

59. Многомерный статистический анализ в экономике / JI. А. Сошникова, В. Н. Тамашевич, Г. Уебе, М. Шефер; Под ред. В. Н. Тамашевича.— М.: Юнити-Дана, 1999. — 598 с.

60. Гайдышев И. Анализ и обработка данных: специальный справочник. — СПб: Питер, 2001. — 752 с.

61. Kaufman L., Rousseeuw P. J. Finding Groups in Data: An Introduction to Cluster Analysis. — New York: Wiley, 2005. — P. 368.

62. Nakhabov A. V., Skomorokhov A. 0. Development of methods for automated result analysis in radiographic testing // Тез. докл. X Международной конференции „Безопасность АЭС и подготовка кадров — 2007". — Обнинск: 2007. — Окт.— С. 90.

63. Скоморохов А. ОНахабов А. В. „Xrays" — программа для автоматизированного анализа результатов радиографического контроля сварных соединений трубопроводов и оборудования АЭС //

64. Свидетельство о государственной регистрации программы для ЭВМ № 2009610833 от 06.02.2009.

65. Бадалян В. Г., Вопилкин А. X. Мониторинг сварных соединений трубопроводов с использованием систем автоматизированного УЗК с когерентной обработкой данных //В мире неразрушающего контроля. — 2004. — Декабрь. № 4(26). - С. 22-27.

66. Новые технологии контроля целостности сварных соединений аустенит-ных трубопроводов / А. С. Мокроусов, Б. П. Стрелков, А. В. Шершов, И. Ф. Щедрин // Годовой отчет ФГУП НИКИЭТ / Под ред. Е. О. Адамова.— М., 2000. — С. 168-169.

67. Методика полуавтоматизированного ультразвукового контроля аустенит-ных сварных соединений трубопроводов Ду-300 и РГК энергоблоков типа РБМК-1000. № 840.11М-01. — М.: ГУП ИЦД НИКИЭТ, 2003.

68. Полуавтоматическая установка для ультразвукового контроля сварных соединений трубопроводов Ду 300 / А. С. Мокроусов, Б. П. Стрелков, А. В. Шершов, И. Ф. Щедрин // Годовой отчет ФГУП НИКИЭТ / Под ред. Е. О. Адамова. —М., 2000, — С. 170-171.

69. Cohen R. A. An Introduction to PROC LOESS for Local Regression. — SAS Institute Inc., 2002. — P. 9.

70. Система автоматизированного анализа результатов ультразвукового контроля сварных соединений трубопроводов АЭС / А. О. Скоморохов, П. А. Белоусов, А. В. Нахабов и др. // Годовой отчет ФГУП НИКИЭТ / Под ред. Е. О. Адамова. — М., 2004. — С. 154-155.

71. Автоматическое выявление дефектов по результатам УЗК сварных соединений трубопроводов АЭС / А. О. Скоморохов, П. А. Белоусов, А. В. Нахабов и др. // Известия вузов. Ядерная энергетика.— 2005.— №2.-С. 16-25.

72. Skomorokhov А. О., Belousov P. A., Nakhabov А. V. Cluster analysis of ultrasonic testing data // Pattern Recognition and Image Analysis. — 2006. — Vol. 16, no. 1. — Pp. 82-84.