автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Разработка и применение методов обнаружения изменения свойств и прогнозирования временных рядов в задачах диагностирования АЭС

На правах рукописи

Белоусов Павел Анат:

Разработка и применение методов обнаружения изменения свойств и прогнозирования временных рядов в задачах диагностирования АЭС

05 13 01 - Системный анализ, управление и обработка информации

(по энергетике)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

НИМ!]

ПП-3 1С1 СГ'Р 1 1

00316153 1

Обнинск 2007

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 Ануфриенко Виктор Борисович доктор технических наук, профессор Корнюшин Юрий Петрович

Ведущая организация1

Федеральное государственное унитарное предприятие, Научно-исследовательский и конструкторский институт энерготехники им Н А Доллежаля

Защита состоится « . 2007 г в I ^ часов на заседаг

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 университета атомной энергетики

Автореферат разослан «8 £> $ 2007 г

Ученый секретарь

диссертационного совета Д 212176 01

дф-мн профессор В Л Шаблов

Общая характеристика работы

Актуальность работы. Развитие атомной энергетики в значительной степени определяется решением проблем обеспечения безопасности и экономической эффективности при эксплуатации АЭС Совместно с другими мерами на решение этих проблем направлены разработка и внедрение систем и средств технического диагностирования АЭС Они в обязательном порядке закладываются в проекты новых блоков АЭС, а блоки, находящиеся в эксплуатации, дооснащаются ими

Современные системы диагностирования АЭС должны непрерывно выполнять в режиме реального времени наблюдение и анализ сотен сигналов (временных рядов) Часто задача ставится так, что необходимо контролировать эти потоки данных в совокупности, причем учитывая не только текущие значения, но и предысторию данных Наряду с вычислением индивидуальных статистических характеристик каждого сигнала, необходимым становится также анализ их взаимных корреляций, в том числе с учетом запаздывания, Традиционные подходы с ростом числа сигналов и частоты поступления данных упираются в технические ограничения по памяти и быстродействию системы и не позволяют проводить обработку в режиме реального времени Поэтому задачи, связанные с разработкой и применением методов и алгоритмов обработки и анализа информации, повышающие эффективность функционирования и управления сложными системами, к которым относятся ядерные энергетические установки, являются актуальными

В последние годы перспективными направлениями признаны нейронные сети различного типа, факторный и кластерный анализ сигналов, методы, основанные на использовании нечетких множеств Отдельной важной проблемой является разработка специализированных баз данных временных рядов, позволяющих эффективно работать в реальном времени с большим объемом динамической информации Для достижения этой цели активно развивается технология обработки потоков данных, которая может дать значительные преимущества при применении к задачам диагностирования АЭС

Цель диссертации — разработка и применение методов и алгоритмов обработки и анализа временных рядов, исследовании системных связей и закономерностей функционирования оборудования реакторной установки, направленных на подавление шумов и выделение полезного диагностического сигнала, повышении эффективности управления, контроля и диагностики в системах акустического контроля течи и ультразвукового контроля сварных соединений

Для достижения поставленной цели были решены следующие задании

• Исследование эффективности совместного применения методов интеллектуального анализа данных и технологии обработки потоков данных для решения задач диагностики и принятия решений в процессе управления и эксплуатации АЭС

• Исследование системных связей и закономерностей функционирования реакторной установки путем анализа сигналов систем акустического контроля течи и ультразвукового контроля оборудования АЭС с использованием современных методов обработки временных рядов

• Разработка методов и алгоритмов визуализации, трансформации и анализа данных и их программная реализация в составе соответствующих систем контроля и диагностики оборудования АЭС

Научная новизна работы

• Впервые предложено и обосновано применение методов анализа потоков данных, включая сжатие данных на основе ортогональных преобразований и кластерный анализ сигналов, в задачах обработки больших объемов временных рядов в режиме реального времени в системах контроля оборудования АЭС

• Внервые применены методы кластерного и факторного анализа для нахождения и интерпретации источников акустических шумов реакторной установки и их системных связей Разработана математическая модель для предсказания акустических шумов, которая позволяет минимизировать их влияние на выявление течи трубопроводов

• Выявлены зависимости порогов обнаружения дефектов от характеристик шумов сигнала Впервые применен метод кумулятивных сумм для вычисления длины дефекта Разработан алгоритм голосования для фильтрации ложных тревог

• Разработаны методики нахождения координат и размеров дефектов и визуализации результатов контроля в виде двухмерных цвето-яркостных диаграмм

Практическая ценность работы

• Разработаны алгоритмы эффективного выявления течи и фильтрации ложных срабатываний для системы оперативной диагностики, выявлены и интерпретированы источники шумов, построены математические модели поведения акустических шумов при работе реактора на мощности Полученные результаты используются в системе диагностики, работающей на Калининской АЭС

• Разработан программный комплекс «УЗК-Аналитик»для автомат тизированного анализа результатов ультразвукового контроля системой ПУЗК Разработана база данных, в которой содержатся результаты контроля сварных соединений ДУ-300 трубопроводов АЭС с реакторами типа РБМК Результаты используются на Смоленской и Курской АЭС

• Разработан программный комплекс «УЗК-Визуализатор 20»для визуализации, трансформации и анализа результатов УЗК сварного соединения приварки обоймы и основного металла наставки верхнего тракта ТК реактора РБМК-1000 Результаты используются на Курской АЭС

На защиту выносятся:

1 Обоснование применения методов анализа потоков данных, включая сжатие данных на основе ортогональных преобразований и кластерный анализ, в задачах обработки больших объемов временных рядов систем контроля АЭС в режиме реального времени

2 Результаты анализа данных и алгоритмы обработки сигналов системы акустического контроля течи реактора ВВЭР-ЮОО, включая математическую модель для описания низкочастотных помех на основе метода группового учета аргументов, определение источников шумов и их системных связей методами кластерного и факторного анализа

3 Результаты анализа и алгоритмы обработки данных УЗК сварных соединений трубопроводов АЭС, включая алгоритмы сглаживания, предсказания порогов определения длины дефекта и минимизации ложных срабатываний, системы «УЗК-Аналитик» и «Визуализатор 20», база данных УЗК сварных соединений и результаты анализа накопленной информации

Достоверность научных положений. В ходе разработки все результаты проверялись на большом числе независимых выборок данных, полученных в процессе проведения измерений и контроля непосредственно на реакторных установках Разработанные методы и алгоритмы покат зали свою работоспособность при применении на Курской, Смоленской и Калининской АЗС

Апробация результатов работы. Основные результаты работы докладывались на семи международных конференциях VIII Международной конференции «Безопасность АЭС и подготовка кадров» — Обнинск ИАТЭ, 2003, X Международной научно-технической конференции «Радиоэлектроника, электротехника и энергетика» —М МЭИ, 2004г, Международной выставке-конференции «Неразрушающий контроль в промышленности» — М ЦМТ, 2004г, VII международной конференции «Мягкие вычисления и измерения SCM'2004» —Санкт-Петербург СПб-ГЭТУ, 2004г, 7th. International Conference on Pattern Recognition and Image Analysis New Information Technologies (PRIA-7-2004) SPbETU, St Petersburg, 2004, IX Международной конференции «Безопасность АЭС и подготовка кадров» — Обнинск ЙАТЭ, 2005г, X Международной конференции «Безопасность АЭС и подготовка кадров» — Обнинск ИАТЭ, 2007г

Публикации. По теме диссертации опубликовано 17 научных работ Личный вклад автора. Автор принимал непосредственное участие в решении задач, изложенных в диссертации, разработал методики, алгоритмы и программы автоматической обработки данных По материалам, изложенным в диссертации, получены 3 авторских свидетельства на разработанные программы для ЭВМ и 3 акта о внедрении на Курской АЭС Структура и объем диссертации. Работа состоит из введения, 4 глав и заключения, изложенных на 135 страницах машинописного текста, куда входит 60 рисунков и список использованной литературы, включающий в себя 96 наименований, в том числе 17 работ автора

Содержание работы

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

В первой главе приведены результаты анализа научно-технической литературы, на основании которого представлено современное состояние проблем разработки систем технической диагностики, а также методов обработки и анализа временных рядов, используемых для анализа эксплуатационной информации, и результатов контроля реакторных устано-

вок Приведен обзор методов и алгоритмов используемых для анализа временных рядов

Сделан вывод, что в связи с увеличением объема информации, получаемой системами технической диагностики, необходимо применять современные подходы и алгоритмы интеллектуального анализа временных рядов, образующие новое направление — технология обработки потоков данных

Вторая глава посвящена разработке и совершенствованию методов и алгоритмов обработки потоков данных В основном, выделяют следующие основные составляющие анализа временных рядов вычисление простых описательных статистик, спектральный и спектрально-временной анализ, корреляционный анализ и кластерный анализ

Для повышения эффективности систем обработки временных рядов в режиме реального времени должны быть использованы методы сжатия данных, индексирования и преобразования данных Это дает возможность в несколько раз увеличить скорость необходимых расчетов

В данной работе показана эффективность применения этих методов для решения задач, связанных со сглаживанием и фильтрацией данных, вычисления статистических характеристик, взаимно корреляционных функций и корреляционных матриц, вычисления Фурье и вейвлет-преобразований для проведения кластерного, спектрального и спектрально-временного анализа

Исследование возможности применения технологии потоков данных на практике показало, что увеличение числа одновременно обрабатываемых сигналов (потоков данных) ведет к незначительному росту времени, необходимого на обработку данных, по сравнению с традиционными подходами

Применение технологии обработки штоков данных при разработке систем технической диагностики подтвердило вычислительную эффективность данного подхода при анализе больших объемов информации в режиме реального времени

В третьей главе рассматриваются задачи исследования системных связей и закономерностей функционирования РУ, анализа данных по акустической системе контроля течей теплоносителя САКТ, разработанной в ГНЦ РФ-ФЭИ и внедренной в опытную эксплуатацию на 3 блоке Калининской АЭС с реактором ВВЭР-1000 Результаты испытаний покат зали, что алгоритмы обработки сигналов разработанные теоретически и проверенные на стенде нуждаются в доработке По результатам испытаний за год работы системы САКТ накоплен значительный объем (десятки гигабайт) несистематизированных данных, которые подлежат углубленному анализу с использованием современных математических методов и компьютерных технологий

Система САКТ включает в себя 53 акустических датчика, блоки сбо-

№ петли ХН Р-ГЦН ХН гцн-пг Г.Н ПГ-Р

I 123 456 78

II 91011 12 13 14 15 16

Ш 17 18 19 20 21 22 23 24

IV 25 26 27 28 29 30 31 32

ра информации и коммутационные линии На каждой из четырех петель первого контура РУ ВВЭР-1000 установлено по 8 контактных акустических датчиков волноводного типа (по 3 на холодных нитках (X Н) между реактором и ГЦН (Р-ГЦН), по 3 на X К между ГЦН и парогенератором (ГЦН - ПГ), по 2 на горячей нитке (Г Н ) между реактором и ПГ (Р-ПГ)) Остальные датчики размещены на вспомогательных трубопроводах Распределение датчиков по петлям и их нумерация представлены в табл 1

Отличительной особенностью реакторной установки как источника акустических шумов является сложность и взаимосвязанность протекаг ющих в ней механических, гидродинамических, вибрационных и др процессов Все это порождает множество акустических шумов, являющихся помехами для выделения сигнала течи Указанные сигналы действуют в различных диапазонах частот, зависящих от режима реакторной устаг новки, состава действующего оборудования и многих других факторов

Предварительный анализ показал сильную взаимную корреляцию между сигналами всех датчиков системы САКТ, установленных на трубопроводах первого контура Это объясняется присутствием в сигнале всех акустических датчиков низкочастотной составляющей

На рис 1 представлен отрезок временного ряда (сигнала) первого датчика системы САКТ с частотой оцифровки один раз в минуту (исходный ряд) Минимальная течь, подлежащая обнаружению, составляет 4 кг/мин, при этом показания датчиков должны составлять порядка 100 мкВ Из рисунка видно, что в ходе эксплуатации общий шум может достигать значений выше порога выявления течи

Вероятность появления течи трубопроводов сразу двух петель очень мала, поэтому, пользуясь сильной зависимостью между сигналами датчиков разных петель, можно предсказать сигнал датчика одной петли по сигналам датчиков, расположенных на других петлях, например, с помощью следующих зависимостей

А (£) = /г(л (£)),* = 1,2,3, ,8 АЬ) = [А9(г),А10{г),А11(г)}

тогда разность дг (£) = А, (£) - /г (£)^ в отсутствие течи будет представлять собой шум, свободный от общих помех и имеющий математическое ожидание, равное нулю

160 120 80 40 0 .40

А1,»

Негодный временной <|ПН[

Л

^м^ш^М I

После фильтра

114 и тщиачщ

2<Ю0

1ШГ

Рис 1 Изменение интенсивности сигнала во времени для исходных и фильтрованных данных

Главной задачей является определение функции /, (^А , описывающей глобальные шумы Для ее оценивания использовался метод группового учета аргументов (МГУА) Главным отличием МГУА является то, что структура сети (число слоев, число элементов в каждом слое и их связи) определяется автоматически, те сеть является самоорганизующейся Также автоматически определяется модель оптимальной сложности, что достигается за счет оценивания параметров модели по одной части выборки и независимой оценки ее точности по другой

Были получены /ь/г, ,/зг — соответствующие модели для каждого датчика На рис 1 представлен исходный сигнал датчика А\ и сигнал после фильтра А\ — Д Остаточный уровень шумов составляет а {А\ — Д) = 1,58 мкВ, т е это в несколько раз меньше, чем шумы для исходных данных а (Лх) = 26 78 мкВ, что позволяет судить об успешной фильтрации общего фонового акустического шума Преобразованные сигналы аг, г = 1,2, ,32 подаются на вход алгоритма обнаружения течи

Для выявления источников шумов по исходным данным были взяты первые разности временных рядов с частотой дискретизации 1Гц и применен кластерный анализ

Главной задачей кластерного анализа является выявление групп точек многомерного пространства близких между собой и отличающихся от точек, принадлежащих другим кластерам В настоящей работе был применен алгоритм кластерного анализа, основанный на построении кратчайшего незамкнутого пути (КНП) Исходными данными для построения графа является матрица взаимных расстояний, определяемая через корреляционную матрицу по соотношению

X И II петля

дГ

Ж—

<

ж-^

( Н I петля I

ГН. III lll.IV петель

ш-

ХН III петля

X Н. № петля

0^5

-0 75 -01 0.2;

0.5 075

Рис. 2 Расщепление графа, построенного методом КНП

согг(х,у) = х<Р{х,у),

где (ж, у) - евклидово расстояние между нормированными рядами х и У

КНП является графом наименьшей длины, соединяющим все точки выборки и не имеющим петель После построения полного графа его наиболее длинные ребра разрезаются Полученные подграфы образуют кластеры, что проиллюстрировано на рис 2 Для визуализации полученных результатов применялся нелинейный метод понижения размерности Сэммона

Весь набор из 32 сигналов оказался разбитым на пять компактных групп Анализ состава кластеров показал, что центральный кластер включает в себя сигналы датчиков, установленных на горячих участках всех четырех петель (между реактором и парогенератором) Каждая из четырех оставшихся групп включает в себя сигналы датчиков только одной петли, установленных на участках между ПГ и ГЦН, ГЦН и реактором Этот результат говорит о двух типах источников — глобальном и локальном, специфичном для каждой петли

Этот результат был независимо подтвержден проведением факторного анализа В основе факторного анализа лежит предположение о том, что взаимные корреляции наблюдаемых переменных х\, ж2, ,хп могут

к» X 2 3 4 5 6 7 8

т 085 0 89 086 09 0 92 088

Р4 0 62 0 58

№ 9 хо XX Х2 13 14 15 16

Р2 0 71 0 86 082 087 086 0 79

У4 063 066

№ 17 18 19 20 21 22 23 24

Р5 0 69 08 0 79 08 0 79 0 73

Е4 0 55 0 55

№ 25 26 27 28 29 30 31 32

гх 085 088 0 87 09 0 89 0 87

Р4 0 61 06

быть объяснены влиянием меньшего числа скрытых (ненаблюдаемых) переменных или факторов /ь/г, . , Д, к < п Модель факторного анализа обычно представляют в виде системы уравнений

XI = Ац /х + А12/2 + + \ikfk + «1

Х2 — А21/1 -I- А22/2 + + \lkfk + и2

Хп = Апг/г + А„2 /г + + \nkfk + и» Каждая наблюдаемая переменная представляется как взвешенная сумма скрытых факторов плюс специфические для этой переменной остатки и Весовые коэффициенты А называются факторными нагрузками и являются определяющими при интерпретации полученных факторов

Задачами факторного анализа являются определение числа факторов, факторных нагрузок и специфических остатков После нахождения факторов для улучшения их интерпретируемости часто производят вращение системы координат

Предполагается, что взаимные корреляции сигналов всех 32 рассматриваемых датчиков могут быть объяснены влиянием нескольких скрытых факторов Было определено оптимальное число факторов, равное пяти

Полученные в результате факторные нагрузки приведены в табл 2 Для наглядности в ней занулены малые факторные нагрузки (А<0 4) Из табл 2 также видно, что, например, все датчики (1—6) холодной нитки I петли имеют ненулевую факторную нагрузку только на фактор РЗ, т е поведение и взаимные корреляции этих датчиков холодного участка петли I определяются влиянием только одного скрытого фактора В то же время фактор РЗ имеет ненулевые факторные нагрузки только для датчиков холодной нитки I петли, т е не влияет на другие датчики Это упрощает интерпретацию скрытого фактора РЗ как общего источника шумов для датчиков холодного участка первой петли

Аналогично, фактор Р2 определяет шумы холодного участка второй

петли, фактор F5 определяет поведение датчиков холодной нитки III петли, фактор F1 влияет на датчики холодной нитки IV петли, наконец, фактор F4 имеет ненулевые нагрузки только для датчиков на горячих участках всех 4-х петель (8,9,15,16,23,24,31,32) Этот фактор определяет общий источник шумов, действующий на выходе из реактора и демпфируемый парогенераторами при дальнейшем течении теплоносителя

Интерпретация результатов следующая на холодных участках петель главным источником являются системы продувки и подпитки теплоносителя первого контура Деаэрация теплоносителя в деаэраторе является интенсивным шумообразующим процессом с широким частотным спектром Общим источником шумов для датчиков, установленных на горячих участках петель, являются флуктуации газосодержания в теплоносителе, связанные с флуктуациями давления и температуры

Четвертая глава посвящена разработке и применению алгоритмов анализа результатов ультразвукового контроля и состоит из двух основных частей

Автоматизация ультразвукового контроля сварных соединений трубопроводов ДУ-300

В состав системы входят 8 ультразвуковых преобразователей, располагающихся по обе стороны сварного шва и объеденных в одном блоке Часть из них является генераторами (Г), а часть — приемниками (II) акустического сигнала, два преобразователя совмещают эти функции Для обнаружения дефектов используется два метода ультразвукового контроля эхо-метод, когда Г и П располагаются с одной стороны сварного шва, и теневой метод, когда Г и П — с разных сторон Эхо-метод основан на том, что Г излучает ультразвуковую волну, которая отражается от дефекта и принимается П В отсутствие дефекта сигнала на П нет При теневом методе Г и П располагаются с разных сторон шва Если дефекта нет, волна без потерь проходит от Г к П При наличии дефекта сигнал на П ослаблен из-за рассеивания ультразвуковой волны на дефекте

Всего реализовано 16 различных схем прозвучивания материала сварного шва Такое количество преобразователей и реализуемых с их помощью схем прозвучивания обеспечивает более надежное выявление дефектов

В качестве исходных данных для разработки алгоритмов и программ анализа использовались результаты УЗК 31-го сварного соединения (шва) трубопроводов Курской АЭС Имеющиеся для этих швов экспертные заключения, указывают на наличие в каждом шве от 1 до 4 выявленных дефектов

Для независимой оценки качества разрабатываемых методов весь наг бор данных был разбит на обучающую (17 швов) и проверочную (14

Рис. 3. Пример подбора порога для сигнала по эхо-такту для исходных и сглаженных данных По оси X приведена координата вдоль шва в мм по оси К - амплитуда сигнала в уел ед

швов) выборки Обучающая выборка использовалась только для оценки параметров алгоритмов и моделей Предсказательная способность и точность методов оценивались на независимой проверочной выборке

Пример исходного сигнала по эхо-схеме прозвучивания представлен на рис 3 Б верхней его части области двух обнаруженных дефектов Затемнены Для выявления дефектов эксперты проводят некоторый уровень, превышение которого указывает на наличие дефектов В некоторых случаях сложно провести такой порог при котором не имели бы место ложные тревоги, например, как показано на рис 3, когда ложный сигнал превышает заданный уровень при отсутствии дефекта в данном месте сварного соединения

Чтобы устранить эту проблему, была решена задача оптимального сглаживания сигнала Для определения метода сглаживания данных были рассмотрены различные алгоритмы, критерием пригодности таких методов служило наименьшее уширение (размытие) полезных (соответствующих дефектам) пиков и наибольшее подавление шумовых пиков Оценка проводилась путем анализа большого числа примеров и сопоставления характеристик сглаженных сигналов в областях наличия и отсутствия дефектов Для данной задачи наилучшим оказался метод сглаживания ЬО\/УЕ88, основанный на локально-взвешенном усреднении данных

Суть этого метода заключается в следующем Сглаженное значение

уе('Х() в точке а^ для исходной последовательности у(х) вычисляется как взвешенное среднее всех у% с весами \и(хи

п

£ IV (хг, Ж*) у{хг) = -,

£ п}{хг,хь)

г=1

где п - число точек последовательности у(х), у(хг) - значение исходного сигнала в точке х„ 'ш{х\. х-4), «>(22, .г^), , хи(хп, х() - набор весовых коэффициентов для точки Х(, экспоненциально убывающих с ростом расстояния от хг до хг Весовые коэффициенты рассчитываются следующим образом

ш(хг,х()=е * ,

где г = 1,2,3, ,п,Ь- параметр алгоритма сглаживания

Параметр Ь определяет эффективную ширину окна усреднения данных При больших значениях Ь происходит уширение и уменьшение амплитуды пиков При маленьких значениях Ъ не будут подавляться узкие шумовые пики Необходимо стремиться к результату, когда происходят наименьшие искажения полезного сигнала при наибольшем подавлении шумов Лучший результат получился при значении 6 = 7

На рис 3 внизу продемонстрированы сглаженные данные Видно, что для сглаженных данных уровень порога, при котором выявляются дефекты и нет ложных тревог, гораздо ниже, чем для исходных данных

Следующим этапом было определение порогов выявления дефектов для результатов контроля сварных соединений обучающей выборки Были разработан специальный критерий, основанный на отношении числа выявленных дефектов к числу ложных тревог, и компьютерная программа, которая автоматически для всех результатов контроля методом перебора определяла минимально допустимый порог, когда пропадают ложные срабатывания

Задача предсказания порога была решена путем нахождения зависимости порогов выявления от различных статистических характеристик, описывающих уровень шума Для его оценки были опробованы такие статистические характеристики как медиана, среднее значение, среднеквад-ратическое отклонение и межквартильный размах сигнала В результате оказалось, что наиболее сильно пороги зависят от межквартильного размаха сигнала Отметим, что при вычислении межквартильного размаха отсекается 25% наименьших и наибольших значений выборки, что позволяет избавиться от влияния больших значений в области дефектов на оценку уровня шумов

г

25

Рис 4 Зависимость порога выявления дефектов I от межквартильного размаха сигнала г

Зависимость оптимальных порогов выявления дефектов I от межквартильного размаха сигнала г по эхо-схемам обучающей последовательности показана на рис 4 Из рисунка видно, что эта зависимость может с достаточной точностью быть аппроксимирована прямой Оценки коэффициентов прямой, выполненные методом наименьших квадратов, выглядят следующим образом

где I — значение оптимального порога для сглаженного сигнала, г — значение межквартильного размаха сигнала

В качестве проверочной выборки были использованы данные для оставшихся 14 швов Предсказанные по зависимости I (г) значения порогов позволили выявить все дефектные области

Проявление дефекта в сигнале эхо-схемы можно представить как увеличение уровня сигнала от некоторого начального значения, области постоянного уровня (при сканировании вдоль дефектной области) и последующим снижении уровня сигнала Весьма чувствительной статистикой для детектирования изменений уровней сигнала является кумулятивная сумма сигнала

Для уменьшения диапазона изменения кумулятивной суммы, исходные данные сначала центрируются

1(г) = 30,45 + 2,28 х г,

Рис 5. Исходные данные и кумулятивная сумма в области дефекта

где ус(х) — центрированная последовательность Кумулятивная сумма для последовательности ус(х) в точке Хь есть сумма значений последовательности {ус{х 1), ус(х2), , УсЫ)), при í < п

г

= Ус(Хг) г=1

Пример кумулятивной суммы исходного сигнала для области одного дефекта по эхо-схеме показан на рис 5 Координатам начала (увеличение уровня сигнала) и конца (уменьшение уровня сигнала) дефекта соответствуют точки изменения наклона зависимости кумулятивной суммы Следовательно, для определения координат дефекта нам необходимо определить координаты этих точек

Для нахождения точек излома используется следующий метод Если разбить расширенную область дефекта на три участка таким образом, что их границы будут проходить через точки излома кумулятивной суммы, то аппроксимация значений кумулятивной суммы на каждом участке прямыми линиями будет наилучшей Для этого необходимо перебирать все возможные варианты разбиения и для каждого варианта вычислять среднеквадратическое отклонение (СКО) аппроксимации сигнала тремя прямыми линиями по методу наименьших квадратов В итоге, выбрать в качестве оптимального то разбиение, для которого СКО имеет наименьшее значение При этом границы участков определяют координаты начала и конца дефекта Для данного примера автоматически определенные координаты дефекта практически точно совпали с эксперт-

со о

о

о о

200

1 Х,мм 1

400 600

(а)

800

1000

00 - !0 - V Лп

Т -

CN - ...................п____ _______

О - U rv гт г

Х^ММ

О 200 400 600 800 1000

Рис 6. Экспертная оценка и сумма превышений порога по 8 эхо-схемам

ными данными (прямоугольник под осью абсцисс)

Каждый дефект может проявляться более чем по одной эхо-схеме Вместе с тем шумы и помехи, являясь случайными величинами, проявляются в сигнале каждого такта независимо Если за дефект принимать показания только одной схемы прозвучивания, то появляется много ложных тревог, при увеличении числа схем, появляются пропуски дефектов Например, на рис 6а прямоугольником показана экспертныя оценка, на 66 сумма оценок по каждой схеме Оптимизация показала, что, используя только две схемы, можно добиться оптимального соотношения числа пропусков дефектов к ложным тревогам Это подтвердилось при обработке большого количества результатов контроля На рис 66 показан порог L, при котором отфильтровываются два ложных срабатывания и выявляются два дефекта

На основе вышеизложенных алгоритмов был создан программный комплекс «УЗК-Аналитик», который позволяет проводить анализ данных как в диалоговом, так и в автоматическом режимах, формировать протоколы в соответствии с нормативными документами и отчет о работе системы в формате rtf, содержащий основные графики и результаты расчетов Работа программы была проверена на большом объеме данных Система успешно эксплуатируется на Курской и Смоленской АЭС с 2004г

На каждом блоке реактора РБМК-1000 имеется порядка 1800 сварных соединений ДУ-300 Контроль каждого сварного соединения должен производиться по регламенту один раз в 6 лет Следовательно, в год кон-

тролируется около 300 сварных швов на каждом блоке По результатам контроля, проводимого с помощью системы ПУЗК, получается файл с исходными данными и экспертное заключение с параметрами обнаруженных дефектов Чтобы систематизировать полученные данные, разработана база данных результатов УЗК Наряду с возможностью задания традиционных запросов на выборку данных и генерацию отчетов, пользователь имеет развитые и постоянно расширяемые средства анализа и визуализации данных Это позволяет повторно верифицировать сложные случаи и испытывать новые алгоритмы выявления дефектов Одним из примеров применения базы данных для извлечения полезной информации и знаний является проведение кластерного анализа В результате были выявлены системы с разными электрическими разводками, а также найдены средние распределения для каждой схемы прозвучивания, которые позволяют выявить результаты контроля с нарушениями в технологии контроля База данных также работает на Курской, Смоленской АЭС и в НИКИЭТ с 2004 г

Автоматизация ультразвукового контроля сварных соединений ТК

Вторая часть четвертой главы посвящена разработке методики визуализации и обработки данных для системы автоматизированного ультраг звукового контроля сварного соединения приварки обоймы и основного металла наставки верхнего тракта ТК реактора РБМК-1000 (АСУЗК), разработанной инженерным центром диагностики при НИКИЭТ

Данная система состоит из следующих блоков акустические блоки, сканер, контроллер сканера, кабели передачи данных АСУЗК и управления, система подачи контактной жидкости, дефектоскоп, персональный компьютер, образец проверки работоспособности Сканер системы ультразвукового контроля состоит из девяти пьезоэлектрических преобразователей (ПЭП), конструктивно объединенных в один акустический блок (АБ) С помощью ПЭП реализованы И схем прозвучивания, основанных на эхо-методе выявления дефектов Половина схем прозвучивания направлена на выявление внешних дефектов, другая — на выявление внутренних дефектов

Целью данной работы было разработать программный комплекс, используемый для визуализации результатов контроля в виде двухмерных цвето-яркостных диаграмм Для ее достижения были решены задачи нахождения необходимых параметров визуализации для преобразования данных в диаграммы и нахождения координат схем прозвучивания относительно общей системы координат, чтобы в дальнейшем можно было обобщить все результаты контроля, так как все генераторы и приемники разнесены в пространстве Разработана методика, по которой во время калибровки на стандартном образце предприятия автоматически с ис-

Рис, 7. Л:;'-'.\м» рн:.>': ::н?т:>-.-:'.''Л11 . ннл . рзигрнммн 1 :,1 .( !■, контроля

пользованием автокорреляционных и вз аи м нокорреля цион ных функций определяются асе необходимые параметры.

Двухмерное изображение результатов ультразвукового контроля по стандартному образцу предприятия с учитом всех найденных параметров для визуализации представлено на рис. 7, Светлые участки на диаграмме указывают дефектные области, что соответствует высокой амплитуде сигнала эхо-схемы прозвучивания.

На основе проведенных исследований и разработанных Алгоритмов была создана программа *УЗК-Визуализатор 20», с помощью которой проводятся автоматический поиск координаты ввода ультразвука в объект контроля для каждой схемы прозвучивания относительно общей системы координат при проведении калибровки; автоматическое определение параметров, необходимых дая корректного о тображения результатов УЗК в виде двухмерных цветояркостных диаграмм; приведение данных к одной координате в общей системе координат; преобразование результатов контроля для дальнейшей их визуализации и отображение данных в виде четырех и^ето-яркостных диаграмм, где первая диаграмма отображает максимальные амплитуды УЗК по всем схемам прозвучивания, вторая отображает схемы для выявления внутренних дефектов, третья отображает поверхностиые дефекты, в четвертой отображается по выбору одна из схем; определение координаты и условной протяженности дефектов с помощью специальных процедур. Работа программы была проверена на большом объеме данных. Система успешно эксплуатируется па Курской АЭС с 2004 г.

Основные результаты и выводы:

• Получен новый подход к разработке алгоритмов анализа н обработки временных рядов для систем технической диагностики АЭС с использованием технологии обработки потоков данных. Разработаны алгоритмы, которые позволяют увеличить скорость проведений

корреляционного, кластерного, спектрального анализа, а также вычисления простых статистик, показана эффективность применения этих алгоритмов на практике

• Выявлены и интерпретированы источники акустических фоновых шумов, найдены их системные связи, построены математические модели поведения акустических шумов при работе реактора на мощности Разработаны алгоритмы для более эффективного выявления течи и фильтрации ложных срабатываний системы на основе метода группового учета аргументов Полученные результаты используются в системе диагностирования течи, работающей на Калининской АЭС

• Разработаны алгоритмы и программное обеспечение для автоматизированного анализа результатов ультразвукового контроля системой ПУЗК, а также база данных, в которой содержатся результаты контроля сварных соединений ДУ-300 трубопроводов АЭС с реакторами типа РБМК Программный комплекс «УЗК-Аналитик» и база данных используются на Смоленской и Курской АЭС

• Разработаны методики визуализации результатов контроля в виде двухмерных цвето-яркостных диаграмм и нахождения координат и размеров дефектов С их использованием создан программный комплекс для анализа результатов УЗК сварного соединения приварки обоймы и основного металла наставки верхнего тракта ТК реактора РБМК-1000 «УЗК-Визуализатор 2Б», который используется на Курской АЭС

Основные публикации по теме диссертации

1 Трофимов А И, Абакумов А А, Белоусов П А и др Фундаментальные исследования методов неразрушающего контроля, разработка информационных технологий системного анализа экспериментальных данных и создание автоматизированных систем контроля конструкционных материалов АЭС // Отчет о НИР — Обнинск ИАТЭ, 2002 - С 218

2 Белоусов П А , Скоморохов А О Применение технологии потоков данных для обработки сигналов системы контроля свободных и слабозакрепленных частей (КиБ) // Тез докл VIII Международной конференции «Безопасность АЭС и подготовка кадров» — Обнинск ИАТЭ, 2003 - С 123-124

3 Скоморохов А О , Белоусов П А , Нахабов А В 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

4 Skomorokhov А , Belousov Р, 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) - Vol 3-St Petersburg 2004 - Pp 917-919

5 Скоморохов А О , Белоусов П A , Нахабов А В Система автоматизированного анализа результатов ультразвукового контроля сварных соединений трубопроводов АЭС // Сборник статей Под ред Е О Адамова- М ГУП НИКИЭТ, 2004 - С 154-155

6 Белоусов П А , Скоморохов А О Разработка и применение методов обнаружения изменения свойств и прогнозирования временных рядов в задачах диагностирования АЭС // Тез докл IX Междунаг родной конференции «Безопасность АЭС и подготовка кадров» — Обнинск ИАТЭ, 2005 - С 59-60

7 Белоусов П А , Муравьев А В Разработка системы анализа и обрат ботки данных УЗК сварного соединения ТК реактора РВМК-1000 // Тез докл IX Международной конференции «Безопасность АЭС и подготовка кадров» — Обнинск ИАТЭ, 2005 — С 63-65

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

9 Белоусов П А , Скоморохов А О Разработка и применение методов обнаружения изменения свойств и прогнозирования временных рядов в задачах диагностирования АЭС // Известия вузов Ядерная энергетика — 2006 - № 3 - С 3-12

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

11 Белоусов П A , Скоморохов А О , Морозов С А Кластерный анализ сигналов системы акустического контроля течи // Известия вузов Ядерная энергетика — 2006 — № 4 — С 3-12

12 Скоморохов А О , Белоусов П А , Нахабов А В и др «УЗК-Ана-литик»— программа для анализа результатов ультразвукового контроля сварных соединений трубопроводов АЭС // Свидетельство об официальной регистрации программы для ЭВМ № 2006610877 от 01 03 2006

13 Скоморохов А О , Белоусов П А , Нахабов А В и др «База данных УЗК»— база данных по результатам ультразвукового контроля сварных соединений трубопроводов АЭС // Свидетельство об официальной регистрации программы для ЭВМ № 2006612043 от 26 04 2006

14 Белоусов П А «УЗК-Визуализатор 2D»— программа для анализа и обработки данных УЗК сварного соединения приварки обоймы и основного металла наставки верхнего тракта технологического канала реактора РБМК-1000 // Свидетельство об официальной регистрации программы для ЭВМ № 2006612042 от 26 04 2006

15 Трофимов А И, Абакумов А А, Белоусов П А и др Фундаментальные исследования методов неразрушающего контроля, разработка информационных технологий системного анализа экспериментальных данных и создание автоматизированных систем контроля конструкционных материалов АЭС Разработка методик исследования ультразвуковым и магнитным методами состояния конструкционных материалов Создание алгоритмов обработки спектров экспериментальных данных // Отчет о НИР ИАТЭ № ГР 01 200 204942 - Обнинск ИАТЭ, 2006 - 127С

16 Морозов С А , Ковтун С Н, Белоусов П А и др Основные источники фоновых акустических шумов главного циркуляционного контура реакторной установки ВВЭР-1000 // Атомная Энергия — 2007 — Т 103, вып 3, № 207 - С 161-166

17 Belousov Р, Skomorokhov A Noise filtration of acoustic leak detection system signal for WER-1000 / / Proc of Xth International conference «NPP SAFETY AND PERSONAL TRAINING - 2007» - Obninsk 2007 - Pp 91-92

Компьютерная версиса П.А.Белоусов

№020713 от 27.04 1998

одписано к печати Я.ЛО. О^. Формат бумаги 60x84/16

ечать ризограф. газ№ 43л Бумага МВ Тираж 100 экз. Печ. л. 1,5 Цена договорная

Отдел множительной техники ИАТЭ 249035, г Обнинск, Студгородок, 1

Введение

Глава 1. МЕТОДЫ ДИАГНОСТИРОВАНИЯ, ОСНОВАННЫЕ НА

АНАЛИЗЕ ВРЕМЕННЫХ РЯДОВ.

1.1. Системы технической диагностики

1.2. Классические методы анализа временных рядов.

1.3. Методы сглаживания и прогнозирования временных рядов

1.4. Фурье и Вейвлет анализ

1.5. Корреляционный анализ

Выводы к главе

Глава 2. ТЕХНОЛОГИИ ОБРАБОТКИ ПОТОКОВ ДАННЫХ В

СИСТЕМАХ ТЕХНИЧЕСКОЙ ДИАГНОСТИКИ

Введение

2.1. Системы управления потоками данных.

2.1.1. Методы сжатия информации.

2.1.2. Методы поиска и структурирования данных.

2.1.3. Методы преобразования временных рядов

2.2. Общие свойства технологии обработки потоков данных.

2.2.1. Структура скользящих и основных окон

2.2.2. Сглаживание, фильтрация временных рядов и спектральный анализ

2.2.3. Сокращение объема данных

2.2.4. Вычисление простых статистик.

2.2.5. Корреляционный анализ и кластерный анализ.

2.3. Применение ТОПД в системах диагностирования АЭС.

Выводы к главе

Глава 3. АНАЛИЗ ВРЕМЕННЫХ РЯДОВ СИСТЕМЫ АКУСТИ

ЧЕСКОГО КОНТРОЛЯ ТЕЧИ

Введение

3.1. Система акустического контроля течи

3.2. Методы подавления помех в САКТ

3.2.1. Постановка задачи.

3.2.2. Описание исходных данных

3.2.3. Метод группового учета аргументов.

3.2.4. Математические модели взаимных зависимостей сигналов

4.1. Разработка программы анализа и обработки данных системы ПУЗК 76

4.1.1. Постановка задачи.77

4.1.2. Описание системы контроля и исходных данных.79

4.1.3. Сглаживание результатов контроля.82

4.1.4. Определение и предсказание порогов выявления дефектов . 84

4.1.5. Определение координат дефектов.87

4.1.6. Программа «УЗК-Аналитик» .90

4.1.7. База данных результатов УЗК.90

4.1.8. Заключение .103

4.2. Анализ и обработка данных системы УЗК технологических каналов 104

4.2.1. Постановка задачи.105

4.2.2. Объекты и средства контроля .107

4.2.3. Описание исходных данных .110

4.2.4. Построение двухмерных цвето-яркостных диаграмм . 111

4.2.5. Метод автоматического приведения данных к одной координате .116

4.2.6. Программна «УЗК-Визуализатор» .119

4.2.7. Заключение .121

Выводы к главе 4 .122

Заключение .123

Литература .124

Введение

Актуальность работы. Развитие атомной энергетики в значительной степени определяется решением проблем обеспечения безопасности и экономической эффективности при эксплуатации АЭС. Наряду с другими мерами, на решение этих проблем направлены разработка и внедрение систем и средств компьютерной поддержки оператора технической диагностики АЭС. Они в обязательном порядке закладываются в проекты новых блоков АЭС, а блоки, находящиеся в эксплуатации, дооснащаются ими. Требования к системам оперативной диагностики и системам неразрушающего контроля по быстродействию и вычислительным возможностям постоянно растут, увеличивается их сложность.

Современные системы диагностирования АЭС должны непрерывно выполнять в режиме реального времени наблюдение и анализ сотен сигналов (временных рядов). Часто задача ставится так, что необходимо контролировать эти потоки данных в совокупности, причем учитывая не только текущие значения, но и предысторию данных. Наряду с вычислением индивидуальных статистических характеристик каждого сигнала, необходимым становится также анализ их взаимных корреляций, в том числе с учетом запаздывания. Традиционные подходы с ростом числа сигналов и частоты поступления данных упираются в технические ограничения по памяти и быстродействию системы и не позволяют проводить обработку в режиме реального времени. Поэтому задачи, связанные с разработкой и применением методов и алгоритмов обработки и анализа информации, повышающие эффективность функционирования и управления сложными системами, к которым относятся ядерные энергетические установки, являются актуальными.

Обнаружение изменения свойств временных рядов (обнаружение разладки) и прогнозирование процессов относятся к классическим задачам технической диагностики. Традиционно используемыми методами для решения таких задач являются различные типы контрольных карт, корреляционный и спектральный анализ, авторегрессия и экспоненциальное сглаживание. Вместе с тем, сложность реальных процессов, их нелинейность и нестационарность, статистическая зависимость сигнала и помех, негауссовское распределение шумов, приводят к необходимости разработки новых методов и алгоритмов анализа данных.

В последние годы перспективными направлениями признаны нейронные сети различного типа, факторный и кластерный анализ сигналов, методы, основанные на использовании нечетких множеств [1]. Эти методы допускают как раздельное, так и совместное применение. Результаты анализа независимых компонент или вейвлет анализа, например, могут использоваться как обобщенные признаки при обучении нейронной сети. Отдельной и важной проблемой является разработка специализированных баз данных временных рядов, позволяющих эффективно работать в реальном времени с большим объемом динамической информации. Для решения этой задачи активно развивается технология обработки потоков данных, которая может дать значительные преимущества при применении к задачам управления и диагностики АЭС.

В настоящее время ведущими научно-конструкторскими институтами разрабатываются системы контроля течи трубопроводов АЭС, которые являются штатными, стационарными системами диагностирования и уже закладываются при проектировании АЭС. Эти системы должны быть автоматическими и работающими в режиме реального времени. Чтобы повысить эффективность работы таких систем, необходимо использовать современные подходы к анализу данных. Например, основной и важной проблемой является выявление источников акустических помех и построение математических моделей, по которым можно спрогнозировать поведение временных рядов и устранить такие помехи.

Другой задачей является разработка алгоритмов и программного обеспечения для анализа, принятия решений и обработки накопленной информации применительно к задачам неразрушающего контроля оборудования АЭС. В настоящее время для обнаружения дефектов в сварных соединениях трубопроводов АЭС широко используются переносные ультразвуковые системы контроля.

Проблемой является расшифровка результатов контроля, которая требует привлечение высоко квалифицированных специалистов сторонних организаций. Внедрение на АЭС автоматических систем позволит проводить контроль полностью силами штатного персонала лаборатории контроля металлов, снизить стоимость проведения контроля и повысить его оперативность.

Цель диссертации — разработка и применение методов и алгоритмов обработки и анализа временных рядов, исследовании системных связей и закономерностей функционирования оборудования реакторной установки, направленных на подавление шумов и выделение полезного диагностического сигнала, повышении эффективности управления, контроля и диагностики в системах акустического контроля течи и ультразвукового контроля сварных соединений.

Для достижения поставленной цели были решены следующие задачи:

• Исследование эффективности совместного применения методов интеллектуального анализа данных и технологии обработки потоков данных для решения задач диагностики и принятия решений в процессе управления и эксплуатации АЭС.

• Исследование системных связей и закономерностей функционирования реакторной установки путем анализа сигналов систем акустического контроля течи и ультразвукового контроля оборудования АЭС с использованием современных методов обработки временных рядов.

• Разработка методов и алгоритмов визуализации, трансформации и анализа данных и их программная реализация в составе соответствующих систем контроля и диагностики оборудования АЭС.

Научная новизна работы

• Впервые предложено и обосновано применение методов анализа потоков данных, включая сжатие данных на основе ортогональных преобразований и кластерный анализ сигналов, в задачах обработки больших объемов временных рядов в режиме реального времени в системах контроля оборудования АЭС.

• Впервые применены методы кластерного и факторного анализа для нахождения и интерпретации источников акустических шумов реакторной установки и их системных связей. Разработана математическая модель для предсказания акустических шумов, которая позволяет минимизировать их влияние на выявление течи трубопроводов.

• Выявлены зависимости порогов обнаружения дефектов от характеристик шумов сигнала. Впервые применен метод кумулятивных сумм для вычисления длины дефекта. Разработан алгоритм голосования для фильтрации ложных тревог.

• Разработаны методики нахождения координат и размеров дефектов и визуализации результатов контроля в виде двухмерных цвето-яркостных диаграмм.

Практическая ценность работы

• Разработаны алгоритмы эффективного выявления течи и фильтрации ложных срабатываний для системы оперативной диагностики, выявлены и интерпретированы источники шумов, построены математические модели поведения акустических шумов при работе реактора на мощности. Полученные результаты используются в системе диагностики, работающей на Калининской АЭС.

• Разработан программный комплекс «УЗК-Аналитик»для автоматизированного анализа результатов ультразвукового контроля системой ПУЗК. Разработана база данных, в которой содержатся результаты контроля сварных соединений ДУ-300 трубопроводов АЭС с реакторами типа РБМК. Результаты используются на Смоленской и Курской АЭС.

• Разработан программный комплекс «УЗК-Визуализатор 2D»для визуализации, трансформации и анализа результатов УЗК сварного соединения приварки обоймы и основного металла наставки верхнего тракта ТК реактора РБМК-1000. Результаты используются на Курской АЭС.

На защиту выносятся следующие основные результаты и положения:

1. Обоснование применения методов анализа потоков данных, включая сжатие данных на основе ортогональных преобразований и кластерный анализ, в задачах обработки больших объемов временных рядов систем контроля АЭС в режиме реального времени.

2. Результаты анализа данных и алгоритмы обработки сигналов системы акустического контроля течи реактора ВВЭР-1000, включая математическую модель для описания низкочастотных помех на основе метода группового учета аргументов, определение источников шумов и их системных связей методами кластерного и факторного анализа.

3. Результаты анализа и алгоритмы обработки данных УЗК сварных соединений трубопроводов АЭС, включая алгоритмы сглаживания, предсказания порогов, определения длины дефекта и минимизации ложных срабатываний, системы «УЗК-Аналитик»и «Визуализатор 2D», база данных УЗК сварных соединений и результаты анализа накопленной информации.

Достоверность научных положений. В ходе разработки все результаты проверялись на большом числе независимых выборок данных, полученных в процессе проведения измерений и контроля непосредственно на реакторных установках. Разработанные методы и алгоритмы показали свою работоспособность при применении на Курской, Смоленской и Калининской АЭС.

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

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

2. X Международной научно-технической конференции «Радиоэлектроника, электротехника и энергетика»,—М.: МЭИ, 2004г;

3. Международной выставке-конференции «Неразрушающий контроль в промышленности».— М.: ЦМТ, 2004г.;

4. VII международной конференции

Мягкие вычисления и измерения SCM'2004».—Санкт-Петербург: СПбГЭТУ, 2004г.;

5. 7th International Conference on Pattern Recognition and Image Analysis: New Information Technologies (PRIA-7-2004).- St. Petersburg: SPbETU, 2004;

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

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

Публикации. По теме диссертации опубликованы следующие основные работы:

1. Скоморохов А. О., Белоусов П. А., Нахабов А. В. и др. Система автоматизированного анализа результатов ультразвукового контроля сварных соединений трубопроводов АЭС // Сборник статей. Под ред. Адамова Е.О.— М.: ГУП НИКИЭТ, 2004. с.275 ISBN 5-98706-004-4 - С. 154-155

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

3. Белоусов П. А., Скоморохов А. О. Разработка и применение методов обнаружения изменения свойств и прогнозирования временных рядов в задачах диагностирования АЭС // Известия вузов. Ядерная энергетика. — 2006. — № 3.- С. 3-12.

4. 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.

5. Белоусов П. А., Скоморохов А. О., Морозов С. Кластерный анализ сигналов системы акустического контроля течи // Известия вузов. Ядерная энергетика. - 2006.-№ 4-С. 3-12.

6. Скоморохов А. О., Белоусов П. А., Нахабов А. В. и др. «УЗК-Аналитик»— программа для анализа результатов ультразвукового контроля сварных соединений трубопроводов АЭС // Свидетельство об официальной регистрации программы для ЭВМ № 2006610877. Зарегистрирована в Реестре программ для ЭВМ 1 марта 2006г.

7. Скоморохов А. О., Белоусов П. А., Нахабов А. В. и др. «База данных УЗК»— база данных по результатам ультразвукового контроля сварных соединений трубопроводов АЭС // Свидетельство об официальной регистрации программы для ЭВМ № 2006612043. Зарегистрирована в Реестре программ для ЭВМ 15 июня 2006г.

8. Белоусов П. А. «УЗК-Визуализатор 2D»— программа для анализа и обработки данных УЗК сварного соединения приварки обоймы и основного металла наставки верхнего тракта технологического канала реактора РБМК-1000 // Свидетельство об официальной регистрации программы для ЭВМ № 2006612042. Зарегистрирована в Реестре программ для ЭВМ 15 июня 2006г.

9. Морозов С.А., Ковтун С.Н., Белоусов П.А. и др. Основные источники фоновых акустических шумов главного циркуляционного контура реакторной установки ВВЭР-1000 // Атомная Энергия - 2007. Т. 103 вып. 3, № 207 — С. 161-166.

Личный вклад автора. Автор принимал непосредственное участие в решении задач, изложенных в диссертации, разработал методики, алгоритмы и программы автоматической обработки данных. По материалам, изложенным в диссертации, получены 3 авторских свидетельства на разработанные программы для ЭВМ и 3 акта о внедрении на Курской АЭС.

Структура и объем диссертации. Работа состоит из введения, 4 глав и заключения, изложенных на 135 страницах машинописного текста, куда входит 60 рисунков и список использованной литературы, включающий в себя 96 наименований, в том числе 17 работ автора.

Выводы к главе 4

• Разработана база данных результатов ультразвукового контроля, которая содержит информацию о исходных результатах контроля и экспертных заключениях, накопленную с 2002 года со Смоленской и Курской АЭС.

• Проведен анализ результатов УЗК трубопроводов ДУ-300. Используя полученные результаты, разработаны алгоритмы для автоматической обработки данных и реализованы в программном комплексе «УЗК-Аналитик».

• Проведен анализ результатов УЗК сварного соединения приварки обоймы и основного металла наставки верхнего тракта ТК реактора РБМК-1000. Разработаны алгоритмы для автоматической обработки данных и реализованы в программном комплексе «УЗК-Визуализатор 2D».

• На все программные продукты были получены свидетельства об официальной регистрации программ для ЭВМ [92-94] и получены акты о внедрении на Курской АЭС.

Заключение

Получен новый подход к разработке алгоритмов анализа и обработки временных рядов для систем технической диагностики АЭС с использованием технологии обработки потоков данных. Разработаны алгоритмы, которые позволяют увеличить скорость проведения корреляционного, кластерного, спектрального анализа, а также вычисления простых статистик, показана эффективность применения этих алгоритмов на практике.

Выявлены и интерпретированы источники акустических фоновых шумов, найдены их системные связи, построены математические модели поведения акустических шумов при работе реактора на мощности. Разработаны алгоритмы и программное обеспечение для более эффективного выявления течи и фильтрации ложных срабатываний системы на основе метода группового учета аргументов. Полученные результаты используются в системе диагностирования течи, работающей на Калининской АЭС.

Разработаны алгоритмы и программное обеспечение для автоматизированного анализа результатов ультразвукового контроля системой ПУЗК, а также база данных, в которой содержатся результаты контроля сварных соединений ДУ-300 трубопроводов АЭС с реакторами типа РБМК. Программный комплекс «УЗК-Аналитик»и база данных используются на Смоленской и Курской АЭС.

Разработаны методики визуализации результатов контроля в виде двухмерных цвето-яркостных диаграмм и нахождения координат и размеров дефектов. С их использованием создан программный комплекс для анализа результатов УЗК сварного соединения приварки обоймы и основного металла наставки верхнего тракта ТК реактора РБМК-1000 «УЗК-Визуализатор 2D», который используется на Курской АЭС.

1. Коллакот, Р. Диагностика повреждений. Пер. с англ. / Р. Коллакот. — М.: МИР, 1989.

2. Афанасьев, А. М. Системы поддержки операторов и повышение эксплуатационной безопасности АЭС / А. М. Афанасьев, Н. Н. Лебедев, В. И. Плютин-ский // http://www.ibrae.ac.ru.

3. Faloutsos, С. Fast subsequence matching in time-series databases / C. Faloutsos, M. Ranganathan, Y. Manolopoulos 11 ACM SIGMOD International Conf. on Management of Data. 1994.- Pp. 419-429.

4. Соловьева, С. Аварии и инциденты на атомных электростанциях. / С. Соловьева. Обнинск: ОИАТЭ, 1992.

5. Аркадов, Г. Виброшумовая диагностика ВВЭР. / Г. Аркадов, В. Павелко, А. Усанов; Под ред. П. ред. А.А. Абагяна.— М.: Энергоатомиздат, 2004.— С. 344.

6. Vibrations of the WER-1000 Equipment. / G. Arkadov, A. Oussanov, 0. Ovtcharov, V. Pavelko // Proceedings the 8th Symposium On Nuclear Reactor Surveillance and Diagnostics (SMORN-VIII).- paper53.pdf, 2002.-27-31 May.

7. Лескип, С. Комплекс программ DIANA-I длядиагностирования ГЦН ВВЭР по данным оперативного технологического контроля. / С. Лескин, Д. Зарю-гин // Известия вузов. Ядерная Энергетика. — 2001. — № 1,— С. 3-12.

8. Kim, J. S. Mass Estimation Using a Loose Parts Monitoring System. / J. S. Kim // Progress in Nuclear Energy. 2000. - no. 2. - Pp. 109-122.

9. Tsunoda, T. Studies on the Loose Part Evaluation Technique. / T. Tsunoda, et. al. // Progress in Nuclear Energy. — 1985. — no. 15.

10. Mayo, C. W. Loose Part Signal Theory. / C. W. Mayo // Progress in Nuclear Energy. 1983. - no. 15. - Pp. 535-543.

11. ДиАПРОМ // http://www.diaprom.com.

12. Mitchel, G. Computer-aided Operational Support System Development at AE-CL. / G. Mitchel, C. Turner, M. Feher // Nuclear Europe Worldscan №9-10.— 1999. Pp. 48-49.

13. Шиманский, С. Повышение безопасности АЭС с использованием метода пространственного локализации и обнаружения течи теплоносителя. / С. Шиманский, Б. Стрелков // Бюллетень по Атомной Энергии. — 2006.— С. 29-31.

14. Боровиков, В. STATISTICA: Искусство анализа данных на компьютере. Для профессионалов. / В. Боровиков, — СПб.: Питер, 2001.

15. Сиргеенко, А. Б. Цифровая обработка сигналов./ А. Б. Сиргеенко. — СПб.: Питер, 2002. С. 608.

16. Орлов, А. Прикладная статистика: учебник / А. Орлов. — М.: Издательство- Экзамен, 2006. С. 3.

17. Heising, С. D. A computerized diagnostic system for nuclear plant control rooms based on statistical quality control. / C. D. Heising, W. S. Grenzebach // Nuclear technology. Vol.90. —1990. — apr.

18. Никифоров, И. В. Последовательное обнаружение изменения свойств временных рядов / И. В. Никифоров. — Наука, 1983.

19. Box, G. Е. Time series analysis: Forecasting and control. / G. E. Box, G. M. Jenkins.- Holden-Day., 1976.

20. Velleman, P. F. Applications, basics and computing of exploratory data analysis. / P. F. Velleman, D. C. Hoaglin. Duxbury Press., 1981.

21. Система влажностного контроля течи (СКТВ) водяного теплоносителя / С. А. Морозов, С. Н. Ковтун, А. А. Буданин и др.— Обнинск: Препринт ФЭИ-3083, 2006.

22. Pyle, D. Data preparation for data mining. / D. Pyle. — San Francisco, Calif.: Morgan Kaufmann Publishers., 1999.

23. Kendall, M. G. Rank correlation methods (4th ed.) / M. G. Kendall. — London: Griffin., 1975.

24. Hoff, J. C. A practical guide to Box-Jenkins forecasting. / J. C. Hoff. — London: Lifetime Learning Publications., 1983.

25. Pankratz, A. Forecasting with univariate Box-Jenkins models: Concepts and cases. / A. Pankratz. New York: Wiley., 1983.

26. Vandaele, W. Applied time series and Box-Jenkins models. / W. Vandaele. — New York: Academic Press., 1983.

27. Льюис, К. Методы прогнозирования экономических показателей. / К. Льюис. — М.: Финансы и статистика, 1986.

28. Montgomery, D. С. Forecasting and time series analysis (2nd ed.). / D. C. Montgomery, L. A. Johnson, J. S. Gardiner. — New York: McGraw-Hill., 1990.

29. Makridakis, S. G. Forecasting: Methods and applications (2nd ed.). / S. G. Makri-dakis, S. C. Wheelwright, V. E. McGee.- New York: Wiley., 1983.

30. Gardner, E. S. Exponential smoothing: The state of the art. / E. S. Gardner // Journal of Forecasting. — 1985. — no. 2. — Pp. 1-28.

31. Bloomfield, P. Fourier analysis of time series: An introduction. / P. Bloomfield. — New York.: Wiley., 1976.

32. Daniell, P. J. Discussion on symposium on autocorrelation in time series. / P. J. Daniell // Journal of the Royal Statistical Society, Suppl. — 1946. — no. 8. — Pp. 88-90.

33. Blackman, R. В. The measurement of power spectral from the point of view of communication engineering. / R. B. Blackman, J. Tukey // New York: Dover. — 1958.

34. Parzen, E. Mathematical considerations in the estimation of spectra: Comments on the discussion of Messers, Tukey, and Goodman. / E. Parzen // Technomet-rics. 1961. - no. 3. - Pp. 167-190; 232-234.

35. Monro, D. M. The chirp discrete Fourier transform of general length. / D. M. Monro, J. L. Branch // Applied Statistics. 1976. - no. 26.- Pp. 351-361.

36. Дьяконов, В. Вейвлеты. От теории к практике. № 840.11М-01 / В. Дьяконов. - М.: СОЛОН-Р, 2002. - С. 448.

37. Рижевич, А. Вейвлетный анализ акустических полей и сигналов в ультразвуковой дефектоскопии. / А. Ринкевич, Д. Перов // Дефектоскопия. — 2005. — №2.

38. Бендат, Д. Применение корреляционного и спектрального анализа: Пер. с англ. / Д. Бендат, А. Пирсол. М.: Мир, 1983. - С. 312.

39. Цикупова, С. Разработка и применение корреляционных методов в задачах технической диагностики. / С. Цикунова // Известия вузов. Ядерная Энергетика. 1998. - № 5. - С. 83-90.

40. Шиманский, С. Обнаружение нестационарных сигналов течи первого контура аэс с помощью взаимного корреляционного анализа / С. Шиманский // Атомная Энергия. 2007. - № т.102,вып.З. - С. 183-188.

41. Corrigan, J. P. OPRA Traffic Projections for 2005 and 2006. / J. P. Corrigan // Technical Report, Options Price Reporting Authority. — 2005.

42. Zhu, Y. StatStream: Statistical Monitoring of Thousands of Data Streams in Real Time / Y. Zhu, D. Shasha // Courant Institute of Mathematical Sciences Department of Computer Science. New York University. — 2001.

43. Babu, S. Continuous queries over data streams / S. Babu, J. Widom // SIGMOD Record. 2001. - Pp. 30(3): 109-120.

44. Schroeder, M. Fractals, Chaos, Power Laws: Minutes From an Infinite Paradise / M. Schroeder // W. H. Freeman and Company. — 1991.

45. Agrawal, R. Eficient Similarity Search In Sequence Databases / R. Agrawal,

46. C. Faloutsos, A. N. Swami //In Proceedings of the 4th Interna-tional Conference of Foundations of Data Organization and Algorithms (FODO) / Ed. by

47. D. Lomet. 1993. - Pp. 69-84.

48. Faloutsos, C. Fast subsequence matching in time-series databases / C. Faloutsos, M. Ranganathan, Y. Manolopoulos // ACM SIGMOD International Conf. on Management of Data. 1994. - Pp. 419-429.

49. Dimensionality reduction for fast similarity search in large time series. In Databases. / E. Keogh, K. Chakrabarti, M. Pazzani, S. Mehrotra // Knowledge and Information Systems 3(3). 2000. - Pp. 263-286.

50. Yi, B.-K. Fast time sequence indexing for arbitrary lp norms. / B.-K. Yi, C. Faloutsos //In VLDB 2000, Proceedings of 26th International Conference on Very Large Data Bases, September 10-14. 2000. - Pp. 385-394.

51. Numerical reci-pes: The art of scientific computing. / W. Press, B. Flannery, S. Teukolsky, W. Vetterling // Cambridge University Press. — 1986.

52. Johnson, W. B. Extensions of lipshitz mapping into hilbert space / W. B. Johnson, J. Lindenstrauss // Contemp. Math. 1984. - Pp. 26:189-206.

53. Zhu, Y. High Performance Discovery in Time Series: Techniques and Case Studies.: A dissertation submitted in partial fulfillment of the requirements for the degree of Doctor of Philosophy. / New York University. — 2004. — 274 pp.

54. Keogh, E. Exact indexing of dynamic time warping / E. Keogh // In VLDB 2002, Proceedings of 28th International Conference on Very Large Data Bases. — 2002.-Pp. 406-417.

55. Walnut, D. F. An Introduction to Wavelet Analysis. / D. F. Walnut. — Berlin: Birkhauser., 2002.

56. Guttman, A. R-trees: A dynamic index structure for spatial searching. / A. Guttman // In B. Yormark, editor, SIGMOD'84, Proceedings of Annual Meeting, June 18-21, 1984. ACM Press., 1984. - Pp. 47-57.

57. Berndt, D. Using dynamic time warping to find patterns in time series / D. Berndt, J. Clifford //In Advances in Knowledge Discovery and Data Mining. AAAI/MIT, 1994. - Pp. 229-248.

58. Fast retrieval of similar subsequences under time warping. / S. Park, W. W. Chu, J. Yoon, C. Hsu // ICDE. 2000. - Pp. 23-32.

59. Yi, В.-К. Efficient retrieval of similar time sequences under time warping. / B.-K. Yi, H. V. Jagadish, C. Faloutsos // ICDE. — 1998. — Pp. 201-208.

60. Факторный, дискриминантный и кластерный анализ. / Д.-О. Ким, Ч. Мьюл-лер, У. Клекка и др.; Под ред. П. ред. И.С. Енюкова. — М.: Финансы и статистика, 1989. С. 215.

61. Дюран, Б. Кластерный анализ. / Б. Дюран, П. Оделл; Под ред. П. ред. А.Я. Боярского. — М.: Статистика, 1997.

62. Белоусов, П. А. Разработка и применение методов обнаружения изменения свойств и прогнозирования временных рядов в задачах диагностирования АЭС / П. А. Белоусов, А. О. Скоморохов // Известия вузов. Ядерная энергетика. 2006. - № 3. - С. 3-12.

63. Основные источники фоновых акустических шумов главного циркуляционного контура реакторной установки ВВЭР-1000 / С. Морозов, С. Ковтун,

64. П. Белоусов и др. // Атомная Энергия. — 2007.— Т. 103 вып. 3, № 207.— С. 161-166.

65. Бадалян, В. Г. Опыт применения ультразвуковой системы с когерентной обработкой данных «авгур»на российских аэс. / В. Г. Бадалян, А. X. Вопилкин // Контроль. Диагностика. — 2000. — № 9. — С. 35-39.

66. Стрелков, П. Б. Методика полуавтоматизированного ультразвукового контроля аустенитных сварных соединений трубопроводов Ду-300 и РГК энергоблоков типа РБМК-1000. № 840.11М-01 / П. Б. Стрелков, А. С. Мокро-усов. - М.: ГУП ИЦЦ НИКИЭТ, 2003.

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

68. Система акустического контроля течей (САКТ). Препринт. / С. А. Морозов, С. Н. Ковтун, А. А. Буданин и др. - Обнинск: ФЭИ -3082, 2006.- С. 24.

69. Larose, D. Т. Discovering Knowledge in Data. John Wiley and Sons /

70. D. T. Larose. NY, 2005. - P. 120.

71. Han, J. Data Mining. Concepts and Techniques / J. Han, M. Kamber.— New York: Morgan Kaufman, 2001,- P. 420.

72. Белоусов, П. А. Кластерный анализ сигналов системы акустического контроля течи / П. А. Белоусов, А. О. Скоморохов, С. Морозов // Известия вузов. Ядерная энергетика. — 2006. — № 4. — С. 3-12.

73. Belousov, P. Noise filtration of acoustic leak detection system signal for WER-1000 / R Belousov, A. Skomorokhov // Proc. of Xth International conference «NPP SAFTY AND PERSONAL TRAINING 2007». - Obninsk: 2007. -Oct.-Pp. 91-92.

74. Загоруйко, H. Г. Методы распознавания и их применение / Н. Г. Загоруйко. — М: Советское Радио, 1972.

75. Dyalog APL/W. Version 10.1: http://www.dyalog.com // Электронный документ.-=- Проверено 01.10.2007.

76. Фукунага, К. Введение в статистическую теорию распознавания образов / К. Фукунага. — М: Наука, 1979.

77. The R Project for Statistical Computing: http://www.r-project.org // Электронный документ. — Проверено 01.10.2007.

78. Лоули, Д. Факторный анализ. Пер.с англ / Д. Лоули, А. Максвелл. — М.: МИР, 1967.

79. Исследование источников фоновых акустических шумов главного циркуляционного контура РУ с ВВЭР-100 / С. А. Морозов, С. Н. Ковтун, А. А. Буданин и др. Обнинск: Препринт. ФЭИ-3083, 2006.

80. Подсети, А. К. Основы неразрушающих методов контроля сварных соединений АЭС Учеб. пособие. / А. К. Подсекин. — Обнинск: ИАТЭ., 1990.

81. Cohen, R. An introduction to PROC LOESS for Local Regression / R. Cohen // Proceedings of the 24th SAS Users Group International Conference (SUGI). — 1999.-Pp. 1584-1592.

82. Skomorokhov, A. Cluster analysis of ultrasonic testing data / A. Skomorokhov, P. Belousov, A. Nakhabov // Proc. of 7th International conference on Pattern