行業(yè)特種設備無損檢測系統(tǒng)優(yōu)化仿真設計

楊景崗

(樂山電力股份有限公司,四川 樂山 614000)

本研究涉及到的特種設備特指承壓罐體類特種設備，該類設備以一定壓力儲存、轉運氣體或液化氣體，具有低溫、高壓等運行工況[1-3]。金屬材質在低溫、高壓環(huán)境中更容易發(fā)生結構力學疲勞損傷，具有發(fā)生泄漏或爆炸事故的風險[4]。當前檢測特種設備結構完整性的最有效方式為超聲探傷(Time of Flight Diffraction，TOFD)，超聲探傷的技術特征導致其無法實現實時動態(tài)檢測，而是采用定期檢測和不定期抽檢的方式[5-6]。特種設備無損檢管理系統(tǒng)(Non Destructive Testing，NTD)的設計目標是管理TOFD的檢測報告書，新設計理念下，TOFD的存檔管理屬于基本功能，系統(tǒng)還應對檢測報告完整性、檢測過程溯源、系統(tǒng)隱患預警等提供計算機輔助管理功能][7-8]。以上述3個功能為關鍵技術，研究討論分析特種設備無損檢管理系統(tǒng)的設計構建過程，并驗證相關算法模塊的可行性[9-10]。

1 特種設備無損檢管理系統(tǒng)檢測過程溯源與存檔管理功能設計

特種設備無損檢報告書主要包括特種設備TOFD探傷的回波圖數據，TOFD全息建模系統(tǒng)支持下，該報告書可以生成特種設備殼體的三維模型；特種設備無損檢管理系統(tǒng)的存檔功能即是對該三維模型檔案進行增刪改查管理[11-13]。特種設備可能發(fā)生的事故(泄漏、爆炸等)需要執(zhí)行無損檢責任溯源，包括責任人溯源、設備編號溯源、檢測機構溯源等。該溯源功能屬于數據庫增刪改查基本功能的查詢功能，溯源功能設計的核心目的是發(fā)現問題無損檢報告后，列出一定時間期限內與相關責任人、相關設備、相關檢測機構有關的所有特種設備，并制定補充無損檢計劃；該溯源查詢算法如圖1所示。

圖1 溯源查詢算法邏輯示意圖Fig.1 Logic diagram of traceability query algorithm

由圖1可知，發(fā)生事故的特種設備或在抽檢中發(fā)現檢測問題的特種設備，根據其ID調取末次檢測數據，從而獲得該次檢測的責任人、檢測設備、檢測機構信息，將事故發(fā)生時間前推第1次檢測時間窗口前后各推一定時間段(該研究選擇30 d)，如該次檢測時間距離當前時間較近以至追查時不足30 d，則前推至當前的溯源調查時間點[14-16]。從結構化查詢語言(Structured Query Language，SQL)偽碼上體現出以下代碼：

Select 隱患設備ID From 報告存檔記錄

For 檢測時間 Between (select top 1 檢測時間 where 隱患設備ID = N from 報告存檔記錄 order by 檢測時間 desc)- 30

And (select top 1 檢測時間 where 隱患設備ID = N from 報告存檔記錄 order by 檢測時間 desc)+ 30

Where

操作員ID = (select top 1 操作員ID where 隱患設備ID = N from 報告存檔記錄 order by 檢測時間 desc)

Or 管理員ID = (select top 1 管理員ID where 隱患設備ID = N from 報告存檔記錄 order by 檢測時間 desc)

Or 檢測設備ID = (select top 1 檢測設備ID where 隱患設備ID = N from 報告存檔記錄 order by 檢測時間 desc)

Or 檢測機構ID = (select top 1 檢測機構員ID where 隱患設備ID = N from 報告存檔記錄 order by 檢測時間 desc)

Order by 檢測時間 desc

為方便展示，上述SQL偽碼中使用中文字段名取代英文字段名，其中N為問題設備的ID。上述SQL偽碼執(zhí)行后，可以得到前文圖1中的檢測結果，但該溯源過程還應提供一個額外功能。因為上述SQL偽碼的嵌套結構較深，在大容量數據庫中的檢索效率較低，所以應在每次檢測后為每個關聯人員、設備、機構建立信用評分。該模式為：所有關聯方設計10分的初始信用分；所有關聯方如果未發(fā)生事故或抽檢隱患，每月增加1分信用分；所有關聯方只要直接關聯到事故或者抽檢隱患的，扣除3分信用分；在上述SQL溯源追查中發(fā)現關聯方，即發(fā)生事故或抽檢隱患的設備所有關聯方在上述SQL溯源追查搜索到的關聯方，均扣除1分信用分。

2 檢測報告完整性評價與系統(tǒng)隱患預警

實際執(zhí)行TOFD無損檢測時，標準流程要在罐體上標記測線和測點，足夠的測點密度是確保特種設備無損檢測質量的必要條件。特種設備無損檢管理系統(tǒng)應在檢測報告上傳時，判斷檢測報告的完整性[17-18]。TOFD的三維可視化模型為散點型三角網格模型，其關鍵數據位于每個測量節(jié)點上，節(jié)點坐標按照三維直角坐標(x,y,z)建立索引。該研究的報告完整性檢測算法，具體如圖2所示。

圖2 報告完整性檢測算法邏輯架構Fig.2 Logical architecture of report integrity detection algorithm

由圖2可知，報告完整性檢測算法共分為3個階段：假定報告中共有n個測點，兩兩計算測點之間的直線距離，得到一個n×n的矩陣，遍歷該矩陣，計算其均值，并對所有距離數據根據升序排序進行分組。其中距離低于0.8倍均值的為A組；距離介于0.8～1.5倍均值的為B組；距離大于1.5倍均值的數據丟棄，不進入下一環(huán)節(jié)。(1)對A組和B組分別求取均值，計算2個均值的差值，該差值與總均值的比值為1個輸入點；(2)計算A組和B組的元素數量在總數量n×n中的占比，生成2個輸入點；(3)計算B組數據的最大值，即不大于1.5倍均值的最大距離數據值，生成1個輸入點。該3組4個數據作為檢測報告測點密度的標記值，第2階段的數據向機器學習判斷模塊提供的4個數據，可以基本反映出測點密度但數據仍具有不完備性，所以，將原始數據序列的n個數據同步輸入到機器學習模塊中，形成參照數據，以對不完備數據提供數據補充，展開上述判斷模塊的機器學習算法架構，具體如圖3所示。

圖3 判斷模塊的機器學習算法架構示意圖Fig.3 Schematic diagram of machine learning algorithm architecture of judgment module

由圖3可知，判斷模塊包含3個子模塊：卷積原始序列的前置模塊、整合前文圖2的分析結果的中央模塊、后置于該2個模塊并生成二值化輸出結果的二值化模塊。輸入數據分為3個類型：原始序列為一組n行3列數據，包括n個測點的(x,y,z)坐標，雖然該組數據為有量綱數據，但所有數據量綱一致，前置模塊將該組序列卷積成1個雙精度浮點型變量，實現數據卷積的同時實現數據的去量綱；均值差值比例數據、A組元素在總元素中的占比、B組元素在總元素中的占比，均為無量綱數據，具體算法見前文；B組最大值為有量綱距離數據，與第2組中3個數據有異構性，所以參考全部距離數據的均值數據進行去量綱，即B組最大值與所有距離數據的均值作為去量綱后的輸入數據。

2.1 前置模塊

模糊卷積神經網絡是機器學習的重要形式，其核心任務是將多個數據卷積成1個包含原始數據基本規(guī)律特征的輸出數據，即實現數據的模糊化[19]。該前置模塊的輸入數據是1組n行3列三維直角坐標系數據，數據擁有統(tǒng)一量綱和同構化表達，所以，參考相關文獻研究思路，該模塊輸入層使用對數比值函數深度迭代算法構建機器學習功能的神經網絡節(jié)點，輸入層節(jié)點基函數：

(1)

式中：S為節(jié)點輸出值；i為數據指針，代表總計n行輸入數據的第i行；xi、yi、zi為第i行數據的3個坐標值；A、B、C、D、E、F為節(jié)點待回歸系數；

經過輸入層處理后的模塊，實現了數據去量綱和同構化，所有節(jié)點的輸出數據均為無量綱的雙精度浮點型變量，所以后續(xù)的隱藏層和輸出層選擇多項式深度迭代函數作為節(jié)點基函數：

(2)

前置模塊輸出的最終YF值會抄送2個方向：分別參與到中央模塊和二值化模塊中。

2.2 中央模塊

中央模塊的統(tǒng)計學意義是將前置模塊輸出的1個雙精度浮點型變量數據與4個比值浮點數據進一步模糊卷積，得到1個雙精度浮點型變量。該變量在后置的二值化模塊中與前置模塊輸出的1個雙精度浮點型變量2次整合，中央模塊采用多項式深度迭代函數作為節(jié)點基函數，參考式(2)。

2.3 二值化模塊

二值化模塊擁有2個輸入項，均為無量綱的雙精度浮點型變量，輸出1個經過二值化的[0,1]區(qū)間上的變量，增加隱藏層結構復雜性可以使輸出數據無限接近該區(qū)間2端。當輸出數據接近0.000時，認為該特種設備無損檢測報告完整；當輸出數據接近1.000時，認為該特種設備無損檢測報告不完整。二值化模塊的基函數：

(3)

式中：e為自然常數；Mi為第i個輸入節(jié)點的輸入值；A、B為待回歸系數；Y為輸出值。

經過上述報告完整性評價和事故溯源評價，發(fā)現檢測報告不完整的情況和事故溯源中特種設備事故與抽查隱患關聯的特種設備，均認定為系統(tǒng)隱患；該特種設備無損檢管理系統(tǒng)會隨時根據上述數據給出隱患預警。

3 特種設備無損檢管理系統(tǒng)的仿真測試

當前的大數據管理體系下，只要選擇對應的開發(fā)環(huán)境和互聯網生產環(huán)境，管理信息系統(tǒng)的增刪改查基本功能無需討論其實際效能。該研究中涉及到的2個檢測報告預警機制，即基于事故隱患追查溯源的關聯報告預警和基于報告完整性評價的報告質量預警，因為涉及到了大數據復雜檢索和機器學習算法，開發(fā)任務較重，所以需要深入討論其算法效能。首先，導入某市12個特種設備資質檢測機構涉及到的57臺TOFD檢測設備和139名檢測技術、管理人員數據，以2020年全年發(fā)生的33 254次特種設備檢測報告為個案數據，結合安全監(jiān)管和質量監(jiān)管部門提供的泄漏、爆炸、抽檢隱患等數據，判斷該管理信息系統(tǒng)對特種設備無損檢測報告的管理效能，結果如表1所示。

表1 特種設備無損檢管理系統(tǒng)檢測效能評價表Tab.1 Evaluation of inspection efficiency of NDT management system for special equipment

由表1可知，2020年該市涉及到TOFD技術的特種設備無損檢測報告33 254臺次，平均每臺設備檢測583.4臺次；2020年共發(fā)生特種設備泄漏或爆炸事故30次，占全部檢測次數的0.090%。但本次仿真測試中發(fā)現，30次事故均可因為發(fā)現檢測報告問題而發(fā)出預警，避免事故發(fā)生。將有關部門抽檢發(fā)現的隱患計算在事故范圍內，事故關聯溯源系統(tǒng)的4大溯源功能，最低可提供62.8%的敏感度；最高可提供87.9%的敏感度。而基于模糊卷積神經網絡機器學習功能的報告完整性評價可提供94.9%的敏感度，且所有檢出結果有所交叉，可基本排除因為敏感度低于100%而發(fā)生的漏報現象。綜合表1的數據結果，統(tǒng)計該系統(tǒng)的敏感度、特異度、可靠度，特種設備無損檢管理系統(tǒng)預警效能統(tǒng)計結果如表2所示。

表2 特種設備無損檢管理系統(tǒng)預警效能統(tǒng)計表Tab.2 Statistics of early warning effectiveness of NDT management system for special equipment

由表2可知，敏感度指檢出問題報告數量(真陽性)占所有實際問題報告數量(客觀陽性)的比值，特異度指檢出正常報告數量(真陰性)占所有實際無問題報告數量數量(客觀陰性)的比值；可靠度指真陽性報告書數量占所有發(fā)出預警問題報告書數量的比值。本研究涉及的5種檢測結果中，敏感度與特異度均較高；可靠度仍有較大提升余地。

4 結語

在傳統(tǒng)的特種設備無損檢管理系統(tǒng)增刪改查大數據管理功能基礎上，研究引入了大數據復雜檢索算法和基于模糊卷積神經網絡機器學習算法的問題報告預警算法，基本實現了問題報告的提前發(fā)現與提前處置，防止出現承壓特種設備TOFD探傷不充分導致的罐體泄漏、爆炸等事故，且防范出現有關部門抽檢發(fā)現隱患的管理隱患。在該方法實現較高的預警敏感度和特異度的同時，也應看到其可靠度較低。后續(xù)的研究中，在進一步提升其敏感度和特異度的同時，提升其預警可靠度。