№ 12 (2023)

В ходе революции NDT 4.0 машинное обучение и искусственный интеллект стали основными факторами, способствующими развитию неразрушающего контроля (НК) промышленных компонентов. Однако последние разработки в области активного теплового неразрушающего контроля (ТК) подтверждают его использование в качестве практического метода контроля целого ряда промышленных компонентов. Кроме того, в ходе последних исследований в области постобработки в ТК было разработано несколько моделей машинного обучения, позволяющих заменить взаимодействие с человеком и обеспечить автоматическое обнаружение дефектов. Но меньшая площадь дефектов и связанные с ними несколько тепловых профилей по сравнению с широкой зоной прозвучивания, приводящие к несбалансированности наборов данных, затрудняют обучение с учителем глубокой нейросети. Недавно в ТК были добавлены модели обнаружения аномалий и одноклассовые классификаторы, которые являются широко применяемыми моделями машинного обучения для решения реальных задач. Аккуратность и другие важные показатели при автономном обнаружении дефектов зависят от гиперпараметров этих моделей, таких как коэффициент загрязнения, объем обучающих данных и параметр инициализации соответствующей модели. В данной работе исследуется влияние параметров инициализации на возможности этих моделей в области ТК для автоматической дефектоскопии. С помощью метода отображения квадратичной частотно-модулированной тепловой волны (КЧМТВ) исследован образец полимера, армированного углеродным волокном, с искусственно созданными отверстиями различного размера на разной глубине. После качественного сравнения аккуратности, точности, полноты, F-меры и вероятности контроля был выбран хороший гиперпараметр для автоматической идентификации дефектов.

Проверка качества сварного шва обычно выполняется в ходе визуального контроля и значительно зависит от опыта оператора. В статье предложен подход к автоматическому обнаружению и классификации дефектной области, где сегментация анализируемого фотоизображения сварного шва (т.е. его разбиение на дефектную и бездефектную области) осуществляется с помощью процедуры наращивания областей. Начальные точки для этой процедуры выбираются предложенным авторами робастным методом комплексирования интервалов агрегированием предпочтений (IF&PA) на основе анализа гистограммы изображения. Проверка предложенного подхода на реальных фотоизображениях показала его способность обнаруживать разные типы дефектов сварного шва с более высокой точностью по сравнению с традиционными методами, такими как метод Оцу и метод k-средних.

Представлена методика приближенного решения обратной геометрической задачи магнитостатики для пластины из магнитомягкого ферромагнетика в магнитном поле как для случая расположения магнитных преобразователей непосредственно над поверхностным дефектом потери сплошности металла, так и для случая, при котором магнитные преобразователи расположены над бездефектной поверхностью пластины. Предполагается, что к пластине имеется доступ только с одной стороны. Определены размеры дефектов, в которых предлагаемая методика работает надежно. Показано, что предложенная методика может быть использована в мобильных приборах для осуществления дефектометрии бурильных труб с помощью MFL (Magnetic flux leakage) метода прямо на буровых площадках.

Рассмотрены вопросы классификации и определения параметров поверхностных эксплуатационных дефектов по результатам ультразвукового, вихретокового и визуального и измерительного методов неразрушающего контроля. При этом визуальный и измерительный метод реализовался с применением камеры телевизионного контроля, оснащенной функцией компьютерного зрения, и лазерным триангуляционными датчиком. В работе представлен набор данных, содержащий 5760 изображений трубопроводов с питтинговой коррозией и без нее. Представлена сверточная нейронная сеть (СНС), которая была применена для классификации изображений, полученных с камеры телевизионного контроля на изображения без коррозии и изображения с питтинговой коррозией. В работе представлен набор данных, содержащий 269 измерений плоскостных и объемных поверхностных дефектов. Представлена модель определения размеров поверхностных дефектов, основанная на градиентном бустинге. В работе разработан алгоритм классификации и определения размеров поверхностных дефектов при комплексной диагностике, в котором применяются полученные модели, и определена точность работы данного алгоритма по метрике RMSE, которая вычислялась в рамках исследуемого тестового набора данных и составила 0,011 мм.