|
■孫博
（淄博市特種設備檢驗研究院）
摘要：受到鍋爐壓力容器結構及壓力管道裂紋位置不確定性的制約，管道裂紋檢測精度偏差過大。為了解決這一問題，從
檢測壓力管道結構應力與裂紋位置結構應力分布特征入手，引入神經網絡處理思路，通過對鍋爐壓力容器壓力管道裂紋神經網絡有限元分析，獲得待處理信息的神經網絡構建關聯參量；然后基于神經網絡對鍋爐壓力容器壓力管道裂紋進行應力分析，獲得裂紋位置上的應力特征及其周邊應力差異；接著對所得參量進行裂紋數據神經網絡處理，獲得裂紋所在區域；最后完成壓力容器壓力管道裂紋定位。實驗結果表明，提出方法切實有效，并且能夠在最短時間內完成裂紋檢測過程，具有較高的可實現性，適合大范圍推廣。
0引言
鍋爐壓力容器在石油、化工、冶金等行業中被廣泛應用，在工業生產中發揮著重要作用。但由于其結構復雜、運行環境惡劣[1-2]，如果不能及時發現存在的安全隱患，容易導致嚴重的事故。因此，對鍋爐壓力容器狀態檢測對于保障設備安全運行十分重要。
由于鍋爐壓力管道自身結構特點，傳統的無損檢測方法存在局限性。例如，利用X射線對鍋爐壓力管道進行檢測時[3-4]，容易受到操作人員主觀因素的影響；而在利用超聲波檢測時[5-6]，由于缺陷的產生時間和位置具有隨機性，受外界因素影響較大；利用磁粉檢測時，缺陷的分布通常呈非均勻狀態[7-8]，并且檢測面較小、干擾因素多、難以定量等。受上述諸多因素的影響，造成壓力管道檢測方法整體檢測誤差偏大，亟需一種檢測方法解決上述問題。隨著人們對神經網絡研究的深入，發現神經網絡可以有效解決壓力容器壓力管道裂紋檢測過程中擾動因素的分離問題，進而提升裂紋檢測精準度，基于此特點，研究基于神經網絡的鍋爐壓力容器壓力管道裂紋檢測方法。
1方法的具體實現
2應用測試
對提出檢測方法進行實例數據的測試，通過實例數據構建測試場景，在搭建的場景中，與引入的3種不同檢測方法的性能對比。其中引入的3種檢測方法作為參照方法參與測試，分別基于平衡電磁的壓力管道檢測方法，標記為參照方法A；基于圖像邊緣特征的壓力管道裂紋檢測方法，標記為參照方法B；基于圖像差異特征的管道裂紋識別方法，標記為參照方法C；提出方法標記為驗證方法。根據實例數據配置及測試要求動態生成測試樣本，完成相關指標數據量的測試、對比、分析，并得出解釋結論。
2.1設置測試條件
測試數據采用某一供熱企業鍋爐數據作為基礎數據，其中用于測試數據采集傳感器偏差參量根據鍋爐管道內介質溫度不同有所不同，具體參量如表1所示。另外，管道內介質渦流對裂紋壓力的動態影響系數，如表2所示。
2.2裂紋檢測誤差測試
根據上述設定的測試參量，由測試工具隨機生成一組壓力管道裂紋數據，并由四種方法對其進行裂紋檢測，檢測結果分別對應圖2-5。
通過觀察對比發現，參照方法A與參照方法B所得曲線特征相似度較高，說明兩種檢測方法在裂紋感知層面屬于同一屬性。因此分析兩種檢測方法測試結果，經過觀察指標變化發現，參照方法B的波動頻率大于參照方法A，說明裂紋識別過程中存在大量擾動信息，從數值分布上看，兩種檢測方法的效果十分相近，參照方法A略好于參照方法B；與圖2圖3不同，圖4與圖5可以明顯看出兩種方法的檢測屬相具有線性特征，其區別在于圖4曲線對應的參照方法C屬于遞增曲線，其過程中可以看到擾動因素；因此對應誤差值隨著管道溫度上升，壓力不斷增大，相應裂紋位置上的結構應力隨之增大，在擾動因素作用下檢測可信度降低，誤差不斷增大；與之相反，圖5中曲線屬于遞減線性特征，且看不到擾動因素，說明該方法所得參量經過濾波處理，因此所得參量的可信度較高，誤差值隨溫度的增長，會達到臨界值，從而所得參量將一直保持最優值狀態，直至壓力管道溫度打破管道裂紋位置能夠承受的峰值溫度。綜上所述，根據測試所得誤差值由小到大排列，參測方法的檢測性能排序為驗證方法、參照方法C、參照方法A、參照方法B。
2.3檢測方法可信度測試
按照上述測試樣本參量配置標準，循環釋放40組相同數據，重復時間間隔為15s，獲得40組測試誤差統計數據，每兩組誤差數據作為1組進行差值對比，誤差值為0，標記為√；誤差值不為0，標記為×；以此獲得20組可信度統計表，如表3所示。最后統計√數量，數量越多，說明可信度越高。
根據表3所示的數據來看，驗證方法√標記總數為15組；參照方法A√標記總數為9組；參照方法B√標記總數為14組；參照方法C√標記總數為10組。經過統計參與測試的4種壓力管道裂紋檢測方法的可信度排序按照由高到低的順序為：驗證方法、參照方法B、參照方法C、參照方法A。
3結語
基于鍋爐壓力容器壓力管道應力分布特征對裂紋的影響，引入神經網絡算法對其裂紋位置應力及其相關參量進行神經網絡構建，在神經網絡空間下完成裂紋位置檢測準確性的優化。提出檢測方法雖然能夠解決現階段鍋爐高壓容器高壓管道裂紋檢測誤差大的問題。但是，從方法識別范圍及其約束寬容度角度來說，該方法并不完善。這是因為神經網絡中每一個神經元均受到自身生命周期的限制，導致對應局部神經網絡對裂紋位置上應力變化的感知靈敏度降低，進而存在二次誤差風險。為了避免這一問題的發生，在未來的研究中，可以基于壓力管道材質特征，引入電磁信號作為神經網絡數據載體，進而減輕對神經網絡的依賴程度，提升裂紋數據精準度，完善檢測方法。
參考文獻
[1]趙建政,宋偉斌.基于小波域的鍋爐壓力容器壓力管道裂紋X射線檢測方法[J].自動化與儀表,2023,38(1):86-89,104.
[2]強敏娜,張良,王永樂,等.在用壓力管道裂紋檢驗中無損檢測技術分析[J].山西化工,2023,43(1):160-161+166.
[3]姚俊峰.鍋爐和壓力容器及壓力管道檢驗中裂紋問題探討[J].設備管理與維修,2023(2):94-95.
[4]王明庭.壓力管道施工監檢常見問題分析及改進措施[J].中國特種設備安全,2022,38(12):58-62.
[5]王沖,王彥軍,周順,等.基于有限元研究某站場天然氣壓力管道應力分析及缺陷評估[J].當代化工研究,2022(24):116-118.
[6]林寅.某食品車間蒸汽鍋爐壓力管道開裂原因分析[J].化工裝備技術,2022,43(6):13-15.
[7]林三福.管道焊口熔銅裂紋PAUT檢測圖譜特性和磨開驗證分析[J].運輸經理世界,2022(34):152-154.
[8]高聰.鍋爐壓力容器壓力管道檢驗中的裂紋問題分析[J].中國設備工程,2022(19):158-160.
[9]鄭于賢.鍋爐壓力容器壓力管道檢驗中的裂紋問題[J].化學工程與裝備,2022(9):270+269.
[10]王長新,陳金忠,辛佳興,等.基于SSA-BP神經網絡的管道裂紋渦流識別研究[J].石油機械,2022,50(8):118-125.
[11]郭素琴.鍋爐壓力容器壓力管道檢驗中的裂紋問題研究[J].中國新技術新產品,2022(14):79-81.
[12]冉蓉,徐興華,邱少華,等.基于深度卷積神經網絡的裂紋檢測方法綜述[J].計算機工程與應用,2021,57(9):23-35.
[13]蔡勤,李繼承,戚政武,等.基于脈沖渦流(瞬變電磁)技術的帶包覆層壓力管道壁厚檢測研究[J].熱加工工藝,2023,52(2):21-26.
[14]關靜,樓飛.基于邊緣輪廓的管道裂紋缺陷檢測算法研究[J].計算機與數字工程,2022,50(5):1103-1108.
[15]蘇林,馬雪莉,崔德榮,等.基于周向勵磁的管道缺陷漏磁信號仿真分析[J].電焊機,2022,52(3):20-28.
|
