Проблема технической диагностики опасных производственных объектов (ОПО) без вывода их из эксплуатации является крайне актуальной. Важную роль при ее решении  играет совершенствование специализированных систем слежения за техническим состоянием оборудования, т.н. систем мониторинга. Главное требование, предъявляемое к таким системам на ОПО - работа в текущих условиях эксплуатации оборудования и своевременное информирование контрольных служб о любых отклонениях в его работе. В качестве основного интегрального диагностического метода в мониторинговых системах традиционно используется метод акустической эмиссии (АЭ) [1]. Акустико-эмиссионный метод основан на регистрации и анализе параметров АЭ сигналов материала контролируемого объекта, обусловленной наличием и развитием в нем дефектов.

Полезным источникам АЭ соответствуют процессы развития трещин, переход материала в пластическое состояние и т.п., а также процессы, связанные с наличием дефектов – трение берегов трещины,  образование продуктов коррозии в полости трещины, разрушение и отслоение шлаковых включений [2]. Однако, кроме полезных, существует целый ряд других, помеховых сигналов АЭ, препятствующих проведению контроля или делающих его невозможным. Речь в первую очередь идет о неотъемлемых при работе оборудования производственных факторах, генерирующих множественные источники шума: турбулентные или кавитационные режимы движения рабочей среды, реакции синтеза, трущиеся узлы и детали, электрические помехи, вибрации, другие неустранимые технологические шумы, не связанные с работой диагностируемого устройства [3]. Все перечисленное в совокупности может создавать аддитивный помеховый сигнал, по своему амплитудному уровню намного превышающий сигналы от полезных источников АЭ [4]. В этих условиях для реальных производственных объектов первостепенной задачей является разработка способов обнаружения полезного сигнала в сильно зашумленных временных рядах АЭ.

Из изложенного следует, что актуальная проблема применения метода АЭ к натурным объектам контроля (ОК) заключается в разработке помехоустойчивого алгоритма, обеспечивающего надежное обнаружение и выделение полезного АЭ сигнала из сигнала помехи в реальном времени и в широком диапазоне отношений сигнал/шум. Существующие методы обработки зашумленных АЭ данных как в частотной, так и во временной областях, включая современные подходы, основанные, например, на wavelet-декомпозиции и анализе главных компонент, являются по своей природе пороговыми [5], обладают, соответственно, слабой помехоустойчивостью и, таким образом, могут быть эффективно использованы для АЭ диагностики только при отношении сигнал/шум больше единицы.

Перспективный метод оптимальной обработки сильно зашумленных сигналов связан с применением систем цифровой адаптивной фильтрации, параметры которых могут в реальном времени подстраиваться под спектральные, корреляционные и статистические характеристики входного сигнала. Адаптивные алгоритмы, построенные на этой основе, успешно обнаруживают полезный сигнал в присутствии сильных помех или нестационарных шумов с различной природой и априорно неизвестными свойствами при отношении сигнал/шум меньше единицы [6].    

Сведения о применении адаптивных фильтров (АФ) в акустико-эмиссионной диагностике  и построении на их основе помехоустойчивых систем обнаружения слабого АЭ сигнала в современной литературе отсутствуют. В работе [7] стандартный адаптивный алгоритм прямой идентификации с обучением [6] опробован при решении задачи  АЭ мониторинга дефектного состояния ОК  в процессе его глубокой пластической деформации. Существенно, однако, что АФ применен в [7] не для извлечения импульсного АЭ сигнала из временного ряда помехи, а для восстановления его формы, искаженной слабым технологическим шумом в условиях, когда отношение сигнала к шуму было заведомо больше единицы.

В настоящей работе представлены результаты использования помехоустойчивого метода анализа данных АЭ, основанного на реализации схемы многокаскадного адаптивного накопителя-обнаружителя  и обеспечивающего уверенное обнаружение полезного сигнала в сильно зашумленных экспериментальных временных рядах АЭ при отношении сигнал/шум много меньше единицы.

Методика лабораторного эксперимента

Схема лабораторного эксперимента показана на рисунке 1. Целью эксперимента являлось генерация в реальном объекте  сигнала АЭ, шумового сигнала, аддитивной суммы сигнал + шум и  синхронная регистрация их временных рядов с последующим анализом в цифровой форме. В качестве образца была выбрана пластина из трубной стали, размеры (в мм) указаны на рисунке. Имитатор АЭ импульсов A-Line (ООО «Интерюнис»,  Москва) возбуждал в образце полезный АЭ сигнал длительностью 20÷30 мс с постоянной частотой следования 5 Гц. В качестве регулируемого источника широкополосного шума использовался круглый шлифующий элемент с переменной частотой вращения. Для регистрации сигнала, шума   и их смеси использовались широкополосные пьезоэлектрические  преобразователи акустической эмиссии  типа GT-200 (ООО «Глобал Тест», Саров) – ПАЭ №1 и ПАЭ №2 на рисунке 1. Принятые сигналы регистрировались на входных каналах 1 и 2 аналого-цифрового преобразователя (АЦП) платы сбора данных E20-10 (ООО «Л Кард», Москва). Частота оцифровки на канал составляла 2 МГц при длительности реализации до 20 сек. Величина отношения сигнала к шуму определялась по средним значениям мощности в полосе пропускания тракта регистрации АЭ. Ниже приведены результаты цифровой обработки экспериментальных временных рядов, полученные посредством предложенного в работе адаптивного алгоритма фильтрации.

Результаты и обсуждение

Эффективность алгоритма адаптивной обработки сигналов существенно зависит от степени различия корреляционных и спектральных свойств сигнала и помехи в зашумленном временном ряду на входе АФ и увеличивается с ростом последней [8]. Важным фактором, усиливающим аналитические возможности АФ при извлечении сигнала из шума, является  предпроцессорная обработка экспериментальных данных во временной и частотной областях. В настоящей работе она осуществлялась, соответственно, переходом от временных рядов амплитуд  (т.е. отсчетов АЦП платы сбора данных) к временным рядам мгновенной мощности и последующей цифровой селективной фильтрацией данных в том частотном диапазоне, где спектральные отличия шумовой и сигнальной компонент наиболее выражены – рис.2. Из рис. 2 следует, что указанная предобработка не только действительно приводит к необходимой для оптимизации АФ трансформации автокорреляционных функций и амплитудных спектров временных реализаций на входе, но и заметно улучшает отношение сигнал/шум.

На рис. 3 приведен типичный результат работы АФ с двумя независимыми входными информационными каналами (рабочим и опорным) в структуре.  Видно, что адаптивный алгоритм обеспечивает эффективное обнаружение единичных импульсов АЭ в аддитивной смеси с помехой, когда отношение сигнал/шум < -13 дБ. При этом входной полезный сигнал отсчетов АЦП полностью подавляется входным шумом (на рис. 3а его временной ряд, как ясно из подрисуночной подписи, приведен только для сравнения). Из рис. 3б можно заключить, что в течение первых ~40 мсек после начала анализа адаптивный алгоритм подбирает весовые коэффициенты, необходимые для оптимальной работы АФ. Соответственно, в моменты времени, следующие за интервалом адаптации, АФ производит не только обнаружение, но и выделение полезного АЭ сигнала, т.е. восстанавливает его исходную форму (с учетом масштаба) и положение на временной оси.

Качественно согласующиеся результаты получены и при фильтрации временных рядов мгновенной мощности – рис.4. Адаптивный алгоритм также уверенно извлекает все 15 полезных АЭ импульсов, содержащихся в исходной зашумленной реализации, а по завершению периода адаптации восстанавливает их форму и временное положение. Вместе с тем, следует отметить, что величина времени адаптации сокращается  по сравнению с предыдущим случаем – до (10÷25) мс. Есть основания полагать, что это обусловлено влиянием описанной выше предварительной обработки исходных данных, ускоряющей работу адаптивного алгоритма по обнаружению АЭ сигнала сложной для фильтрации импульсной формы (рис. 4а) из аддитивной смеси с помехой.

Существенно, однако, что представленная результатами рис. 3 и 4 схема адаптивного фильтра с двумя независимыми информационными каналами на входе предполагает использование двух раздельных ПАЭ, один из которых должен быть удален от потенциальных дефектов-источников АЭ в объекте контроля. Последнее условие не всегда выполняется при АЭ диагностике  реальных объектов [2,3]. В этом отношении гораздо большее практическое значение, особенно при построении систем АЭ мониторинга в реальном времени, имеет схема АФ с одним информационным каналом на входе. Данный канал содержит только экспериментальный временной ряд из смеси АЭ сигнала и шума, поступающий с единственного ПАЭ, расположенного вблизи дефекта-источника АЭ в объекте контроля. В настоящей работе указанная структура была реализована посредством модификации алгоритма АФ, которая позволила осуществить механизм слепой адаптации [6].

На рис. 5 представлен результат фильтрации зашумленного АЭ сигнала при работе адаптивного алгоритма с одним информационным каналом и однократным временным рядом сигнал + шум на входе. Из сравнения с Рис. 3 и 4 можно сделать вывод, что после завершения короткого (20÷30 мс) периода адаптации АФ также обеспечивает обнаружение всех полезных АЭ сигналов, содержащихся в шуме на входе. Полного выделения сигнала при этом не происходит, однако корректно восстанавливается местоположение пиковой амплитуды импульса АЭ на временной оси.

Необходимо отметить, что время адаптации при извлечении импульсов АЭ из единственного зашумленного сигнала на входе не превышает, как и в предыдущих случаях, нескольких процентов от общей длины анализируемого ряда (рис. 5б). Это обстоятельство, наряду с активной разработкой быстрых адаптивных алгоритмов [6,8], создает определенные перспективы для построения эффективных систем АЭ диагностики реального времени. В этой связи представляет интерес оценка возможностей  предложенного в  работе  метода с точки зрения  ранней экспресс-диагностики зарождающихся в ОК дефектов-источников АЭ. 

На рис. 6 показаны результаты расчета функции взаимной корреляции между полезными сигналами на выходах двухкаскадного АФ и соответствующим им шумовыми  составляющими. Видно. что детерминированные АЭ сигналы, имеющие общий источник в ОК, сильно коррелируют, в то время как между случайными шумовыми компонентами, претерпевающими в ОК дополнительные фазовые искажения, корреляция практически отсутствует. Таким образом, увеличение взаимной корреляции в выходных каскадах адаптивного обнаружителя  может служить важным диагностическим признаком появления  зарождающихся дефектов в ОК.

Литература:

1. Кузьмин А.Н., Жуков А.В., Харебов В.Г. Практическая оценка метода акустической эмиссии на технологических газопроводах. // В мире НК. 2008, №3 (41), С. 24-26.
2. Кузьмин А.Н., Жуков А.В., Стюхин Н.Ф., Харебов В.Г., Аксельрод Е.Г. Акустико-эмиссионная диагностика коррозионных дефектов трубопроводов // Технадзор – 2007. - №7.
3. Кузьмин А.Н., Жуков А.В., Журавлёв Д.Б., Стюхин Н.Ф. Контроль трубопроводов с применением метода акустической эмиссии. //Ростехнадзор – 2008. - №1.
4. Кузьмин А.Н., Журавлев Д.Б., Филиппов С.Ю. К вопросу технической диагностики тепловых сетей. //Технадзор – 2009, - №3.
5. Martyushev L.M., Axelrod E.G., Sergeev A.P. Separating a Weak Periodic Component from a Nonstationary Time Series // Technical Physics Letters – 2003. - 29 (9), P. 732-735
6. Diniz P.S.R. Adaptive Filtering: Algorithms and Practical Implementation: Springer, 2013. 673 pp.
7. Haupt H. Ein auf der Schallemissionsanalyse basierendes Verfahren zur Risserkennung in Umformprozessen // Diss. 14-194 – Uni Paderborn, 2003 – S.131
8. Yunfeng Wu, Rangaraj M. Rangayyan, Yachao Zhou. Filtering electrocardiographic signals using an unbiased and normalized adaptive noise reduction system // Medical Engineering, Physics - 2009. – 31(1), P. 17–26