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(shè)備特指承壓罐體類特種設(shè)備，該類設(shè)備以一定壓力儲存、轉(zhuǎn)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(zhì)在低溫、高壓環(huán)境中更容易發(fā)生結(jié)構(gòu)力學(xué)疲勞損傷，具有發(fā)生泄漏或爆炸事故的風(fēng)險[4]。當前檢測特種設(shè)備結(jié)構(gòu)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(shù)特征導(dǎo)致其無法實現(xiàn)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(shè)備無損檢管理系統(tǒng)(Non Destructive Testing，NTD)的設(shè)計目標是管理TOFD的檢測報告書，新設(shè)計理念下，TOFD的存檔管理屬于基本功能，系統(tǒng)還應(yīng)對檢測報告完整性、檢測過程溯源、系統(tǒng)隱患預(yù)警等提供計算機輔助管理功能][7-8]。以上述3個功能為關(guān)鍵技術(shù)，研究討論分析特種設(shè)備無損檢管理系統(tǒng)的設(shè)計構(gòu)建過程，并驗證相關(guān)算法模塊的可行性[9-10]。

1 特種設(shè)備無損檢管理系統(tǒng)檢測過程溯源與存檔管理功能設(shè)計

特種設(shè)備無損檢報告書主要包括特種設(shè)備TOFD探傷的回波圖數(shù)據(jù)，TOFD全息建模系統(tǒng)支持下，該報告書可以生成特種設(shè)備殼體的三維模型；特種設(shè)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(shè)備可能發(fā)生的事故(泄漏、爆炸等)需要執(zhí)行無損檢責(zé)任溯源，包括責(zé)任人溯源、設(shè)備編號溯源、檢測機構(gòu)溯源等。該溯源功能屬于數(shù)據(jù)庫增刪改查基本功能的查詢功能，溯源功能設(shè)計的核心目的是發(fā)現(xiàn)問題無損檢報告后，列出一定時間期限內(nèi)與相關(guān)責(zé)任人、相關(guān)設(shè)備、相關(guān)檢測機構(gòu)有關(guān)的所有特種設(shè)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(shè)備或在抽檢中發(fā)現(xiàn)檢測問題的特種設(shè)備，根據(jù)其ID調(diào)取末次檢測數(shù)據(jù)，從而獲得該次檢測的責(zé)任人、檢測設(shè)備、檢測機構(gòu)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(diào)查時間點[14-16]。從結(jié)構(gòu)化查詢語言(Structured Query Language，SQL)偽碼上體現(xiàn)出以下代碼：

Select 隱患設(shè)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(shè)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(shè)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(shè)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(shè)備ID = N from 報告存檔記錄 order by 檢測時間 desc)

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

Or 檢測機構(gòu)ID = (select top 1 檢測機構(gòu)員ID where 隱患設(shè)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(shè)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(jié)果，但該溯源過程還應(yīng)提供一個額外功能。因為上述SQL偽碼的嵌套結(jié)構(gòu)較深，在大容量數(shù)據(jù)庫中的檢索效率較低，所以應(yīng)在每次檢測后為每個關(guān)聯(lián)人員、設(shè)備、機構(gòu)建立信用評分。該模式為：所有關(guān)聯(lián)方設(shè)計10分的初始信用分；所有關(guān)聯(lián)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(guān)聯(lián)方只要直接關(guān)聯(lián)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(xiàn)關(guān)聯(lián)方，即發(fā)生事故或抽檢隱患的設(shè)備所有關(guān)聯(lián)方在上述SQL溯源追查搜索到的關(guān)聯(lián)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(yù)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(shè)備無損檢測質(zhì)量的必要條件。特種設(shè)備無損檢管理系統(tǒng)應(yīng)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(wǎng)格模型，其關(guān)鍵數(shù)據(jù)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(gòu)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(shù)據(jù)根據(jù)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(shù)據(jù)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(shù)量在總數(shù)量n×n中的占比，生成2個輸入點；(3)計算B組數(shù)據(jù)的最大值，即不大于1.5倍均值的最大距離數(shù)據(jù)值，生成1個輸入點。該3組4個數(shù)據(jù)作為檢測報告測點密度的標記值，第2階段的數(shù)據(jù)向機器學(xué)習(xí)判斷模塊提供的4個數(shù)據(jù)，可以基本反映出測點密度但數(shù)據(jù)仍具有不完備性，所以，將原始數(shù)據(jù)序列的n個數(shù)據(jù)同步輸入到機器學(xué)習(xí)模塊中，形成參照數(shù)據(jù)，以對不完備數(shù)據(jù)提供數(shù)據(jù)補充，展開上述判斷模塊的機器學(xué)習(xí)算法架構(gòu)，具體如圖3所示。

圖3 判斷模塊的機器學(xué)習(xí)算法架構(gòu)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(jié)果的中央模塊、后置于該2個模塊并生成二值化輸出結(jié)果的二值化模塊。輸入數(shù)據(jù)分為3個類型：原始序列為一組n行3列數(shù)據(jù)，包括n個測點的(x,y,z)坐標，雖然該組數(shù)據(jù)為有量綱數(shù)據(jù)，但所有數(shù)據(jù)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(xiàn)數(shù)據(jù)卷積的同時實現(xiàn)數(shù)據(jù)的去量綱；均值差值比例數(shù)據(jù)、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(shù)據(jù)，具體算法見前文；B組最大值為有量綱距離數(shù)據(jù)，與第2組中3個數(shù)據(jù)有異構(gòu)性，所以參考全部距離數(shù)據(jù)的均值數(shù)據(jù)進行去量綱，即B組最大值與所有距離數(shù)據(jù)的均值作為去量綱后的輸入數(shù)據(jù)。

2.1 前置模塊

模糊卷積神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)的重要形式，其核心任務(wù)是將多個數(shù)據(jù)卷積成1個包含原始數(shù)據(jù)基本規(guī)律特征的輸出數(shù)據(jù)，即實現(xiàn)數(shù)據(jù)的模糊化[19]。該前置模塊的輸入數(shù)據(jù)是1組n行3列三維直角坐標系數(shù)據(jù)，數(shù)據(jù)擁有統(tǒng)一量綱和同構(gòu)化表達，所以，參考相關(guān)文獻研究思路，該模塊輸入層使用對數(shù)比值函數(shù)深度迭代算法構(gòu)建機器學(xué)習(xí)功能的神經(jīng)網(wǎng)絡(luò)節(jié)點，輸入層節(jié)點基函數(shù)：

(1)

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

經(jīng)過輸入層處理后的模塊，實現(xiàn)了數(shù)據(jù)去量綱和同構(gòu)化，所有節(jié)點的輸出數(shù)據(jù)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(shù)作為節(jié)點基函數(shù)：

(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(xué)意義是將前置模塊輸出的1個雙精度浮點型變量數(shù)據(jù)與4個比值浮點數(shù)據(jù)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(shù)作為節(jié)點基函數(shù)，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(jīng)過二值化的[0,1]區(qū)間上的變量，增加隱藏層結(jié)構(gòu)復(fù)雜性可以使輸出數(shù)據(jù)無限接近該區(qū)間2端。當輸出數(shù)據(jù)接近0.000時，認為該特種設(shè)備無損檢測報告完整；當輸出數(shù)據(jù)接近1.000時，認為該特種設(shè)備無損檢測報告不完整。二值化模塊的基函數(shù)：

(3)

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

經(jīng)過上述報告完整性評價和事故溯源評價，發(fā)現(xiàn)檢測報告不完整的情況和事故溯源中特種設(shè)備事故與抽查隱患關(guān)聯(lián)的特種設(shè)備，均認定為系統(tǒng)隱患；該特種設(shè)備無損檢管理系統(tǒng)會隨時根據(jù)上述數(shù)據(jù)給出隱患預(yù)警。

3 特種設(shè)備無損檢管理系統(tǒng)的仿真測試

當前的大數(shù)據(jù)管理體系下，只要選擇對應(yīng)的開發(fā)環(huán)境和互聯(lián)網(wǎng)生產(chǎn)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(yù)警機制，即基于事故隱患追查溯源的關(guān)聯(lián)報告預(yù)警和基于報告完整性評價的報告質(zhì)量預(yù)警，因為涉及到了大數(shù)據(jù)復(fù)雜檢索和機器學(xué)習(xí)算法，開發(fā)任務(wù)較重，所以需要深入討論其算法效能。首先，導(dǎo)入某市12個特種設(shè)備資質(zhì)檢測機構(gòu)涉及到的57臺TOFD檢測設(shè)備和139名檢測技術(shù)、管理人員數(shù)據(jù)，以2020年全年發(fā)生的33 254次特種設(shè)備檢測報告為個案數(shù)據(jù)，結(jié)合安全監(jiān)管和質(zhì)量監(jiān)管部門提供的泄漏、爆炸、抽檢隱患等數(shù)據(jù)，判斷該管理信息系統(tǒng)對特種設(shè)備無損檢測報告的管理效能，結(jié)果如表1所示。

表1 特種設(shè)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(shù)的特種設(shè)備無損檢測報告33 254臺次，平均每臺設(shè)備檢測583.4臺次；2020年共發(fā)生特種設(shè)備泄漏或爆炸事故30次，占全部檢測次數(shù)的0.090%。但本次仿真測試中發(fā)現(xiàn)，30次事故均可因為發(fā)現(xiàn)檢測報告問題而發(fā)出預(yù)警，避免事故發(fā)生。將有關(guān)部門抽檢發(fā)現(xiàn)的隱患計算在事故范圍內(nèi)，事故關(guān)聯(lián)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(jīng)網(wǎng)絡(luò)機器學(xué)習(xí)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(jié)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(xiàn)象。綜合表1的數(shù)據(jù)結(jié)果，統(tǒng)計該系統(tǒng)的敏感度、特異度、可靠度，特種設(shè)備無損檢管理系統(tǒng)預(yù)警效能統(tǒng)計結(jié)果如表2所示。

表2 特種設(shè)備無損檢管理系統(tǒng)預(yù)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(shù)量(真陽性)占所有實際問題報告數(shù)量(客觀陽性)的比值，特異度指檢出正常報告數(shù)量(真陰性)占所有實際無問題報告數(shù)量數(shù)量(客觀陰性)的比值；可靠度指真陽性報告書數(shù)量占所有發(fā)出預(yù)警問題報告書數(shù)量的比值。本研究涉及的5種檢測結(jié)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(jié)語

在傳統(tǒng)的特種設(shè)備無損檢管理系統(tǒng)增刪改查大數(shù)據(jù)管理功能基礎(chǔ)上，研究引入了大數(shù)據(jù)復(fù)雜檢索算法和基于模糊卷積神經(jīng)網(wǎng)絡(luò)機器學(xué)習(xí)算法的問題報告預(yù)警算法，基本實現(xiàn)了問題報告的提前發(fā)現(xiàn)與提前處置，防止出現(xiàn)承壓特種設(shè)備TOFD探傷不充分導(dǎo)致的罐體泄漏、爆炸等事故，且防范出現(xiàn)有關(guān)部門抽檢發(fā)現(xiàn)隱患的管理隱患。在該方法實現(xiàn)較高的預(yù)警敏感度和特異度的同時，也應(yīng)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(yù)警可靠度。