行业特种设备无损检测系统优化仿真设计

杨景岗

(乐山电力股份有限公司,四川 乐山 614000)

本研究涉及到的特种设备特指承压罐体类特种设备，该类设备以一定压力储存、转运气体或液化气体，具有低温、高压等运行工况[1-3]。金属材质在低温、高压环境中更容易发生结构力学疲劳损伤，具有发生泄漏或爆炸事故的风险[4]。当前检测特种设备结构完整性的最有效方式为超声探伤(Time of Flight Diffraction，TOFD)，超声探伤的技术特征导致其无法实现实时动态检测，而是采用定期检测和不定期抽检的方式[5-6]。特种设备无损检管理系统(Non Destructive Testing，NTD)的设计目标是管理TOFD的检测报告书，新设计理念下，TOFD的存档管理属于基本功能，系统还应对检测报告完整性、检测过程溯源、系统隐患预警等提供计算机辅助管理功能][7-8]。以上述3个功能为关键技术，研究讨论分析特种设备无损检管理系统的设计构建过程，并验证相关算法模块的可行性[9-10]。

1 特种设备无损检管理系统检测过程溯源与存档管理功能设计

特种设备无损检报告书主要包括特种设备TOFD探伤的回波图数据，TOFD全息建模系统支持下，该报告书可以生成特种设备壳体的三维模型；特种设备无损检管理系统的存档功能即是对该三维模型档案进行增删改查管理[11-13]。特种设备可能发生的事故(泄漏、爆炸等)需要执行无损检责任溯源，包括责任人溯源、设备编号溯源、检测机构溯源等。该溯源功能属于数据库增删改查基本功能的查询功能，溯源功能设计的核心目的是发现问题无损检报告后，列出一定时间期限内与相关责任人、相关设备、相关检测机构有关的所有特种设备，并制定补充无损检计划；该溯源查询算法如图1所示。

图1 溯源查询算法逻辑示意图Fig.1 Logic diagram of traceability query algorithm

由图1可知，发生事故的特种设备或在抽检中发现检测问题的特种设备，根据其ID调取末次检测数据，从而获得该次检测的责任人、检测设备、检测机构信息，将事故发生时间前推第1次检测时间窗口前后各推一定时间段(该研究选择30 d)，如该次检测时间距离当前时间较近以至追查时不足30 d，则前推至当前的溯源调查时间点[14-16]。从结构化查询语言(Structured Query Language，SQL)伪码上体现出以下代码：

Select 隐患设备ID From 报告存档记录

For 检测时间 Between (select top 1 检测时间 where 隐患设备ID = N from 报告存档记录 order by 检测时间 desc)- 30

And (select top 1 检测时间 where 隐患设备ID = N from 报告存档记录 order by 检测时间 desc)+ 30

Where

操作员ID = (select top 1 操作员ID where 隐患设备ID = N from 报告存档记录 order by 检测时间 desc)

Or 管理员ID = (select top 1 管理员ID where 隐患设备ID = N from 报告存档记录 order by 检测时间 desc)

Or 检测设备ID = (select top 1 检测设备ID where 隐患设备ID = N from 报告存档记录 order by 检测时间 desc)

Or 检测机构ID = (select top 1 检测机构员ID where 隐患设备ID = N from 报告存档记录 order by 检测时间 desc)

Order by 检测时间 desc

为方便展示，上述SQL伪码中使用中文字段名取代英文字段名，其中N为问题设备的ID。上述SQL伪码执行后，可以得到前文图1中的检测结果，但该溯源过程还应提供一个额外功能。因为上述SQL伪码的嵌套结构较深，在大容量数据库中的检索效率较低，所以应在每次检测后为每个关联人员、设备、机构建立信用评分。该模式为：所有关联方设计10分的初始信用分；所有关联方如果未发生事故或抽检隐患，每月增加1分信用分；所有关联方只要直接关联到事故或者抽检隐患的，扣除3分信用分；在上述SQL溯源追查中发现关联方，即发生事故或抽检隐患的设备所有关联方在上述SQL溯源追查搜索到的关联方，均扣除1分信用分。

2 检测报告完整性评价与系统隐患预警

实际执行TOFD无损检测时，标准流程要在罐体上标记测线和测点，足够的测点密度是确保特种设备无损检测质量的必要条件。特种设备无损检管理系统应在检测报告上传时，判断检测报告的完整性[17-18]。TOFD的三维可视化模型为散点型三角网格模型，其关键数据位于每个测量节点上，节点坐标按照三维直角坐标(x,y,z)建立索引。该研究的报告完整性检测算法，具体如图2所示。

图2 报告完整性检测算法逻辑架构Fig.2 Logical architecture of report integrity detection algorithm

由图2可知，报告完整性检测算法共分为3个阶段：假定报告中共有n个测点，两两计算测点之间的直线距离，得到一个n×n的矩阵，遍历该矩阵，计算其均值，并对所有距离数据根据升序排序进行分组。其中距离低于0.8倍均值的为A组；距离介于0.8～1.5倍均值的为B组；距离大于1.5倍均值的数据丢弃，不进入下一环节。(1)对A组和B组分别求取均值，计算2个均值的差值，该差值与总均值的比值为1个输入点；(2)计算A组和B组的元素数量在总数量n×n中的占比，生成2个输入点；(3)计算B组数据的最大值，即不大于1.5倍均值的最大距离数据值，生成1个输入点。该3组4个数据作为检测报告测点密度的标记值，第2阶段的数据向机器学习判断模块提供的4个数据，可以基本反映出测点密度但数据仍具有不完备性，所以，将原始数据序列的n个数据同步输入到机器学习模块中，形成参照数据，以对不完备数据提供数据补充，展开上述判断模块的机器学习算法架构，具体如图3所示。

图3 判断模块的机器学习算法架构示意图Fig.3 Schematic diagram of machine learning algorithm architecture of judgment module

由图3可知，判断模块包含3个子模块：卷积原始序列的前置模块、整合前文图2的分析结果的中央模块、后置于该2个模块并生成二值化输出结果的二值化模块。输入数据分为3个类型：原始序列为一组n行3列数据，包括n个测点的(x,y,z)坐标，虽然该组数据为有量纲数据，但所有数据量纲一致，前置模块将该组序列卷积成1个双精度浮点型变量，实现数据卷积的同时实现数据的去量纲；均值差值比例数据、A组元素在总元素中的占比、B组元素在总元素中的占比，均为无量纲数据，具体算法见前文；B组最大值为有量纲距离数据，与第2组中3个数据有异构性，所以参考全部距离数据的均值数据进行去量纲，即B组最大值与所有距离数据的均值作为去量纲后的输入数据。

2.1 前置模块

模糊卷积神经网络是机器学习的重要形式，其核心任务是将多个数据卷积成1个包含原始数据基本规律特征的输出数据，即实现数据的模糊化[19]。该前置模块的输入数据是1组n行3列三维直角坐标系数据，数据拥有统一量纲和同构化表达，所以，参考相关文献研究思路，该模块输入层使用对数比值函数深度迭代算法构建机器学习功能的神经网络节点，输入层节点基函数：

(1)

式中：S为节点输出值；i为数据指针，代表总计n行输入数据的第i行；xi、yi、zi为第i行数据的3个坐标值；A、B、C、D、E、F为节点待回归系数；

经过输入层处理后的模块，实现了数据去量纲和同构化，所有节点的输出数据均为无量纲的双精度浮点型变量，所以后续的隐藏层和输出层选择多项式深度迭代函数作为节点基函数：

(2)

前置模块输出的最终YF值会抄送2个方向：分别参与到中央模块和二值化模块中。

2.2 中央模块

中央模块的统计学意义是将前置模块输出的1个双精度浮点型变量数据与4个比值浮点数据进一步模糊卷积，得到1个双精度浮点型变量。该变量在后置的二值化模块中与前置模块输出的1个双精度浮点型变量2次整合，中央模块采用多项式深度迭代函数作为节点基函数，参考式(2)。

2.3 二值化模块

二值化模块拥有2个输入项，均为无量纲的双精度浮点型变量，输出1个经过二值化的[0,1]区间上的变量，增加隐藏层结构复杂性可以使输出数据无限接近该区间2端。当输出数据接近0.000时，认为该特种设备无损检测报告完整；当输出数据接近1.000时，认为该特种设备无损检测报告不完整。二值化模块的基函数：

(3)

式中：e为自然常数；Mi为第i个输入节点的输入值；A、B为待回归系数；Y为输出值。

经过上述报告完整性评价和事故溯源评价，发现检测报告不完整的情况和事故溯源中特种设备事故与抽查隐患关联的特种设备，均认定为系统隐患；该特种设备无损检管理系统会随时根据上述数据给出隐患预警。

3 特种设备无损检管理系统的仿真测试

当前的大数据管理体系下，只要选择对应的开发环境和互联网生产环境，管理信息系统的增删改查基本功能无需讨论其实际效能。该研究中涉及到的2个检测报告预警机制，即基于事故隐患追查溯源的关联报告预警和基于报告完整性评价的报告质量预警，因为涉及到了大数据复杂检索和机器学习算法，开发任务较重，所以需要深入讨论其算法效能。首先，导入某市12个特种设备资质检测机构涉及到的57台TOFD检测设备和139名检测技术、管理人员数据，以2020年全年发生的33 254次特种设备检测报告为个案数据，结合安全监管和质量监管部门提供的泄漏、爆炸、抽检隐患等数据，判断该管理信息系统对特种设备无损检测报告的管理效能，结果如表1所示。

表1 特种设备无损检管理系统检测效能评价表Tab.1 Evaluation of inspection efficiency of NDT management system for special equipment

由表1可知，2020年该市涉及到TOFD技术的特种设备无损检测报告33 254台次，平均每台设备检测583.4台次；2020年共发生特种设备泄漏或爆炸事故30次，占全部检测次数的0.090%。但本次仿真测试中发现，30次事故均可因为发现检测报告问题而发出预警，避免事故发生。将有关部门抽检发现的隐患计算在事故范围内，事故关联溯源系统的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。而基于模糊卷积神经网络机器学习功能的报告完整性评价可提供94.9%的敏感度，且所有检出结果有所交叉，可基本排除因为敏感度低于100%而发生的漏报现象。综合表1的数据结果，统计该系统的敏感度、特异度、可靠度，特种设备无损检管理系统预警效能统计结果如表2所示。

表2 特种设备无损检管理系统预警效能统计表Tab.2 Statistics of early warning effectiveness of NDT management system for special equipment

由表2可知，敏感度指检出问题报告数量(真阳性)占所有实际问题报告数量(客观阳性)的比值，特异度指检出正常报告数量(真阴性)占所有实际无问题报告数量数量(客观阴性)的比值；可靠度指真阳性报告书数量占所有发出预警问题报告书数量的比值。本研究涉及的5种检测结果中，敏感度与特异度均较高；可靠度仍有较大提升余地。

4 结语

在传统的特种设备无损检管理系统增删改查大数据管理功能基础上，研究引入了大数据复杂检索算法和基于模糊卷积神经网络机器学习算法的问题报告预警算法，基本实现了问题报告的提前发现与提前处置，防止出现承压特种设备TOFD探伤不充分导致的罐体泄漏、爆炸等事故，且防范出现有关部门抽检发现隐患的管理隐患。在该方法实现较高的预警敏感度和特异度的同时，也应看到其可靠度较低。后续的研究中，在进一步提升其敏感度和特异度的同时，提升其预警可靠度。