16 октября 2017г.
Одной из важнейших составляющих безопасной эксплуатации энергоблока АЭС с водо-водяным энергетическим реактором (ВВЭР) является работоспособность парогенераторов (ПГ). Практика эксплуатации горизонтальных ПГ показала, что основным элементом, определяющим фактический срок службы этого объекта, являются теплообменные трубы (ТОТ) [1]. Для оценки состояния теплообменных труб ПГ проводится контроль целостности труб методом многочастотного вихретокового контроля (ВТК).
Анализ данных, полученных от многочастотного ВТК, сопряжен со значительными трудностями, обусловленными зашумленностью сигналов, а также наличием множества мешающих факторов. Одним из основных мешающих факторов для выделения дефектов являются конструктивные элементы, а именно дистанционирующие решетки, которые предназначены для фиксации теплообменных трубок в заданном положении (рис. 1). Поэтому, сначала нужно выделить в сигнале области, соответствующие конструктивным элементу.
Анализ выходных сигналов вихретокового датчика показал, что основными видами помех полезного сигнала являются: пильгер-шум, обусловленный несовершенством технологии изготовления труб; тренд, возможность появления которого обусловлена смещением датчика относительно продольной оси, а также смещением нуля; случайный шум, обусловленный, например, внешними помехами от электромагнитных процессов в атмосфере, промышленных установках, трансформаторах и т.д.
Таким образом, исследуемая модель диагностического сигнала может быть представлена как сигнал
непосредственно от дистанционирующей решетки с аддитивно наложенными на нее сигналами,
соответствующими помехам.
Пример формирования модели зашумленного сигнала S(t) представлен на рисунке 2, где показаны: a)
Модель сигнала от дистанционирующей решетки; b) Модель тренда, определяемая выражением: Trend=0.18sin(2pi/T t+pi), где T=3000; c) Модель, учитывающая влияние внешних помех и представленная белым гауссовским шумом; d) Модель пильгер-шума. e) Модель диагностического сигнала от
дистанционирующей решетки.
Предлагаемая методика выделения диагностически значимых областей базируется на вейвлет-обработке диагностических сигналов с использованием вспомогательных операций: фильтрации и пороговой обработки
(трешолдинга), позволяющих в значительной степени повысить эффективность метода.
Так как вейвлет-преобразование вычисляется как свертка исследуемого сигнала и вейвлета и его коэффициенты содержат комбинированную информацию
об исследуемом сигнале и используемом вейвлете,
то выбор вейвлета определяется подобием формы вейвлета анализируемому сигналу и порядком вейвлета, который определяет число нулевых моментов: чем большее число нулевых моментов содержит вейвлет, тем
более тонкую
структуру сигнала он
позволяет анализировать.
Для разработки
метода были использованы ортогональные вейвлеты Добеши (dbN), Симлета (symN) и В- сплайновые биортогональные вейвлеты (bior Nr.Nd и rbioNr.Nd), где N- порядок вейвлета.
Вейвлет-анализ позволяет анализировать исследуемый
сигнал на различных уровнях разрешения, т.е. анализировать различные версии сигнала, каждой
из
которой соответствует определенный диапазон частот.
Разложение исследуемого сигнала на различных уровнях выполнялось с помощью прямого алгоритма
Малла (рис. 3) [2]. В качестве вейвлет-коэффициентов нулевого уровня принимались значения цифровых
отсчетов анализируемого сигнала. Наименьший масштаб, соответствующий самому высокому разрешению, определялся числом отсчетов оцифрованного сигнала.
В
результате разложения исследуемого сигнала с помощью прямого алгоритма Малла были получены вейвлет-спектры, соответствующие аппроксимациям и детализациям исследуемого сигнала на различных
уровнях разрешения. Анализ вейвлет-спектров различных уровней показал, что достаточно рассматривать
первые 8 уровней
сигнала,
так
как
дальнейшее разложение не несет значимой
информации о диагностически значимых областях. Далее по полученным вейвлет-спектрам аппроксимаций и детализаций,
соответствующих различным уровням разрешения, с помощью обратного алгоритма Малла выполнялось формирование версий
сигнала, соответствующих различным уровням разрешения.
В качестве критерия эффективности было принято отношение энергий сигнал/шум (С/Ш). В результате
анализа было получено, что максимальное отношение С/Ш имеет детализация 5-ого уровня разрешения, отношение С/Ш этого сигнала равно 8.5 (при использование материнского вейвлета bior4.4).
Для повышения отношения сигнал/шум в восстановленных версиях в предлагаемом методе
предусматривается пороговая обработка (трешолдинг), которая заключается в том, что приравниваются нулю вейвлет-коэффициенты, которые не превышают значения порога τ. Сигнал до и после пороговой обработки
показан
на
рисунке 4.
После обработки осталась только часть сигнала, которая имеет координаты [200, 400]. Если сравнить эти координаты с координатами, которые были заданы при построении диагностического сигнала от
дистанционирующей решетки, а именно [280, 340], то получается, что оставшаяся после обработки часть
сигнала (рис. 4 (b)) соответствует местоположению сигнала от решетки, но при этом перекрывает его с
запасом.
Таким образом, можно на абсолютном канале выделять области сигнала, соответствующие конструктивным элементам (Рис. 5).
Список
литературы
1.
Бергункер В.Д, Трунов Н.Б., Денисов В.В. Анализ состояния труб парогенераторов на основе данных вихретокового контроля. ФГУП ОКБ "Гидропресс", Подольск, Московская область. Доклады 6-го международного семинара по горизонтальным парогенераторам ( 2004).
2.
Смоленцев Н. К. Основы теории
вейвлетов. Вейвлеты в Matlab.- М.: ДМК Пресс, 2008.-448с.
