Senior Lecturer of Department of Electrical Equipment and Automationof Industrial Enterprises
Старший преподавателькафедры «Электрооборудование и автоматика промышленных предприятий»
Doctor of Sciences (Engineering), Professor,Head of Department of Electrical Equipment and Automation of Industrial Enterprises
Доктор технических наук, профессор,заведующий кафедрой «Электрооборудование и автоматика промышленных предприятий»
PhD (Engineering),assistant professor of Department of Electrical Equipment and Automation of Industrial Enterprises
Кандидат технических наук, доцент кафедры«Электрооборудование и автоматика промышленных предприятий»
PhD (Engineering),assistant professor of Department of Electrical Equipment and Automation of Industrial Enterprises
Кандидат технических наук, доцент кафедры«Электрооборудование и автоматика промышленных предприятий»
Problem. Ensuring the technosphere safety of industrial facilities in the oil and gas sector is complicated byprocesses of hidden microstructural degradation of metal, which initiates more than 31 % of emergency situations. Traditionalnondestructive testing methods are significantly limited by the need for thorough surface preparation and ensuring stable liquid acoustic contact, which hinders the operational monitoring of pipelines and pressure vessels through insulation layers.Aim. The aim of this study is to establish quantitative relationships between the spectral parameters of the electromagneticacoustic (EMA) signal and the stages of stress-strain state and damage of structural steels. Methods. A series of experimentswas performed on St3sp, 09G2S, and 12Kh18N10T steels under static tension on a servohydraulic system. Signal registrationwas carried out using an EMA thickness gauge. The analysis is based on dynamic approach: the control zone was identified asa linear system, the mathematical reference of which is a second-order transfer function W(p) reconstructed by the method ofmoments. To automate state recognition, a transition to frequency models in the form of hodographs of amplitude-phasefrequency characteristics (APFC) was implemented. An artificial neural network based on the ML.NET library was trainedon 3 samples of 720 measurements, using the amplitudes and phases of the first 15 signal harmonics as input features.Results. It was experimentally proved that the accumulation of structural damage causes a regular migration of the roots ofthe characteristic polynomial on the complex plane and a qualitative transformation of the shape of the APFC hodographs.The developed intelligent classifier provided an identification accuracy of the stress-strain state (SSS) stages at the level of92.16 %, while the error in determining the numerical stress values did not exceed 3.5 %. Conclusions. The spectral parameters of the EMA signal in combination with machine learning technologies make it possible to identify reliably pre-defectstates of metal. The proposed method minimises the influence of the human factor and ensures the detection of zones of critical stress concentration before the initiation of macroscopic cracks.
Проблема. Обеспечение техносферной безопасности промышленных объектов нефтегазового сектораосложнено процессами скрытой микроструктурной деградации металла, которая инициирует более 31 % аварийныхситуаций. Традиционные методы неразрушающего контроля существенно ограничены необходимостью тщательнойподготовки поверхности и обеспечения стабильного жидкостного акустического контакта, что препятствует оперативному мониторингу трубопроводов и сосудов под давлением через слои изоляции. Цель. Цель исследования – установить количественные закономерности взаимосвязи между спектральными параметрами ЭМА-сигнала и стадиями напряженно-деформированного состояния и поврежденности конструкционных сталей. Методы. Проведены серии экспериментов на сталях марок Ст3сп, 09Г2С и 12Х18Н10Т при статическом растяжении на сервогидравлической системе.Регистрация сигналов осуществлялась ЭМА-толщиномером. В основу анализа положен динамический подход: зона контроля идентифицировалась как линейная система, математическим эталоном которой выступает передаточная функциявторого порядка W(p), восстановленная методом моментов. Для автоматизации распознавания состояний реализован переход к частотным моделям в форме годографов АФЧХ. Искусственная нейронная сеть на базе библиотеки ML.NET обучалась на 3 выборках из 720 измерений, используя в качестве входных признаков амплитуды и фазы первых 15 гармониксигнала. Результаты. Экспериментально доказано, что накопление структурных повреждений вызывает закономернуюмиграцию корней характеристического полинома на комплексной плоскости и качественную трансформацию формы годографов АФЧХ. Разработанный интеллектуальный классификатор обеспечил точность идентификации стадий НДС науровне 92,16 %, при этом погрешность определения численных значений напряжений не превысила 3,5 %. Выводы. Спектральные параметры ЭМА-сигнала в сочетании с технологиями машинного обучения позволяют достоверно идентифицировать преддефектные состояния металла. Предложенный метод минимизирует влияние человеческого фактора и обеспечивает обнаружение зон критической концентрации напряжений до момента зарождения макроскопических трещин.