Aplikacja metod sztucznej inteligencji do wspomagania oceny stanu
Transkrypt
Aplikacja metod sztucznej inteligencji do wspomagania oceny stanu
Open Access Library Volume 3 2011 5. Aplikacja metod sztucznej inteligencji do wspomagania oceny stanu uszkodzenia stali pracuj cych w warunkach pełzania D enie do potwierdzenia tezy niniejszej monografii, dotycz cej obiektywizacji oceny trwało ci materiału pracuj cego w warunkach pełzania z wykorzystaniem zespołu materiałoznawczych metod i technik badawczych, w tym bada metalograficznych i bada własno ci mechanicznych, skłoniła autora do poszukiwa mo liwo ci wykorzystania dost pnych metod obliczeniowych do poprawy skuteczno ci dokonywanych analiz i ocen. Dla prognozowania trwało ci resztkowej elementów instalacji energetycznych i opracowania autorskiej metodologii rozwi zania tego problemu, autor podj ł współprac z Zakładem Technologii Procesów Materiałowych, Zarz dzania i Technik Komputerowych w Materiałoznawstwie Politechniki l skiej w Gliwicach, który od wielu lat jako jeden z licznych o rodków badawczych wykorzystuje metody sztucznej inteligencji w obszarze in ynierii materiałowej i komputerowej nauki o materiałach, b d cej jedn z jej specjalno ci [491-505]. Sztuczne sieci neuronowe s bowiem efektywnym i uniwersalnym narz dziem [491], stosowanym mi dzy innymi do selekcji materiałów in ynierskich [505-509], optymalizacji procesu produkcyjnego i technologicznego zapewniaj cego po dany zestaw ich własno ci [510-522], predykcji tych własno ci [523-534], oraz do oceny stopnia uszkodzenia materiałów w wyniku eksploatacji [535-538]. Efektem wymienionych prac własnych, wykonanych głównie we współpracy z M. Srok [6077], jest opracowanie metodyki zautomatyzowanej komputerowej klasyfikacji stanu wewn trznych uszkodze w materiałach elementów ci nieniowych instalacji energetycznych pracuj cych w warunkach pełzania, umo liwiaj cej zobiektywizowanie, przyspieszenie i popraw skuteczno ci prognozowania trwało ci resztkowej tych elementów. ródłem informacji o strukturze materiału i procesach w nim zachodz cych s zarejestrowane obrazy struktur metalograficznych w formie elektronicznej, które zapisano w formacie map bitowych o 256 odcieniach szaro ci, uzyskiwane metodami mikroskopii wietlnej, elektronowej mikroskopii transmisyjnej, a zwłaszcza skaningowej, przekształcone do jednolitego formatu i rozmiaru. Obecno ć uszkodze wewn trznych w strukturze stali oraz stopie zaawansowania ich rozwoju okre la przydatno ć materiału do dalszej eksploatacji oraz umo liwia wyznaczanie trwało ci resztkowej, okre laj cej czas dalszej bezpiecznej eksploatacji elementów instalacji energetycznych. Opracowana metodyka automatycznej klasyfikacji stanu uszkodze wewn trznych w niskostopowych stalach pracuj cych w warunkach pełzania, z u yciem metod sztucznej 126 J. Dobrza ski Materiałoznawcza interpretacja trwało ci stali dla energetyki inteligencji i komputerowej analizy obrazu oraz nast pnej predykcji na tej podstawie czasu dalszej bezpiecznej eksploatacji elementów instalacji energetycznych, zapewnia powtarzalno ć podejmowanych decyzji, w odró nieniu od tradycyjnej, lecz z konieczno ci subiektywnej klasyfikacji tych uszkodze przez ekspertów, ró ni cych si zwykle pomimo bardzo dobrej znajomo ci zagadnienia oraz ich wysokich, lecz zró nicowanych kwalifikacji i do wiadcze . Sztuczne sieci neuronowe, jako wykorzystane narz dzia sztucznej inteligencji, wykazuj przy tym przewag nad metodami statystycznymi. Podstaw wytkni tego celu były zgromadzone wyniki bada własnych materiałów po długotrwałej eksploatacji w warunkach pełzania, opisanych m.in. w poprzednich rozdziałach niniejszej pracy, a wynikiem jest opracowanie programu komputerowego do klasyfikacji stopnia uszkodze wewn trznych w materiałach eksploatowanych w warunkach pełzania, z wykorzystaniem metod analizy obrazu dla wyodr bnienia obrazu tych uszkodze , zidentyfikowanych przy u yciu skaningowego mikroskopu elektronowego. Model klasyfikacji uszkodze , uprzednio omówionej w niniejszej pracy i opisanej m.in. w pracach własnych [15, 50, 58, 101], uproszczono do pi ciu klas, z których ka da odpowiednio charakteryzuje si wyst powaniem uszkodze podanych w tablicy 14. Zarejestrowane obrazy uszkodze wewn trznych w strukturze stali niskostopowych wst pnie ujednolicono pod wzgl dem formatu, skali, kontrastu i rozdzielczo ci, a nast pnie wykonano kolejno filtracj medianow , binaryzacj (przy progu binaryzacji dobranym eksperymentalnie), erozj binarn , indeksacj , po czym wyznaczono współczynniki geometryczne i kształtu opisuj ce uszkodzenia, zestawione w tablicy 15. Dane uzyskane z obserwacji rzeczywistych uszkodze wewn trznych stanowiły podstaw estymacji przedziałowej w celu oszacowania przedziału, w którym powinny znajdować si Tablica 14. Klasyfikacja stopnia uszkodze wewn trznych w materiałach eksploatowanych w warunkach pełzania przyj ta w opracowanym modelu Klasa uszkodzeM Rodzaj uszkodzeM klasa 0 struktura stanu wyj ciowego lub jemu bliska bez widocznych uszkodze klasa A pojedyncze pustki klasa B pustki ukierunkowane, ła cuszki pustek, ł czenie pustek, szczeliny mi dzykrystaliczne klasa C mikrop kni cia klasa D makrop kni cia 5. Aplikacja metod sztucznej inteligencji do wspomagania oceny stanu uszkodzenia stali … 127 Open Access Library Volume 3 2011 warto ci współczynników geometrycznych opisuj cych poszczególne uszkodzenia materiału mieszcz ce si w danej klasie, umo liwiaj ce okre lenie elementów na obrazie, które stanowi uszkodzenia wewn trzne materiału. Zakładaj c e warto ci współczynników geometrycznych maj rozkład normalny, szacowanie oparto na przedziałach ufno ci dla warto ci rednich poszczególnych współczynników przy u yciu zale no ci: s ⎫ s ⎧ < µ < x + tα P ⎨ x − tα ⎬ = 1−α n⎭ n ⎩ (7) gdzie: − x= 1 n ⋅ ∑ xi n i =1 s= 1 n ∑ ( xi − x ) 2 n − 1 i =1 1- – prawdopodobie stwo przyj te z góry i nazywane współczynnikiem ufno ci (w zastosowanym modelu przyj to warto ć 1 - ≥ 0,95), Tablica 15. Wyznaczone współczynniki geometryczne i kształtu opisuj ce uszkodzenia wewn trzne w strukturze stali po długotrwałej eksploatacji w warunkach pełzania Oznaczenie Po Ob Wk Wm Wc1 Wc2 MinOdl SFpoz SFpion Wz MaxOdl Wbb Wf Wh Ws 128 Współczynniki geometryczne i kształtu pole obwód współczynnik kolisto ci współczynnik Malinowskiej współczynnik cyrkularno ci1 współczynnik cyrkularno ci2 minimalna odległo ć rednica Fereta pozioma rednica Fereta pionowa współczynnik zawarto ci maksymalna odległo ć współczynnik Blaira-Blissa, współczynnik Fereta współczynnik Haralicka współczynnik bezwymiarowy Współczynniki geometryczne i kształtu, dla których algorytm genetyczny popełnia najmniejszy bł d rednie pole redni obwód – redni współczynnik Malinowskiej redni współczynnik cyrkularno ci1 redni współczynnik cyrkularno ci2 minimalna odległo ć rednica Fereta pozioma rednica Fereta pionowa współczynnik zawarto ci – – – – współczynnik bezwymiarowy J. Dobrza ski Materiałoznawcza interpretacja trwało ci stali dla energetyki tg – warto ć zmiennej t Studenta z tablic rozkładu Studenta dla n - 1 stopni swobody, x – rednia arytmetyczna z próby, s – odchylenie standardowe obliczone dla poszczególnych współczynników geometrycznych na podstawie uszkodze zidentyfikowanych w obrazach. Wyznaczone współczynniki geometryczne poszczególnych uszkodze s wektorami wej ciowymi sztucznych sieci neuronowych opracowanych przy u yciu programu Statistica Neural Networks 4.0 F, w których klasy uszkodze wewn trznych w strukturze stali s pi cioma wektorami wyj ciowymi. Zbiór danych wej ciowych składaj cy si z obliczonych współczynników geometrycznych dla wytypowanych przypadków do wiadczalnych podzielono w sposób losowy na trzy podzbiory: ucz cy (50% wektorów) dla ustalenia warto ci wag podczas uczenia sieci, walidacyjny (25% wektorów) do oceny jako ci sieci podczas uczenia, testowy (25% wektorów) do oceny jako ci modelu po zako czeniu uczenia sieci, w ten sposób, aby do ka dego zbioru wektorów zaklasyfikowano przypadki uszkodzenia charakterystyczne dla ka dej z klas. W celu opracowania sztucznej sieci neuronowej dobrano typ sieci, liczby warstw ukrytych i neuronów w poszczególnych warstwach, rodzaje i postaci funkcji aktywacji, metody skalowania zmiennych oraz metody i parametry uczenia sztucznej sieci neuronowej. Analizowano ok. 40 sztucznych sieci neuronowych spo ród nast puj cych typów: perceptron wielowarstwowy (MLP – multilayer perceptron), probabilistyczne sieci neuronowe (PNN – probabilitic Neural Network), sieci o radialnych funkcjach bazowych (RBF – Radial Neural Network), sieci liniowe (Linear Network). Podstaw oceny jako ci sztucznych sieci neuronowych jest udział poprawnych klasyfikacji uszkodze dla danej klasy uszkodze wewn trznych w strukturze stali, a zwi kszeniu udziału poprawnych klasyfikacji uszkodze przez polepszenie jako ci ich działania słu algorytmy genetyczne oraz nieparametryczne testy istotno ci. Do optymalizacji wykorzystano maski okre laj ce, które ze współczynników geometrycznych powinny zostać wykorzystane na wej ciu sieci. Algorytmy genetyczne dokonuj wyboru najlepszych wektorów wej ciowych sztucznej sieci neuronowej w oparciu o populacj osobników potomnych, które wykorzystuj podstawowe cechy swoich rodziców oraz modyfikuj własno ci. Podstaw dokonanej optymalizacji jako ci klasyfikacji wektora zmiennych niezale nych jest krzy owanie porz dkowe, w wyniku którego powstaj dwa osobniki potomne charakteryzuj ce si kombinacj cech rodziców oraz mutacja zapewniaj ca zmian pojedynczych osobników potomnych. Selekcja kolejnych osobników, b d ca podstaw dalszego rozmna ania, 5. Aplikacja metod sztucznej inteligencji do wspomagania oceny stanu uszkodzenia stali … 129 Open Access Library Volume 3 2011 dotyczy tych, które najlepiej klasyfikuj uszkodzenia materiału, popełniaj c najmniejszy bł d. Trenowanie sieci oparte jest na wzorcach ucz cych, czyli wektorach wej ciowych obejmuj cych współczynniki geometryczne, podane w tablicy 15, dla których algorytm genetyczny popełnia najmniejszy bł d. Minimalizacja bł du sieci, polegaj ca na wyszukiwaniu minimum sumy kwadratów pomi dzy warto ciami rzeczywistymi a obliczonymi przez sieć, jest podstaw ustalenia wag poł cze synaptycznych neuronów. Optymalny sposób uczenia sieci mo e być dobierany metodami optymalizacji nieliniowej (Lavenberga-Marquardta), radialnych funkcji bazowych, optymalizacji nieliniowej (quasi-Newtona), wstecznej propagacji bł dów lub gradientów sprz onych, co jest podstaw okre lenia liczby neuronów w warstwie ukrytej sieci. W tablicy 16 podano parametry sztucznej sieci neuronowej opracowanej na podstawie nieparametrycznych testów istotno ci, przedziałów ufno ci i algorytmów genetycznych, której schemat podano na rysunku 127. Sieć neuronowa składa si z 10 wektorów wej ciowych zawieraj cych obliczone współczynniki geometryczne dla wytypowanych przypadków do wiadczalnych. W tablicy 17 przedstawiono warto ci bł du oraz jako ci opracowanej sieci neuronowej, natomiast na rysunku 128 porównano poprawne i bł dne klasyfikacje w poszczególnych klasach, co pozwala stwierdzić, e opracowana sieć neuronowa umo liwia redni poprawn klasyfikacj uszkodze wewn trznych w strukturze stali niskostopowych po eksploatacji w warunkach pełzania na poziomie 93%, a najwi kszy bł d klasyfikacji 8,33% wyst puje w przypadku klasy B. Tablica 16. Charakterystyka sztucznej sieci neuronowej zastosowanej do wstCpnej klasyfikacji uszkodzeM Parametry sieci Struktura sieci Współczynniki geometryczne zastosowane do nauki sieci Metoda uczenia Liczba epok treningowych 130 Charakterystyka MLP 10-31-5 pole, obwód, współczynnik Malinowskiej, współczynnik cyrkularno ci1, współczynnik cyrkularno ci2, minimalna odległo ć, rednica Fereta pozioma, rednica Fereta pionowa, współczynnik zawarto ci, współczynnik bezwymiarowy propagacja wsteczna bł dów, gradienty sprz one 466 J. Dobrza ski Materiałoznawcza interpretacja trwało ci stali dla energetyki Rysunek 127. Schemat opracowanej sztucznej sieci neuronowej Tablica 17. Zestawienie warto ci bł du oraz jako ci opracowanej sztucznej sieci neuronowej Bł d uczenia 0,01252 Jako ć uczenia 0,976 Bł d walidacji 0,02563 Jako ć walidacji 0,965 Bł d testu 0,02886 Jako ć testu 0,981 poprawna klasyfikacja zła klasyfikacja 100 wskaanik klasyfikacji [%] 90 80 70 60 50 40 30 20 10 0 0 A B C D klasa Rysunek 128. Wykres poprawnych i bł dnych klasyfikacji w poszczególnych klasach dla opracowanej sieci neuronowej [515] 5. Aplikacja metod sztucznej inteligencji do wspomagania oceny stanu uszkodzenia stali … 131 Open Access Library Volume 3 2011 W wyniku wszystkich podj tych działa opracowano program komputerowy do klasyfikacji stopnia uszkodze wewn trznych, którego schemat blokowy przedstawiono na rysunku 129. Opracowany model komputerowo wspomaganej automatycznej klasyfikacji START Wst pne ujednolicenie obrazów Filtracja medianowa, binaryzacja, erozja binarna Wyznaczenie współczynników geometrycznych i kształtu Zbudowanie bazy wzorców ci gu ucz cego Zbudowanie bazy obrazów testuj cych sieć Okre lenie parametrów sieci neuronowej Trening sieci neuronowej Testowanie sieci neuronowej NIE Czy sieć poprawnie klasyfikuje struktury? TAK STOP NIE (2) NIE Czy sieć poprawnie klasyfikuje struktury? TAK STOP Rysunek 129. Schemat blokowy opracowanego programu komputerowego 132 J. Dobrza ski Materiałoznawcza interpretacja trwało ci stali dla energetyki uszkodze wewn trznych w stalach pracuj cych w warunkach pełzania przy zastosowaniu sztucznych sieci neuronowych, algorytmów genetycznych i analizy obrazów zweryfikowano do wiadczalnie na podstawie wyników bada rzeczywistych uszkodze zidentyfikowanych w elementach kotłów parowych, w ownic i ruroci gów, które nie zostały u yte do opracowania metodyki automatycznej klasyfikacji uszkodze . Oryginalny obraz z uszkodzeniem wewn trznym struktury, wczytany w oknie programu komputerowego do klasyfikacji stopnia uszkodze wewn trznych, przedstawiono na rysunku 130. Na rysunku 131 przedstawiono przykłady klasyfikacji uszkodze za pomoc opracowanego programu. W wyniku porównania przykładowo wyznaczonej klasy uszkodzenia wewn trznego w stalach ze znormalizowan klas uszkodzenia na 35 przypadków stwierdzono, e jedynie w 2 przypadkach automatycznie zidentyfikowana klasa jest wy sz ni ustalona przez eksperta. Rozbie no ci pomi dzy klasyfikacj niektórych przypadków uszkodze wewn trznych w strukturze stali, mog wynikać z niewystarczaj cej jako ci obrazów wyj ciowych, co mo e prowadzić do bł dnej analizy obrazu przez program komputerowy. Rysunek 130. Oryginalny obraz wejWciowy [538] 5. Aplikacja metod sztucznej inteligencji do wspomagania oceny stanu uszkodzenia stali … 133 Open Access Library Volume 3 2011 Rysunek 131. Wynik pomiarów cech obiektów wraz z wektorami cech stanowi>cych wejWcie sieci neuronowej i wynikiem klasyfikacji – klasa B [538] Wyniki weryfikacji wskazuj jednak na poprawne opracowanie metodyki oceny stopnia uszkodzenia wewn trznego stali pracuj cych w warunkach pełzania. Pomimo e opracowany program komputerowy wymaga stałego doskonalenia, ju obecnie mo e być jednak z powodzeniem stosowany do wspomagania podejmowania decyzji diagnostycznych, jako przykład aplikacji metod komputerowej nauki o materiałach. 134 J. Dobrza ski