Автоматизация диагностики оборудования АС с помощью искусственных нейронных сетей

В статье рассматривается актуальная проблема автоматизации диагностики оборудования атомных станций для повышения его надежности и безопасности. Предлагается метод обнаружения течей трубопроводной арматуры на основе применения искусственных нейронных сетей для анализа термографических изображений. Методология основана на тепловизионном контроле, который позволяет дистанционно и бесконтактно фиксировать распределение температуры на поверхности оборудования. На основе ограниченного набора исходных термографических снимков была создана и обучена сверточная нейронная сеть для бинарной классификации состояния оборудования (наличие и отсутствие течи). Обученная модель продемонстрировала 100% точность на тестовых данных. Разработанный подход позволяет автоматизировать процесс диагностики, исключить влияние человеческого фактора и может быть интегрирован в системы предиктивного обслуживания и мониторинга в реальном времени.

1. Титов С.А., Барбин Н.М., Кобелев А.М. Анализ аварийных ситуаций, связанных с пожарами на атомных электростанциях. Пожаровзрывобезопасность. 2021;30(5):66–75. https://doi.org/10.22227/0869-7493.2021.30.05.66-75

2. Саубанов О.М., Валеев А.Р., Акимов В.И., Харисов Р.М., Ташбулатов Р.Р. Разработка комплексного под-хода к определению технического состояния насоснокомпрессорного оборудования. Транспорт и хранение нефтепродуктов и углеводородного сырья. 2019;2:30–35. https://doi.org/10.24411/0131-4270-2019-10206

3. Швец Д.В., Абидова Е.А., Калашников М.В., Поваров П.В., Воробьев Е.В. Концепция создания комплекс-ной автоматизированной системы тепловизионного контроля. Глобальная ядерная безопасность. 2022;(1):60–66. https://doi.org/10.26583/gns-2022-01-06

4. Ещенко Д.В., Никитин А.Т., Белов О.А. Практическое применение методов тепловизионного анализа и контроля // Вестник КамчатГТУ. 2020;(54):6–19. https://doi.org/10.17217/2079-0333-2020-54-6-19

5. Yuanbin W., Yang Y., Jieying R. Research on thermal state diagnosis of substation equipment based on infrared image. Advances in Mechanical engineering. 2019;4(11):1–14. https://doi.org/10.1177/1687814019828551

6. Kadurumba C.H., Nwaiwu U., Nwasuka N.C. Neural network applications. International journal of mechanical and production engineering research and development. 2020;10(3):11897–11910. Available at: https://www.researchgate.net/publication/344174270_NEURAL_NETWORK_APPLICATIONS (accessed: 02.04.2025).

7. Старчевский М.В., Бида П.И. Использование нейронных сетей в диагностике автоматизированного элек-тропривода. Форум молодых ученых. 2017;4(8):115–120. Режим доступа: https://www.forum-nauka.ru/_files/ugd/b06fdc_779bcc49ad634b319187cfb6fa067762.pdf (дата обращения: 26.04.2025).

8. Пехота А.Н., Галушко В.Н., Громыко И.Л. Технология использования сверточных нейронных сетей при диагностике состояния трансформаторов. Вестник Полоцкого государственного университета. Серия С. Фун-даментальные науки. 2021;12:63–69. Режим доступа: https://journals.psu.by/fundamental/article/view/1132 (дата обращения: 26.04.2025).

9. Ибряева О.Л., Мохаммад М.Н. Диагностика неисправностей подшипников качения с использованием пи-ков спектра и нейронных сетей. Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2022;11(2):59–71. http://dx.doi.org/10.14529/cmse220205

10. Бредихин А.И. Алгоритмы обучения сверточных нейронных сетей. Вестник ЮГУ. 2019;15(1):41–53. Ре-жим доступа: https://vestnikugrasu.org/byusu/issue/view/917 (дата обращения: 27.04.2025).