Крупнейшее русскоязычное
интернет-сообщество в области
промышленной безопасности

Здравствуйте. Когда дойдёте до разработки методики буду первый в очереди на её покупку !

Часть 3 из 3 · Отбраковка ложных срабатываний (1D-CNN) и открытое тестирование

Рисунок 5 - Интерфейс модуля одномерной сверточной сети (1D-CNN), демонстрирующий карту внимания модели (Grad-CAM) и оценку физической стационарности процесса. В данном примере алгоритм отбраковал акустическую аномалию как «Ложное срабатывание».

Несмотря на высокую точность пространственно-частотного анализа, на реальной теплотрассе всегда остается риск кратковременных, но мощных акустических аномалий механического происхождения. Проезд тяжелой техники по люку камеры, работа отбойного молотка поблизости, сброс давления или гидроудар — всё это способно сгенерировать сильный пик на графике кросс-корреляции.

Для отсева подобных нецелевых шумов в архитектуру платформы включен независимый модуль — одномерная нейросеть (1D-CNN + BiLSTM). В отличие от предыдущих этапов, этот алгоритм не переводит звук в частотные спектрограммы, а работает непосредственно с сырой акустической волной (колебаниями давления во времени).

Приставка BiLSTM (двунаправленная долгая краткосрочная память) означает, что алгоритм не просто оценивает изолированные доли секунды, но и анализирует временной контекст: он «помнит», как развивался звук до пика амплитуды и как он затухал после.

Обоснованная претензия экспертов к машинному обучению — отсутствие прозрачности выводов. Для решения этой проблемы мы внедрили инструмент 1D Grad-CAM (карта внимания модели). На Рисунке 5 показана цветовая развертка: это визуальный отчет алгоритма о том, на какие именно миллисекунды записи он опирался при вынесении вердикта. В данном примере алгоритм показывает, что «подозрительные» звуки носят эпизодический, импульсный характер (редкие зеленые и красные полосы), что нехарактерно для постоянного свища.

С точки зрения термодинамики и гидродинамики, истекание теплоносителя под высоким давлением — это стационарный, непрерывный процесс. Следовательно, акустический профиль реальной утечки должен быть равномерным.

На Рисунке 5 представлен график временного профиля и расчет дисперсии. Модуль покадрово анализирует уверенность в наличии свища. При реальном прорыве трубы график вероятности держится стабильно высоко (в районе 0.9–1.0), а дисперсия стремится к нулю. Скачкообразный или низкий график, представленный на скриншоте, математически доказывает: источник звука имеет прерывистый, нерегулярный характер. Совокупность этих данных позволяет алгоритму уверенно классифицировать мощный корреляционный пик как ложное срабатывание и уберечь эксплуатирующую организацию от проведения ошибочных земляных работ.

Мы открыли публичный доступ к нашему математическому ядру.

На облачном сервере https://uzk.rivixi.ai развернут тестовый стенд. Вы можете загрузить туда собственные двухканальные .wav файлы (сигналы с датчиков, установленных по краям участка), ввести базовые параметры трубы и самостоятельно оценить, как ансамбль моделей справится с вашим уровнем индустриального шума.

В настоящий момент наши нейросети еще не дообучены под весь спектр возможных полевых условий, типов грунтов и дефектов. Для кардинального повышения точности системе критически необходима практика. Фактически обучение проводилось на трубах нескольких диаметров без учета фактического давления в системе, с указанием номинальной толщины стенки.

Поэтому получаемые результаты пока не могут быть использованы при проведении контроля.

Буду благодарен за предоставление аудиофайлов контроля, которые сопровождаются реальными протоколами и, что самое главное, верифицированными результатами вскрытия шурфов (актами подтверждения или необнаружения течи). Также по возможности укажите тип изоляции трубы. Эти данные помогут нам провести финальную калибровку и дообучение алгоритмов.

Кроме того, заложенный в платформу математический аппарат классификации аномалий в зашумленных средах универсален. Сама модель может быть легко изменена и адаптирована под другие физические процессы — например, для отбраковки ложных сигналов акустической эмиссии (АЭ) или для вибродиагностики роторного оборудования.

Приглашаю экспертное сообщество к сотрудничеству. Прогоняйте свои данные на стенде, делитесь верифицированными файлами, критикуйте полученные результаты. Буду рад ответить на любые вопросы и обсудить варианты адаптации нашей математики под ваши производственные задачи в комментариях к этой статье.

Iva.ewg@mail.ru

Часть 2 из 3 · Адаптивный частотный фильтр и 2D-кросс-корреляция

Наконец, для максимально точной локализации дефекта необходимо отделить полезный высокочастотный сигнал от низкочастотного гула трассы. В классической дефектоскопии этот процесс часто сводится к ручному подбору полосовых фильтров оператором «на слух» или «на глаз», что в условиях нестандартных индустриальных помех приводит к ошибкам. Мы полностью автоматизировали этот процесс, внедрив адаптивный частотный анализ.

Рисунок 3 – Адаптивный частотный анализ и автоматическое вычисление критерия течи.

На верхнем графике (Рисунок 3) зеленой линией представлен фактический спектр мощности записанного сигнала. В реальных условиях эксплуатации теплосети всегда имеют свой естественный шумовой профиль (движение теплоносителя, работа насосов), мощность которого, как правило, убывает с ростом частоты. Красная кривая на графике — это математически вычисленная линия базового фона, идеализированная шумовая полка конкретной трубы.

Алгоритм не использует жестко заданные частотные рамки. Вместо этого он сопоставляет фактическую энергию сигнала с расчетной линией фона. Разница между ними формирует итоговый «Критерий течи» — фиолетовую кривую на нижнем графике. Этот показатель демонстрирует, насколько сильно реальный сигнал аномально превышает естественный фоновый гул на каждой конкретной частоте.

Обратите внимание на синюю пунктирную линию (порог срабатывания 0.1). Как только фиолетовая кривая пробивает этот порог, система делает вывод: на этой частоте звучит не фоновый шум, а акустическая аномалия. Алгоритм автоматически формирует пакет из полезных частотных окон (на скриншоте это выделенные цветом диапазоны А1–А7).

Таким образом, система самостоятельно создает динамический «эквалайзер», вырезая полезные фрагменты, в которых энергия свища пробивается сквозь индустриальные помехи. Именно эта очищенная информация в дальнейшем передается на анализ нейросети и для расчета пространственной корреляции.

Многофакторная проверка и открытое тестирование

Для минимизации риска ложных срабатываний итоговый вердикт формируется мета-классификатором (модель Random Forest), который взвешивает показания всех независимых модулей: визуальный анализ спектрограммы, расчет фазовых сдвигов, индекс локализации (PNR) и адаптивный частотный критерий. В результате архитектура способна вытащить точную координату дефекта даже из такого зашумленного сигнала, который классические приборы бракуют.

Рисунок 4 - Двухмерная карта кросс-корреляции и одномерный срез по оптимальному частотному диапазону.

Для комплексного понимания того, как именно алгоритм вычленяет полезный сигнал, мы формируем 2D-карту кросс-корреляции (нижний левый график на Рисунке 4).

В классических приборах функция корреляции одномерна (расстояние и амплитуда). Здесь же она развернута в дополнительном измерении — частотном. По горизонтальной оси отложено расстояние от датчика А, по вертикальной — частота, а цвет (тепловая шкала) отражает амплитуду корреляционного пика.

На графике отчетливо визуализируется яркое «тепловое пятно». Прибор математически фиксирует его центр на отметке 81.28 м. Обратите внимание на важнейшую деталь: акустическая энергия дефекта не размазана по всему спектру, а плотно сконцентрирована в достаточно узком частотном коридоре (преимущественно в зоне около 2800–3200 Гц). Справа от карты расположен профиль спектра, подтверждающий локальные всплески когерентности именно в этом выделенном диапазоне.

Верхний график (1D Optimal Frequency Graph) демонстрирует финальный результат пространственной локализации после того, как система применила автоматический фильтр, выделенный на предыдущем этапе. Алгоритм «срезает» весь фоновый индустриальный мусор, находящийся выше и ниже полосы 2800–3200 Гц. В результате мы получаем чистую кривую с абсолютно доминирующим пиком в искомой координате.

Следует сделать важное замечание касательно классической метрики Z-Score, значение которой (6.06) приведено над тепловой картой. Если алгоритм пытается оценить отношение сигнал/шум по всему широкополосному спектру (от 0 до 5000 Гц), то огромная масса низкочастотного фонового гула задирает знаменатель дроби. В результате Z-Score = 6.06 формально не дотягивает до порога уверенного обнаружения дефекта (обычно > 8.5), оставляя сигнал в «серой зоне» или отбраковывая его как норму.

Однако переход к двухмерному анализу и прицельное выделение оптимального частотного окна позволяют алгоритму (а вместе с ним и эксперту) математически доказать наличие свища, полностью исключив влияние нерелевантного шума трассы.

Часть 1 из 3 · Спектральный подход: Мел-спектрограмма, фазовый анализ и PNR

За прошедшее время мы скорректировали алгоритмы обработки данных. Это позволило добиться более стабильного обнаружения утечек и их точной локализации на трубопроводе даже при сильном зашумлении сигнала. На практике алгоритм эффективно решает проблему ложных срабатываний, с которой не справляются стандартные аппаратные средства при наличии интенсивных индустриальных шумов или акустического фона от испарения скопившейся в лотке влаги.

Мы пришли к выводу, что бороться с индустриальным шумом с помощью классических частотных фильтров малоэффективно, так как спектр помех часто перекрывает спектр самой утечки. Поэтому мы применили спектральный подход: звуковая волна переводится в 2D Мел-спектрограмму.

Обученная сверточная нейросеть (модель ResNet) анализирует этот частотно-временной спектр как изображение. Она ищет специфические визуальные паттерны — непрерывные высокочастотные полосы, которые генерирует только истекающая под давлением струя, полностью игнорируя хаотичные всплески фонового шума.

Рисунок 1 - Мел-спектрограмма акустического сигнала (вероятность течи 100%). Предположительно продольные горизонтальные линии высокой интенсивности (красные)— это визуальный «отпечаток» стабильно истекающей струи теплоносителя.

Традиционно аудиосигналы раскладываются на классический линейный спектр. Однако для машинного обучения он избыточен: высокочастотный индустриальный мусор занимает на нем слишком много места, размывая полезный сигнал.

Мел-спектрограмма решает эту проблему. По горизонтальной оси отложено время, по вертикальной - частота, а цветом обозначена амплитуда (мощность) сигнала. Вся суть кроется в нелинейной шкале частот (Mel scale).

Она работает как специализированный фильтр или логарифмическая линейка: математически «сжимает» высокочастотный белый шум и максимально детализирует те диапазоны, где кроется акустическая информация о гидродинамике потока (турбулентности и трении теплоносителя о кромку свища).

В результате сложный акустический хаос превращается в контрастный «штрих-код». Сверточной нейросети остается лишь просканировать это изображение и найти характерные непрерывные полосы (как на Рисунке 1). Кратковременные удары или хаотичное кипение на такой развертке выглядят как бесформенные пятна, которые алгоритм безошибочно игнорирует.

На рисунке 2 приведен результат фазового и пространственного анализа.

Рисунок 2 – Фазовый анализ (верхний график) и Peak-to-Noise Ratio (Отношение Пика к Шуму) (нижний график).

Давайте освежим в памяти физику процесса. Традиционные приборы контроля ищут утечку, опираясь на фазовую когерентность — синхронность прихода акустической волны на датчики А и Б. Грубо говоря, алгоритм ищет совпадение «гребней и впадин» звуковой волны, чтобы вычислить задержку времени и определить координату. В идеальных условиях точечный прорыв сохраняет стабильную разность фаз.

Однако на сложных участках, из-за плотных индустриальных шумов или акустического фона от испарения скопившейся в лотке влаги, возникает множество перекрывающихся волн. Фазы становятся хаотичными. На верхнем графике (Рисунок 2) мы видим именно такую картину: линия когерентности лежит практически на нуле (0.3%). В этот момент классический алгоритм теряет «главную» волну, оказывается неинформативным и не поддается расшифровке.

В ситуациях, когда фазовый анализ достигает своих пределов, мы переходим к оценке качества самой пространственной локализации с помощью метрики PNR (Peak-to-Noise Ratio).

Этот индекс показывает соотношение амплитуды главного пика к среднему уровню фонового шума на графике кросс-корреляции. Посмотрите на нижний график (Рисунок 2). Несмотря на плотный массив фоновых помех («забор» из мелких колебаний), на отметке 81.6 метра от датчика А зафиксирован резкий всплеск.

Алгоритм PNR математически подтверждает: амплитуда этого пика (19.446) почти в 22 раза превышает средний уровень фона (PNR = 21.83). Для системы это критерий того, что перед нами не случайная шумовая флуктуация, а локализованный, точечный источник звука большой мощности. Таким образом, расчет PNR успешно компенсирует полное отсутствие фазовой стабильности.

ГОСТ Р 72600—2026

Очередной пример ".... творений"