Введение
Глава 1. Применение методов анализа данных в задачах управления, контроля и диагностики АЭС 10
1.1. Методы обработки и анализа данных в системах управления АЭС 10
1.2. Системы технической диагностики 17
1.3. Автоматизированный анализ результатов неразрушающего контроля оборудования 21
1.4. Выводы к главе 1 22
Глава 2. Разработка алгоритмов анализа данных с использованием метода опорных векторов 24
2.1. Линейная классификация данных методом опорных векторов (SVM) 24
2.2. Обобщение метода SVM на нелинейный случай 33
2.3. Метод SVM с мягкой границей 38
2.4. Программная реализация алгоритмов анализа данных на основе метода SVM 42
2.5. Выводы к главе 2 44
Глава 3. Автоматизированный анализ результатов радиографического контроля сварных соединений оборудования АЭС 45
3.1. Постановка задачи 45
3.2. Выделение области сварного шва 48
3.3. Выделение служебных объектов на снимке 48
3.3.1. Сегментация снимка 48
3.3.2. Выделение объектов с использованием метода кратчайшего незамкнутого пути 50
3.4. Автоматическое выявление дефектов сварных соединений . 53
3.4.1. Кластерный анализ изображения сварного шва 53
3.4.2. Распознавание дефектов с использованием метода опорных векторов 64
3.5. Влияние параметров снимка на качество выявления дефектов . 66
3.6. Выводы к главе 3 66
Глава 4. Автоматизированный анализ результатов ультразву кового контроля сварных соединений оборудования АЭС 70
4.1. Система полуавтоматизированного ультразвукового контроля сварных соединений трубопроводов АЭС 70
4.2. Постановка задачи 75
4.3. Исходные данные 76
4.4. Предобработка данных 77
4.5. Раздельный анализ сигналов 79
4.5.1. Автоматическое определение порогов выявления дефектов 79
4.5.2. Предсказание значений порогов выявления дефектов . 80
4.5.3. Определение координат дефектов 81
4.5.4. Голосование оценок координат дефектов 84
4.6. Отбор признаков и формирование обучающей выборки 85
4.7. Автоматическое выявление дефектов сварных соединений . 86
4.7.1. Кластерный анализ сигналов 86
4.7.2. Автоматическая поточечная классификация данных с использованием метода опорных векторов 93
4.7.3. Балансировка обучающей выборки 96
4.8. Пост-обработка результатов поточечной классификации 99
4.8.1. Комбинирование результатов классификации для разных наборов признаков 99
4.8.2. Оценка плотности распределения для результатов классификации 101
4.9. Программная реализация алгоритмов автоматизированного анализа 103
4.10. Выводы к главе 4 103
Заключение 108
Литература 109
