一种新的自动化系统可以检测核电站钢铁部件的裂纹，并已被证明比其他自动化系统更准确。
普渡大学莱尔斯土木工程学院的助理教授Mohammad R. Jahanshahi说:“定期检查核电站的部件对于避免事故和确保安全运行很重要。”“然而，目前的检测方法耗时、繁琐且主观，因为它们需要操作人员手动定位金属表面的裂纹。”
其他正在开发的自动裂纹检测算法往往不能检测出裂纹金属表面由于裂纹通常较小，对比度低，与焊缝、划痕、磨痕难以区分。新系统名为CRAQ，用于裂纹识别和量化，通过使用先进的算法和强大的“机器学习”技术，根据钢表面裂纹周围纹理的变化来检测裂纹，从而克服了这一限制。
本周发表在《科学》杂志上的一篇研究论文详细介绍了这些发现计算机辅助土木和基础设施工程．
他说，自动化方法可以帮助改善美国基础设施的状况，美国土木工程师协会(American Society of Civil Engineers)最近给美国基础设施的总体评分为D+。
普渡大学智能信息实验室(Smart Informatix Laboratory)主任贾汗沙希表示:“我们的基础设施得到D+评级的一个原因是检查不足。”“因此，我们希望使用机器人系统进行更频繁的检查，以收集数据。”
美国运营着99座商业核电站，约占美国总发电量的20%。时效会导致金属构件开裂、疲劳、脆化、磨损、侵蚀、腐蚀和氧化。
Jahanshahi说:“开裂是老化退化的一个重要因素，它可能会导致泄漏并导致危险事故。”例如，1996年康涅狄格州的米尔斯顿核电站(Millstone nuclear power station)发生了一次由阀门泄漏引起的事故，该事故造成了2.54亿美元的损失。2010年，佛蒙特州扬基核电站发生了一起事故，由于地下管道恶化，放射性氚泄漏到地下水供应中，造成了7亿美元的损失。”
使检查过程复杂化的是，核反应堆要浸入水中以保持冷却。
“因此，由于高温和辐射危害，直接人工检查反应堆内部构件是不可行的，”Jahanshahi说。因此，在水下反应堆表面远程录制的视频被用于检查。然而，最近的测试发现，需要通过实时和记录数据来提高裂缝识别的可靠性。结果表明，这种能力由于人类参与识别裂缝而被削弱，即使识别应该很容易。”
其他正在开发的自动裂纹检测系统是为处理单个图像而设计的，而新方法处理多个视频帧，提供了更可靠的结果。研究结果显示，该系统的性能优于其他两个正在开发的系统。
“与其他只专注于检测一幅图像中的裂缝的方法相比，我们提出了一种称为贝叶斯数据融合的方法，它跟踪视频帧中检测到的裂缝，并融合从多个帧中获得的信息，”Jahanshahi说。“此外，我们还可以利用贝叶斯决策理论过滤掉错误检测的裂纹，增加裂纹检测的可靠性和鲁棒性”，该理论决定了一个对象是裂纹或虚报的概率。
该系统分配“置信水平”，自动评估检测到的裂缝是否真实，用与这些置信水平相对应的颜色编码框勾勒出裂缝。例如，如果算法将高置信度分配给裂缝，则框轮廓为红色。处理过程大约需要1分钟。
“然后，技术人员可以进行人工检查，确认是否有裂缝，”Jahanshahi说。
的研究论文作者为博士生陈福晨;Jahanshahi;博士生吴日腾;以及电力研究所(EPRI)的无损评估技术负责人克里斯·约菲(Chris Joffe)，这是一个由电力行业资助的非营利组织。
研究人员使用水下摄像系统扫描304不锈钢样本录制视频，这些不锈钢样本包含裂纹，还有焊接、磨痕和划痕等特征。
未来的研究将包括使用先进的模拟和计算软件开发一个更准确、更完全自动化的系统。
“我们目前正在开发该软件的第二个版本，通过开发深度学习算法来检测裂缝在这个应用中，我们使用结构神经网络显著提高了系统的性能，”Jahanshahi说。
了下:工业自动化
