Интеллектуальная поддержка мониторинга дефектов зданий и сооружений потенциально опасных промышленных объектов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Кац Владислав Анатольевич

• Кац Владислав Анатольевич
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Кац Владислав Анатольевич

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ РАЗВИТИЯ СИСТЕМ МОНИТОРИНГА ЗДАНИЙ И СООРУЖЕНИЙ ПОТЕНЦИАЛЬНО ОПАСНЫХ ПРОМЫШЛЕННЫХ ОБЪЕКТОВ

1.1 Существующие подходы обеспечения промышленной безопасности

зданий и сооружений потенциально опасных промышленных объектов

1.2 Мониторинг технического состояния зданий и сооружений

потенциально опасных промышленных объектов: методы и технологии

1.3 Методы неразрушающего контроля

1.4 Актуальные подходы построения СППР мониторинга технического

состояния зданий и сооружений потенциально опасных промышленных объектов

1.5 Выводы к главе

ГЛАВА 2. МЕТОДОЛОГИЯ ОЦЕНКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ КОНСТРУКЦИЙ ЗДАНИЙ И СООРУЖЕНИЙ ПОТЕНЦИАЛЬНО ОПАСНЫХ ПРОМЫШЛЕННЫХ ОБЪЕКТАХ

2.1 Возможные методы идентификации эксплуатационных дефектов

2.2 Очистка данных мониторинга от помех и шумов различной природы

2.3 Формирование диагностических параметров, описывающих эволюцию эксплуатационных дефектов

2.4 Выводы по главе

ГЛАВА 3. ОБЕСПЕЧЕНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ МОНИТОРИНГА ДЕФЕКТОВ ЗДАНИЙ И СООРУЖЕНИЙ ПОТЕНЦИАЛЬНО ОПАСНЫХ ПРОМЫШЛЕННЫХ ОБЪЕКТОВ

3.1 Алгоритм извлечения диагностических параметров при построении

интеллектуальной системы мониторинга дефектов зданий и сооружений потенциально опасных промышленных объектов

3.2 Модель детектирования эксплуатационных дефектов в зданиях и

сооружениях потенциально опасных промышленных объектов

3.3 Методика многокритериальной оценки класса опасности

обнаруженных дефектов зданий и сооружений на потенциально опасных промышленных объектов

3.4 Разработка интеллектуальной системы поддержки принятия решений

мониторинга дефектов зданий и сооружений потенциально опасных промышленных объектов

3.5 Выводы по главе

ГЛАВА 4. ПРАКТИКА ОБЕСПЕЧЕНИЯ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ МОНИТОРИНГА ДЕФЕКТОВ ЗДАНИЙ И СООРУЖЕНИЙ ПОТЕНЦИАЛЬНО ОПАСНЫХ ПРОМЫШЛЕННЫХ ОБЪЕКТОВ НА ПРИМЕРЕ

МОНИТОРИНГА ТРАНФОРМАТОРНОЙ ПОДСТАНЦИИ

4.1 Практическая апробация комплексного подхода для обеспечения

интеллектуальной поддержки мониторинга дефектов зданий и сооружений потенциально опасных промышленных объектов

4.2 Оценка эффективности результатов внедрения комплексного подхода

мониторинга дефектов зданий и сооружений потенциально опасных промышленных объектов

4.3 Перспективные направления дальнейших исследований

4.4 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. СПИСОК ОПУБЛИКОВАННЫХ РАБОТ ПО ТЕМЕ ДИССТЕРТАЦИИ

ПРИЛОЖЕНИЕ Б. СПРАВКА О ВНЕДРЕНИИ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ

ПРИЛОЖЕНИЕ В. СВИДЕТЕЛЬСТВО О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ БАЗЫ ДАННЫХ

ПРИЛОЖЕНИЕ Г. СВИДЕТЕЛЬСТВО О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ ПРОГРАММЫ ДЛЯ ЭВМ

Введение диссертации (часть автореферата) на тему «Интеллектуальная поддержка мониторинга дефектов зданий и сооружений потенциально опасных промышленных объектов»

ВВЕДЕНИЕ

Актуальность темы исследования. Своевременный ремонт и реконструкция зданий и сооружений потенциально опасных промышленных объектов (ОПО) снижает потенциальные риски возникновения внештатных ситуаций, которые наносят не только большой экономический ущерб, но и могут стать причиной загрязнения окружающей среды или привести к возникновению пожаров и другим негативным последствиям. Так, например, инцидент с разрушением свайного фундамента на ТЭЦ-3 в Норильске, которая относится к потенциально опасным промышленным объектам, в 2020 году стал сигналом о критической необходимости постоянного контроля за состоянием важных инфраструктурных объектов. Это подтверждает важность применения современных методов мониторинга строительных конструкций и диагностики их технического состояния, использующих искусственный интеллект и машинное обучение, которые позволят обеспечить своевременного выявление и снижение рисков аварий. В последние годы наблюдается активный переход от технологии эксплуатации «до отказа» к эксплуатации на основе оценки состояния. Технологии диагностики и прогнозирования используются для моделирования процессов деградации в конструкциях зданий и сооружений, и определения их остаточного ресурса посредством непрерывного мониторинга их технического состояния.

При проведении мониторинга состояния строительных конструкций широко используются пассивные методы неразрушающего контроля (НК), которые позволяют осуществлять обнаружение дефектов, образующихся в процессе эксплуатации. К последним, в частности, относится метод акустической эмиссии (АЭ), основанный на регистрации и анализе акустического излучения, возникающего при развитии эксплуатационных дефектов. Анализ данных АЭ позволяет обнаружить ранние стадии образования трещин в конструкциях, предшествующее разрушению. С помощью анализа сигналов АЭ возможно оценить степень опасности дефектов структуры, прогнозировать вероятность

возникновения аварийных разрушений. Соответственно, использование явления акустической эмиссии предоставляет широкие возможности для создания контрольно-измерительных устройств и средств диагностики конструкций в процессе их эксплуатации. По сравнению с другими пассивными методами НК, метод АЭ-контроля позволяет с высокой точностью определить положение развивающихся дефектов в объекте контроля, не требует предварительной подготовки поверхности для установки датчиков, а также не требует установки большого числа датчиков, так как АЭ-сигнал распространяется на большие расстояния.

Существенным недостатком метода АЭ является низкая помехоустойчивость, что ограничивает возможности его практического использования при диагностике, в частности, строительных объектов. Речь идет о неизбежных при эксплуатации указанных объектов факторах, генерирующих источники шума различной природы. Случайные помехи в значительной степени влияют на корректность анализа данных АЭ-диагностики. Существующие методы борьбы с помехами при анализе сигналов АЭ, описанные в работах Овчинникова И. Г., Боброва А. Л., являются пороговыми [9, 33], т. е. реализуются посредством установки порого-амплитудной дискриминации входного сигнала. Величина порога, как правило, имеет эмпирическое значение, определяемое преимущественно опытом оператора. Таким образом, корректность результатов применения пороговых методов для выделения сигналов акустической эмиссии зависит в значительной степени от человеческого фактора, что является серьезным ограничением для последующей классификации дефектов по степени опасности. Кроме того, эти методы возможно применять только в том случае, если отношение сигнал/шум на входе регистрирующего устройства больше единицы. Если амплитуда шума превышает полезный сигнал, то такой подход становится неэффективным, так как выбрать корректный порог дискриминации невозможно. При этом возрастает вероятность удаления информативной части сигнала вместе с шумом. В настоящее время отсутствуют эффективные, основанные на данных НК, системы диагностического мониторинга строительных

конструкций, сохраняющие работоспособность в условиях воздействия как стационарных, так и нестационарных помех, а также в широком диапазоне отношения полезный АЭ-сигнал/шум. В настоящее время отсутствуют основанные на данных НК системы диагностического мониторинга зданий и сооружений, работоспособные в условиях воздействия стационарных и нестационарных помех различной природы, а также в широком диапазоне отношения сигнал/шум.

Известно, что методы машинного обучения широко используются в современных системах интеллектуального анализа данных. При этом подтверждается перспективность применения указанных мнциальнетодов при решении задач оценки технического состояния зданий и сооружений на основе данных инструментального НК, в частности, данных акустико-эмиссионной диагностики. Однако, эффективность машинного обучения в составе существующих АЭ-систем диагностического мониторинга существенно ограничивается влиянием нестационарных шумов различной природы на результаты обучения, и, как следствие, на достоверность классификации эксплуатационных дефектов по классам опасности.

В рамках практической реализации системы диагностического мониторинга важной задачей является прогнозирование выхода конструкции из строя и оценка возможного ущерба от развития внештатной ситуации на основе построения соответствующей системы поддержки принятия решений (СППР), использующей методы интеллектуального анализа данных, в частности, алгоритмы машинного обучения. Однако, современные системы мониторинга оценки технического состояния строительных конструкций используют преимущественно методы, основанные на статистическом анализе амплитуд АЭ-сигналов, зарегистрированных в процессе сбора данных. Данные методы не устойчивы к воздействию высокоамплитудных помех и, соответственно, не способны учитывать долговременные тренды эволюции эксплуатационных дефектов. Характерное время деградационного развития дефектов до наступления предразрушающего состояния составляет от нескольких недель до нескольких лет

в зависимости от технического состояния строительного сооружения и условий его эксплуатации. Анализ долговременных тенденций в данных акустико-эмиссионных диагностики (АЭ) является критическим условием для правильной оценки степени опасности дефектов и позволяет сделать вывод о текущем техническом состоянии контролируемого объекта. В исследовании, проведенном Аггелисом Д. Г., изучается система диагностического мониторинга, основанная на применении алгоритма К-ближайших соседей [58]. Тем не менее, предложенный подход предполагает предварительное извлечение характеристик только на малом временном интервале, что не позволяет учитывать долгосрочные тенденции во временных рядах сигналов АЭ. Следовательно, невозможно предсказать развитие дефектов в течение времени. Кроме того, вычисление характеристик выполняется на зашумленных сигналах, без предварительной фильтрации помех различной природы.

В работе Коргина А. В. предложен подход, основанный на численном моделировании распространения АЭ сигнала в дефектной структуре с использованием метода конечных элементов (МКЭ) [24]. Данный метод позволяет моделировать развитие дефекта при изменении нагрузки. Существенным недостатком систем АЭ-диагностики, основанных на методе МКЭ является прежде всего неспособность учитывать характеристики дискретных импульсов акустической эмиссии, возникающих в реальном времени в процессе эволюции дефекта.

В этой связи возникает необходимость в разработке интеллектуальных систем поддержки принятия решения мониторинга дефектов зданий и сооружений потенциально опасных промышленных объектов, позволяющих идентифицировать эксплуатационные дефекты в конструкциях сооружений на потенциально опасных промышленных объектов на ранней стадии их развития, а также в процессе их эволюции. Разработка подобной системы позволит снизить издержки по осуществлению текущих и капитальных ремонтов зданий и сооружений потенциально опасных промышленных объектов, уменьшить время

их простоя, а также минимизировать риск возникновения чрезвычайных ситуаций, которые могут нанести как экономический, так и экологический ущерб.

Степень разработанности темы. В существующей научно-технической и нормативной литературе российских и зарубежных авторов широко описаны методы и подходы мониторинга дефектов зданий и сооружений потенциально опасных промышленных объектов. Однако, вопрос разработки и применения интеллектуальных систем поддержки принятия решений при мониторинге дефектов зданий и сооружений потенциально опасных промышленных объектов, оставался неосвещенным и требовал дополнительного исследования.

Научно-техническая гипотеза диссертационной работы заключается в предположении возможности повышения эффективности мониторинга дефектов зданий и сооружений потенциально опасных промышленных объектов при условии внедрения технологий интеллектуальной поддержки.

Цель диссертационной работы состоит в разработке комплексного подхода для обеспечения интеллектуальной поддержки мониторинга дефектов зданий и сооружений потенциально опасных промышленных объектов, эксплуатируемых в условиях динамических воздействий.

В соответствии с поставленной целью были сформулированы и решены следующие задачи:

1. Анализ современного состояния развития систем мониторинга зданий и сооружений потенциально опасных промышленных объектов.

2. Разработка алгоритма извлечения диагностических признаков из временных рядов данных мониторинга для формирования исходных данных СППР.

3. Разработка модели детектирования дефектов в зданиях и сооружениях потенциально опасных промышленных объектов.

4. Разработка методики многокритериальной оценки класса опасности дефектов зданий и сооружений на потенциально опасных промышленных объектов.

5. Разработка интеллектуальной системы поддержки принятия решений мониторинга зданий и сооружений потенциально опасных промышленных объектов.

6. Внедрение и апробация комплексного подхода для обеспечения интеллектуальной поддержки мониторинга дефектов зданий и сооружений потенциально опасных промышленных объектов.

7. Формулирование перспектив дальнейших исследований.

Объектом диссертационного исследования являются здания и

сооружения потенциально опасных промышленных объектов, эксплуатируемых в условиях динамических воздействий.

Предмет диссертационного исследования являются: процесс мониторинга дефектов зданий и сооружений потенциально опасных промышленных объектов с использованием технологий интеллектуальной поддержки.

Научная новизна исследования:

1. Разработан алгоритма извлечения диагностических признаков для формирования исходных данных СППР.

2. Разработана модель детектирования дефектов в конструкциях зданий и сооружений опасных промышленных объектов.

3. Разработана методика многокритериальной оценки класса опасности дефектов зданий и сооружений потенциально опасных промышленных объектов.

4. Разработана интеллектуальная система поддержки принятия решений мониторинга зданий и сооружений потенциально опасных промышленных объектов.

Теоретическая значимость работы.

1. Модель детектирования дефектов в конструкциях потенциально опасных промышленных объектов.

2. Алгоритм оценки класса опасности дефектов конструкций потенциально опасных промышленных объектов.

Практическая значимость работы.

Разработана интеллектуальная система поддержки принятия решений мониторинга дефектов зданий и сооружений потенциально опасных промышленных объектов. Система позволит осуществить ранее обнаружение дефектов в конструкциях сооружений потенциально опасных промышленных объектов и определить класс опасности дефекта, что позволит принять решение о необходимости проведения своевременного текущего ремонта или реконструкции объекта контроля исходя из его состояния, которое в свою очередь поможет минимизировать риск внештатных ситуаций и сократить время вынужденного простоя объекта из-за осуществления внепланового ремонта.

Методология и методы исследования. Методология исследования включает в себя теоретический научный метод. На основе выдвинутой научно-технической гипотезы создана теоретическая модель построения интеллектуальной СППР мониторинга дефектов зданий и сооружений потенциально опасных промышленных объектов на основе данных неразрушающего контроля. Теоретическая модель создана на основе аппарата математической статистики, методов цифровой обработки сигналов, машинного обучения и системного анализа.

Личный вклад соискателя состоит

- в разработке интеллектуальной системы поддержки принятия решений мониторинга дефектов зданий и сооружений потенциально опасных промышленных объектов,

- в разработке алгоритма извлечения диагностических параметров для формирования исходных данных СППР,

- в разработке модели детектирования дефектов зданий и сооружений потенциально опасных промышленных объектов,

- в разработке методики многокритериальной оценки класса опасности дефектов зданий и сооружений опасных промышленных объектов.

На защиту выносятся положения научной новизны проведенного исследования.

1. алгоритм извлечения диагностических признаков для формирования исходных данных СППР,

2. модель детектирования дефектов в конструкциях зданий и сооружений ОПО,

3. методика многокритериальной оценки класса опасности дефектов зданий и сооружений потенциально опасных промышленных объектов,

4. интеллектуальная система поддержки принятия решений мониторинга зданий и сооружений потенциально опасных промышленных объектов.

Степень достоверности результатов диссертации.

- применением научных методов исследования;

- использованием трудов отечественных и зарубежных авторов в области разработки систем мониторинга зданий и сооружений и интеллектуального анализа данных;

- использованием аппарата машинного обучения, математической статистики, методов неразрушающего контроля для решения задач по разработке комплексного подхода мониторинга дефектов зданий и сооружений потенциально опасных промышленных объектов с использованием технологий интеллектуальной поддержки;

- успешной апробацией и внедрением основных результатов работы

Апробация результатов исследования.

Результаты исследования докладывались на

международных межвузовских научно-практических конференциях студентов, магистрантов, аспирантов и молодых учёных.

1. 2019 International Conference on Power, Energy and Electrical Engineering (PEEE 2019), London.

2. Всероссийская научная конференция «Системотехника строительства. - 2019», г. Москва.

3. Юбилейная конференция ISTAS-50 Building Life-cycle management, Information Systems and Technologies, 2021

4. Международная научная конференция "Моделирование и методы расчета строительных конструкций", 2019, г. Москва.

5. Международная конференция «Information Technologies, Telecommunications and Control Systems», 2020, г. Иннополис.

Публикации.

Результаты исследования опубликованы в 13 научных работах, в том числе в 2 работах в научных изданиях, входящих в действующих перечень российских рецензируемых научных журналов высшей аттестационной комиссии, и в 5 работах в научных изданиях, индексируемых международной реферативной базой данных SCOPUS. Список изложен в приложении А. Разработана и зарегистрирована программа для ЭВМ AE Damage Detector, а также база данных эксплуатационных дефектов для обучения разработанных моделей. Соответствующие свидетельства о регистрации приведены в приложении Б и В настоящей диссертации.

Объем и структура диссертации. Работа состоит из введения, четырех глав основной части, общих выводов, списка сокращений, списка использованной литературы, включающего 107 наименований, и 4 приложений. Работа изложена на 122 машинописных страницах текста, содержит 13 рисунков и 4 таблицы.

Общая методологическая схема диссертационного исследования представлена на рисунке 1.

Содержание диссертации соответствует п. 4, 5, 7 паспорта специальности 2.1.14. Управление жизненным циклом объектов строительства:

4. Исследование, формирование теоретических подходов к проектному управлению и планированию производственных процессов, в том числе в условиях неопределенности и риска. Разработка методов построения и развития проблемно-ориентированных систем управления на основе цифровой

интеллектуальной поддержки принятия эффективных решений, нечеткого моделирования, оптимизации функционирования объектов капитального строительства на всех этапах их жизненного цикла.

5. Исследование и разработка методов и алгоритмов использования и управления данными информационных моделей объектов капитального строительства на всех этапах их жизненного цикла, включая: сбор, хранение, обработку, интеграцию и передачу данных, их мониторинг, актуализацию и анализ, валидацию и верификацию. Исследование и разработка моделей информационных процессов и структур, алгоритмов визуализации, трансформации и анализа информации, синтеза виртуальной и дополненной реальности.

7. Разработка методов и средств организации и управления жизненным циклом объектов капитального строительства в условиях ограничения доступности ресурсов, а также технических, экономических, экологических, социальных и других видов рисков. Методы и алгоритмы прогнозирования и оценки эффективности, качества и надежности строительных систем, поддержка принятия организационно-технических решений на всех этапах жизненного цикла объектов капитального строительства.

Рисунок 1. Методологическая схема исследования

ГЛАВА 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ РАЗВИТИЯ

СИСТЕМ МОНИТОРИНГА ЗДАНИЙ И СООРУЖЕНИЙ ПОТЕНЦИАЛЬНО ОПАСНЫХ ПРОМЫШЛЕННЫХ ОБЪЕКТОВ

1.1 Существующие подходы обеспечения промышленной безопасности

зданий и сооружений потенциально опасных промышленных объектов

Надежность зданий и сооружений опасных промышленных объектов является одним из важных аспектов в обеспечении стабильной, бесперебойной работы энергетического комплекса. Здания и сооружения потенциально ОПО, в частности объекты резервуарного парка, подстанции, атомные электростанции во время эксплуатации испытывают постоянную динамическую нагрузку, что становится причиной усталостного разрушения отдельных элементов конструкции зданий и сооружений и, как следствие, может привести к внештатным ситуациям на потенциально ОПО, человеческим и материальным потерям, загрязнению окружающей среды. В этой связи своевременное проведение текущих и капитальных ремонтов зданий и сооружений потенциально ОПО является важным условием стабильной и бесперебойной работы подобных объектов, а также ключевой составляющей их жизненного цикла.

К основным целям проведения ремонтов зданий и сооружений ОПО относятся:

1. проверка работоспособности основных функций объекта;

2. обеспечение безопасности для людей и окружающей среды при эксплуатации объекта;

3. оптимизация затрат на ремонты;

4. оптимизация потребления ресурсов, энергии и материалов.

Достижение указанных целей возможно с учетом возможностей и

ограничений, связанных с исследованиями в области проведения ремонтов на потенциально ОПО, направленных на оптимальный выбор стратегии обеспечения промышленной безопасности зданий и сооружений, планирования ремонтов и риск-менеджмента.

Оптимальный выбор стратегии обеспечения промышленной безопасности зданий и сооружений зависит от набора факторов, например, от вида самого объекта, условий эксплуатации его конструкций. Рассмотрим основные стадии эволюции стратегий по обслуживанию и ремонту зданий и сооружений [47].

1. стратегия эксплуатации до отказа (Reactive Maintenance);

2. стратегия планово-предупредительного ремонта (Preventive Maintenance);

3. стратегия ремонта по техническому состоянию (Condition-Based Maintenance);

4. стратегия проактивного обслуживания и ремонта (Proactive Maintenance).

Первый из рассматриваемых подходов, который часто называют

эксплуатацией до отказа ("run to failure"), находился на пике популярности в 1940-1960 гг [46]. Такая стратегия реактивна в отношении любого действия по обслуживанию, происходящее в момент, когда объект уже вышел из строя, таким образом исключается возможность эксплуатации объекта в соответствии с заданными экономическими характеристиками и критериями надежности и промышленной безопасности. Данная стратегия также исключает возможность какого-либо планирования и влечет за собой последствия, связанные с выводом объекта из эксплуатации. Однако, стратегия эксплуатации до отказа остается до сих пор популярной вследствие низкой стоимости ее реализации.

В случаях, когда критически важно избежать отказов объекта во время эксплуатации, в особенности, когда такое событие может привести к существенным издержкам и чрезвычайным ситуациям, необходимо выполнять плановые ремонты. Наиболее распространенным видом плановых ремонтов является повременное обслуживание и ремонт (Time-based maintenance), что подразумевает осуществление периодического текущего ремонта в запланированные интервалы времени. Применение подобного подхода оправдано для сложных объектов, для которых не представляется возможным оценить техническое состояние, он позволяет снизить издержки по эксплуатации объекта, повысить его надежность. Однако основным недостатком планового ремонта является, его строгая привязка к календарному плану. Было установлено, что

только в 20 процентов случаях отказов их интенсивность увеличивается с течением времени, что подтверждает несостоятельность стратегии планово-предупредительных ремонтов.

Стратегия ремонта по фактическому техническому состоянию, как правило, базируется на мониторинге эксплуатационных характеристик объекта и его компонентов посредством методов диагностики. Такая стратегия дает возможность осуществлять работы по эксплуатации объекта до его выхода его из строя. В отличие от превентивного ремонта, данный подход фокусируется не только на диагностике компонентов объекта, но и на мониторинге деградационных процессов и на прогнозировании возможных отказов. Таким образом, стратегия ремонта по техническому состоянию используется с целью уменьшения уровня неопределенности при планировании ремонтов.

В период появления рассматриваемого подхода лишь немногие предприятия могли позволить внедрить у себя эту стратегию, так как для этого требовалось обеспечить предприятие дорогостоящей измерительной техникой, позволяющий контролировать изменение диагностических параметров. Так появилась гибридная стратегия, которая сочетала в себе перечисленные выше стратегии проведения ремонтов и имела название «стратегия, ориентированная на надежность» (Reliability Centered Maintenance) [47].

За последние несколько лет, зарубежной литературе активно начал использоваться термин «проактивное обслуживание и ремонт» (Proactive Maintenance). Этот термин обозначает стратегию ремонтов, направленную на выявление и своевременное устранение коренных причин отказов объектов. При этом, в основе этой стратегии лежит концепция «интернета вещей» (Internet Of Things), которая выводит технологию на новый уровень посредством использования методов анализа больших данных. На сегодняшний день эта стратегия является наиболее перспективной при решении проблемы эффективной и безопасной эксплуатации зданий и сооружений потенциально ОПО.

Тем не менее, для подавляющего большинства

российских предприятий таких промышленных отраслей, как нефтепереработка

типичной была и остается стратегия планово-предупредительного ремонта (ППР) с календарным или периодическим планированием работ. Применение такого подхода приводит к неэффективной эксплуатации опасных промышленных объектов, так как согласно стратегии ППР объект выводится из эксплуатации на ремонт согласно заранее разработанному календарному плану.

За последние несколько лет ситуация с обеспечением промышленной безопасности опасных промышленных объектов в России стала меняться к лучшему. Была разработана гибридная стратегия, которая предполагала использование календарных планов при текущих ремонтах потенциально ОПО с возможностью переноса сроков по результатам оценки его фактического состояния. Это позволило достичь гибкости, а также увеличило эффективность утилизации строительных объектов на потенциально ОПО.

Далее произошел полный отказ от календарного плана и его замена на так называемую периодическую диагностику, а именно, вводились сроки контрольных диагностических проверок, по результатам которых принималось решение о необходимости ремонта. Это привело к возникновению ряда частных экспертных организаций, которые организовывали проведение технической диагностики на объекте посредством инструментов неразрушающего контроля. Наиболее известной организацией считается «АО Интерюнис», которая предоставляет услуги периодической технической диагностики объектов и имеет свой комплекс диагностического оборудования и программного обеспечения А-Line 32D. Данная система позволяет собирать, обрабатывать данные и выдавать рекомендации по дальнейшей эксплуатации объекта на основании приходящей информации с преобразователей акустической эмиссии (ПАЭ). Однако, стратегия ремонтов исходя из результатов периодического контроля имеет существенный недостаток, а именно, «периодический контроль позволяет зафиксировать техническое состояние объекта лишь в определенный период времени - в момент проведения диагностики. В таком случае остаточный ресурс конструкций объекта может быть рассчитан только при условии сохранения напряженно-деформированного состоянии элементов конструкции. В процессе эксплуатации

Список литературы диссертационного исследования кандидат наук Кац Владислав Анатольевич, 2024 год

СПИСОК ЛИТЕРАТУРЫ

1. Аксельрод Е. Г., Кузьмин А. Н. Способ регистрации и анализа сигналов акустической эмиссии. Заявка № 2570592 от 08.10.2014 на патент РФ.

2. Аксельрод Е. Г., Кузьмин А. Н., Давыдова Д. Без Помех. // Экспертиза. Системы мониторинга. - 2013. - № 11 - Р. 26-29.

3. Анализ отказов связанных с разгерметизацией оборудования и трубопроводов в Обществах блока НиН ОАО «НК «Роснефть» в 2015 году. - М.: Управление целостностью объектов нефтепереработки и нефтехимии Департамента ПБОТОС в НиН «НК «Роснефть», 2016. - 14 с.

4. Анищенко В. Н. Метод расчета интервала корреляции навигационных полей для корреляционно-экстремальных систем навигации летательных аппаратов //Вооружение и экономика. - 2014. - №. 3. - С. 62-74.

5. Антоненко, И. Н. Эволюция практик и информационных систем управления ТОиР/И. Н. Антоненко, И. Э. Крюков//Автоматизация в промышленности. - 2011. - №10. - С.27 - 30

6. Баранов В., Гриценко А. И. и Карасевич А. М. Акустическая диагностика и контроль на предприятиях топливно-энергетического комплекса. - М.: Наука, 1998.

7. Берман, А. Ф. Прогнозирование технического состояния опасных объектов методом имитационного моделирования/А. Ф. Берман, О. А. Николайчук, А. И. Павлов // Проблемы машиностроения и надежности машин. -2017. - №2. -С.131 - 142.

8. Бигус Г. А., Галкин Д. И. Методы неразрушающего контроля при проведении периодического контроля и мониторинга опасных промышленных объектов //Сварка и диагностика. - 2007. - №. 1. - С. 13-16.

9. Бобров А. Л., Бехер С. А. Влияние погрешности определения потоковых параметров акустической эмиссии на надежность оценки состояния объекта //Актуальные проблемы метода акустической эмиссии (АПМАЭ-2018). - 2018. -С. 45-46.

10. Бородин Ю. П., Черных М. В., Журавлев А. Е. Система комплексного диагностического мониторинга ООО ИНТЕРЮНИС //Химическая техника. -2013. - №. 10. - С. 22-22.

11. Ваджпаи, А. Новый метод выявления коррозионных повреждений труб/А. Ваджпаи//В мире неразрушающего контроля. - 2006. - No1(31). - С.63 - 65.

12. Кац В. А. Способ отбора информативных признаков в задаче классификации дефектов конструкций строительных сооружений // Системотехника строительства. Киберфизические строительные системы-2019. -2019. - С. 68-72.

13. Гайдышев И. Анализ и обработка данных. Специальный справочник. -СПБ.: Питер, 2001.

14. ГЕО-НДТ. Оборудования для измерений, контроля и испытаний. - URL: http://www.geo-ndt.ru/nerazrush_kontrol_metodi.htm (дата обращения 25.08.2015);

15. ГОСТ Р 52727-2007. Техническая диагностика. Акустико-эмиссионная диагностика. Общие требования. - М.:Стандартинформ, 2007.

16. ГОСТ Р 56542-2015. Контроль неразрушающий. Классификация видов и методов. - М.:Стандартинформ, 2015.

17. ГОСТ Р ИСО 12716-2009. Контроль неразрушающий. Акустическая эмиссия. Словарь. — М.: Стандартинформ, 2011.

18. Ермаков, В.А. Усовершенствование методики мониторинга пространственных деформаций стержневых конструкций сооружений с помощью лазерного сканирования // Вестник МГСУ. - 2011. - №8. - с. 206-211.

19. Завьялов, А. П. Актуальные вопросы диагностического обслуживания технологических трубопроводов объектов ТЭК/А. П. Завьялов// Химическая техника. - 2015. - No2. - С.40 - 43.

20. Загорская А.В., Лапидус А. Применение методов экспертной оценки в научном исследовании. Необходимое количество экспертов // Научнотехнический журнал «Строительное производство», № 3, 2020. С. 21-34.

21. Запруднов В. И., Серегин Н. Г. Методы и средства мониторинга технического состояния строительных конструкций // Вестник МГУЛ - Лесной

вестник. 2019. №5. URL: https://cyberlenmka.ru/artide/n/metody-i-sredstva-momtormga-tehmcheskogo-sostoyamya-stroitelnyh-konstruktsiy (дата обращения: 18.05.2022)

22. Иваненко А. Ф., Мухин П. Е. Комплексный подход к обеспечению безопасного функционирования опасных производственных объектов //Научный вестник НИИГД Респиратор. - 2020. - №. 2. - С. 107-114.

23. Иванов В. И., Барат В. А. Акустико-эмиссионная диагностика / Справочник. - М.: Спектр, 2017. - 368 с.

24. Измайлова Е.В. Информационно-измерительная система и метод контроля трубопроводов на основе вейвлет-фильтрации сигналов акустической эмиссии. Автореф. дис. ... канд. техн. наук. - Казань:,2013.

25. Кац В. А. Совершенствование метода кластерного анализа сигналов акустической эмиссии при диагностике технического состояния магистрального трубопровода. // Тезисы студенческой конференции 71-е Дни науки студентов МИСиС. - 2016. - P. 673-674.

26. Кожаринов А.С, Виноградов И.Е. Разработка рабочего прототипа автоматизированной интеллектуальной системы анализа и прогнозирования состояний, рисков и ущерба для ряда спортивных зданий и сооружений Московского региона. Отчет по НИР №073/12-512. - М.:МИСиС, 2013.

27. Коргин А.В., Ермаков, В.А. Автоматизированная актуализация МКЭ-модели сооружения в ходе мониторинга // Механизация строительства. - 2011. -№7. - с.16-17.

28. Краковский, Ю. М. Математические и программные средства оценки технического состояния оборудования/Ю. М. Краковский. - Новосибирск: Наука, 2006. - 228 с

29. Кузьмин А. Н. и др. Инновационная технология акустико-эмиссионного контроля линейных объектов магистральных трубопроводов //В мире неразрушающего контроля. - 2020. - Т. 23. - №. 1. - С. 46-53.

30. Кузьмин А. Н. и др. Способ регистрации и анализа сигналов акустической эмиссии в системе диагностического мониторинга промышленных объектов. - 2019.

31. Кузьмин А. Н., Жуков А. В. и др. Выявление и оценка степени опасности стресскоррозионных дефектов объектов магистральных трубопроводов с применением метода акустической эмиссии на предприятиях ПАО Газпром. -Территория нефтегаз. - 2015. - №12. - С. 22-30.

32. Кузьмин А.Н., Аксельрод Е. Г., Кац В. А. Акустико-эмиссионный контроль при оценке технического состояния оборудования нефтегазового комплекса. // В Мире НК. - 2017. - Т. 1 - С. 71-80.

33. Кузьмин, А. Н., Иноземцев, В. В., Прохоровский, А. С., Аксельрод, Е. Г., Кац, В. А. (2018). Технология беспороговой регистрации данных акустической эмиссии при контроле промышленных объектов. Химическая техника, Т. 3, 10-17.

34. Куценко М. И., Овчарук В. Н. Использование метода сингулярного анализа при обработке акустико-эмиссионных данных //Физика: фундаментальные и прикладные исследования, образование. - 2018. - С. 119-123.

35. Махутов, Н. А. Промышленная безопасность и мониторинг рисков. Резервуары для хранения взрывопожароопасных веществ: сборник нормативно -технической документации //Н. А. Махутов. - М.: Наука, 2012. - 699 с.

36. Морозенко А.А. Повышение эффективности организационно-технологических решений при строительстве АЭС на основе современного российского и зарубежного опыта / А.А. Морозенко, И.Е. Воронков // Промышленное и гражданское строительство. 2014. №10. С. 74-79.

37. Морозенко А.А. Формирование организационной структуры инвестиционно-строительного проекта с высокими свойствами резистивности 2019. № 2(71). С. 32-34.

38. Овчинников И.Г., Косауров А.П., Суров Д.И. Непрерывный удаленный мониторинг и диагностика технического состояния мостов // Инженерно-строительный вестник Прикаспия. 2019. №3 (29). URL:

https://cyberleninka.ru/article/n/nepreryvnyy-udalennyy-monitoring-i-diagnostika-tehnicheskogo-sostoyaniya-mostov (дата обращения: 18.05.2022).

39. ПБ 03 - 593 - 03. Правила организации и проведения акустико -эмиссионного контроля сосудов, аппаратов, котлов и технологических трубопроводов. - Утверждены постановлением Госгортехнадзора России от 9 июня 2003 года № 77. - 2003.

40. Печеркин, А. С. Аспекты применения обоснования безопасности опасного производственного объекта/А. С. Печеркин//Безопасность Труда в Промышленности. - 2013. - №11. - С.5 - 11.

41. Поллок А. Акустико-эмиссионный контроль //Авторская перепечатка из книги Металлы (METALS HANDBOOK). - 1989. - Т. 17. - С. 278.

42. Практическая диагностика. В 3 т. Т.1. Повреждающие факторы, диагностика, дефекты и ремонт оборудования/А. М. Кузнецов [и др.]; ред. под ред. А.М. Кузнецова - Иркутск, 2009. - 372 с

43. Разуваев, И. В. Современные технологии интеллектуального технического обслуживания оборудования нефтеперерабатывающих, нефтехимических и химических производств. Сравнительный анализ Западного и отечественного опыта и нормативной базы/И. В. Разуваев//Материалы научно -практической конференции «Инновационные стратегии технического обслуживания оборудования нефтеперерабатывающих, нефтехимических и химических производств» (30 октября - 01 ноября 2012 г.). - М., 2012.

44. Руководство по безопасности. Рекомендации по устройству и безопасной эксплуатации технологических трубопроводов. - Утврежден Ростехнадзором 27.12.2012. - М.: ЗАО НТЦ ПБ, 2013. - 194 с.

45. Савин, С. Н. Современные методы технической диагностики и мониторинга как средство безопасной эксплуатации строительных конструкций/С. Н. Савин, И. В. Ситников, И. Л. Данилов//В мире неразрушающего контроля. - 2008. - №4(42). - С. 14 - 18.

46. Система поддержки принятия решений по предупреждению и иликвидации техногенных ЧС на основе прецендентного подхода/А. Ф. Берман [и др.]//Технологии техносферной безопасности. - 2013. - No5(51). - С.13 - 25.

47. Соловьев С. В. Диагностический мониторинг воздушных линий электропередач // Передовые достижения в применении автоматизации, роботизации и электротехнологий в АПК. - 2019. - С. 196-201.

48. Сопегин Г. В., Сурсанов Д. Н. Использование автоматизированных систем мониторинга конструкций (АСмК) // Вестник МГСУ. 2017. №2 (101). URL: https://cyberleninka.ru/article/n/ispolzovanie-avtomatizirovannyh-sistem-momtoringa-konstruktsiy-asmk (дата обращения: 18.05.2022).

49. Стеблев, Юрий Иванович, Сергей Васильевич Сусарев, and Дмитрий Евгеньевич Быков. "Принципы проектирования автоматизированных систем диагностического мониторинга инженерных сооружений опасных промышленных объектов." Дефектоскопия 4 (2015): 3-18.

50. Степанова Л.Ю., Кабанов С.И., Лебедев Е. Ю. Многоканальное акустико-эмиссионное устройство. Заявка №2396557 от 16.12.2010 на патент РФ.

51. Стратегия решений о продолжении эксплуатации или замене стареющего оборудования объектов газодобывающих предприятий по результатам диагностирования/А. В. Митрофанов [и др.]//Нефтепромысловое дело. - 2012. - №5. - С.34 - 44.

52. Терентьев Д. А., Бардаков В. В. Конечно-элементное моделирование распространения АЭ сигналов в тонкостенных объектах //Актуальные проблемы метода акустической эмиссии (АПМАЭ-2018). - 2018. - С. 37-38.

53. Терентьев Д. А., Елизаров С. В. Вейвлет-анализ сигналов АЭ в тонкостенных объектах //Контроль. Диагностика. - 2008. - №. 7. - С. 51-54.

54. Трутаев С. Ю. О построении адекватных и экономичных математических моделей в задачах постоянного мониторинга особо опасных и технически сложных объектов //Математическое моделирование и численные методы. - 2021. - №. 1 (29). - С. 31-48.

55. Трутаев С. Ю. Технология оценки и управления техническим состоянием динамически нагруженного оборудования опасных промышленных объектов: дис. ... д-р. техн. наук: 05.02.13. - Иркутск, 2017. -486 с.

56. Трутаев, С. Ю. Обеспечение безопасной эксплуатации технологического оборудования химических, нефтеперерабатывающих и нефтегазовых предприятий, работающего в условиях вибрационных и сейсмических воздействий// С. Ю. Трутаев. - Иркутск: АО "Иркутский научно -исследовательский и конструкторский институт химического и нефтяного машиностроения", 2016. - 229 с.

57. Фархадзаде Э. М. и др. Метод и алгоритм прогнозирования опасности технического состояния объектов электроэнергетических систем //Электричество. - 2019. - №. 4. - С. 12-18.

58. Федеральные нормы и правила в области промышленной безопасности. Правила проведения экспертизы промышленной безопасности. - Утверждены Приказом от 14 ноября 2013 года N 538. - 2013. - (с изменениями на 28 июля 2016 года).

59. Федеральные нормы и правила в области промышленной безопасности. Правила промышленной безопасности опасных промышленных объектов, на которых используется оборудование, работающее под избыточным давлением. -Утвержден: Федеральная служба по экологическому, технологическому и атомному надзору, 25.03.2014. - 2014. - 251 с.

60. Федосов А. В., Шабанова В. В. Особенности риск-ориентированного подхода в области промышленной безопасности //Горный информационно-аналитический бюллетень (научно-технический журнал). - 2019. - №. S7. - С. 206-215.

61. Федотов А. И. и др. Цифровая система мониторинга повреждений на линиях электропередачи //Известия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИ. - 2021. - Т. 23. - №. 1. - С. 146-155.

62. Фомичев С. К. и др. возможность применения искусственных нейронных сетей для распознавания АЭ образов //Journal of Mechanical Engineering NTUU" Kyiv Polytechnic Institute". - 2011. - Т. 1. - №. 61.

63. Хальясмаа А. И. Разработка системы оценки технического состояния электросетевого оборудования на основе нейро-нечеткого логического вывода: дис.... канд. хим. наук: 05.14. 02 : дис. - 2015.

64. Шайбаков Р. А. и др. Помехоустойчивый метод акустико-эмиссионного мониторинга резервуаров //Электронный научный журнал Нефтегазовое дело. -2013. - №. 4. - С. 448-464.

65. Шайбаков Р. А., Давыдова Д. Г. и Кузьмин А. Н. Помехоустойчивый метод акустико-эмиссионного мониторинга резервуаров // Нефтегазовое дело. -

2013. - № 4. - P. 448-464.

66. Шайко-Шайковский А. Г. и др. Обзор применения акустической эмиссии для выявления микро-и нанодефектов //Надежность и качество сложных систем. - 2016. - №. 1 (13). - С. 47-57.

67. Шитов, Д.В. Повышение энергоэффективности теплоносителей с применением систем мониторинга технологических параметров // Технадзор. -

2014. - №2. С. 108109 .

68. Aggelis, D. G. Acoustic Emission Analysis for NDE in Concrete // Innovative AE and NDT Techniques for On-Site Measurement of Concrete and Masonry Structures. - 2016. - Vol. 20. - pp. 69-88.

69. Agletdinov E., Merson D., and Vinogradov A. A new method of low amplitude signal detection and its application in acoustic emission. // Applied Sciences, 2020, Vol 10, p. 73

70. Azimi M., Eslamlou A. D., Pekcan G. Data-driven structural health monitoring and damage detection through deep learning: State-of-the-art review //Sensors. - 2020. - Т. 20. - №. 10. - С. 2778.

71. Azimi M., Pekcan G. Structural health monitoring using extremely compressed data through deep learning //Computer-Aided Civil and Infrastructure Engineering. - 2020. - Т. 35. - №. 6. - С. 597-614.

72. Bao Y. et al. Computer vision and deep learning-based data anomaly detection method for structural health monitoring //Structural Health Monitoring. -2019. - T. 18. - №. 2. - C. 401-421.

73. Bhuiyan, M. Y., Bao, J., Poddar, B., Giurgiutiu, V. Toward identifying crack-length-related resonances in acoustic emission waveforms for structural health monitoring applications // Structural Health Monitoring. - Vol. 17. - №3 (2019). - pp. 577-585.

74. Bishop C. M., Nasrabadi N. M. Pattern recognition and machine learning. -New York : springer, 2006. - T. 4. - №. 4. - C. 738.

75. Caruana R., Niculescu-Mizil A. An empirical comparison of supervised learning algorithms //Proceedings of the 23rd international conference on Machine learning. - 2006. - C. 161-168.

76. Chen G. J. Parametric Statistical Change Point Analysis. - Boston: Birkhauser, 2011.

77. Chen, Hongran, et al. Effects of bedding orientation on the failure pattern and acoustic emission activity of shale under uniaxial compression // Geomechanics and Geophysics for Geo-Energy and Geo-Resources, 2021, Vol 7, No 1, p. 1-17.

78. Dang H. V. et al. Data-driven structural health monitoring using feature fusion and hybrid deep learning //IEEE Transactions on Automation Science and Engineering. - 2020. - T. 18. - №. 4. - C. 2087-2103.

79. Erfani S. M. et al. High-dimensional and large-scale anomaly detection using a linear one-class SVM with deep learning //Pattern Recognition. - 2016. - T. 58. - C. 121-134.

80. Flah M. et al. Machine learning algorithms in civil structural health monitoring: A systematic review //Archives of computational methods in engineering. -2021. - T. 28. - C. 2621-2643.

81. Gholizadeh S and Baharudin, B. A review of the application of acoustic emission technique in engineering // Structural Engineering & Mechanics, Vol 54, pp. 1075-1095.

82. Gholizadeh, S. A review of the application of acoustic emission technique in engineering // Structural Engineering & Mechanics. - Vol. 54 (2015). - pp. 1075-1095.

83. Hughes A. J. et al. A probabilistic risk-based decision framework for structural health monitoring //Mechanical Systems and Signal Processing. - 2021. - T. 150. - C. 107339.

84. Kashima, Hisashi, et al. K-means clustering of proportional data using L1 distance // 19th International Conference on Pattern Recognition. IEEE, 2008, pp. 1-4.

85. Kats, V. Structural health monitoring system of construction facilities: enhanced training approach // Journal of Physics: Conference Series, 2020, Vol. 1694. No. 1

86. Kats, V.: Features extraction from non-destructive testing data in cyber-physical monitoring system of construction facilities. // Journal of Physics: Conference Series, Vol. 1425, p. 012149 (2019)

87. Kattis S. Noesis-Advanced Data Analysis, Pattern Recognition & Neural Networks Software for Acoustic Emission Applications // Kolloquium Schallemission, Statusberichte zur Entwicklung und Anwendung der Schallemissionsanalyse, 2017, p. 9-10.

88. Kumar, Dheeraj, and James C. Bezdek. Visual approaches for exploratory data analysis: A survey of the visual assessment of clustering tendency (vat) family of algorithms // IEEE Systems, Man, and Cybernetics Magazine, 2020, Vol. 6.2, p. 10-48.

89. Lu, Ruodan, et al. Geometric accuracy of digital twins for structural health monitoring // Structural Integrity and Failure, 2020.

90. M. Martinez-Luengo. Structural health monitoring of offshore wind turbines: A review through the Statistical Pattern Recognition Paradigm // Renewable and Sustainable Energy Reviews. Vol. 64, 91-10592 (2016).

91. Merzban, Mohamed H., and Mahmoud Elbayoumi. Efficient solution of Otsu multilevel image thresholding: A comparative study. Expert Systems with Applications, 2019, Vol. 116, p. 299-309.

92. Omar S., Ngadi A., Jebur H. H. Machine learning techniques for anomaly detection: an overview //International Journal of Computer Applications. - 2013. - T. 79. - №. 2.

93. Ostachowicz W., Soman R., Malinowski P. Optimization of sensor placement for structural health monitoring: A review //Structural Health Monitoring. - 2019. - T. 18. - №. 3. - C. 963-988.

94. Pavlou D. A deterministic algorithm for nonlinear, fatigue-based structural health monitoring //Computer-Aided Civil and Infrastructure Engineering. - 2022. - T. 37. - №. 7. - C. 809-831.

95. Pollock A. Metals handbook, London: ASM International, 1989. - P. 278294.

96. Pomponi, E.; Vinogradov, A. A real-time approach to acoustic emission clustering. // Mech. Syst. Sig. Process. 2013, Vol. 40, p. 791-804.

97. Saha, Punam K., Felix W. Wehrli, and Bryon R. Fuzzy distance transform: theory, algorithms, and applications // Computer Vision and Image Understanding, 2002. Vol 86, No 3, p. 171-190.

98. Sarmadi H., Karamodin A. A novel anomaly detection method based on adaptive Mahalanobis-squared distance and one-class kNN rule for structural health monitoring under environmental effects //Mechanical systems and signal processing. -2020. - T. 140. - C. 106495.

99. Sony S. et al. A systematic review of convolutional neural network-based structural condition assessment techniques //Engineering Structures. - 2021. - T. 226. -C.111347.

100. T. Giannakopoulos, A. Pikrakis. Introduction to Audio Analysis - A MATLAB Approach // Elsevier Ltd., 2014, pp. 262.

101. Tra, V., Duong, B. P., Kim, J. Y., Sohaib, M., & Kim, J. M. Improving the Performance of Storage Tank Fault Diagnosis by Removing Unwanted Components and Utilizing Wavelet-Based Features // Entropy. Vol. 21(2), 145 (2019).

102. Van der Maaten L., Hinton G. Visualizing data using t-SNE //Journal of machine learning research. - 2008. - T. 9. - №. 11.

103. Verstrynge E. et al. A review on acoustic emission monitoring for damage detection in masonry structures // Construction and Building Materials, 2021, Vol. 268, p.121089

104. Wang, Xu, and Yusheng Xu. An improved index for clustering validation based on Silhouette index and Calinski-Harabasz index // IOP Conference Series: Materials Science and Engineering, 2019, Vol. 569. No. 5.

105. Ye X. W., Jin T., Yun C. B. A review on deep learning-based structural health monitoring of civil infrastructures //Smart Struct. Syst. - 2019. - T. 24. - №. 5. -C. 567-585.

106. Zhang T., Yang B. Big data dimension reduction using PCA //2016 IEEE international conference on smart cloud (SmartCloud). - IEEE, 2016. - C. 152-157.

107. Zhu J. et al. Batch process modeling and monitoring with local outlier factor //IEEE Transactions on Control Systems Technology. - 2018. - T. 27. - №. 4. - C. 1552-1565.

ПРИЛОЖЕНИЕ А. СПИСОК ОПУБЛИКОВАННЫХ РАБОТ ПО ТЕМЕ

ДИССТЕРТАЦИИ

Публикации в изданиях, включенных в Перечень рецензируемых научных изданий:

1. Кац В. А., Адамцевич Л. А. Модель оценки надежности строительных систем на опасных производственных объектах в процессе их эксплуатации. // Строительное производство. - 2023. - №2. С - 102 - 106.

2. Кац В. А. Методика расчета оптимальной ширины окна и величины перекрытия в задаче извлечения диагностических параметров данных технической диагностики объектов капитального строительства. // Строительное производство. - 2023. - №2. С - 161 - 164.

Статьи, опубликованные в журналах, индексируемых в международных реферативных базах Scopus:

1. Kats, V., Adamtsevich L. Estimation of the defect hazard class in building structures: A decision support system // International Journal for Computational Civil and Structural Engineering. - 2021. - Vol. 17. - №. 4. doi:10.22337/2587-9618-2021-17-4-106-114

2. Kats V., Adamtsevich L. Method for extracting diagnostic features of the facilities technical condition in the system for monitoring // International Journal for Computational Civil and Structural Engineering. - 2022. - Vol. 18. - №. 2. doi:10.22337/2587-9618-2022-18-2-156-162

3. Kats, V. Structural health monitoring system of construction facilities enhanced training approach // Journal of Physics: Conference Series. - 2020. Vol. 1694. - № 012014. doi:10.1088/1742-6596/1694/1/012014.

4. Kats, V. Optimization of the features extraction method in cyber physical systems of monitoring energy infrastructure facilities // E3S Web of Conferences.-2020.- 152 , 02002. doi:10.1051/e3sconf/202015202002

5. Kats, V. Features extraction from non-destructive testing data in cyber-physical monitoring system of construction facilities // Journal of Physics: Conference Series-2019. - Vol. 1425.-№ 012149. doi:10.1088/1742-6596/1425/1/012149.

Иные публикации:

1. Кузьмин А.Н., Прохоровский А.С., Аксельрод Е.Г., Кац В.А. Метод беспороговой регистрации данных акустико-эмиссионного контроля как инструмент повышения эффективности работы систем диагностического мониторинга опасных производственных объектов // Актуальные проблемы метода акустической эмиссии (апмаэ-2018). Сборник материалов. 2018. с. 59-60.

2. Кузьмин А.Н., Иноземцев В.В., Кац В.А, Прохоровский А.С., Аксельрод Е.Г.,. Технология беспороговой регистрации данных акустической эмиссии при контроле промышленных объектов // Химическая техника. 2018. № 3. С. 10-17.

3. Кузьмин А.Н., Кац В.А, Жуков А.В., Давыдова Д.Г., Шитов Д.В., Аксельрод Е.Г.. Акустико-эмиссионный контроль при оценке технического состояния оборудования нефтегазового комплекса // В мире неразрушающего контроля. 2017. Т. 20. № 1. С. 71-80.

4. Кац В. А. Метод обучения интеллектуальной системы диагностического мониторинга технического состояния строительных конструкций // Информационные технологии. - 2021. - Т. 27. - № 7. С. 350-358.

Свидетельства, патенты и др. результаты интеллектуальной деятельности, зарегистрированные в установленном порядке

1. Кац В.А., Адамцевич Л.А. Федеральное государственное бюджетное образовательное учреждение высшего образования "Национальный исследовательский Московский государственный строительный университет" (НИУ МГСУ). База данных диагностических признаков эксплуатационных дефектов конструкций опасных производственных объектов. Свидетельство о государственной регистрации базы данных №2022621727 РФ, №2022621228 Заявл. 31.05.2022; Опубл. 14.07.2022.

2. Кац В.А., Адамцевич Л.А. Федеральное государственное бюджетное образовательное учреждение высшего образования "Национальный

исследовательский Московский государственный строительный университет" (НИУ МГСУ). Экспериментальная программа для оценки класса опасности эксплуатационных дефектов в конструкциях методом акустической эмиссии «AE Damage Detector». Свидетельство о государственной регистрации базы данных №2022661180 РФ, №2022619935 Заявл. 31.05.2022; Опубл. 16.06.2022.

ПРИЛОЖЕНИЕ Б. СПРАВКА О ВНЕДРЕНИИ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ

АКТ

» внедрении pciy.il.та юн диссертационно! о исследовании Капа li.ia.nic.iana Анатольевича па тему: «> правление облужишншгч к-оисфукиш! опасных проишолствсиных объектов в происссг нх жеилуатаини на основе данных игра ф> шатцпо контроля»

Настоящий акт подтверждает. чю фипшом ОСЮ «Э|ирга-Ю|* «Юж-жсргосстьпроскг» бы ли рассмо||Ч'нм и внедрены и практическую деятельность по объекту «Реконструкция полсташрш ПО кП на территории ДО Шнрмнкмш карьер» результат днссерпюютюго исследования Капа ПЛ. на 1сму: «Управление облужнваинсм конструкций опасных проитво.ктвениых объектов и процессе их эксплуатация на основе данных нератрушэкппао контроля».

В процессе рсалншиш проектов филиал (ХЮ «)нсрго-Юг» «(Ож^псртосстьлроскт» исполыустсовременные аппаратные и программные средства технической диагностики строительных сооружений, что потволяст провести апатит ■ффектннности применения следующих р.пр.нчмок автора:

интеллектуальная система по.гчержки принятия решении ((/НИР) по управлению обслуживанием конструкций ОНО;

алгоритм иилечения диапюсшчсских при никои для формирования исходных данных С1Н1Р.

Но ретультатам анални применения данных алюршмон и xo.TC.iefl. нмяплено. чю подходы в области управления обслуживанием конструкций опасных нрои июлствснныч объектов в процессе их жеплуатанпи на основе данных нера тру тающего контроля, нре.поженнме Канем ПЛ., обладают тначнтсльным шчсициалом и 1ЮНМХ1ЯЮ1 сократи, кираиа на обслуживание и время простоя сооружений мечет своевременного обнаружения эксплуатационных .тсфектов. а также повысить м|к]к.-к1иинос1ь управления жншейным циклом обьскюв строительства.

Директор ||нмн.па (ХЮ Лвсуч-К)!» .с|Ож1иерих-с11.11роект»_

I lj4.Ln.niiK строительного отдела

фи шала (ХМ) )нсрго-К)т •■Южжертосстытроскт»

ПРИЛОЖЕНИЕ В. СВИДЕТЕЛЬСТВО О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ БАЗЫ ДАННЫХ

ПРИЛОЖЕНИЕ Г. СВИДЕТЕЛЬСТВО О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ ПРОГРАММЫ ДЛЯ ЭВМ