Распознавание дефектов сварных соединений оборудования АЭС с использованием кластерного анализа и метода опорных векторов тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Нахабов, Александр Владимирович

• Нахабов, Александр Владимирович
• кандидат технических наук
• 2009

Оглавление диссертации кандидат технических наук Нахабов, Александр Владимирович

Введение

Глава 1. Применение методов анализа данных в задачах управления, контроля и диагностики АЭС.

1.1. Методы обработки и анализа данных в системах управления

1 I '

1.2. Системы технической диагностики

1.3. Автоматизированный анализ результатов неразрушающего контроля оборудования.

1.4. Выводы к главе

Глава 2. Разработка алгоритмов анализа данных с использованием метода опорных векторов.

2.1. Линейная классификация данных методом опорных векторов (БУМ).

2.2. Обобщение метода БУМ на нелинейный случай

2.3. Метод БУМ с мягкой границей.

2.4. Программная реализация алгоритмов анализа данных на основе метода БУМ.

2.5. Выводы к главе

Глава 3. Автоматизированный анализ результатов радиографического контроля сварных соединений оборудования АЭС

3.1. Постановка задачи.

3.2. Выделение области сварного шва

3.3. Выделение служебных объектов на снимке.

3.3.1. Сегментация снимка.

3.3.2. Выделение объектов с использованием метода кратчайшего незамкнутого пути

3.4. Автоматическое выявление дефектов сварных соединений

3.4.1. Кластерный анализ изображения сварного шва

3.4.2. Распознавание дефектов с использованием метода опорных векторов.

3.5. Влияние параметров снимка на качество выявления дефектов

3.6. Выводы к главе

Глава 4. Автоматизированный анализ результатов ультразвукового контроля сварных соединений оборудования АЭС

4.1. Система полуавтоматизированного ультразвукового контроля сварных соединений трубопроводов АЭС.

4.2. Постановка задачи.

4.3. Исходные данные

4.4. Предобработка данных

4.5. Раздельный анализ сигналов.

4.5.1. Автоматическое определение порогов выявления дефектов

4.5.2. Предсказание значений порогов выявления дефектов

4.5.3. Определение координат дефектов

4.5.4. Голосование оценок координат дефектов

4.6. Отбор признаков и формирование обучающей выборки.

4.7. Автоматическое выявление дефектов сварных соединений

4.7.1. Кластерный анализ сигналов.

4.7.2. Автоматическая поточечная классификация данных с использованием метода опорных векторов

4.7.3. Балансировка обучающей выборки

4.8. Пост-обработка результатов поточечной классификации . 99 4.8.1. Комбинирование результатов классификации для разных наборов признаков.

4.8.2. Оценка плотности распределения для результатов классификации

4.9. Программная реализация алгоритмов автоматизированного анализа

4.10. Выводы к главе

Введение диссертации (часть автореферата) на тему «Распознавание дефектов сварных соединений оборудования АЭС с использованием кластерного анализа и метода опорных векторов»

Актуальность работы. В настоящее время одним из важнейших направлений обеспечения эффективной, надежной и безопасной эксплуатации АЭС является широкое применение методов неразрушающего контроля сварных соединений оборудования. Для достижения высокой точности выявления дефектов и оценки их параметров, уменьшения времени проведения контроля и снижения требований к квалификации оператора используются системы автоматизированного анализа результатов контроля.

Для анализа данных в таких системах наиболее часто используются различные методы распознавания образов, использующие в качестве исходной информации предварительно классифицированные обучающие выборки. При этом мало внимания уделяется исследованию структуры данных, объективно отражающей наличие или отсутствие дефектов в объекте контроля, что может быть выполнено с помощью методов кластерного анализа. Также не исследована возможность применения для решения данной задачи таких алгоритмов распознавания образов, как методы опорных векторов (SVM — Support Vector Machines), которые во многих случаях значительно превосходят по эффективности традиционные методы классификации.

Таким образом, актуальными являются задачи, связанные с разработкой алгоритмов автоматизированного анализа результатов неразрушающего контроля сварных соединений оборудования АЭС, основанных на использовании кластерного анализа и метода опорных векторов с целью дальнейшего повышения эффективности выявления дефектов.

Цель диссертации — разработка методик и алгоритмов распознавания дефектов сварных соединений оборудования АЭС по результатам радиографического и ультразвукового контроля.

Для достижения поставленной цели были решены следующие задачи:

• Разработка методов решения задач системного анализа и обработки информации применительно к автоматизированному анализу результатов неразрушающего контроля, основанных на совместном применении кластерного анализа и метода опорных векторов.

• Разработка метода решения задач обработки информации и принятия решений при автоматизированном анализе результатов ультразвукового контроля, основанного на пост-обработке результатов поточечной классификации данных путем оценивания функции плотности распределения.

• Разработка специального математического и программного обеспечения для анализа, обработки, визуализации информации и принятия решений по результатам неразрушающего контроля сварных соединений оборудования АЭС.

Научная новизна работы

• Впервые предложен и обоснован метод автоматической сегментации радиографических снимков, основанный на анализе распределений яркости, непосредственно не привязанных к элементам изображения, и использовании кластерного анализа.

• Впервые разработана унифицированная методика автоматического распознавания дефектов сварных соединений по результатам неразрушающего контроля, основанная на совместной обработке сигналов с использованием кластерного анализа и метода опорных векторов.

• Впервые предложен и обоснован метод пост-обработки результатов поточечной классификации данных, основанный на оценивании функции плотности распределения результатов классификации.

Практическая ценность работы

• Разработано программное обеспечение «ЗУМСЛазэ» для классификации результатов неразрушающего контроля оборудования АЭС на основе методов опорных векторов.

• Разработаны и реализованы в составе программного обеспечения «Хгауэ» эффективные алгоритмы для автоматизированного анализа результатов радиографического контроля сварных соединений оборудования АЭС. Применение разработанных методов позволяет повысить качество контроля сварных соединений и сократить временные затраты на его проведение.

• Разработаны алгоритмы автоматизированного анализа данных ультразвукового контроля сварных соединений трубопроводов АЭС, реализованные в составе системы «УЗК-Аналитик» и специализированной базы данных. Это дало возможность повысить качество контроля и сократить временные затраты. Результаты используются на Смоленской и Курской АЭС.

На защиту выносятся:

1. Унифицированная методика автоматического распознавания дефектов сварных соединений оборудования АЭС по результатам неразрушающего контроля, основанная на совместном использовании кластерного анализа и метода опорных векторов для поточечной классификации сигналов.

2. Метод пост-обработки результатов поточечной классификации данных ультразвукового контроля сварных соединений трубопроводов АЭС, включая объединение результатов классификации по различным наборам признаков и оценивание функции плотности распределения.

3. Алгоритмы и программное обеспечение для автоматизированного анализа результатов неразрушающего контроля сварных соединений оборудования АЭС.

Достоверность научных положений. В ходе разработки все результаты проверялись на большом объеме независимых данных, полученных непосредственно в процессе контроля оборудования АЭС. Разработанные методы и алгоритмы подтвердили свою работоспособность при применении на Курской и Смоленской АЭС.

Апробация результатов работы. Основные результаты работы докладывались на международных конференциях:

1. VIII Международной конференции «Безопасность АЭС и подготовка кадров», Обнинск, 2003 г.;

2. X Международной научно-технической конференции «Радиоэлектроника, электротехника и энергетика», Москва, 2004 г.;

3. Международной выставке-конференции «Неразрушающий контроль в промышленности», Москва, 2004 г.;

4. VII Международной конференции по мягким вычислениям и измерениям SCM'2004, Санкт-Петербург, 2004 г.;

5. 7th International Conference on Pattern Recognition and Image Analysis: New information technologies (PRIA-7-2004), Санкт-Петербург, 2004 г.;

6. IX Международной конференции «Безопасность АЭС и подготовка кадров», Обнинск, 2005 г.;

7. X Международной конференции «Безопасность АЭС и подготовка кадров», Обнинск, 2007 г.

Публикации- По теме диссертации опубликовано 14 научных работ, в том числе 4 статьи в научно-технических журналах, 5 публикаций в трудах конференций. По материалам, изложенным в диссертации, получено 4 свидетельства об официальной регистрации программы для ЭВМ и 2 акта о внедрении на Курской АЭС.

Личный вклад автора. Автор принимал непосредственное участие в решении задач, изложенных в диссертации, разработал методики, алгоритмы и программы автоматической обработки данных.

Структура и объем диссертации. Работа состоит из введения, 4 глав и заключения, изложенных на 122 страницах машинописного текста, куда входит 62 рисунка и список используемой литературы, включающий в себя 90 наименований, в том числе 14 работ автора.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Нахабов, Александр Владимирович

4.10. Выводы к главе 4

Разработанные методы автоматического выявления дефектов по результатам УЗК проверены на большом объеме новых данных и подтвердили свою

Ввод данных

Рис. 4.23. Схема алгоритма автоматизированного анализа результатов УЗК высокую эффективность, позволив выявить все имеющиеся по экспертной классификации дефекты при минимальном числе ложных тревог, а в ряде случаев и обнаружить дефекты, пропущенные экспертами. Эти методы реализованы в составе системы «УЗК-Аналитик» и используются для анализа результатов контроля, хранящихся в специально разработанной базе данных, на которые получены свидетельства о государственной регистрации программы для ЭВМ [89, 90] и акты о внедрении в опытную эксплуатацию па Курской АЭС. Помимо этого полученные результаты также используются в ИЦД НИ-КИЭТ и на Смоленской АЭС.

I IИМИППШПГ1

И| 1Г 1ТШРПГИМ|П(|1ТШГП1,|1

Ihiil.il' ИМ /Г, ||,||| 1.Ш ПЯЯГй I* М'и ^ I

I'^МНуЫЯНЛ*« МЛ1

МI ■ ■ ■ .ж.'.м-'.м-'.■ а!» |(ю Й 1(^0 д4о Зек) «¿О ^¿о ^¿о «о

ЩузкА».Н>.Чг-ь 1>'ч1.»(.)1 шо; И.И^Ц^ ¿Л л!*'.* Л2'л

10 ли и/ 1МО;113

СГфЯГ*

ШЯ1, я

Т»)М141К9е1Т«

Сом»*» ог^ла

Рис. 4.24. Интерфейс программы «УЗК-Аналитик» для анализа результатов УЗК сварных соединений

33 Вмл новы* данных

Стдтмя САЭС

Б к» 1 '

Системе 1 «

Сторона 1 *

Номер СС 24-1

Дата контроле |06102004

Вр*мо »сит рога | 121Э24 +20С

Номер прь^ор* 253

Номер С* 1 »

Рис. 4.25. Форма дня ввода результатов контроля в базу данных

Запрос по Смоленской ДЭС

Вьябеол* гисдет№ ыгоосй

ЕТ4Н1ИЯ ¡ыас л! г« ЗЯ»^

Бшж 1« ±1 Нмш

Система 4

Номер ЕС | Иоемчч»*аг<х1 [

Рис. 4.26. Форма для организации запроса

Рис. 4.27. Форма вывода результатов запроса

Рис;. 4.28. Представление отчета по запросу

Заключение

Предложен и обоснован подход к автоматической сегментации радиографических снимков, основанный на анализе распределений яркости и использовании кластерного анализа. Показана эффективность его применения для снимков со значительно отличающимися характеристиками.

По результатам анализа данных неразрушающего контроля разработана унифицированная методика автоматического распознавания дефектов сварных соединений оборудования АЭС, основанная на совместном использовании кластерного анализа и метода опорных векторов. Ее эффективность подтверждена на большом объеме данных, полученных непосредственно в процессе контроля на АЭС.

Для повышения точности распознавания дефектов разработан метод пост-обработки результатов поточечной классификации данных УЗК, включающий в себя объединение результатов классификации по различным наборам признаков и оценивание функции плотности распределения. Применение данного метода позволило значительно уменьшить число ложных тревог при высокой точности выявления дефектов.

Разработанные методы и алгоритмы обработки и анализа информации реализованы в виде программного обеспечения для автоматизированного анализа данных неразрушающего контроля сварных соединений оборудования АЭС. Полученные результаты используются на Смоленской и Курской АЭС.

Список литературы диссертационного исследования кандидат технических наук Нахабов, Александр Владимирович, 2009 год

1. Reifman J. Survey of artificial intelligence methods for detection and identification of component faults in nuclear power plants // Nuclear Technology. — 1997.-July.-Vol. 119, no. l.-Pp. 76-97.

2. Uhrig R. E. Application of neural networks to the operation of nuclear power plants // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol. 2. - Gatlinburg: 1991. — May. - Pp. 149 -158.

3. Marseguerra M., Padovani E. Possible improvements of the reactor safety via neural networks // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). — Vol. 1.— Avignon: 1995, —June. — Pp. 311 320.

4. Carre J. C., Martinez J. M. Approach to identification and advanced control of PWR using neural networks // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). — Vol. 2.— Gatlinburg: 1991.-May.-Pp. 159 -166.

5. Upadhyaya B. R., Glockler O. Estimation of feedback parameters in pressurized water reactors using neural networks // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). — Vol. 2.— Gatlinburg: 1991.— May. — Pp. 175 189.

6. Development and application of core diagnostics and monitoring for the Ringhals PWRs / T. Andersson, C. Demaziere, A. Nagy et al. // Progress in Nuclear Energy. — 2003. — July. — Vol. 43, no. 1. — Pp. 35-41(7).

7. Comparisons between the various types of neural networks with the data ofwide range operational conditions of the Borssele NPP / E. Ayaz, S. §eker, B. Barutgu, E. Türkcan // Progress in Nuclear Energy.— 2003. — July.— Vol. 43, no. 1.- Pp. 381-387(7).

8. Nabeshima K., Suzuki K., Türkcan E. Neural network with an expert system for real-time nuclear power plant monitoring // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII).— Vol. 1.— Avignon: 1995. — June. — Pp. 269 277.

9. Water level in boiling water reactors — measurement, modelling, diagnosis / R. Hampel, A. Traichel, S. Fleisher, W. Kästner // Progress in Nuclear Energy. — 2003. July. — Vol. 43, no. 1. — Pp. 121-128(8).

10. On-line monitoring of instrument channel performance in nuclear power plant using PEANO / P. F. Fantoni, M. I. Hoffmann, R. Shankar, E. L. Davis // Progress in Nuclear Energy. — 2003. — July. — Vol. 43, no. 1. — Pp. 83-89(7).

11. Методы и модели анализа данных: OLAP и Data Mining / А. А. Барсегян, М. С. Куприянов, В. В. Степаненко, И. И. Холод. — СПб.: БХВ-Петер-бург, 2004. 336 с.

12. Witten I. Н., Frank Е. Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. The Morgan Kaufmann Series in Data Management Systems. — Academic Press, 2000. — P. 370.

13. Michie D., Spiegelhalter D. J., Taylor С. C. Machine Learning, Neural and Statistical Classification. — Ellis Horwood, 1994. — P. 298.

14. Kantardzic M. Data Mining: Concepts, Models, Methods, and Algorithms. — John Wiley k Sons, 2003. 343 pp.

15. Upadhyaya B. R., Zhao K., Lu B. Fault monitoring of nuclear power plant sensors and field devices // Progress in Nuclear Energy. — 2003. — July. — Vol. 43, no. 1.- Pp. 337-342(6).

16. Marseguerra M., Zio E., Torri G. Power density axial oscillations induced by xenon dynamics: Parameter identification via genetic algorithms // Progress in Nuclear Energy. — 2003. — July. — Vol. 43, no. 1. — Pp. 365-372(8).

17. Fuzzy logic for signal prediction in nuclear system / M. Marseguerra, E. Zio, P. Baraldi, A. Oldrini // Progress in Nuclear Energy. — 2003. — no. 1-4. — Pp. 373-380.

18. Лескин С. Т. Алгоритмы классификации для анализа состояний активной зоны по данным измерительной системы внутриреакторного контроIля // Известия вузов. Ядерная энергетика.— 1996.— № 4,— С. 20-26.

19. Лескин С. Т., Жидков С. В. Представление состояния активной зоны ВВЭР-1000 минимальным связным графом // Известия вузов. Ядерная энергетика. — 1997. — № 3. — С. 9-13.

20. Лескин С. Т., Жидков С. В. Система оценки состояния активной зоны ВВЭР-1000 по данным внутриреакторного контроля при эксплуатации энергоблока // Известия вузов. Ядерная энергетика. — 1998. — № 3.-С. 12-17.

21. Лескин С. Т. Разработка алгоритмов распознавания аномалий в состоянии оборудования АЭС по анализу данных оперативного технологического контроля // Известия вузов. Ядерная энергетика. — 1997. — № 4.-С. 4-11.

22. Лескин С. Т., Зарюгин Д. Г. Комплекс программ БША-1 для диагностирования главных циркуляционных насосов ВВЭР по данным оперативного технологического контроля // Известия вузов. Ядерная энергетика. 2001. - № 1. - С. 3-12.

23. Лескин С. Т., Валуй В. В., Зарюгин Д. Г. Применение нейронных сетей для задач диагностики ГЦН по данным оперативного технологического контроля // Известия вузов. Ядерная энергетика. — 2001.— № 2.— С. 15-21.

24. Лескин С. Т., Валуй В. В. Применение метода главных компонент для диагностики насосов высокого и низкого давления по результатам испытаний в процессе эксплуатации АЭС с ВВЭР // Известия вузов. Ядерная энергетика. — 2002. — № 4. — С. 38-45.

25. Лескин С. Т., Корнилова В. В. О возможности идентификации аномалии в состоянии насосов высокого и низкого давления по результатам испытаний на АЭС с ВВЭР // Известия вузов. Ядерная энергетика. — 2005.- № 4.- С. 56-63.

26. Аркадов Г. В., Павелко В. И., Усанов А. И. Виброшумовая диагностика ВВЭР / Под ред. А. А. Абагяна. — М.: Энергоатомиздат, 2004. — 344 с.

27. Trenty A., Puyal C., Klajnmic H. SINBAD, a data base for PWR internals vibratory monitoring // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). — Vol. 1. — Gatlinburg: 1991. — May. — Pp. 253 264.

28. Trenty A. Operational feedback on internal structure vibration in 54 french PWRs during 300 fuel cycles // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). — Vol. 1.— Avignon: 1995.— June. Pp. 40 - 48.

29. Stegemann D., Runkel J. Experience with vibration monitoring in german PWRs Obrigheim, Grohnde, Brokdorf and Emsland // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII).— Vol. 1. — Avignon: 1995. — June. — Pp. 23-31.

30. Korean experience in neutron noise monitoring of nuclear power plant / T. R. Kim, S. H. Jung, Y. S. Joo, C. M. Sim // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). — Vol. 1. — Avignon: 1995. — June. — Pp. 32 39.

31. Ciftcioglu 0. Synthetic noise benchmark data analysis for anomaly by pattern recognition methodology // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). — Vol. 1. — Gatlinburg: 1991.— May. — Pp. 345 355.

32. Development of advanced core noise monitoring system for BWRs / M. Mori, M. Kaino, S. Kanemoto et al. // Progress in Nuclear Energy.— 2003.— July. Vol. 43, no. 1. — Pp. 43-49(7).

33. Kiss J., Soumelidis A., Bokor J. Applying artificial neural networks in nuclear power plant diagnostics // Proc. of 7th Symposium on Nuclear Reactor

34. Surveillance and Diagnostics (SMORN-VII). — Vol. 1.— Avignon: 1995.— June.-Pp. 323 331.

35. Hayashi K., Shinohara Y., Konno H. Study of a modeling method for nonlinear reactor noise // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). — Vol. 1. — Gatlinburg: 1991. — May. — Pp. 291 302.

36. Alguindigue I. E., Uhrig R. E. Vibration monitoring with artificial neural networks // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). — Vol. 2. — Gatlinburg: 1991. — May. — Pp. 185 -196.

37. Glockler 0., Pazsit I., Garis N. S. Neural network techniques for control rod localization // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII). — Vol. 1.— Avignon: 1995. —June. — Pp. 350 -358.

38. New statistical features and multivariate pattern recognition analysis for boiling noise detection in fast reactors / O. P. Singh, G. S. Srinivasan,

39. R. K. Vyjayanthi, R. Prabhakar // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). — Vol. 1,— Gatlinburg: 1991. May. — Pp. 167 - 178.

40. Olma B. J. Acoustic monitoring of U-tube steam generators // Proc. of 6th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VI). Vol. 2. - Gatlinburg: 1991. - May. - Pp. 347 - 359.

41. Hessel G., Schmitt W., Weiss F.-P. Acoustic leak monitoring with neural networks at complicated structures // Proc. of 7th Symposium on Nuclear Reactor Surveillance and Diagnostics (SMORN-VII).— Vol. 1.— Avignon: 1995. —June. Pp. 359 - 366.

42. Goal-oriented flexible sensing for higher diagnostic performance of nuclear plant instrumentation / M. Takahashi, T. Miyazaki, A. Miyamoto, M. Ki-tamura // Progress in Nuclear Energy. — 2003.— July.— Vol. 43, no. 1.— Pp. 105-111(7).

43. Горбунов В. И., Епифанцев Б. Н. Автоматические устройства в радиационной дефектоскопии.— М.: Атомиздат, 1979.— С. 121.

44. A step towards automatic defect pattern analysis and evaluation in industrial radiography using digital image processing / H. Jagannathan, N. Bhaskar, P. Sriraman, N. Vijay // Proc. of 15th World Conference on Nondestructive Testing. — Roma: 2000.

45. Федотов H. Г., Никифорова Т. В. Техническая дефектоскопия на основе новой теории распознавания образов // Измерительная техника. — 2002. — № 12.-С. 27-31.

46. Ефименко JI. А., Григорченко С. А. Программное обеспечение комплекса автоматизированной расшифровки радиографических изображений // Контроль. Диагностика. — 2007. — № 12. — С. 26-29.

47. Фурсов А. С., Филинов М. В. К вопросу об автоматизации анализа изображений аппаратно-программными комплексами цифровой радиографии // Контроль. Диагностика. — 2008. — № 9. — С. 6-15.

48. Той J., Gonzalez R. Pattern Recognition Principles.— Addison-Wesley, 1974.-P. 377.

49. Burges С. J. С. A tutorial on support vector machines for pattern recognition // Data Mining and Knowledge Discovery. — 1998.— Vol. 2, no. 2,— Pp. 121-167.

50. Cristianiny N., Shawe-Taylor J. An Introduction to Support Vector Machines and other kernel-based learning methods.— Cambridge University Press, 2000. 189 pp.

51. Skomorokhov A., Nakhabov A. Support vector machines in A+ // APL Quote Quad. — 2006. — Vol. 34, no. 4. — Pp. 8-17.

52. Нахабов А. В., Скоморохов А. О. Акустическая диагностика кризиса теплообмена с применением алгоритмов SVM // Тез. докл. VIII Международной конференции „Безопасность АЭС и подготовка кадров — 2003". — Обнинск: 2003. — Окт. — С. 128-129.

53. Нахабов А. В., Скоморохов А. О. „SVMClass" — программа классификации результатов неразрушающего контроля оборудования АЭС на основе алгоритмов опорных векторов // Свидетельство о государственной регистрации программы для ЭВМ № 2008613243 от 07.07.2008.

54. ГОСТ 7512-82. Контроль неразрушающий. Соединения сварные. Радиографический метод (с Изменением № 1). — 2003.

55. Никифоров В. Н. Последовательное обнаружение изменения свойств временных рядов. — М.: Наука, 1983.— С. 199.

56. Загоруйко Н. Г. Методы распознавания и их применение. — М.: Советское Радио, 1972. — С. 206.

57. R Development Core Team. R: A language and environment for statistical computing: http://www.r-project.org // Электронный документ.— Проверено 01.04.2009.

58. Факторный, дискриминаптный и кластерный анализ: Пер. с англ. / Д.-О. Ким, Ч. У. Мыоллер, У. Р. Клекка и др.; Под ред. И. С. Ешокова. — М.: Финансы и статистика, 1989. — 215 с.

59. Многомерный статистический анализ в экономике / JI. А. Сошникова, В. Н. Тамашевич, Г. Уебе, М. Шефер; Под ред. В. Н. Тамашевича.— М.: Юнити-Дана, 1999. — 598 с.

60. Гайдышев И. Анализ и обработка данных: специальный справочник. — СПб: Питер, 2001. — 752 с.

61. Kaufman L., Rousseeuw P. J. Finding Groups in Data: An Introduction to Cluster Analysis. — New York: Wiley, 2005. — P. 368.

62. Nakhabov A. V., Skomorokhov A. 0. Development of methods for automated result analysis in radiographic testing // Тез. докл. X Международной конференции „Безопасность АЭС и подготовка кадров — 2007". — Обнинск: 2007. — Окт.— С. 90.

63. Скоморохов А. ОНахабов А. В. „Xrays" — программа для автоматизированного анализа результатов радиографического контроля сварных соединений трубопроводов и оборудования АЭС //

64. Свидетельство о государственной регистрации программы для ЭВМ № 2009610833 от 06.02.2009.

65. Бадалян В. Г., Вопилкин А. X. Мониторинг сварных соединений трубопроводов с использованием систем автоматизированного УЗК с когерентной обработкой данных //В мире неразрушающего контроля. — 2004. — Декабрь. № 4(26). - С. 22-27.

66. Новые технологии контроля целостности сварных соединений аустенит-ных трубопроводов / А. С. Мокроусов, Б. П. Стрелков, А. В. Шершов, И. Ф. Щедрин // Годовой отчет ФГУП НИКИЭТ / Под ред. Е. О. Адамова.— М., 2000. — С. 168-169.

67. Методика полуавтоматизированного ультразвукового контроля аустенит-ных сварных соединений трубопроводов Ду-300 и РГК энергоблоков типа РБМК-1000. № 840.11М-01. — М.: ГУП ИЦД НИКИЭТ, 2003.

68. Полуавтоматическая установка для ультразвукового контроля сварных соединений трубопроводов Ду 300 / А. С. Мокроусов, Б. П. Стрелков, А. В. Шершов, И. Ф. Щедрин // Годовой отчет ФГУП НИКИЭТ / Под ред. Е. О. Адамова. —М., 2000, — С. 170-171.

69. Cohen R. A. An Introduction to PROC LOESS for Local Regression. — SAS Institute Inc., 2002. — P. 9.

70. Система автоматизированного анализа результатов ультразвукового контроля сварных соединений трубопроводов АЭС / А. О. Скоморохов, П. А. Белоусов, А. В. Нахабов и др. // Годовой отчет ФГУП НИКИЭТ / Под ред. Е. О. Адамова. — М., 2004. — С. 154-155.

71. Автоматическое выявление дефектов по результатам УЗК сварных соединений трубопроводов АЭС / А. О. Скоморохов, П. А. Белоусов, А. В. Нахабов и др. // Известия вузов. Ядерная энергетика.— 2005.— №2.-С. 16-25.

72. Skomorokhov А. О., Belousov P. A., Nakhabov А. V. Cluster analysis of ultrasonic testing data // Pattern Recognition and Image Analysis. — 2006. — Vol. 16, no. 1. — Pp. 82-84.