Распознавание дефектов сварных соединений оборудования АЭС с использованием кластерного анализа и метода опорных векторов

Содержание
Введение
Глава 1. Применение методов анализа данных в задачах управления, контроля и диагностики АЭС.
1.1. Методы обработки и анализа данных в системах управления АЭС.
1.2. Системы технической диагностики .
1.3. Автоматизированный анализ результатов неразрушающего контроля оборудования.
1.4. Выводы к главе 1
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 8УМ с мягкой границей
2.4. Программная реализация алгоритмов анализа данных на основе хметода 8УМ.
2.5. Выводы к главе 2
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 мути
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. Вывода к главе 3
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. Постобработка результатов поточечной классификации
4.8.1. Комбинирование результатов классификации для разных наборов признаков
4.8.2. Оценка плотности распределения для результатов классификации
4.9. Про1раммная реализация алгоритмов автоматизированного анализа
4 Выводы к главе 4
Заключение
Литература