RECOGNIZING DEFECTS IN SURFACE LAYER OF BEARINGS BY USING FRACTAL ANALYSIS OF EDDY CURRENT SIGNAL
Abstract and keywords
Abstract (English):
Bearing manufacturing requires strict adherence to the technological standards and quality control of products at all stages of processing. One of the most accurate and environmentally friendly quality monitoring methods in bearing production is the eddy current method. When using this method, a large array of numerical data is generated that reflects information on the physical and mechanical conditions of the surface. Thus, defect detection process is reduced to defining the task of data segmentation, that is, selection of parts of an array with different dynamics, which is rather difficult for an operator. To solve this problem, a pattern recognition system is proposed, the elements of which are an alphabet of classes (defects of the surface layer), a dictionary of features (fractal dimension of a data array), rules for decision making on recognition (method of standards). Fractal analysis is applied to a two-dimensional array consisting of several data vectors, which will increase the degree of automation of the process of searching and identifying sensor readings indicating a defect, since the defect affects the surface layer of the product not only in the area of its greatest prevalence. Three methods of calculating the fractal dimension of a two-dimensional array are presented. Application of the reference method of the theory of pattern recognition is substantiated, an analytical expression that reflects the method is presented. According to the proposed solutions, it is possible to classify the defect of the rolling surface of the bearing rings by preliminary calculating the fractal dimension for each defect. Implementation of the software developed by using this method can improve the efficiency of quality control in bearing manufacturing and update the technological process.

Keywords:
eddy current signal, recognition, defect, fractal dimension, surface layer, reference method
Text
Publication text (PDF): Read Download

Введение Конкурентоспособность машино- и приборостроительных производств напрямую связана с качеством выпускаемой продукции, поэтому в настоящее время в производство активно внедряются автоматизированные системы мониторинга и управления качеством изделий. Современные производственные системы контроля качества продукции ориентированы не только на определение дефекта, но и на корректировку технологического процесса (рис. 1) для предотвращения брака в будущем, поэтому важно не только определить наличие дефекта, но и распознать, к какому виду он относится [1, 2]. Рис. 1. Структурная схема технологического процесса с системой контроля качества изделий Fig. 1. Block diagram of the technological process with a product quality control system Для контроля качества изделий в производстве подшипников могут использоваться визуальный, капиллярный, вихретоковый, магнитопорошковый и другие методы контроля [3]. Одним из наиболее экологичных и перспективных с точки зрения автоматизации способов контроля является вихретоковый метод, основанный на законе электромагнитной индукции. Внешнее по отношению к среде переменное магнитное поле наводит электродвижущую силу, которая, если среда проводящая, создает в ней вихревые токи, регистрирующиеся измерительным преобразователем [4]. В результате работы вихретокового преобразователя (ВТП), например ПВК-К2М, формируется файл с большим количеством числовых данных, содержащий информацию о физико-механических свойствах поверхностного слоя изделия. На основе обработки данных значений можно судить о наличии и типе брака поверхностного слоя. В этих целях в ОАО «Саратовский подшипниковый завод» (в настоящее время ОАО «ЕПК-Саратов») был разработан классификатор неоднородности и дефектов К3-2005, однако анализ большого количества данных для человека-оператора является сложной задачей [5]. В связи с этим для повышения эффективности вихретокового контроля поверхностного слоя подшипников возникла потребность в разработке специализированного программно-алгоритмического обеспечения. Определение дефектов на основе теории распознавания образов Для подобных задач поиска и классификации объектов была разработана теория распознавания образов [6–8]. Любой метод распознавания можно представить как абстрактную систему R: R = {A, S, P}, где A = {Ak}, k = 1, ..., K – алфавит классов; S = {Sj}, j = 1, ..., n – словарь признаков; P = {Pi}, i = 1, ..., L – множество правил принятия решения. В данном случае алфавит классов A будет со-держать дефекты поверхностного слоя, также в данный алфавит будет включен класс «дефектов нет». Значение K будет сформировано на основе анализа наиболее распространенных видов дефектов. Разработка словаря признаков зависит от вы-бранного математического аппарата обработки числовых значений. Ранее в качестве признаков в Саратовском государственном техническом университете имени Гагарина Ю. А. предлагалось использовать интегральные оценки вейвлет-коэффи- циентов и другие статистические характеристики массивов амплитудной и фазовой составляющей сигнала ВТП [9, 10]. В работах [11, 12] показана целесообразность применения фрактального анализа для формирования словаря признаков. Фрактальный анализ является инструментом для определения изменения динамики данных, поэтому фрактальная размерность, которая вычисляется по формуле D = (n + 1) – H, где n – размерность данных; H – показатель Херста [13–16], может выступать в качестве признака в системе распознавания дефектов. Существует около 20 методов расчета показателя Херста [16], однако в большинстве из них рассматривается анализ вектора данных. В данной же работе в качестве элементов словаря признаков предлагается использовать фрактальную размерность двумерного массива амплитудной и фазовой составляющей вихретокового сигнала DA, DF. Числовые значения данных величин будут принадлежать отрезку от 2 до 3, т. к. в этом случае n = 2. Поскольку дефект оказывает влияние на поверхностный слой изделия не только в области его наибольшего преобладания, данная методика с применением анализа двумерного массива может качественно и количественно повысить эффективность распознавания брака. На рис. 2, где по оси OX отложены номера измерений (порядка 1 000), по оси OY – номер оборота датчика (около 60 значений), по оси OZ – показания датчика в каждой точке измерения, показан сигнал ВТП по амплитудной составляющей в трехмерной плоскости при сканировании кольца подшипника с дефектом «забоина». Рис. 2. Сигнал ВТП по амплитудной составляющей в трехмерной плоскости при сканировании кольца подшипника с дефектом «забоина» Fig. 2. Eddy current converter (ECC) signal on the amplitude component in 3-D plane at scanning a bearing ring with a nick defect Зарубежными учеными было разработано несколько методов расчета показателя Херста массива с размерностью равной двум [17–19], например: – оценка дискретной производной второго порядка (DSOD); – метод DSOD с применение вейвлет-анализа; – регрессионная оценка вейвлет-коэффициентов. В теории распознавания образов существует три основных подхода к разработке правил принятия решений: эмпирический (применяется при достаточном количестве практических результатов), математический (используются аналитические выражения), лингвистический (алгебра логики, формальные языки, графы; может применяться в случаях, когда образ представляет собой связанную структуру). В задаче распознавания дефектов поверхностного слоя подшипников образы не имеют внутренних связей; учитывая, что на процесс шлифования (который оказывает наибольшее влияние на формирование поверхностного слоя детали) действует большое количество случайных возмущений, построение аналитической модели затруднительно. Таким образом, в данной задаче распознавания рационально использовать эмпирический подход, одной из основных методик которого является метод эталонов. Метод эталонов основан на сопоставлении параметров входного образа с заранее известными признаками классов, которые определяются на основе предварительных исследований (обучающего эксперимента). Также для каждого признака необходимо определить границы доверительного интервала. На основе представленных методик и подходов теории распознавания образов процесс идентификации дефекта поверхностного слоя подшипников по сигналу ВТП можно описать выражением где X – входной образ (сигнал ВТП); – фрактальная размерность сигнала ВТП по амплитудной и фазовой составляющей (АС и ФС) соответственно; ST – класс (дефект); SDA, SDF – эталонное значение фрактальной размерности сигнала ВТП по амплитудной и фазовой составляющей соответственно; μA, μF – значения для определения границ поля допуска эталонных значений фрактальной размерности сигнала ВТП по амплитудной и фазовой составляющей соответственно; K – количество распознаваемых дефектов. На рис. 3 представлены значения фрактальных размерностей векторных данных вихретоковых сигналов [9]. Рис. 3. Расположение фрактальных размерностей основных дефектов поверхностного слоя подшипников на плоскости признаков: 0 – поверхность без дефектов; 1 – забоина; 2 – кольцевой прижог; 3 – кузнечная заштамповка; 4 – металлургическая трещина; 5 – метальная трещина; 6 – пятнистый прижог; 7 – трооститное пятно; 8 – шлифовочная трещина Fig. 3. Location of fractal dimensions of the main defects of the bearing surface layer on the plane of signs: 0 - defect-free surface; 1 - nick; 2 - ring burn; 3 - forging stamping; 4 - metallurgical crack; 5 - metal crack; 6 - spotted burn; 7 - troostite spot; 8 - grinding crack Программное обеспечение, разработанное на основе представленной в данной работе методики распознавания дефектов поверхностного слоя колец подшипников, может служить в качестве системы поддержки принятия решения о необходимости корректировки технологического процесса, ремонтно-восстановительных работ, изменении требований качества к выпускаемой продукции (рис. 4). Рис. 4. Методическое обеспечение автоматизированной системы принятия решения о качестве подшипников на основе вихретокового контроля Fig. 4. Methodological support of the automated decision-making system about the quality of bearings based on eddy current testing Повышение степени автоматизации процесса распознавания дефектов деталей подшипников приводит к уменьшению (или полному исключению) количества брака изделий, сокращению времени простоя оборудования, что, в свою очередь, положительно влияет на рост производительности промышленного предприятия. Заключение В данной работе представлена методика для решения задачи идентификации дефектов поверхностного слоя дорожек качения подшипников по данным вихретокового сигнала на основе теории распознавания образов. Показана возможность использования фрактальных размерностей (как одномерного, так и двумерного сигнала) в качестве элементов словаря признаков. Также приводится обоснование использования метода эталонов и представлено аналитическое выражение для данной методики в приложении к распознаванию дефектов по фрактальной размерности. На основе предложенных решений можно классифицировать брак поверхности качения колец подшипников путем предварительного расчета фрактальной размерности для каждого дефекта. Внедрение специализированного программного обеспечения позволит повысить эффективность контроля качества в производстве подшипников и оптимизировать технологический процесс механической обработки колец подшипников
References

1. Volosov S. S., Geyler Z. Sh. Upravlenie kachestvom produkcii sredstvami aktivnogo kontrolya. M.: Izd-vo standartov, 1989. 264 s.

2. Ignat'ev A. A., Gorbunov V. V., Ignat'ev S. A. Monitoring tehnologicheskogo processa kak element sistemy upravleniya kachestvom produkcii. Saratov: Izd-vo SGTU, 2009. 160 s.

3. Brzhozovskiy B. M., Ignat'ev A. A., Martynov V. V., Shirtladze A. G. Diagnostika i nadezhnost' avtomatizirovannyh sistem: ucheb. Staryy Oskol: TNT, 2011. 353 s.

4. Bobrov A. L., Vlasov K. V., Beher S. A. Osnovy vihretokovogo nerazrushayuschego kontrolya: ucheb. poso-bie. Novosibirsk: Izd-vo SGUPS, 2019. 98 s.

5. Gorbunov V. V., Karpeev A. M., Ignat'ev A. A. Kontrol' fiziko-mehanicheskih svoystv poverhnostey dorozhek kacheniya podshipnikov dlya gazoturbinnyh aviacionnyh dvigateley vihretokovym metodom // Vestn. Sarat. gos. tehn. un-ta. 2021. № 3 (90). S. 5-11.

6. Chaban L. N. Teoriya i algoritmy raspoznavaniya obrazov: ucheb. posobie. M.: Izd-vo MIIGAiK, 2004. 70 s.

7. Tu D., Gonsales R. Principy raspoznavaniya obrazov. M.: Mir, 1978. 411 s.

8. Fomin Ya. A. Raspoznavanie obrazov: teoriya i primeneniya. M.: FAZIS, 2012. 429 s.

9. Ignat'ev A. A., Shumarova O. S., Ignat'ev S. A. Raspoznavanie defektov poverhnostey kacheniya kolec podshipnikov pri avtomatizirovannom vihretokovom kontrole s primeneniem veyvlet-preobrazovaniy: monogr. Saratov: Izd-vo SGTU, 2017. 108 s.

10. Samoylova E. M., Ignat'ev A. A. Metody i algoritmy intellektualizacii monitoringa tehnologicheskih sistem na osnove avtomatizirovannyh stanochnyh moduley integrirovannogo proizvodstva: monogr. v 3 ch. Saratov: Izd-vo SGTU, 2019. Ch. 3. Gibridnaya intellektual'naya sistema. Informacionnaya integraciya na urovne ASUTP. 84 s.

11. Vahidova K. L., Ignat'ev A. A., Ignat'ev S. A. Opredelenie fraktal'noy razmernosti signalov vihretokovogo datchika dlya raspoznavaniya defektov detaley podshipnikov // Avtomatizaciya i upravlenie v mashino- i priborostroenii: sb. nauch. tr. Saratov: Izd-vo SGTU, 2020. S. 6-8.

12. Ignat'ev M. A., Berezina E. V., Ignat'ev A. A. Analiz teorii fraktalov dlya primeneniya v avtomatizirovannoy sisteme kontrolya kachestva poverhnosti podshipnikov // Avtomatizaciya i upravlenie v mashino- i priborostroenii: sb. nauch. tr. Saratov: Izd-vo SGTU, 2021. S. 56-60.

13. Iudin D. I., Koposov E. V. Fraktaly: ot prostogo k slozhnomu: monogr. N. Novgorod: Izd-vo NGASU, 2012. 200 s.

14. Feder J. Fractals. N.Y.: Plenum press, 1988. 283 p.

15. Kozhanov R. V., Tkachenko I. M., Kozhanova E. R. Pokazatel' Hersta kak mera haotichnosti vremennogo ryada // Vestn. Sarat. gos. tehn. un-ta. 2020. № 2 (85). S. 38-41.

16. Muhametzyanov I. Z., Mayskiy R. A., Yantudin M. N. Metodicheskie osobennosti primeneniya stohasticheskih pokazateley pri analize potokovyh dannyh prirodnyh ili tehnicheskih processov i ob'ektov // Neftegazovoe delo: elektron. nauch. zhurn. 2015. № 5. S. 446-492.

17. Istas J., Lang G. Quadratic variations and estimation of the local Hölder index of a Gaussian process // Ann. Inst. Poincaré. 1994. N. 33. P. 407-436.

18. Bardet J.-M., Lang G., Oppenheim G., Philippe A., Stoev S., Taqqu M. S. Semi-parametric estimation of the long-range dependence parameter: a survey // Theory and applications of long-range dependence Birkhäuser. 2003. P. 557-577.

19. Flandrin P. Wavelet analysis and synthesis of fractional Brownian motion // IEEE Trans. on Inf. Th. 1992. N. 38. P. 910-917.


Login or Create
* Forgot password?