Журналы
НЕФТЕГАЗОВЫЕ ТЕХНОЛОГИИ И ЭКОЛОГИЧЕСКАЯ БЕЗОПАСНОСТЬ Серия: Морская техника и технология Серия: РЫБНОЕ ХОЗЯЙСТВО Серия: УПРАВЛЕНИЕ, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И ИНФОРМАТИКА Серия: ЭКОНОМИКА

Вестник АГТУ (АРХИВНЫЙ)
История Ссылки Новости Контакты
Отправить рукопись
Главная / Журналы / Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика / Номер 2 / Распознавание дефектов поверхностного слоя подшипников на основе фрактального анализа вихретокового сигнала
Распознавание дефектов поверхностного слоя подшипников на основе фрактального анализа вихретокового сигнала
Отправить рукопись Скачать PDF
Текст
Цитировать
Цитирований:

Распознавание дефектов поверхностного слоя подшипников на основе фрактального анализа вихретокового сигнала
УДК 681.51 Системы автоматического управления (САУ). Кибернетические характеристики систем. Системы по принципу действия
Игнатьев Александр Анатольевич 1
Игнатьев Максим Алексеевич 2
Авторы:
1.  Саратовский государственный технический университет им. Гагарина Ю. А. (доктор технических наук, профессор; профессор кафедры технической механики и мехатроники)

Россия
2.  Саратовский государственный технический университет им. Гагарина Ю. А. (аспирант кафедры технической механики и мехатроники)

Россия
Тип:
Статья
DOI:
https://doi.org/10.24143/2072-9502-2022-2-7-13
Страницы:
с 7 по 13
Статус:
Опубликован
Получено:
14.01.2022
Одобрено:
05.04.2022
Опубликовано:
22.04.2022
Классификаторы:
УДК 681.51 Системы автоматического управления (САУ). Кибернетические характеристики систем. Системы по принципу действия
Язык материала:
русский
Ключевые слова:
вихретоковый сигнал, распознавание, дефект, фрактальная размерность, поверхностный слой, метод эталонов
Аннотация и ключевые слова
Аннотация (русский):
При производстве подшипников требуются точное соблюдение технологического процесса и контроль качества изделий на всех этапах обработки. Одним из наиболее точных и экологичных способов монито-ринга качества в производстве подшипников является метод вихретокового контроля. При реализации данной методики формируется большой массив числовых данных, отражающих информацию о физико-механическом состоянии поверхности. Таким образом, процесс обнаружения дефекта сводится к задаче сегментации данных, т. е. выделению частей массива с разной динамикой, что довольно затруднительно для оператора. Для решения данной задачи предложена система распознавания образов, элементами которой являются алфавит классов (дефекты поверхностного слоя), словарь признаков (фрактальная размерность массива данных), правила принятия решения о распознавании (метод эталонов). Фрактальный анализ применяется к двумерному массиву, состоящему из нескольких векторов данных, что позволяет повысить степень автоматизации процесса поиска и идентификации показаний датчика, свидетельствующих о дефекте, т. к. дефект оказывает влияние на поверхностный слой изделия не только в области его наибольшего преобладания. Приводятся три метода расчета фрактальной размерности двумерного массива. Обосновывается применение метода эталонов теории распознавания образов, представлено аналитическое выражение, отражающее данную методику. На основе предложенных решений можно классифицировать брак поверхности качения колец подшипников посредством предварительного расчета фрактальной размерности для каждого дефекта. Внедрение программного обеспечения, разработанного на основе данной методики, может повысить эффективность контроля качества в производстве подшипников и скорректировать технологический процесс

Ключевые слова:
вихретоковый сигнал, распознавание, дефект, фрактальная размерность, поверхностный слой, метод эталонов
Текст
Текст (PDF): Читать Скачать
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
Список литературы

1. Волосов С. С., Гейлер З. Ш. Управление качеством продукции средствами активного контроля. М.: Изд-во стандартов, 1989. 264 с.

2. Игнатьев А. А., Горбунов В. В., Игнатьев С. А. Мониторинг технологического процесса как элемент системы управления качеством продукции. Саратов: Изд-во СГТУ, 2009. 160 с.

3. Бржозовский Б. М., Игнатьев А. А., Мартынов В. В., Схиртладзе А. Г. Диагностика и надежность автоматизированных систем: учеб. Старый Оскол: ТНТ, 2011. 353 с.

4. Бобров А. Л., Власов К. В., Бехер С. А. Основы вихретокового неразрушающего контроля: учеб. посо-бие. Новосибирск: Изд-во СГУПС, 2019. 98 с.

5. Горбунов В. В., Карпеев А. М., Игнатьев А. А. Контроль физико-механических свойств поверхностей дорожек качения подшипников для газотурбинных авиационных двигателей вихретоковым методом // Вестн. Сарат. гос. техн. ун-та. 2021. № 3 (90). С. 5-11.

6. Чабан Л. Н. Теория и алгоритмы распознавания образов: учеб. пособие. М.: Изд-во МИИГАиК, 2004. 70 с.

7. Ту Д., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978. 411 с.

8. Фомин Я. А. Распознавание образов: теория и применения. М.: ФАЗИС, 2012. 429 с.

9. Игнатьев А. А., Шумарова О. С., Игнатьев С. А. Распознавание дефектов поверхностей качения колец подшипников при автоматизированном вихретоковом контроле с применением вейвлет-преобразований: моногр. Саратов: Изд-во СГТУ, 2017. 108 с.

10. Самойлова Е. М., Игнатьев А. А. Методы и алгоритмы интеллектуализации мониторинга технологических систем на основе автоматизированных станочных модулей интегрированного производства: моногр. в 3 ч. Саратов: Изд-во СГТУ, 2019. Ч. 3. Гибридная интеллектуальная система. Информационная интеграция на уровне АСУТП. 84 с.

11. Вахидова К. Л., Игнатьев А. А., Игнатьев С. А. Определение фрактальной размерности сигналов вихретокового датчика для распознавания дефектов деталей подшипников // Автоматизация и управление в машино- и приборостроении: сб. науч. тр. Саратов: Изд-во СГТУ, 2020. С. 6-8.

12. Игнатьев М. А., Березина Е. В., Игнатьев А. А. Анализ теории фракталов для применения в автоматизированной системе контроля качества поверхности подшипников // Автоматизация и управление в машино- и приборостроении: сб. науч. тр. Саратов: Изд-во СГТУ, 2021. С. 56-60.

13. Иудин Д. И., Копосов Е. В. Фракталы: от простого к сложному: моногр. Н. Новгород: Изд-во НГАСУ, 2012. 200 с.

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

15. Кожанов Р. В., Ткаченко И. М., Кожанова Е. Р. Показатель Херста как мера хаотичности временного ряда // Вестн. Сарат. гос. техн. ун-та. 2020. № 2 (85). С. 38-41.

16. Мухаметзянов И. З., Майский Р. А., Янтудин М. Н. Методические особенности применения стохастических показателей при анализе потоковых данных природных или технических процессов и объектов // Нефтегазовое дело: электрон. науч. журн. 2015. № 5. С. 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.

Контент доступен под лицензией Creative Commons Attribution 3.0 Unported

© "Редакция научных журналов"
Поддержка Powered by Editorum,  Инструкции
Войти или Создать
* Забыли пароль?