CC BY
49
АВТОМАТИЗАЦИЯ И УПРАВЛЕНИЕ
УДК 681.5
А.А. Игнатьев, Е.М. Самойлова
АНАЛИЗ НЕОДНОРОДНОСТЕЙ ПОВЕРХНОСТНОГО СЛОЯ ДЕТАЛЕЙ ПОДШИПНИКОВ С ИСПОЛЬЗОВАНИЕМ ИНТЕЛЛЕКТУАЛЬНЫХ ТЕХНОЛОГИЙ
Рассматривается вопрос применения интеллектуальных систем распознавания локальных дефектов шлифованных поверхностей деталей подшипников.
Шлифование, детали подшипников, дефекты, распознавание, нейронные сети AA. Ignatiev, E.M. Samoylovа
ANALYSIS OF INHOMOGENEOUS BEARING SURFACES USING INTELLIGENT
TECHNOLOGY
The paper considers the issues relating application of intelligent systems to detect local defects in the polished surfaces of bearings.
Grinding, bearing parts, defects, pattern recognition, neural networks
Методы неразрушающего контроля, такие как травление, магнитные и индукционные, получили широкое распространение в подшипниковой промышленности. Один из индукционных методов -вихретоковый, основанный на анализе взаимодействия внешнего электромагнитного поля с электромагнитным полем вихревых токов, наводимых возбуждающей катушкой в электропроводящем объекте контроля, позволяет получать хорошие результаты контроля даже при высоких скоростях движения объектов, применяется в ОАО «Саратовский подшипниковый завод» при сплошном либо выборочном контроле деталей на отсутствие микротрещин и шлифовальных прижогов в процессе анализа поверхностного слоя деталей подшипников в составе автоматизированной системы вихретокового контроля (АСВК) [1]. Основные типы дефектов, выявляемые АСВК, - периодичеотие, одиночные и циклические прижоги на шлифуемой поверхности и по краю; трещины и микротрещины; а также пятна с пониженным содержанием углерода. Основой АСВК является разработанный совместно ОАО «Саратовский подшипниковый завод», Саратовским государственным техническим университетом имени Гагарина Ю.А. и ГУНТП «СТОМА» прибор неразрушающего вихретокового контроля ПВК-К2М (ВТП) [1-3].
По вихретоковым образам, формируемым ВТП, возможен оперативный контроль отклонений технологического процесса или неисправностей шлифовального оборудования, в частности превышение уровня вибрации, сопровождающей шлифование. Мониторинг качества шлифовальной обработки деталей подшипников по степени неоднородности поверхностного слоя с использованием интеллектуальных информационных технологий представляет собой два этапа: выявление и распознавание дефектов поверхностного слоя с обнаружением закономерностей (рис. 1) и проведение обучающего эксперимента с использованием нейронной сети для автоматического распознавания и принятия решения о качестве технологического процесса [4].
Наиболее распространенным приемом исследования сигналов до настоящего времени являлся частотный анализ, основанный на преобразовании Фурье, который не позволяет выявлять локальные дефекты, не имеющие достаточно выраженной периодичности, т.е. не решена задача автоматизации распознавания и идентификации дефектов. Для ее решения в настоящее время проводятся исследования по нескольким направлениям. Одно из них - исследования по различным аспектам распознавания изображений с помощью нейросетей как интеллектуальной составляющей мониторинга [5].
80
Для решения задачи идентификации неоднородностей и определения типов дефектов наиболее подходящей является сеть Кохонена. Это объясняется тем, что по сравнению с КБЕЧ-сетью, которая содержит большее число скрытых элементов, она требует более скромных затрат памяти, а по сравнению с небинарной ЛЯТ-сетью она более проста и предсказуема. Сеть Кохоне-на является типичным представителем сетей, решающих задачу классификации без учителя, в связи с этим блоки кодирования имен классов не используются [7, 8].
Выявление и разделение неоднородностей поверхностного слоя деталей подшипников как первый этап мониторинга строится на основе двух числовых массивов значений характеристик амплитуды и фазы, где сигнал, полученный по каждому из каналов, проходит фильтрацию, сглаживание, ранжирование по 16 уровням и проверку на выход значения сигнала за экспериментально установленные граничные значения фазы и амплитуды сигнала ВТП. Экспериментальные замеры проводились на деталях подшипников из стали марки ШХ-15. В блоке выделения участков неоднородности наряду с массивами значений параметров сигнала ВТП использовался массив типов неоднородностей и их областей.
Следующим этапом является разделение выделенных неоднородностей или объединение однотипных неоднородностей в случае, если они разделены разрывом развертки поверхности деталей подшипников. Информация, полученная на этом этапе обработки, передается в виде массива неоднородностей в блок - классификатор формы участков неоднородностей.
Определение характеристик участков неоднородностей поверхностного слоя проводилось на основании параметров формы неоднородностей, значения которых вычислялись автоматически с помощью специально разработанного программного обеспечения. Вычисленные значения параметров подавались на вход искусственной нейронной сети Кохонена упрощенной версии. Обучение проводилось без учителя по сформированной выборке, включающей вихретоковые образы 34 деталей, содержащих 683 неоднородности различных форм и типов. В результате проведенного исследования было выявлено 12 кластеров неоднородностей (рис. 2):
1 (1,96%) - крупные по размеру неоднородности - соответствуют крупным и глубоким единичным трещинам;
2 (2,11%) - крупные по размеру неоднородности с фигурными границами области соответствует трещинам, образующим сетку;
3 (7,08%) - средние неоднородности с фигурными границами области;
4 (7,68%) - неоднородности неправильной прямоугольной формы - представляют элементы крупных дефектов;
5 (10,24%) - округлые области неоднородностей с каймой из точек неоднородностей - соответствуют глубоким пятнистым прижогам;
6 (10,99%) - прямоугольные области неоднородностей - соответствуют крупным периодическим прижогам;
7 (12,35%) - прямоугольные области неоднородностей - соответствуют областям напряженного состояния поверхностного слоя между периодическими прижогами;
8 (12,56%) - области неоднородностей в виде «восьмерки» с каймой из точек неоднородностей -соответствуют глубоким пятнистым прижогам поверхностного слоя деталей подшипников;
9 (13,55%) - узкие вытянутые области неоднородностей при глубоких периодических прижо-гах поверхностного слоя деталей подшипников высокой частоты и
в
Рис. 1. Сканограммы дефектов, полученные с помощью прибора ПВК-К2М и их локализация в сигнале, где а - метальная трещина, б - напряженности области метальной трещины, в - пятнистый прижог
10 - 12 (21,39%) - мелкие, округлые области неоднородностей - объединяют незначительные дефекты и области неоднородностей, входящих в состав крупных дефектов [2, 6].
1 2 3 «Я лг Ш / м г Ий Й * ИИ ¥ /
4 I 1 1 \
5 * • • 9 *
6 7 8 9 й г } 1 1 4 Р 1 / 1 1
10 » > Г к %
11 12 л л 1 1 А 1
Рис. 2. Схема выявленных неоднородностей, отнесенных к различным кластерам
Экспериментальные исследования разработанной модели классификации неоднородностей показали, что кластеры, выявленные на основании предлагаемых параметров классификации с помо-
щью нейронной сети Кохонена, могут объединять дефекты одного типа (кластеры 1,2,5,6,7,8,9) и решать задачу распознавания некоторых видов дефектов (прижогов, периодических прижогов и трещин).
В результате проведенного исследования были выявлены несколько кластеров:
Кластер 1 (3,03%) - детали, содержащие узкие вытянутые области неоднородностей. Данный кластер соответствует деталям с глубокими периодическими прижогами поверхностного слоя деталей подшипников высокой частоты.
Кластер 2 (63,64%) - детали, содержащие небольшое количество различных типов небольших по размеру областей неоднородностей. В данный кластер выделены детали с небольшой долей (не более 30%) областей неоднородностей поверхностного слоя, не соответствующих нормам качества.
Кластер 3 (12,12%) - детали, содержащие большое количество различных типов небольших по размеру областей неоднородностей. В данный кластер выделены детали с большой долей (более 50%) областей неоднородностей поверхностного слоя, не соответствующих нормам качества.
Эталонные карты дефектов и результаты распознавания дефектов
Наименование № кластера неоднородности Схема кластера неоднородности Ождо йіуДО йіуДО
3 / 0,0379 0,1019 0,8981
Трещина 8 / 0,0568 0,1111 0,8889
3 / 0,1591 0,1296 0,8704
6 0,0237 0,4702 0,5298
Прижог 7 1 0,0809 0,4967 0,5033
6 0,1400 0,4834 0,5166
Трещина глубокая 1 ап 0,1498 0,5687 0,4313
Кластер 4 (15,16%) - детали, содержащие средние по размеру, с фигурными границами области неоднородности, состоящие из различных типов точек неоднородностей. В данный кластер выделены детали с большой долей (более 70%) областей неоднородностей поверхностного слоя, не соответствующих нормам качества.
Кластер 5 (6,05%) - детали, содержащие крупные по размеру, с относительно ровными границами области неоднородности, состоящие из различных типов точек неоднородностей. В данный кластер выделены детали с большой долей (более 80%) областей неоднородностей поверхностного слоя, не соответствующие нормам качества.
Для проверки было проведено экспериментальное распознавание дефектов на поверхности контролируемых деталей. Эталонные карты дефектов и результаты распознавания дефектов показаны в таблице.
Целесообразность использования интеллектуального анализа неоднородностей поверхностного слоя деталей подшипников на основе нейронных сетей подтверждена на основе экспериментальных исследований модели выявления дефектов и классификации неоднородностей с помощью сети Кохонена, что подтверждает эффективность применения разработанных методов и алгоритмов для решения задач классификации деталей подшипников по уровню качества поверхностного слоя и выявления дефектов при вихретоковом методе контроля и позволяет исключить человеческий фактор, повысить эффективность управляющих воздействий по корректировке технологического процесса с целью обеспечения заданного высокого уровня качества производимой продукции [8, 9].
ЛИТЕРАТУРА
1. Неразрушающий контроль и диагностика: справочник / под ред. В.В.Клюева. М.: Машиностроение, 2005.656 с.
2. Игнатьев С.А. Мониторинг технологического процесса как элемент системы управления качеством продукции / С.А. Игнатьев, В.В. Горбунов, А.А. Игнатьев. Саратов: СГТУ, 2009. 160 с.
3. Автоматизированный вихретоковый контроль в технологическом процессе производства подшипников / А.А. Игнатьев, Е.М. Самойлова, С.А. Игнатьев // Наукоемкие технологии в машиностроении и авиадвигателестроении: матер. 4 Междунар. конф. Рыбинск: РГАТУ, 2012. Ч. 2. С. 349-353.
4. Игнатьев А.А. Совершенствование управления качеством продукции на основе системы мониторинга с элементами искусственного интеллекта / А.А. Игнатьев, Е.М. Самойлова // Вестник Саратовского государственного технического университета. 2009. № 3 (41). С. 207-209.
5. Охтиев М.Ю. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов / М.Ю. Охтиев, Б.В. Соколов, Р.М. Юсупов. М.: Наука, 2006.
6. Бахтеев А.Р. Автоматизация распознавания дефектов шлифованных деталей в системе мониторинга технологического процесса производства подшипников / А.Р. Бахтеев, А.А. Игнатьев // Вестник Саратовского государственного технического университета, 2006. № 3 (14). С. 136-142.
7. НесМ-Nielsen R. Counterpropagation Networks / НесМ-Nielsen R. // Proceedings of the 1ЕЕЕ International Conference on Neural Networks, II, 1ЕЕЕ Рrеss. N.Y., 1987. Р. 19-32.
8. Уоссерман Ф. Нейрокомпьютерная техника: Теория и практика / Ф. Уоссерман. М.: Мир, 1992.
9. Самойлова Е.М. Интеграция искусственного интеллекта в автоматизированные системы управления и проектирование технологических процессов / Е.М. Самойлова, А.А. Игнатьев // Вестник Саратовского государственного технического университета. 2010. № 2 (44). С. 117-119.
410 с.
301 с.
Игнатьев Александр Анатольевич -
доктор технических наук, профессор, заведующий кафедрой «Автоматизация, управление, мехатроника» Саратовского государственного технического университета имени Гагарина Ю.А.
Alexander A. Ignatyev -
Dr. Sc., Professor
Department of Automation, Control, and Mechatronics, Yuri Gagarin State TechnicalUniversity of Saratov
Самойлова Елена Михайловна -
Elena M. Samoylova -
Ph. D., Associate Professor
Department of Automation, Control, and Mechatronics,
Yuri Gagarin State Technical University of Saratov
кандидат технических наук, доцент кафедры «Автоматизация, управление, мехатроника» Саратовского государственного технического университета имени Гагарина Ю. А.
Статья поступила в редакцию 12.02.14, принята к опубликованию 15.03.14
