CC BY
143
УДК 681.5
Д.О. Пчелинцев, С.А.Игнатьев АВТОМАТИЗИРОВАННОЕ РАСПОЗНАВАНИЕ ЛОКАЛЬНЫХ ДЕФЕКТОВ ПОВЕРХНОСТЕЙ КАЧЕНИЯ КОЛЕЦ ПОДШИПНИКОВ ПРИ ВИХРЕТОКОВОМ КОНТРОЛЕ С ИСПОЛЬЗОВАНИЕМ ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЯ
Рассматривается вопрос распознавания локальных дефектов шлифованных поверхностей качения колец подшипников при автоматизированном вихретоковом контроле с использованием вейвлет-преобразований.
Вихретоковый контроль, кольца подшипников, дефекты, распознавание образов, вейвлет-преобразования.
D.O. Pchelintsev, S.A. Ignatyev
THE AUTOMATED RECOGNITION OF LOCAL DEFECTS OF SURFACES OF BEARINGS RINGS ROLLING AT EDDY CURENT CONTROL WITH WAVELET-TRANSFORMATION USE
The question of recognition of local defects polished surfaces of bearings rings rolling is considered in the paper at automated eddy current control with use of wavelet-transformations.
Eddy current control, rings of bearings, defects, recognition of images, wavelet-transformations.
В современном производстве подшипников большое внимание уделяется качеству выпускаемых изделий. Практически каждая деталь подшипника подвергается контролю, особенно это касается деталей, содержащих поверхности качения. Их изготовление представляет собой сложный многоступенчатый процесс, поэтому контроль качества колец и роликов подшипников, входящий в систему мониторинга, занимает важное место в технологическом процессе [1].
Как правило, кольца и тела качения изготавливают из высокоуглеродистых закаливаемых до высокой твердости, реже - из малоуглеродистых цементуемых сталей. В любом случае к материалам подшипников предъявляются повышенные требования - высокая однородность физических свойств и химического состава. Даже незначительное местное ослабление материалов из-за структурных дефектов и дефектов изготовления приводит к образованию повреждений, влекущих за собой повышенный износ и преждевременный выход подшипников из строя вследствие зарождения усталостных трещин и выкрашивания материала с поверхностей качения [2, 3]. Поэтому особое внимание уделяется как процессу шлифования, так и контролю поверхностного слоя деталей подшипников [3, 4]. Важно отметить, что по виду и характеру дефекта можно судить о причинах его появления, т.е. используя результаты контроля качества деталей для системы мониторинга технологического процесса и оборудования (СМТП), можно настраивать станки, корректировать технологический процесс и, тем самым, повысить надежность выпускаемых подшипников [1].
При контроле деталей подшипников выделяют ряд дефектов, характерных для поверхностного слоя контролируемых изделий: прижоги, трещины, трооститные пятна и т.д. Для их контроля наиболее широкое распространение в подшипниковой промышленности получили следующие методы неразрушающего контроля: травление, магнитный и вихретоковый методы [5].
Травление использует кислотосодержащие растворы с последующим визуальным выявлением пятен различного тона. Процесс позволяет контролировать детали различных форм и размеров без переналадки оборудования, но не дает информации о глубине повреждений поверхностного слоя, является дорогостоящим, длительным и экологически вредным.
Магнитная дефектоскопия основывается на том, что в намагниченном изделии магнитный поток, встречая препятствие с малой магнитной проницаемостью (трещины, неметаллические включения), рассеивается. В случае, если дефекты расположены неглубоко, то на поверхности изделия в месте выхода силовых линий создается магнитная поляризация, которая может быть обнаружена специальными магнитными индикаторами, например, частичками ферромагнитных веществ (окислы железа). Как правило, весь процесс магнитной дефектоскопии механизирован, но обязательный визуальный осмотр положения магнитных индикаторов заметно снижает эффективность данного вида неразрушающего контроля и затрудняет автоматизацию процесса.
Электромагнитный метод неразрушающего контроля основан на анализе взаимодействия внешнего электромагнитного поля с электромагнитным полем вихревых токов, наводимых возбуждающей катушкой в электропроводящем объекте. Плотность вихревых токов в материале объекта зависит от его геометрических и электромагнитных параметров, а также от взаимного расположения измерительного вихретокового преобразователя (ВТП) и объекта. В качестве преобразователя обычно используют индуктивные катушки (одну или несколько). Синусоидальный (или импульсный) ток, действующий в катушках ВТП, создает электромагнитное поле, которое возбуждает вихревые токи в электропроводящем материале. Электромагнитное поле вихревых токов воздействует на катушки индуктивности преобразователя, наводя в них ЭДС или изменяя их полное электрическое сопротивление. Регистрируя напряжение на выходе измерительных катушек или их сопротивление, получают информацию о свойствах объекта и о положении преобразователя относительно контролируемого объекта [6]. Таким образом, сигнал ВТП содержит в себе широкий спектр информации о состоянии области контроля в виде электрических сигналов, что в совокупности с возможностью бесконтактного сканирования, инвариантности к влажности, давлению, загрязненности поверхности объекта непроводящими веществами, и высокой производительностью, определяет широкие возможности автоматизации вихретокового контроля. Методика применения вихретокового контроля в СМТП представлена на рис. 1. Она направлена на выявление как периодических, так и локальных дефектов поверхностей качения. Периодические дефекты выявляются применением фурье-преобразования к сигналу ВТП, в котором одна из спектральных составляющих значительно превосходит остальные по амплитуде, что достаточно легко распознается [1]. Для выявления одиночных дефектов целесообразно применить вейвлет-преобразование, которое позволяет определить локальные неоднородности в информационных сигналах [7].
Автоматизированный вихретоковый контроль поверхностей качения колец подшипников
----І--------- г--------------
Информация о видах дефектов шлифованных поверхностей
Сигнал с ВТД от эталонных деталей с дефектами или без дефектов
Классификатор дефектов для АСВК
Математическая обработка сигналов и формирование эталонных оценок качества колец
Контроль качества изготавливаемых колец
Сигнал с ВТД
Математическая обработка сигналов и выявление периодических неоднородностей и участков локальных особенностей сигналов
Рис. 1. Вихретоковый контроль качества колец как элемент системы мониторинга
В нашем случае, сигнал с ВТП представляет собой дискретный набор значений для двух каналов: амплитудного и фазового, полученных с автоматизированного прибора вихретокового контроля ПВК-2М при дефектоскопии деталей подшипников [1, 8]. Геометрия деталей подшипников обусловливает вид сигнала ВТП. Так как большинство контролируемых поверхностей имеют цилиндрическую форму (кольца, ролики и т.п.), то вихретоковый датчик движется относительно поверхности детали по дорожке в виде спирали. Таким образом, сканируется вся контролируемая поверхность. Математически сигнал является матрицей размера mxn (строго говоря, полностью сигнал описывается двумя такими матрицами - амплитудной и фазовой), где число строк т является количеством отсчетов сигнала, полученного с вихретокового датчика при его движении вдоль одной дорожки, а п, соответственно, равно количеству дорожек. Следовательно, если дефект «следа» пересекает несколько дорожек, то он оставит след на каждой из них примерно в одном месте. Поэтому является целесообразным изучать сигнал вдоль дорожек, двигаясь по столбцам в матрице сигнала сверху вниз.
Задачу автоматизации распознавания дефектов в вихретоковой дефектоскопии деталей подшипников можно разделить на две части. Первая часть - это локализация дефекта путем нахождения его границ в сигнале, вторая - собственно распознавание выделенного дефекта. Рассмотрим каждую часть отдельно.
Так как исследуемый сигнал дискретен, то для его анализа целесообразно использовать дискретное вейвлет-преобразование (ДВП) в качестве основного инструмента метода. Действительно, если какая-либо информация заключена в N отсчетах сигнала, то при любых преобразованиях сигнала для отображения этой информации без потерь в новом представлении (новом базисном пространстве) должно быть необходимо и достаточно то же самое ко-
личество отсчетов N. С учетом принципа неопределенности Гейзенберга это означает, что для точного восстановления сигнала достаточно знать его вейвлет-преобразование на некоторой довольно редкой решетке частотно-временной области, густой в области высоких частот сигнала и редкой в области низких частот. Одним из наиболее распространенных способов реализации ДВП является алгоритм Маллата [9]. Суть его состоит в разделении сигнала на низкочастотную и высокочастотную части с помощью сопряженных квадратурных фильтров, или зеркальных квадратурных фильтров. Таким образом, сигнал разлагается на аппроксимирующую часть Aj и детализирующую часть Dj, где j - номер уровня разложения. Поскольку на выходе низкочастотного фильтра отсутствует верхняя половина частот, то частота дискретизации выходного сигнала уменьшается в 2 раза, т.е. выполняется децимация выходного сигнала. То же самое производится и после применения высокочастотного фильтра. Таким образом, начальный сигнал s = cA0 можно разложить максимально на log2 N уровней, где N - количество отсчетов сигнала.
Быстрота алгоритма обусловливается тем, что только коэффициенты cAj вычисляются по формуле:
Cik = £+1)^ s(t) 4>(t-k) dt . (1)
Все же коэффициенты на более низких уровнях m > 1 получаются напрямую из ап-
проксимирующих коэффициентов предыдущего:
Cm+1,k = I h
n Cm,2k+n , (2)
n
Dm+1,k I gn Cm,2k+n , (3)
n
где hn и gn представляют собой операторы низкочастотного и высокочастотного фильтра соответственно. Таким образом, при разложении сигнала s(t) до уровня m' сигнал можно представить как
ад ад ад
s(t) I Cm',k фт',к(0 + I I Dm,k ^m,k(t). (4)
к=-ад m=m' k=-o>
Формула (4) представляет собой формулу быстрого вейвлет-преобразования (БВП). Функции ф^) и y(t) являются скейлинговой, обеспечивающей аппроксимацию сигнала s(t) («отцовским» вейвлетом), и материнским вейвлетом, обеспечивающим высокочастотную (флуктуационную) составляющую сигнала, соответственно.
Как правило, дефекты отображаются в сигнале как резкие кратковременные всплески с большой амплитудой. Следовательно, исходя из теории вейвлет-преобразования, они лучше всего отображаются в высокочастотной области разложения. На рис. 2 отчетливо виден след дефекта (метальная трещина) на последних уровнях разложения.
5
4
3
2
1
4
2
О
Рис. 2. Детализирующие коэффициенты ^э) вейвлет-разложения исследуемого сигнала (5)
со следом дефекта «метальная трещина»
Таким образом, исследуя детализирующие коэффициенты вейвлет-разложения амплитудной и фазовой составляющих сигнала, можно локализовать дефект, определив его границы во временной реализации. Алгоритм локализации дефектов состоит в следующем. Анализируя результаты БВП амплитудной и фазовой составляющих каждого столбца матрицы сигнала ВТП, выбирается уровень разложения с наибольшим отношением максимальная амплитуда/средняя амплитуда в флуктуационной части уровня. В этом уровне ищутся пики сигналов, превышающие пороговое значение р = 81ё(£)/0,3, где - среднеквадратичное
отклонение сигнала s, а значение 0,3 - найдено экспериментально. Далее из ряда детализирующих коэффициентов находятся границы этих пиков, из которых получают границы для «вырезки» дефекта в первоначальном сигнале. В случае перекрытия полученных границ применяется специальный алгоритм «сращивания», который объединяет дефектные области.
Полученные таким образом сигналы дефектов имеют различную длину и различные размеры по амплитуде, так как дефекты различаются по геометрическим размерам: глубине, площади, размерам зон напряжения и т.д. Но в то же время один и тот же вид дефектов имеет внутри своего класса сходную форму сигнала, что позволяет отличать один вид от другого.
Для последующих этапов распознавания возникает необходимость масштабирования и приведения сигналов дефектов к одной длине, равной 2п. В нашем случае это 64 отсчета. Для этого разработан алгоритм масштабирования на основе БВП с материнским вейвлетом Добеши седьмого порядка, результаты работы которого приведены на рис. 3.
Вторая часть задачи - распознавание дефектов - представляет собой в общем случае отнесение исследуемого объекта, представленного неким набором наблюдаемых параметров, к одному из альтернативных классов. Непосредственно процедура отнесения базируется на различиях некоторой упорядоченной совокупности признаков распознавания, которые традиционно формируют на основе полученных в результате наблюдений различных параметров классифицируемого объекта.
Важнейшей задачей процесса распознавания является определение набора признаков У\, У2, ..., Ук, то есть формирование признакового пространства таким образом, чтобы при минимально возможной размерности К обеспечить требуемую достоверность классификации. В нашем случае для выявления классификационных признаков короткий сигнал, представляющий дефект детали подшипника, раскладывается по алгоритму Маллата до уровня 1о§2 N где N - количество отсчетов сигнала дефекта. Затем берутся аппроксимирующие коэффициенты последнего уровня Ст'£ и на их основе вычисляются классификационные признаки.
б
а
в
15
10
*
О, L
Л
+++ &
О
Q
О
+
Рис. 3. Форма сигналов локализованных дефектов: а - метальная трещина; б - прижог; в - трооститное пятно;
сплошная линия - амплитудная, штрихпунктирная линия - фазовая составляющие сигнала
Первым признаком является расстояние от абсолютного максимума до абсолютного минимума в ряде аппроксимирующих коэффициентов последнего уровня разложения локализованных сигналов дефектов с помощью вейвлета Добеши восьмого порядка. Вторым признаком является расстояние от абсолютного минимума до следующего (второго) максимума. Указанные действия производились для амплитудной и фазовой составляющих сигнала (рис. 4). В результате, для каждого сигнала был получен признаковый вектор Уп = (уь у2, у3, у4), состоящий из двух пар признаков, полученных из амплитудной и фазовой составляющих соответственно.
Сигналы и аппроксимирующие коэффициенты амплитудной и фазовой составляющих весьма схожи (рис. 3, 4), поэтому в целях большей наглядности приведем визуализацию признакового пространства только одной пары признаков уь у2 (рис. 5).
_ЯЬ
о
10
15
20
25
Рис. 5. Визуализация признакового пространства, полученного с помощью метода, основанного на дискретном вейвлет-преобразовании; крестиками отмечены дефекты класса «прижог», ноликами - класса «метальная трещина», звездочками - «пятна троостита»
15
б
а
в
Рис. 4. Аппроксимирующие коэффициенты последнего уровня разложения сигналов локализованных дефектов: а - метальная трещина; б - прижог; в - трооститное пятно; сплошная линия - коэффициенты разложения амплитудной, штрихпунктирная - фазовой составляющих сигнала
Для автоматической классификации дефектов по найденным признакам целесообразно применять аппарат нейронных сетей. Данное решение продиктовано известными преимуществами классификаторов, построенных на основе перцептронного подхода, нежели на статистическом (байесовский подход, метод «ближайшего соседа») [10, 11]. В нашем случае для решения задачи классификации была выбрана стандартная нейронная сеть (двухслойная нейронная сеть прямого распространения с сигмоидальными передаточными функциями), предлагающаяся в пакете Neural Network Toolbox MATLAB® специально для задач распознавания образов.
б
После обучения сети на 78 образцах трех видов дефектов (метальная трещина, прижог, трооститное пятно), она была проверена на 112 образцах тестовых сигналов. Результаты работы сети приведены в таблице.
Результаты классификации дефектов при помощи нейронной сети
Вид дефекта Процент верно распознанных дефектов
Метальная трещина 95,2% (40 из 42 дефектов)
Прижог 100% (42 из 42 дефектов)
Трооститное пятно 100% (28 из 28 дефектов)
Общая эффективность сети 98,2%
В заключение можно сделать вывод, что предложенный метод является эффективным автоматическим способом распознавания наиболее часто встречающихся дефектов поверхностей качения колец подшипников. Его использование совместно с автоматическим занесением распознанных дефектов в базу данных СМТП позволит поднять качество выпускаемых подшипников на более высокий уровень, так как создает информационную основу для анализа и принятия решения по управлению качеством продукции.
ЛИТЕРАТУРА
1. Мониторинг станков и процессов шлифования в подшипниковом производстве /
A. А. Игнатьев, М.В. Виноградов, В.В. Горбунов и др. Саратов: СГТУ, 2004. 124 с.
2. Эльянов В.Д. Технология производства прецизионных подшипников: обзор /
B.Д. Эльянов, М. Ким-Даров. М.: НИИНАвтопром, 1983. 60 с.
3. Королев А.В. Исследование процессов образования поверхностей инструмента и детали при абразивной обработке / А.В. Королев. Саратов: Изд-во Сарат. ун-та, 1975. 192 с.
4. Горбунов В. В. Мониторинг технологического процесса обработки деталей подшипников с применением автоматизированного вихретокового контроля / В. В. Горбунов, А.А. Игнатьев, О.В. Волынская // Проблемы и перспективы прецизионной механики и управления в машиностроении: сб. науч. тр. Саратов: ИПТМУ РАН, 2002. С. 72-74.
5. Неразрушающий контроль и диагностика: справочник / под ред. В. В. Клюева. М.: Машиностроение, 2005. 656 с.
6. Дорофеев А.Л. Электромагнитная дефектоскопия / А.Л. Дорофеев, Ю.Г. Казаманов. М.: Машиностроение, 1980. 280 с.
7. Смоленцев Н.К.Основы теории вейвлетов. Вейвлеты в MathLab / Н.К. Смоленцев. М.: ДМК Пресс, 2005. 304 с.
8. Игнатьев А. А. Автоматизированная вихретоковая дефектоскопия деталей подшипников / А. А. Игнатьев, А.М. Чистяков, В.В. Горбунов // СТИН. 2002. № 4. С.17-19.
9. Mallat S.G. A theory of multiresolution signal decomposition: The wavelet representation / S.G. Mallat // IEEE Transactions on Pattern Analysis Machine Intelligence, July 1989. Vol. 11. P. 674-693.
10. Ту Дж. Принципы распознавания образов / Дж. Ту, В. Гонсалес. М.: Мир, 1978.
441 с.
11. Игнатьев А.А. Автоматизация распознавания дефектов шлифованных деталей в системе мониторинга технологического процесса производства подшипников / А. А. Игнатьев, А.Р. Бахтеев // Вестник Саратовского государственного технического университета. 2006. № 3 (14). Вып. 1. С. 136-142.
Пчелинцев Дмитрий Олегович - Pchelintsev Dmitry Olegovich -
аспирант кафедры «Автоматизация Post-graduate student of the Department
и управление технологическими процессами» of «Automation and Management Саратовского государственного of Technological Processes»
технического университета of Saratov State Technical University
Игнатьев Станислав Александрович - Ignatyev Stanislav Alexandrovich -
кандидат технических наук, Candidate of Technical Sciences,
доцент кафедры «Автоматизация и управление Assistant Professor of the Department технологическими процессами» of «Automation and Management
Саратовского государственного of Technological Processes»
технического университета of Saratov State Technical University
Статья поступила в редакцию 26.05.09, принята к опубликованию 17.07.09
