CC BY
2
В блоке «Проведение сравнительного анализа рынка, выбор 2-3 систем» здесь необходимо определить основные характеристики для сравнения систем, важные для конкретного предприятия.
Далее необходимо:
- провести пилотные проекты на изделиях небольшого объема;
- получить список вопросов по доработке систем;
- направить перечень вопросов разработчикам, проверить клиентоориентированность;
- оценить полученные результаты;
- принять решение о выборе и необходимости внедрения PLM системы.
Вывод. Вступая в эру цифровых двойников изделий, машиностроительные предприятия должны знать, что внедрение системы жизненного цикла изделия позволит не только объединить потоки информации об изделии, но и повысит их конкурентоспособность на рынке. Однако на этапе принятия решения о необходимости внедрения PLM системы нужно понимать, что материальные, временные и трудовые затраты будут значительные, поэтому их необходимо закладывать в бюджет предприятия. Серьезная проработка этапа выбора системы позволить сократить затраты, и минимизировать риски не внедрения.
Список литературы
1. Социально экономическое положение России. Сборник Росстата за январь 2024 г. Москва, 302 с.
2. Бойко Т.А. Анализ основных тенденций развития РЬМ-систем // Инновации и инвестиции, 2020. - №5. -С. 119-123.
3. /^соп. ги/рго(1ис18/1остап-р1т/
4.https://www.appius.ru/products/appiusPLM/?ysc1id=m39vd6326w720142282
5.https://intermech.ru/ips_mod.htm1
Делимова Ирина Сергеевна, начальник сектора внедрения и сопровождения систем жизненного цикла изделий с1е11тп@уа^ех. ги, Россия, г. Тула, АО ЦКБА,
Шпрехер Дмитрий Маркович, д-р техн. наук, профессор, [email protected], Россия, Тула, Тульский государственный университет
УДК 620.179.1
Б01: 10.24412/2071 -6168-2024-12-441 -442
УПРАВЛЕНИЕ ПРОЦЕССОМ ПРОВЕДЕНИЯ АНАЛОГОВОЙ ДЕФЕКТОСКОПИИ С ПОМОЩЬЮ ПРИМЕНЕНИЯ АЛГОРИТМОВ ТЕХНИЧЕСКОГО ЗРЕНИЯ
М.М. Косов, В.А. Косова, Ю.Н. Кожубаев, Д.И. Низамутдинова
В данной статье рассматривается исследуется использование метода неразрушающего контроля с целью диагностики состояния сварных швов труб, оценивается возможность применения алгоритмов технического зрения в аналоговой дефектоскопии. Актуальность темы исследования заключается в возможности повышения эффективности использования рентгенологического метода контроля за счет внедрения современных технологий технического зрения, которые позволят снизить влияние человеческого фактора, оптимизировать рабочее время на проведение контроля, сократить объем проведения однотипных операций, а также оптимизировать ресурсы, необходимые для проведения аттестации операторов-дефектоскопистов.
Ключевые слова: диагностика, нейронная сеть, рентгенологический контроль, техническое зрение.
Контроль качества деталей и узлов в процессе производства является важной составляющей процесса выпуска конечной продукции. Предприятия, достигшие определенного уровня конкурентоспособности, развития, зрелости технологий производства в целях соответствия выпускаемой продукции требованиям нормативной документации и потребностям потребителей, непрерывно совершенствуют применяемые методы контроля качества продукции и развивают системы управления качеством процессов.
441
Диагностика проводится в целях идентификации и своевременного устранения скрытых дефектов, которые способны оказать разрушительное влияние на сварные соединения и работу всей системы в процессе эксплуатации. На текущий момент разработано достаточное количество методов диагностики, включая проведение неразру-шающего контроля деталей и узлов различными способами. Для достижения высокой степени автоматизации процесса диагностики успешно внедряют нейронные сети в процессы дефектоскопии, применительно к областям, в которых неразрушающий контроль проводится на цифровых дефектоскопах. Выходными данными цифровой дефектоскопии являются электронные дефектограммы, которые анализируют с помощью технологий искусственного интеллекта при минимизации ошибок, связанных с обработкой и распознаванием объектов контроля и дефектов. Применение методов цифровой дефектоскопии описано [1,2].
Помимо цифровой дефектоскопии существует второй вид дефектоскопии - аналоговой дефектоскопии, к которой относятся такие методы как капиллярная дефектоскопия (контроль жидкими пенетрантами), визуальный контроль, плёночный рентген и т.д. Аналоговая дефектоскопия достаточно широко используется в различных областях промышленности ввиду ряда преимуществ по сравнению с цифровой дефектоскопией. Поэтому очень важно оптимизировать проведение аналоговой дефектоскопии и повышать эффективность данного вида контроля.
В статье рассматриваются алгоритмы компьютерного зрения, оценивается возможность использования компьютерного зрения в аналоговой дефектоскопии, в частности в радиографическом контроле. В качестве объекта исследования рассмотрены дефекты сварных швов труб диметра от 114 до 325 мм и толщиной стенки от 6 до 22 мм.
1. Применение рентгенологических исследований для контроля сварных швов. В нефтегазовой отрасли для контроля состояния магистралей активно применяется радиационный контроль. Указанные дефекты возникают в процессе производства, в результате ошибок, допущенных при выполнении технологического процесса.
Рентгенологическое исследование позволяет производить неразрушающий контроль обширного списка объектов, от внутренних органов человека до сварных швов металлических сборок-сварок.
Для случаев визуального контроля, капиллярной дефектоскопии, проведения рентгенологических исследований возникают сложности с применением нейронных сетей, ввиду возникновения проблем, связанных с интерпретацией полученных результатов, необходимых для принятия решения о наличии или отсутствии дефекта в детали. При этом замена аналоговой дефектоскопии на цифровую не всегда экономически выгодна ввиду высокой стоимости цифровых детекторов, высокой стоимости вспомогательного оборудования (компьютера), программного обеспечения, необходимости обучения дефектоскопистов.
Применение методов аналоговой дефектоскопии в общем случае обусловлено тем, что ее проведение не требует наличия в месте проведения дефектоскопии электричества и компьютера, как следствие, не требуется проводить обучение оператора работе с компьютером и соответствующим программным обеспечением.
Кроме общих преимуществ, у каждого вида аналоговой дефектоскопии есть частные преимущества. Например, для аналоговой рентгенографии:
- высокая разрешающая способность фоточувствительной плёнки. Размер пикселя цифрового детектора составляет от 127 до 194 мкм, у плёнки - от 0,5 мкм до 1,5 мкм.
- Гибкость плёнки. Плёнку можно вырезать нужной формы и разместить внутри изделий сложной конфигурации, исключив наслоение изображения от других элементов изделия.
- Возможность использования «бесконечной» экспозиции. Для контроля изделий с плохой рентген-прозрачностью или изделий с большой толщиной стенок необходимо проводить контроль с использованием длительной экспозиции. При этом цифровой детектор фиксирует изображение на уровне собственных шумов, и системы обработки будут фильтровать их, плёнка при аналоговом ренгенографии принимает столько облучения, сколько подается от источника излучения, она не имеет собственных шумов и не зависит от алгоритмов математической обработки.
Принципы проведения аналоговых и цифровых рентгенологических исследований одинаковые и представлены на рисунке 1. Источник ионизирующего излучения (ИИИ, рентген-трубка) выпускает излучение. Лучи проходят через объект контроля и падают на регистрирующий элемент. Разница между аналоговым и цифровым рентгенологическим исследованием состоит в регистрирующем элементе. В цифровом рентгенологическом исследовании регистрирующим элементом является рентгенотелевизионный детектор, а в аналоговом — это плёнки со светочувствительным слоем.
ИИЩ Излучение^ Объект-^ Регистрирующий
-контроля^ элемент^
Рис. 1. Принцип проведения рентгенологических исследований
Затененные контролируемыми изделиями участки пленки остаются не засвеченными, а, в случае наличия пор или иных нарушений сплошности шва, на снимке будет видна разность в интенсивности света (пример представлен на рисунке 2).
Свяпной шов
Труба №2
Пора в сварном шве
Рис. 2. Пример дефекта на рентгенологическом снимке (пора в сварном шве)
Для получения изображения, пригодного для анализа сварных швов магистралей необходимо производить просвечивание через две стенки с получением двойного изображения (рис. 3) по схеме контроля на эллипс [Ошибка! Источник ссылки не найден.].
У////////////^
шшш^шшшш
Л
Плёнка
Рис. 3. Схема контроля на эллипс
Основным недостатком проведения аналогового рентгенологического контроля является ручная обработка полученных результатов [4].
Преимущества и перспективы использования технического зрения отражены в работах [5,6,7]. Основные принципы технического зрения включают в себя сегментацию изображений, извлечение признаков и классификацию объектов на основе этих признаков [8]. Это позволяет создавать эффективные системы контроля, способные обнаруживать мелкие дефекты с высокой точностью и скоростью.
2. Обзор нейросетевых методов для распознавания дефектов сварных соединений. Применение нейронных сетей позволяет значительно сократить время решения инженерных и исследовательских задач [13]. Модель распознавания дефектов при проведении дефектоскопии должна обеспечивать достоверные результаты диагностики. В рамках данного исследования рассмотрены три метода.
1. Метод гауссовской фильтрации. Метод применяется для сглаживания изображений и уменьшения шума. Он основан на применении ядра Гаусса к каждому пикселю изображения. Этот процесс можно представить в виде свертки исходного изображения с ядром Гаусса.
Математически, ядро Гаусса определяется следующим образом:
где у)- значение ядра Гаусса, а а - стандартное отклонение.
443
Затем это ядро применяется к каждому пикселю изображения для вычисления нового значения интенсивности. Результатом является сглаженное изображение, в котором шум значительно снижен.
2. Алгоритм пороговой сегментации, с помощью которого можно определить границы объектов на изображении, исходя из заданного порога интенсивности пикселей.
Математически, алгоритм пороговой сегментации выглядит следующим образом:
If I(x, y) > T then I(x, y) = 1, else I(x, y) = 0 (2)
где I(x, y) - интенсивность пикселя, а T - порог.
3. Алгоритм YOLO (You Only Look Once). Алгоритм обнаружения объектов на изображениях, который обладает высокой скоростью работы и точностью, использующий глубокие нейронные сети для классификации и локализации объектов на изображении. YOLO разделяет изображение на сетку ячеек и для каждой ячейки предсказывает ограничивающие рамки и вероятности принадлежности к различным классам объектов [9,10,11]. Это позволяет алгоритму обнаруживать несколько объектов на изображении одновременно и достигать высокой скорости работы [12,13].
3. Обучение и тестирование нейронной сети. Предполагается, что полный цикл контроля сварного шва будет состоять из следующей последовательности действий:
1. Система, при помощи камеры захватывает изображение и определяет наличие на негатоскопе плёнки, после чего обрезает лишнее из зоны видимости и чистое изображение плёнки пересылает в нейронную сеть.
2. Нейронная сеть классифицирует изображения и локализует объекты на нём. Алгоритмы локализации объектов определяют наличие объекта на изображении и представляют его местоположение с помощью ограничивающей рамки.
3. В итоге система выводит на экран ПК изображение с результатами, в которых, либо отсутствуют данные о найденных дефектах, либо выводится изображение с выделенными зонами, в которых предполагается наличие дефекта и цифровое значение, показывающее вероятность того, что выделенная область является тем или иным дефектом. Общая схема работы системы представлена на рисунке 2.
Камера
Пленка со снимком
Рассеивающее стекло
Рис. 4. Общая схема системы
Обучение нейронной сети проводилось по 53 изображениям с браком на 25 эпохах обучения. Тестирование сети проводилось по 490 изображениям.
Результаты генерации параметров нейронной сети от количества эпох обучения представлены на графиках (рисунок 5).
train/box Joss
о lo го val/box toss
traín/dsjoss
results smooth
О 10 20 val/ds loss
traln/dfljoss
o lo го
val/dtl loss
metrics/preciiion(6)
me trfcs/reca 11(B)
о lo го metrlcs/mAP50(B)
о lo го
metncs,'mAP50-95(B)
Рис. 5. Графики результатов генерации нейронной сети от количества эпох обучения
444
Данные графики показывают, что сеть генерирует ограничивающие рамки с высокой точностью начиная с 21 эпохи обучения.
4. Результаты. После обучения были загружены изображения с дефектами и рассмотрены результаты работы алгоритма распознавания. В результате алгоритм обнаружил все дефекты и обозначил несколько ложных дефектов (вне сварного шва), что свидетельствует о необходимости корректировки работы алгоритма с ограничением области поиска дефекта только в сварном шве, то есть в дальнейшем нейронную сеть необходимо обучить не только на поиск дефекта, но и шва на снимках.
Экспериментальная точность модели обнаружения дефектов достигает 82% из-за наличия ложных индикаций вне зоны сварного шва.
Загруженные изображения Распознанные изображения
Рис. 6. Результат распознавания дефектов
На рисунке 7 обнаружено явное ложное срабатывание, так как индикация произошла вне зоны сварного шва, но существует ещё вероятность ложных срабатываний, в зоне перекрытия стенки и сварного шва при наличии дефекта в теле трубы.
Ложное срабатывание
Рис. 7. Ложное срабатывание
445
Заключение. Нейронная сеть может идентифицировать дефекты сварных швов, изображенных на рентгенологических снимках. Таким образом, можно сделать обоснованный вывод о возможности применения нейронной сети в процессе проведения аналоговой дефектоскопии. Внедрение технического зрения позволит снизить требования к квалификации операторов-дефектоскопистов и повысит достоверность и стабильность получаемых результатов контроля.
При проведении дальнейших исследований необходимо увеличить объем выборки.
Список литературы
1. Шиц Е. Д., Очнев А. А. Неразрушающий контроль промысловых трубопроводов // Наука, техника и образование. - 2015. № 18. С. 1-3.
2. Журо Д.В., Захаров М.В. Анализ состояния вопроса в области применения технического зрения для дефектоскопии // Международный журнал прикладных наук и технологий «Integral». - 2020. - № 4. - С. 231-234.
4. Головко С. В., Головко Ю. А. Программно-аппаратный комплекс диагностики состояния электрических изоляторов на основе технического зрения // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. - 2022. - № 3. - С. 30-37. https://doi.org/10.24143/2072-9502-2022-3-30-37.
5. Надежин М.Н., Пехтеров Д.В., Лотарев Д.А. Применение технического зрения в РКТ // Актуальные проблемы авиации и космонавтики. - 2020. - № 1. - С. 19-21
6. Корнейчук В. С., Котляр Д. И., Ломанов А. Н., Медведев Е. Ю. Применение машинного зрения для вычисления размеров дефектов при люминесцентном проникающем контроле лопаток ГТД // Вестник Череповецкого государственного университета. 2022. № 1 (106). С. 31-41. https://doi.org/10.23859/1994-0637-2022-1-106-3.
7. Васильев, П. В. Визуализация внутренних дефектов с применением глубокой генеративной нейросете-вой модели и ультразвукового неразрушающего контроля / П. В. Васильев, А. В. Сеничев, И. Джорджо // Advanced Engineering Research. — 2021. — Т. 21, № 2. — С. 143-153. https://doi.org/10.23947/2687-1653-2021-21-2-143-153
8. Соловьев А.Н., Соболь Б.В., Васильев П.В., Сеничев А.В., Новикова А.И. Идентификация дефектов в клине с покрытием на основе методов ультразвукового неразрушающего контроля и сверточных нейронных сетей // Вестник Пермского национального исследовательского политехнического университета. Механика. - 2023. - № 1. С. 111-124. DOI: https://doi.org/10.15593/perm.mech/2023.1.11
9. Брехт Э.А., Коншина В.Н., Применение нейронной сети YOLO для распознавания дефектов // Интеллектуальные технологии на транспорте - 2022. - №.2. - С. 41-46. - DOI: 10.24412/2413-2527-2022-230-41-47
10. Peiyuan Jiang, Daji Ergu, Fangyao Liu, Ying Cai, Bo Ma. A Review of Yolo Algorithm Developments. Procedia Computer Science, Volume 199, 2022, pp.1066-1073, https://doi.org/10.1016/j.procs.2022.01.135.
11. Xupeng Kou, Shuaijun Liu, Kaiqiang Cheng, Ye Qian. Development of a YOLO-V3-based model for detecting defects on steel strip surface, Measurement, Volume 182, 2021, https://doi.org/10.1016/j.measurement.2021.109454.
12. Y. Zuo, J. Wang and J. Song, "Application of YOLO Object Detection Network In Weld Surface Defect Detection," 2021 IEEE 11th Annual International Conference on CYBER Technology in Automation, Control, and Intelligent Systems (CYBER), Jiaxing, China, 2021, pp. 704-710, doi: 10.1109/CYBER53097.2021.9588269.
13. Yang, D., Cui, Y., Yu, Z., & Yuan, H. (2021). Deep Learning Based Steel Pipe Weld Defect Detection. Applied Artificial Intelligence, 35(15), pp. 1237-1249. https://doi.org/10.1080/08839514.2021.1975391.
Кожубаев Юрий Нургалиевич, канд. техн. наук, доцент, um-urii@mail. ru, Россия, Санкт-Петербург, Санкт-петербургский политехнический университет Петра Великого,
Косова Вера Алексеевна, старший преподаватель, gpx319@edu. spbstu. ru, Россия, Санкт-Петербург, Санкт-петербургский политехнический университет Петра Великого,
Косов Максим Михайлович, студент, [email protected]. ru, Россия, Санкт-Петербург, Санкт-петербургский политехнический университет Петра Великого,
Низамутдинова Диля Ильгизовна, студент, nizamutdinova. [email protected]. ru, Россия, Санкт-Петербург, Санкт-петербургский политехнический университет Петра Великого
MANAGING THE PROCESS OF CARRYING OUT ANALOGUE DEFECTOSCOPY USING MACHINE VISION
ALGORITHMS
M.M. Kosov, V.A. Kosova, Yu.N. Kozhubaev, D.I. Nizamutdinova
This article examines the use of the non-destructive testing method for the purpose of diagnosing the condition of pipe welds, and evaluates the possibility of using machine vision algorithms in analogue flaw detection. The relevance of the research topic lies in the possibility of increasing the efficiency of using the X-ray inspection method by introducing modern machine vision technologies, which will reduce the influence of the human factor, optimize working time for inspection, reduce the volume of similar operations, and optimize the resources required for certification offlaw detection operators.
Keywords: diagnostics, neural network, X-ray inspection, machine vision.
Kozhubaev Yuri Nurgalievich, candidate of technical sciences, docent, um-urii@mail. ru, Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University,
Kosova Vera Alekseevna, senior lecturer, [email protected], Russia, Saint Petersburg, Peter the Great Saint Petersburg Polytechnic University,
Kosov Maxim Mikhailovich, student, [email protected], Russia, Saint Petersburg, Peter the Great Saint Petersburg Polytechnic University,
Nizamutdinova Dilya Ilgizovna, student, nizamutdinova. di@edu. spbstu. ru, Russia, Saint Petersburg, Peter the Great Saint Petersburg Polytechnic University
УДК 681.518.5
DOI: 10.24412/2071-6168-2024-12-447-448
ОБЗОР ЦИФРОВЫХ СИСТЕМ УПРАВЛЕНИЯ СВАРОЧНЫМ ПРОЦЕССОМ
Т.А. Акименко, П.Р. Кремповский
Современные технологии сварки играют ключевую роль в повышении эффективности и качества производства, позволяя выполнять сложные соединения материалов с высокой точностью. В статье рассмотрены новейшие системы цифрового управления сварочными процессами, обеспечивающие автоматизацию, мониторинг и настройку параметров работы оборудования. Особое внимание уделено синергетическим, адаптивным и программируемым системам, а также технологиям с использованием машинного зрения. В статье приводятся примеры оборудования ведущих производителей, таких как Jasic, Fronius, Kemppi, EWM и Lincoln Electric, что подчеркивает широкое применение данных технологий.
Ключевые слова: цифровая система управления, сварка, цифровое управление, автоматизация, синерги-тическое управление, адаптивное управление, прогаммируемые системы, машинное зрение, технология сварки.
Современное производство невозможно представить без использования сварки - одного из ключевых методов соединения материалов. С развитием технологий в сварочной отрасли произошли значительные изменения: традиционные подходы уступают место цифровым системам управления, обеспечивающим высокую точность, стабильность и надежность процесса.
Цифровое управление открывает новые возможности для автоматизации, мониторинга и настройки сварочных процессов. Такие системы адаптируют работу оборудования к различным условиям, минимизируют человеческий фактор и позволяют добиваться неизменно высокого качества швов даже в сложных проектах.
В этой статье мы рассмотрим основные виды цифрового управления сварочным процессом, их преимущества и особенности. Кроме того, проанализируем работу нескольких типов сварочных аппаратов, в которых применяются эти системы, чтобы понять, как технологии делают сварку эффективнее, безопаснее и удобнее.
Среди самых популярных систем цифрового управления сварочным процессом выделяются несколько ключевых технологий, каждая из которых имеет свои особенности и преимущества:
Синергетическое управление.
Эта система автоматически подбирает оптимальные параметры сварки, включая ток, напряжение и скорость подачи проволоки, в зависимости от используемых материалов и условий. Она обеспечивает высокую стабильность процесса, минимизирует количество дефектов и облегчает настройку аппарата. Синергетическое управление особенно полезно для профессиональных сварщиков, так как позволяет добиться высокой производительности и качества сварочных соединений.
Система использует микроконтроллеры для автоматического анализа данных: типа и толщины металла, диаметра сварочной проволоки, режима подачи и напряжения.
На основе этих параметров аппарат сам подбирает подходящие настройки. Это избавляет оператора от необходимости вручную регулировать сложные параметры, что особенно удобно для менее опытных сварщиков.
Преимущества технологии
Упрощение работы: достаточно выбрать материал и его толщину - остальные параметры настроятся автоматически.
Уменьшение количества дефектов: стабильная дуга и точная настройка параметров уменьшают вероятность прожогов и дефектов шва.
Эффективность: повышается производительность за счет автоматизации процессов и уменьшения времени на подготовку.
Экономичность: снижается расход материалов и энергии, а также затраты на зачистку и исправление
ошибок.
Примеры аппаратов с синергетическим управлением
Jasic MIG-160 (N227) и Jasic MIG-200 (N229) - компактные устройства для работ с металлами различной
толщины.
Jasic MIG-350P и Jasic MIG-400P - аппараты с импульсным режимом, обеспечивающим высокое качество сварки и снижение тепловложений.
Другие устройства от производителей, таких как EWM, Kemppi и Fronius, также широко применяют си-нергетическое управление в своих профессиональных моделях.
Адаптивное управление.
Такие системы используют алгоритмы, которые анализируют изменения в процессе сварки в реальном времени (например, изменения зазора между деталями или толщины материала). На основе этих данных они динамически корректируют параметры сварки для достижения оптимальных результатов. Это особенно важно для работы с нестабильными условиями или сложными материалами.
Система включает датчики и алгоритмы, которые мониторят такие параметры, как: зазор между деталями, скорость движения сварочной головки, температурные изменения и качество дуги.
447
