На правах рукописи ПЧЕЛИНЦЕВ Андрей Сергеевич

На правах рукописи
ПЧЕЛИНЦЕВ Андрей Сергеевич
АВТОМАТИЧЕСКОЕ РАСПОЗНАВАНИЕ ДЕФЕКТОВ
ДЕТАЛЕЙ ПОДШИПНИКОВ ПРИ ВИХРЕТОКОВОМ
КОНТРОЛЕ НА ОСНОВЕ ИНТЕГРАЛЬНОЙ ОЦЕНКИ
СПЕКТРОВ ВЕЙВЛЕТ-КОЭФФИЦИЕНТОВ
ИНФОРМАЦИОННЫХ СИГНАЛОВ
Специальность 05.13.06 – Автоматизация и управление технологическими
процессами и производствами (в машиностроении)
АВТОРЕФЕРАТ
диссертации на соискание ученой степени
кандидата технических наук
Саратов 2010
Работа выполнена в Государственном образовательном учреждении
высшего профессионального образования
«Саратовский государственный технический университет»
Научный руководитель
- доктор технических наук, профессор
Игнатьев Александр Анатольевич
Официальные оппоненты
- доктор технических наук, профессор
Кушников Вадим Алексеевич
- кандидат технических наук
Горбунов Владимир Владимирович
Ведущая организация
- Институт проблем точной механики
и управления РАН, г. Саратов
Защита состоится 27 декабря 2010 г. в 14.00 часов на заседании
диссертационного совета Д 212.242.02 при ГОУ ВПО «Саратовский
государственный технический университет» по адресу: 410054, г.Саратов,
ул. Политехническая, 77, корп.1, ауд. 319.
С диссертацией можно ознакомиться в научно-технической библиотеке
ГОУ ВПО «Саратовский государственный технический университет».
Автореферат разослан «25» ноября 2010 г.
Автореферат размещен на сайте ГОУ ВПО «Саратовский государственный
технический университет» www.sstu.ru «25» ноября 2010 г.
Ученый секретарь
диссертационного совета
А.А.Игнатьев
2
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность
работы.
В
машинои
приборостроительных
предприятиях, выпускающих высокоточные детали и изделия для авиационной,
железнодорожной, автомобильной, судостроительной и другой техники,
возникает необходимость поддержания конкурентоспособности, которую можно
достичь повышением качества изготовления продукции. Одним из важнейших
элементов машин и приборов являются подшипники качения. Для обеспечения
качества продукции и эффективности подшипникового производства на
предприятиях внедряют системы менеджмента качества продукции, одним из
важнейших
элементов
которых
является
система
мониторинга
технологического процесса и оборудования. В свою очередь, технологический
процесс производства подшипников должен подлежать автоматизированному
контролю качества изготавливаемых изделий. Одним из элементов систем
мониторинга является контроль качества шлифованных поверхностей качения
деталей подшипников (колец и роликов). Наиболее эффективным и
перспективным с точки зрения автоматизации представляется вихретоковый
метод, подробно рассмотренный в работах А.Л. Дорофеева, Ю.Г. Казаманова,
В.С. Соболева, Ю.М. Шкарлета и других ученых, изучавших электромагнитную
дефектоскопию деталей. Вихретоковый метод контроля применяется в
различных областях производства. В подшипниковой промышленности
применение вихретокового метода контроля имеет специфику самого процесса
контроля и изготовления контролирующего оборудования. Эффективность
использования данного метода в настоящее время показана в ряде работ, в том
числе выполненных в СГТУ.
В СГТУ тема вихретокового метода контроля в системе мониторинга
производства деталей подшипников отражена в работах: А.А. Игнатьева, В.В.
Горбунова, С.А. Игнатьева, О.В. Волынской, А.Р. Бахтеева и Д.О. Пчелинцева.
Однако имеющиеся автоматизированные системы вихретокового контроля,
применяемые в подшипниковой промышленности, не исключают в полной мере
участие человека в процессе принятия решения о дефектах шлифованной
поверхности качения деталей подшипников.
Имеющиеся на данный момент автоматизированные системы
вихретокового контроля для мониторинга технологического процесса (ТП)
шлифования деталей подшипников (в т.ч. использующая вейвлетпреобразование
информационных
сигналов)
в
ОАО «Саратовский
подшипниковый завод» не отвечают в полной мере автоматическому контролю,
т.к. обеспечивают автоматическое распознавание только трех локальных
дефектов деталей подшипников.
Автоматический процесс контроля и выдачи их результатов становится
все более необходимым в связи с возникновением задач управления
технологическими процессами и качеством продукции. Таким образом, к
приборам неразрушающего контроля предъявляется требование совместимости с
управляющими ЭВМ. Кроме того, желательно наличие обратной связи, которая
обеспечит гибкое отслеживание приборами изменений ассортимента продукции
с целью обеспечения высокой достоверности и точности контроля.
3
Повышение эффективности вихретокового метода контроля качества
шлифованной поверхности деталей подшипников за счет автоматического
анализа степени неоднородности поверхностного слоя и выявления типичных
дефектов с помощью специальных методов вейвлет-анализа информационных
сигналов, разработку необходимых интеллектуальных технологий, позволяющих
повысить качество результатов контроля, следует считать актуальной задачей.
Целью диссертационной работы является совершенствование
вихретокового контроля качества шлифованных поверхностей качения деталей
подшипников на основе автоматического распознавания локальных дефектов с
применением интеллектуальных технологий при помощи интегральной оценки
спектров вейвлет-коэффициентов информационных сигналов и автоматической
классификации деталей по степени неоднородности поверхностного слоя
деталей подшипников.
В соответствии с поставленной целью в работе решаются следующие
задачи:
1. Разработка метода автоматического распознавания вида локальных
дефектов поверхностного слоя деталей подшипников по определенному набору
признаков на основе данных вихретокового контроля с применением вейвлетпреобразований и интеллектуальных технологий.
2. Создание программного модуля для автоматического поиска и
интеллектуальных алгоритмов распознавания наиболее распространенных
локальных дефектов шлифованной поверхности качения деталей подшипников
по данным вихретокового контроля.
3. Практическая реализация разработанного метода локализации и
классификации дефектов поверхностей качения деталей подшипников для
совершенствования механизма обратной связи в системе мониторинга
технологического процесса (СМТП).
4. Внедрение модуля распознавания дефектов деталей подшипников в
систему мониторинга процесса шлифования деталей подшипников.
Научная новизна работы заключается в следующем:
1. Разработан метод автоматического распознавания локальных дефектов
поверхностного слоя шлифованных деталей подшипников при вихретоковом
контроле на основе использования интегральной оценки спектров вейвлеткоэффициентов информационных сигналов.
2. Предложена и обоснована методика применения интегральных оценок
спектров вейвлет-коэффициентов информационных сигналов при распознавании
дефектов деталей подшипников, критериально оцениваемых по величине
интегральной оценки, причем на первом этапе осуществляется распознавание по
амплитудной составляющей информационных сигналов; если осуществляется
совпадение интегральных оценок от дефектов в одном признаковом
пространстве, то на втором этапе осуществляется распознавание по
интегральным оценкам фазовой составляющей информационных сигналов.
3. Разработан программный модуль, позволяющий реализовать алгоритм
распознавания ряда дефектов по амплитудной составляющей и автоматический
переход к распознаванию неопределенных дефектов по фазовой составляющей
информационных сигналов вихретокового преобразователя.
4
Методы и средства исследования. В основе проведенных исследований
лежат методы теории автоматического управления, аппарат вейвлетпреобразований, теория распознавания образов. Обработка результатов
вихретокового контроля велась с использованием специально разработанного
программного обеспечения в среде прикладных пакетов Wavelet Toolbox
2.0/2.1 (MATLAB 6).
Экспериментальные исследования проводились с использованием
автоматизированной системы вихретокового контроля (АСВК) на базе автоматов
контроля деталей подшипников (АВК-Р2 и ПВК-К2М) в производственных
условиях ОАО «Саратовский подшипниковый завод».
Практическая ценность и реализация результатов работы.
Применение метода автоматического контроля качества шлифованной
поверхности по данным вихретокового контроля проводилось в ОАО
«Саратовский подшипниковый завод» в рамках задачи совершенствования
автоматизированных средств контроля для системы мониторинга ТП и развития
АСУ ТП предприятия.
Разработано методическое и программное обеспечение для выявления
неоднородности структуры поверхностного слоя и автоматического
распознавания шести основных локальных дефектов на основе вейвлет-анализа
информационных сигналов АСВК в подшипниковом производстве.
Внедрение результатов работы осуществлено в ОАО «Саратовский
подшипниковый завод» в рамках программы внедрения специальных
технических средств для совершенствования системы
мониторинга и
управления качеством, действующей на предприятии, что позволило на 8-11%
повысить качество контроля деталей подшипников и в СГТУ в качестве учебнометодических материалов для дисциплины «Автоматизированный контроль и
диагностика».
Апробация работы. Основные положения работы докладывались на:
Всероссийских конференциях «Совершенствование техники, технологий и
управления в машиностроении» (Саратов, 2009), «Информационные технологии,
системы автоматизированного проектирования и автоматизированного
производства» (Саратов-Балаково, 2010) и 5 региональных конференциях
«Молодые ученые – науке и производству» (Саратов, две в 2008 г., две в 2009 г.
и одна в 2010 г.), и на заседаниях кафедры «Автоматизация и управление
технологическими процессами» СГТУ в 2008 -2010 гг.
Публикации. По теме диссертации опубликовано 10 работ, в том числе 1
статья в журнале, включенном в перечень ВАК РФ; 7 статей опубликованы без
соавторов.
Структура и объем диссертации. Диссертация состоит из введения,
четырех глав, заключения, списка использованной литературы и приложения.
Диссертация содержит 135 страниц, 50 рисунков, 5 таблиц, список используемой
литературы включает 122 наименования.
На защиту выносятся:
1. Метод автоматической оценки качества и распознавания вида локальных
дефектов поверхностного слоя деталей подшипников на основе данных
вихретокового контроля с применением вейвлет-преобразований.
2. Программный модуль для автоматического поиска с разработанными
алгоритмами распознавания наиболее распространенных локальных дефектов
шлифованной поверхности, в производстве деталей подшипников по данным
вихретокового контроля.
5
3. Экспериментальное применение программного модуля с элементами
интеллектуальных технологий, основанного на использовании метода
интегральных оценок.
4. Практическое применение экспериментальных данных распознавания
локальных дефектов деталей подшипников с использованием интеллектуальных
технологий в системе мониторинга ТП производства деталей подшипников.
СОДЕРЖАНИЕ РАБОТЫ
Во введении обосновывается актуальность темы, сформулированы цель,
решаемые задачи, научная новизна, практическая ценность работы, приведена
реализация результатов, представлены основные научные положения,
выносимые на защиту.
В первой главе рассматриваются методы неразрушающего контроля
деталей подшипников. Обосновано, что наиболее перспективным с точки зрения
автоматизации методом контроля поверхностного слоя деталей подшипников из
всех рассмотренных является вихретоковый контроль.
Ряд работ, посвященных применению вихретокового метода, выполнен в
СГТУ. Так, например, в работе О.В. Волынской выявлялись периодические
дефекты поверхностного слоя деталей подшипников с помощью применения
фурье-преобразования к сигналу вихретокового преобразователя (ВТП). Однако
применение подобной методики не позволяет выявлять локальные дефекты
поверхности деталей подшипников. В работе А.Р. Бахтеева разработан метод
сортировки деталей подшипников по степени неоднородности поверхностного
слоя и распознавание дефектов путем анализа изображений, составленных с
помощью обработки сигнала ВТП. Вследствие особенностей алгоритма
формирования карт неоднородностей поверхностного слоя деталей
подшипников было выявлено большое количество классов кластеризации
изображения, ряд которых неоднозначно описывают тип обнаруженных
неоднородностей. Исследование научно-технической информации показал
перспективность использования для поставленных задач аппарата вейвлетпреобразований, как для локализации неоднородностей в сигнале, так и для
последующего выделения классификационных признаков для каждого из
альтернативных распознаваемых дефектов. В СГТУ также рассматривались
вопросы по применению вейвлет-преобразований в работах С.А. Игнатьева и
Д.О. Пчелинцева. В работе Д.О. Пчелинцева имели место выборочные дефекты с
геометрическими классификационными признаками, обработка которых
осуществлялась из признакового пространства. Отличием данной работы от
работы Д.О. Пчелинцева является обработка шести разнородных дефектов
поверхностного слоя деталей подшипников с автоматическим выявлением
локальных дефектов деталей подшипников и распознавания их с помощью
интеллектуальных технологий, основанных на методе интегральных оценок. В
работе С.А. Игнатьева рассматривались для распознавания три дефекта и
показана возможность применения метода интегральных оценок. В данной
работе усовершенствовано применение автоматического формирования
классификационных признаков специальной обработки сигналов, основанной на
применении метода интегральных оценок к амплитудным и фазовым
составляющим информационных сигналов вихретокового преобразователя
(ВТП).
Таким образом, к применению вихретокового контроля с использованием
вейвлет-преобразований для выявления локальных дефектов поверхностного
6
слоя деталей подшипников проявляется большой интерес исследователей в
течение последних лет, однако ряд задач в части количества контролируемых
параметров и полного автоматического контроля требуют решения.
В соответствии с целью работы поставлен и решен ряд задач.
Во второй главе рассматривается метод автоматического распознавания
дефектов деталей подшипников при вихретоковом контроле на основе
интегральной оценки вейвлет-коэффициентов информационных сигналов АСВК.
В процессе производства появляется задача выбора рациональной совокупности
контролируемых параметров технологического процесса и оборудования (ТПО)
и организация процедуры контроля в соответствии с реально существующими
ограничениями (по возможностям измерительных и вычислительных устройств,
ограниченной точности измерений, по размещению датчиков на
технологическом оборудовании, по временным и материальным ресурсам и т.п.).
Это обусловлено тем, что ТПО включают в себя большое число компонентов со
сложными функциональными и информационными связями, причем отдельные
компоненты сами по себе являются сложными системами, например,
автоматизированные станки с возможностью контроля продукции. При
вихретоковом методе контроля оператор должен обладать достаточно большим
опытом для визуального распознавания дефектов по изображению. Эту задачу
существенно облегчают, во-первых, создание специального классификатора
дефектов,
выявленных
другими
известными
методами,
во-вторых
автоматический процесс распознавания. Для распознавания локальных дефектов
предусматривается
метод,
основанный
на
использовании
вейвлетпреобразования информационных сигналов ВТП. На ОАО «Саратовский
подшипниковый
завод»
дискретные
вейвлет-преобразования
(ДВП)
применяются как первый этап в автоматизированном распознавании образов.
Реальные нестационарные сигналы чаще всего состоят из кратковременных
высокочастотных и длительных низкочастотных компонентов, поэтому для их
анализа целесообразно применять преобразование, которое обеспечивает
различные окна для различных частот (узкие – для высоких частот и широкие –
для низких). Этим условиям отвечает вейвлет-преобразование. Вейвлеты
обладают существенными преимуществами по сравнению с преобразованием
Фурье, применяемым для периодических сигналов, потому что с их помощью
можно анализировать прерывистые сигналы, либо сигналы с острыми
всплесками. Материнскими вейвлетами могут быть различные функции,
например, вейвлеты Хаара; Шеннона; Добеши; Мейера; «мексиканская шляпа» и
т.д. Вейвлет-преобразование позволяет выявить количественную оценку
различных дефектов деталей подшипников. Коэффициенты разложения зависят
от выбора анализируемого всплеска, поэтому для каждой прикладной задачи
необходимо подобрать наиболее приспособленный всплеск. При вейвлет-
преобразовании сигнала f(x) представляется в виде взвешенной суммы
базисных функций:
f (x) = ∑ Ci Ψi (x),
(1)
i
где Ψi(x) – базисные функции, Ci – коэффициенты. Поскольку выбор базисных
функций выполняется заранее, коэффициенты Сi
содержат полную
информацию об исходном сигнале.
При применении вейвлет-преобразований к сигналам ВТП от локальных
7
дефектов по значениям коэффициентов разложения можно судить о виде
дефекта, так как наборы коэффициентов различаются. В виде объекта
автоматического распознавания выбраны детали подшипников, качество
которых поддерживается с помощью вихретокового метода контроля
неоднородности поверхностного слоя шлифованных деталей подшипников.
Локальным неоднородностям поверхностного слоя соответствуют резкие
колебания амплитуд составляющих сигнала по сравнению со средним
значением амплитуд сигнала ВТП, полученного при контроле детали с
приемлемым уровнем качества. Вследствие того, что наиболее часто
встречающиеся дефекты поверхностного слоя деталей подшипников имеют
различную форму сигнала ВТП, и следовательно, различаются спектры
вейвлет-коэффициентов, предоставляется возможность разработать методику
автоматического выявления
и
распознавания
локальных дефектов
поверхностного слоя деталей подшипников. Существенным отличием
предлагаемого метода является использование амплитудных и фазовых
составляющих сигнала ВТП для распознавания локальных дефектов деталей
подшипников. Часть дефектов распознается по амплитудной составляющей, в
противном случае осуществляется автоматический переход к распознаванию по
фазовой составляющей информационных сигналов (ИС). Весь цикл контроля и
автоматического распознавания локальных дефектов изначально начинается с
проведения измерений на АСВК с последующей математической обработкой
полученных исходных данных (массивов данных). Полученные результаты
подлежат дополнительному анализу с целью выявления совпадений параметров
локальных дефектов в области пространства признаков (рис.1).
Файл
данных
Установка контроля
деталей подшипников
Выборка по
амплитудной
составляющей ИС
Выборка по
фазовой
составляющей ИС
Проверка на
совпадение параметров
Результат
мониторинга
Математическая
обработка
Результат
Рис.1. Схема распознавания дефектов
В качестве основного метода распознавания рассматривается
детерминированный подход, в котором постановка задач распознавания
основана на том, что объект характеризуется n-мерным массивом данных, а
состоянию объекта соответствует некоторая область пространства признаков. В
соответствии с решающим правилом искомое состояние объекта необходимо
отнести к определенной области пространства признаков, причем они должны
считаться непересекающимися, т.е. каждое состояние объекта соответствует
8
только одной области пространства признаков. При разработке метода
автоматического выявления и распознавания дефектов с применением
интеллектуальных технологий на основе метода интегральных оценок спектров
вейвлет-коэффициентов информационных сигналов поверхностного слоя
деталей подшипников предварительно проводится обучающий эксперимент
(накопление базы данных и знаний), который можно представить в нескольких
этапах (рис. 2). Первоначально устанавливается, какие дефекты будут в
дальнейшем распознаваться, т.е. изначальные значения массива данных
сравниваются с эталонными значениями классификатора неоднородностей и
дефектов КЗ-2005. При последующих загрузках, подлежащих распознаванию
массивов данных, происходит накопление сравнительных значений локальных
неоднородностей дефектов, т.е. накопление базы данных, что придает системе
интеллектуальный аспект самообучения с принятием решения по априорному
описанию классификационных признаков локальных неоднородностей
дефектов.
Автоматизированное
управление объектом
Обучающий
эксперимент
Автоматическое
принятие решения на
основе метода
интегральной
оценки
Обучающая
выборка
Результаты
распознавания
состояния
Принцип
классификации
Классификатор
дефектов
КЗ-2005
Априорное
описание
классов
Алгоритм
распознавания
Словари
признаков
ИУ1
Уровни
значений
ИУ2
…
ИУn
Реальное состояние объекта
технологического процесса
Рис. 2. Алгоритмизация процесса распознавания состояния и управления объектом
(ИУi, i=1…n-измерительные устройства для контроля параметров технологического процесса и
оборудования)
Эффективность
системы
распознавания
9
оценивается
показателем,
величина которого есть вероятность получения правильного решения при
распознавании состояний различных классов. При распознавании с обучением
используется ранее известный метод эталонов. В данном методе решающее
правило, т.е. отнесение состояния объекта к одному из k состояний, базируется
на вычислении наименьшего расстояния L до одного из эталонов. Состояние
каждого из эталонов четко определено на основании обучающих
экспериментов, причем если имеется Mj объектов в состоянии Sj, то за эталон
можно принять:
1
Sj 
M
M
j
S
m 1
jm
(2)
где, Sjm - вектор соответствующий объекту с состоянием Sj.
Координаты вектора S j соответствуют средним значениям координат
векторов, составляющих обучающую последовательность (рис. 3).
Рис. 3. Распознавание состояний по расстоянию в пространстве признаков
На практике вводится некоторый порог распознавания в виде области,
окружающей точку эталона.
Надежность распознавания будет тем выше, чем меньше расстояние lj по
сравнению с другими. Вводится коэффициент распознавания:
j 
1
k
l j  l q1
(3)
q 1
Этот коэффициент сходен с вероятностью распознавания статистическим
методом. При оценке состояния объекта самым простым является разбиение
пространства состояний на два класса. Для ТПО это соответствует
следующему:
10
- класс 1 – качество деталей в норме;
- класс 2 – качество деталей не в норме (брак).
Данный метод распознавания локальных дефектов основан, во-первых, на
автоматическом поиске в исходном массиве данных вихретокового образа
каждого кольца сегментов с существенной неоднородностью сигнала и
применении к выделенному массиву вейвлет-преобразования, во-вторых, на
применении к полученному спектру вейвлет-коэффициентов для различного
вида дефекта одного из известных методов теории распознавания, в частности,
метода распознавания с обучением по вихретоковым образам эталонных
деталей подшипников из классификатора, упомянутого выше. В качестве
расстояний lj в пространстве признаков является значение интегральной оценки.
В процессе анализа экспериментальных данных было выявлено, что каждому
дефекту в отдельности свойственна собственная интегральная оценка,
отличающаяся от других дефектов, которая равна:
IO   Ci ,
(4)
i
где Сi – вейвлет-коэффициенты.
Для определения надежности распознавания наиболее распространенных
дефектов поверхностей качения деталей подшипников (забоина, метальная
трещина, штриховой прижог, пятнистый прижог, закалочная трещина,
шлифовальная трещина, см. рис.4) предлагается использование одного
классификационного
признака
–
интегральной
оценки
спектров
аппроксимирующих вейвлет-коэффициентов окна выявления дефекта,
приведенного в единому масштабу (3).
а) забоина
б) метальная трещина
г) пятнистый прижог
д) закалочная трещина
в) штриховой прижог
Рис. 4. Вихретоковые образы дефектов
11
е) шлифовальная
трещина
Таким
образом,
проведенный
анализ
позволил
обосновать
целесообразность разработки методов автоматического распознавания
дефектов и анализа качества шлифованной поверхности деталей подшипников
по данным вихретокового контроля, на основе разработанного алгоритма
процесса распознавания состояния контролируемого объекта, и управления им
в
системе
мониторинга
технологического
процесса
производства
подшипниковой продукции.
В третьей главе рассматривается разработка программного модуля для
распознавания локальных дефектов поверхности качения деталей подшипников
на основе вейвлет-анализа с использованием метода интегральных оценок
состояния объекта. После проведения обучающей выборки программно
реализуется предлагаемая методика по выявлению и распознаванию дефектов
поверхностного слоя деталей подшипников по заданному алгоритму (рис.8),
посредством которой для каждой детали вычисляются количественные оценки
качества поверхностного слоя по исходному массиву значений по амплитуде,
полученному с вихретокового датчика. Одной из количественных оценок,
необходимой для анализа является среднее квадратичное отклонение (СКО)
амплитудной составляющей информационных сигналов (рис.5).
В первом блоке программы осуществляется загрузка исходного массива
значений с последующей обработкой данных с целью вычисления
количественных оценок для выявления наличия локального дефекта. После
полученных результатов осуществляется вычисление граничных условий. Также
необходимо учитывать возможность появления погрешности математических
вычислений. С этой целью предусматриваются граничные значения,
исключающие погрешность на 20% (рис. 6).
Рис. 5 Вычисление количественных значений для текущего столбца одного
блока массива
Во втором блоке программы производится деление исходного массива,
полученного с вихретокового датчика, на части. После вычисления каждого
среднего квадратичного отклонения определяется наличие или отсутствие
дефектов в проверяемом блоке. Расчет количественных оценок повторяется по
всем блокам разделенного массива. После выполненных расчетов происходит
12
формирование массива и построение контрольного графика обнаруженных
дефектов в осях между СКО и вейвлет-коэффициентами (Wk).
Рис. 6. Графики определения дефекта
Рис. 7. График распознавания дефекта
Одной из задач автоматического распознавания дефектов является
локализация «следа» дефекта путем нахождения его границ в сигнале, второй –
распознавание выделенного дефекта.
Третий блок программы предусматривает вейвлет-анализ с целью
построения многоуровневого одномерного вейвлет-разложения 3-го порядка с
использованием вейвлета Добеши. Применение вейвлет-разложения является
необходимым для вычисления аппроксимирующих коэффициентов. Процесс
вычисления аппроксимирующих коэффициентов повторяется до последнего
подблока программы.
Четвертым этапом выявления и распознавания дефектов является выявление
определенного дефекта с применением интеллектуальных технологий, основанного
на методе интегральной оценки по условному алгоритму (рис. 7).
Показатели качества при этом связываются с площадями, заключенными
между значением СКО и количеством вейвлет-коэффициентов в зависимости от
количества проходов датчика по контролируемой детали. Результат вычисления
представляется в виде масштабируемого графика количества дефектов и
распознавания дефекта. Возможность совпадения интегральных оценок разных
дефектов, по происхождению, в одном интервале учтена программным способом и
позволяет исключить ошибки при распознавании дефектов. Предусматривается
повторное
вычисление
всех
параметров
количественных
оценок
и
аппроксимирующих коэффициентов с исходного массива полученного результата с
вихретокового датчика, только уже по загруженным параметрам, фазовой
составляющей информационных сигналов.
13
начало
1
2
3
нет
да
да
4
5
да
нет
9
8
6
нет
да
7
10
1.
Загрузка
заданного
массива образов (МО) и
искомого образа (Х).
2.
Перебор
элементов
набора образов.
3.
Проверка на окончание
перебора элементов.
4.
Сравнение
искомого
образа (Х) с текущим
элементом.
5.
Инкрементация
счетчика
образов,
к
которому можно отнести
искомый
образ
и
запоминание интеллектуального
идентификатора
текущего
элемента
(накопление базы знаний).
6.
Проверка на наличие
совпадений
искомого
дефекта
с
образами
дефектов.
7.
Дефектов нет.
8.
Проверка на необходимость проведения дополнительного анализа.
9.
Распознан
единственный и определенный дефект
(вывод по идентификатору).
10. Проведение
дополнительного анализа исходных
данных
по
фазовой
составляющей
информационных
сигналов,
аналогичной амплитудной.
конец
Рис. 8. Алгоритм распознавания поверхностных дефектов по классификационным
признакам дефектов
Таким образом, применение интеллектуальных технологий заключается, вопервых, в применении метода распознавания образов, во-вторых, в том, что если в
алгоритме распознавания (рис. 8) интегральная оценка по амплитудной
составляющей не позволяет распознать дефект детали, то осуществляется
14
автоматический переход к анализу данных по фазовой составляющей
информационных сигналов ВТП.
В четвертой главе отражаются результаты внедрения автоматического
распознавания дефектов на основе вейвлет-анализа с использованием
интеллектуальных технологий на основе метода интегральных оценок и
применение результатов в производстве деталей подшипников.
В процессе анализа и выбора неоднородностей поверхностного слоя были
выбраны следующие дефекты: забоина, трещина закалочная, метальная трещина,
шлифовальная трещина, пятнистый прижог, штриховой прижог.
В процессе распознавания дефектов возможность совпадения интегральных
оценок в одном интервале исключена, по происхождению исходного алгоритма
(рис. 8), например при загрузке исходных данных программа распознала дефектзабоину с такой же интегральной оценкой, как и шлифовальный прижог,
вследствие чего, следуя запрограммированному алгоритму, программа повторяет
цикл обработки данных с загрузкой исходных параметров не по амплитудной, а
уже по фазовой составляющей информационных сигналов. В результате система
принимает окончательное решение по происхождению дефекта в зависимости от
исходных данных (рис. 9).
IO
IO
Wk
Wk
а) Забоина наружного диаметра кольца
б) Шлифовальный прижог кольца
Рис. 9. Графики дефектов интегральной оценки после обработки исходных
данных по фазовой составляющей информационных сигналов
За счет возможности обработки больших объемов экспериментальных
данных, а также подбора параметров модели, программный модуль позволяет
повышать качество классификации деталей по степени неоднородности и
распознавания дефектов, осуществляемого вейвлет-преобразованием с помощью
метода интегральной оценки. Модуль предусматривает возможность передачи
данных в СМТП и на верхний уровень АСУ ТП ОАО «Саратовский
подшипниковый завод» (рис. 10), окно работы которой представлено на рис. 11.
Предлагаемый метод автоматического определения и распознавания
дефектов поверхностного слоя деталей подшипников на этапе обучающего
эксперимента был проверен на 58 деталях подшипников, что показало
целесообразность и эффективность применения процесса распознавания локальных
дефектов подшипников с применением интеллектуальных технологий на основе
15
Рис. 10. Вихретоковый контроль с элементом интеллектуальных технологий в системе
мониторинга технологического процесса производства деталей подшипников
Рис. 11. Окно основного режима программы «Мониторинг»
16
метода интегральных
(см. таблицу).
оценок
в
производстве
подшипниковой
продукции
Результаты применения автоматического распознавания локальных дефектов с
применением интеллектуальных технологий на основе метода интегральных оценок на
этапе обучающего эксперимента
Верно распознанные
детали, %
Вид дефекта
1.
2.
3.
4.
5.
6.
Забоина
Трещина закалочная
Метальная трещина
Шлифовальная трещина
Пятнистый прижог
Штриховой прижог
100
100
100
100
100
100
Кол-во
проверенных
деталей, шт
18
10
5
6
7
12
Надежность распознавания дефектов представлена в пространстве
признаков между амплитудной составляющей информационных сигналов
(АСИС) и фазовой составляющей информационных сигналов (ФСИС) (рис.12) в
качестве вычисления коэффициентов распознавания (3). Значения коэффициентов
интегральной оценки определены из обучающих экспериментов (по 5 деталей
подшипников с каждым видом дефекта). Значения коэффициентов распознавания
по формуле (3) для каждого из видов дефектов составляют не ниже 0,6.
Следовательно, распознавание выполняется с приемлемым для практики
качеством.
ФСИС
1
,
0
0,8
д
0,6
0,5
0,47
г
0,37
0,2
а
б
в
д
г
е
АСИС
0
0,4
0,2
0,6
0,8
Значения информативного признака
1
,
0
Рис.12. Распознавание дефектов в пространстве признаков
17
Эффект от внедрения автоматического распознавания дефектов поверхности
деталей подшипников по характеристикам сигнала АСВК для СМТП шлифования
в ОАО «Саратовский подшипниковый завод» достигается за счет снижения брака
и выработки стандартных мер по устранению выявляемых типов неоднородностей.
Также уменьшится время на принятие решения о настройке оборудования,
повысится результативность мер по корректировке ТП, о чем свидетельствует акт
внедрения.
Внедрение и практическая реализация автоматической системы
распознавания дефектов деталей подшипников в системе мониторинга позволяют
существенно повысить качество производства продукции и способствуют ее
конкурентоспособности на рынке.
ОСНОВНЫЕ ВЫВОДЫ
1. Анализ научно-технической информации по неразрушающему
контролю
шлифованных
деталей
подшипников
позволил
обосновать
целесообразность совершенствования вихретокового метода и программных
средств обработки информационных сигналов об изменении физико-механических
свойств тонкого поверхностного слоя деталей подшипников с использованием
интеллектуальных технологий.
2. Обоснована методика применения интегральных оценок спектров
вейвлет-коэффициентов информационных сигналов при автоматическом
распознавании шести основных типовых дефектов деталей подшипников, с
коэффициентом распознавания от 0,6 до 0,9.
3. Разработанный программный модуль позволяет осуществлять
распознавание дефектов по одному параметру интегральной оценки, связанному с
амплитудной составляющей, а затем по второму параметру интегральной оценки,
связанному с фазовой составляющей информационных сигналов, что необходимо
для автоматического выделения и надежного распознавания локальных дефектов.
4. Обосновано, что данный метод распознавания обладает свойством
самообучения путем накопления собственной базы данных, базы знаний и
принятия решения о виде дефекта шлифованной поверхности качения деталей
подшипников, следовательно, содержит элементы интеллектуальных технологий.
5. Показано, что разработанный программный модуль, встраиваемый в
систему мониторинга технологического процесса, осуществляет передачу данных
на верхний уровень АСУТП предприятия, что необходимо для принятия решения
об автоматизированном управлении технологическим процессом шлифования
деталей подшипников.
6. Обосновано,
что
внедрение
и
практическая
реализация
автоматической системы распознавания дефектов деталей подшипников в системе
мониторинга позволяет повысить на 8-11% качество контроля продукции и
способствует ее конкурентоспособности на рынке.
18
Основные положения диссертации опубликованы в следующих работах:
В изданиях, рекомендованных ВАК РФ
1.
Пчелинцев А.С. Автоматическое распознавание дефектов деталей подшипников
на основе интегральных оценок
вейвлет-коэффициентов с использованием
интеллектуальных технологий / А.С. Пчелинцев, А.А. Игнатьев // Вестник Саратовского
государственного технического университета. 2010. №3(48). С.102-108.
В других изданиях
2.
Пчелинцев А.С. Распознавание образов на основе вихретокового контроля /
А.С. Пчелинцев //Автоматизация и управление в машино- и приборостроении: сб. науч.
тр. Саратов: СГТУ, 2007. С.176-179.
3.
Пчелинцев А.С. Вейвлет-преобразование и анализ временных рядов в
подшипниковой промышленности на основе вихретокового контроля / А.С. Пчелинцев
//Автоматизация и управление в машино- и приборостроении: сб. науч. тр. Саратов:
СГТУ, 2008. С.187 – 190.
4.
Пчелинцев А.С. Распознавание дефектов деталей подшипников при
вихретоковом контроле с помощью вейвлет-преобразований/ А.С. Пчелинцев // Молодые
ученые – науке и производству: материалы конф. Саратов: СГТУ, 2008. С.180-184.
5.
Пчелинцев А.С. Применение программного аппарата для распознавания образов
/ А.С. Пчелинцев // Молодые ученые – науке и производству: материалы конф. Саратов:
СГТУ, 2009. С.172-175.
6.
Пчелинцев А.С. Влияние дискретных данных на результат вейвлет-анализа в
подшипниковом производстве / А.С. Пчелинцев //Автоматизация и управление в машинои приборостроении: сб. науч. тр. Саратов: СГТУ, 2009. С.152 – 155.
7.
Пчелинцев А.С. Методы автоматизированного распознавания дефектов в
подшипниковом производстве / А.С. Пчелинцев //Прогрессивные направления развития
технологии в машиностроении. Саратов: СГТУ, 2010.С.115-117.
8.
Пчелинцев А.С. Применение быстрого вейвлет-преобразования для фильтрации
сигналов с вихретокового датчика / А.С. Пчелинцев //Автоматизация и управление в
машино- и приборостроении: сб. науч. тр. Саратов: СГТУ, 2010.С.147-151.
9.
Пчелинцев А.С. Автоматизированный вихретоковый контроль роликов
подшипников как элемент технологического производства / М.В. Карпеев,
А.С. Пчелинцев, С.А. Игнатьев // Прогрессивные направления развития технологии в
машиностроении. Саратов: СГТУ, 2010. С. 125-128.
10. Пчелинцев А.С. Автоматическое распознавание дефектов деталей подшипников
при вихретоковом контроле на основе интегральной оценки вейвлет-коэффициентов
информационных сигналов / А.А. Игнатьев, А.С. Пчелинцев, С.А. Игнатьев //
Информационные технологии, системы автоматизированного проектирования и
автоматизированного производства: сб. науч. тр. 2-й Всерос. конф. Саратов: СГТУ, 2010.
С. 161-165.
Подписано в печать 25.11.10
Бум. офсет.
Формат 60×84 1/16
Усл. печ. л. 0,93 (1,0)
Тираж 100 экз.
Заказ
Уч.-изд. л. 0,9
Бесплатно
Саратовский государственный технический университет
410054, Саратов, Политехническая ул., 77
Отпечатано в Издательстве СГТУ. 410054, Саратов, Политехническая ул., 77
19