CC BY
50
Министерство образования и науки РФ
Правительство Пензенской области Академия информатизации образования Академия проблем качества РФ Российская академия космонавтики им. К.Э.Циолковского Российская инженерная академия Вычислительный центр РАН им. А.А.Дородницына Институт испытаний и сертификации ВВТ ОАО «Радиотехнический институт имени академика А.Л.Минца» ОАО «УПКБ ДЕТАЛЬ», ОАО «РУБИН» ОАО «НИИФИ», ОАО «ПНИЭИ», ФГУП ФНПЦ «ПО СТАРТ», НИКИРЭТ, ЗАО «НИИФИиВТ» ОАО «ППО ЭЛЕКТРОПРИБОР», ОАО «РАДИОЗАВОД» Пензенский филиал ФГУП НТЦ «АТЛАС» ОАО «ТЕХПРОММАШ», МИЭМ НИУ ВШЭ, Евразийский Национальный университет им. Л.Н. Гумилева Сургутский институт мировой экономики и бизнеса «ПЛАНЕТА» Пензенский государственный университет
АадижУ{%шсж
ТРУДЫ
МЕЖДУНАРОДНОГО СИМПОЗИУМА
НАДЕЖНОСТЬ И КАЧЕСТВО
II то^
ПЕНЗА 2015
УДК 621.396.6:621.315.616.97:658:562 Т78
Труды Международного симпозиума «НАДЕЖНОСТЬ И КАЧЕСТВО»:
T78 в 2 т. - Пенза : ПГУ, 2015. - 2 том - 384 с.
ISBN 978-94170-818-5(т.1) ISBN 978-94170-818-8
В сборник трудов включены доклады юбилейного ХХ-го Международного симпозиума «Надежность и качество», проходившего с 25 по 31 мая 2015 г. в городе Пензе.
Рассмотрены актуальные проблемы теории и практики повышения надежности и качества; эффективности внедрения инновационных и информационных технологий в фундаментальных научных и прикладных исследованиях, образовательных и коммуникативных системах и средах, экономике и юриспруденции; методов и средств анализа и прогнозирования показателей надежности и качества приборов, устройств и систем, а также анализа непараметрических моделей и оценки остаточного ресурса изделий двойного назначения; ресурсосбережения; проектирования интеллектуальных экспертных и диагностических систем; систем управления и связи; интерактивных, телекоммуникационных сетей и сервисных систем; экологического мониторинга и контроля состояния окружающей среды и биологических объектов; исследования физико-технологических процессов в науке, технике и технологиях для повышения качества выпускаемых изделий радиопромышленности, приборостроения, аэрокосмического и топливно-энергетического комплексов, электроники и вычислительной техники и др.
Оргкомитет благодарит за поддержку в организации и проведении Международного симпозиума и издании настоящих трудов Министерство образования и науки РФ, Правительство Пензенской области, Академию проблем качества РФ, Российскую академию космонавтики им. К. Э. Циолковского, Российскую инженерную академию, Академию информатизации образования, Вычислительный центр РАН им. А. А. Дородницына, Институт испытаний и сертификации ВВТ, ОАО «Радиотехнический институт имени академика А.Л. Минца», ОАО «УПКБ ДЕТАЛЬ», ОАО «НИИФИ», ФГУП «ПНИЭИ», ОАО «РУБИН», ОАО «РАДИОЗАВОД», ОАО «ППО ЭЛЕКТРИПРИБОР», ФГУП «ПО «СТАРТ», НИКИРЭТ - филиал ФГУП «ПО «СТАРТ», Пензенский филиал ФГУП НТЦ «АТЛАС», ОАО «ТЕХПРОММАШ», МИЭМ НИУ ВШЭ, Евразийский Национальный университет им. Л.Н. Гумилева, Сургутский институт мировой экономики и бизнеса «ПЛАНЕТА»,Пензенский государственный университет.
Сборник статей зарегистрирован в Российском индексе научного цитирования (РИНЦ) с 2005 г.
Р е д а к ц и о н н а я к о л л е г и я :
Юрков Н. К. - главный редактор Трусов В. А. - ответственный секретарь Баннов В. Я. - ученый секретарь Волчихин В. И., Абрамов О. В., Авакян А. А., Дивеев А.И., Иофин А. А., Каштанов В. А., Майстер В. А., Острейковский В.А., Петров Б. М., Писарев В. Н., Роберт И. В., Романенко Ю. А., Северцев Н. А., Садыков С. С., Садыхов Г. С., Увайсов С. У.
ISBN 978-94170-818-5(т.1) ISBN 978-94170-818-8
© Оргкомитет симпозиума, 2015 © ФГБОУ ВПО «Пензенский государственный университет», 2015
УДК 004.93 Сёмов A.A.
ФГБОУ ВПО «Пензенский государственный университет», Пенза, Россия
РАЗЛИЧНЫЕ ВИДЫ ПРОСТРАНСТВЕННОГО СКАНИРОВАНИЯ 3Р ИЗОБРАЖЕНИЙ
Введение
Активное применение 3D-технологий в различных областях знаний и технологий началось сравнительно недавно, однако уже успело набрать популярность. Помимо вопросов оптимизации методов трехмерной визуализации и «виртуальной реальности» 3D-изображений, возникают трудности, связанной с автоматическим компьютерным анализом и распознаванием 3D-объектов, т.к. их количество в базах данных растёт стремительными темпами, и достигает сотни тысяч и миллионов экземпляров [1-2].
Кроме того, при сканировании и анализе 3D-объектов возникает трудность, связанная с их пространственной ориентации и масштабированием - центр объекта может находиться и не в начале координат. Это затрудняет не только машинную идентификацию объекта, но и визуальное сопоставление с эталоном для аналитика [3].
Поэтому актуальным является разработка методов анализа и распознавания 3D-изображений, позволяющих за приемлемое время конструировать признаки, обладающие свойством инвариантности к группе движений и масштабированию 3D-объектов [4]. Кроме того, данные методы должны быть гибкими для решения различного класса задач, т.к. аналитику не всегда требуется анализ и классификация 3D изображений на основе имеющейся выборки. Довольно часто аналитику требуется узнать просто геометрические параметры 3D-объектов, а не его класс, а иногда и то и другое. Возможны также и другие задачи [5].
В данной статье представлен метод - гипер-трейс-преобразование, который обладает всеми перечисленными выше свойствами. Благодаря различным видам пространственного сканирования 3D-изображений достигается гибкость предлагаемого подхода к решению различных задач и повышается надежность распознавания. Т.к. техника сканирования не привязана к каким-либо геометрическим особенностям и форме 3D-объекта, то анализ и распознавание гипертрейс-преобразования одинаково хорошо применимы к пространственным моделям различных видов живых и неживых предметов. Благодаря конструированию и подбору различных типов гипертриплетных признаков, возможно также получение в том же такте сканирующей системы метрических характеристик 3D-объекта, которые сами могут выступать и как признаки распознавания.
Стандартное сканирование
Пусть ¥ - исходная трехмерная модель. Опре-
делим плоскость
B (n,r) = {x| xT ■n = r}
как касатель-
Важно отметить, что изменять углы важно не произвольным образом [6], а согласно построению опорной сетки, чтобы плотность плоскостей в пространстве была равномерной (рис. 1). Каждой сетке параллельных плоскостей на сфере сопоставляется одна точка, которая является точкой касания сферы с плоскостью, параллельной данным с к а нирующим пло с ко с т ям.
Рисунок 1 Опорная сетка на сфере и соответствующие ей сетки сканирующих параллельных плоскостей
После перебора различных вариантов пар углов (а, ф) , в результате множество чисел О(а>,ф,г)
сформирует гипертрейс-матрицу 3ТМ, у которой ось 0а будет направлена горизонтально, ось 0ф -вертикально, ось 0г - вглубь. После формирования данной матрицы с помощью гиперфункционала НурегР (например, максимальный элемент строки) обрабатываются её глубинные строки. В результате этой процедуры данная матрица становится двумерной О (®,ф). Далее идёт обработка функционалом ЕурегО (и получается вектор О(ф) ) , а затем - функционалом Нурегв (и получается число
Res ( F)
ную к сфере c центром в начале координат и с радиусом r в точке (n, r), где П = [сояф- sin®, sin ф- sin®, cos ю] - единичный вектор в R3, r, о и ф - сферические координаты.
Сканирование исходного пространственного объекта F осуществляется сеткой параллельных плоскостей под разными углами обзора (о, ф) объекта со всех сторон. Детерминированный вариант данного сканирования заключается в одинаковом расстоянии Дг между плоскостями, тогда как для стохастического сканирования секущие плоскости имеют случайное равномерное распределение внутри границ 3D объекта для каждого угла сканирования.
Взаимное положение 3D объекта F и каждой сканирующей параллельной плоскости B (п(®,ф), r) характеризуют числом G по некоторому правилу HyperT: G = Hyperl(F ПB(п(®,ф), r)) . В качестве указанной характеристики могут выступать число пересечений плоскости с исходным объектом, площадь сечения или свойства окрестности такого сечения и т. п.
Таким образом, признак 3D изображения (ги-пертриплетный признак) имеет композиционную структуру, заключающуюся в последовательном применении указанных выше гиперфункционалов, каждый из которых сокращает размерность матрицы 3TM на единицу [7]:
Res (F) = Hyper® о HyperQ о HyperP о HyperT (Fsect ) .
Сканирование получаемых в сечение фигур Fsect осуществляется сеткой параллельных прямых l(р,9) с расстоянием Др между линиями под разным углами наклона прямых в плоскости сечения, где р, 9 - полярные координаты прямой в плоскости сечения [8]. Взаимное положение изображения Fsect и каждой сканирующей линии l(в,р) характеризуется числом, вычисляемым по некоторому правилу Т: g(в,р) = Т(Fsect Пl(в,р)) ).
Результат вычислений трейс-функционала Т зависит от двух параметров прямой р и 9, на основе которых формируется трейс-матрица g(вр) . Триплетный признак сечения получается после обработки строк и столбцов этой матрицы функционалами в и P, каждый из которых последовательно сокращает размерность матрицы на единицу (до g (в) и n(Fsec) ) соответственно аналогично признаку 3D изображения).
Таким образом, признак 2D сечения имеет следующую структуру [9]:
П ( Fsect ) = HyperT ( Fsect ) = ® ° P ° T ( Fsect П ¡{в р)) .
Благодаря композиционной структуре функционалов и гиперфункционалов, входящих в структуру признака П( Fsect) и Res (F) соответственно, возможно получение большого числа признаков. Так, имея всего два типа функций (например, максимум и минимум) для каждого типа функционала и гиперфункционала число различных признаков сечений П(Fsect) будет равно 2• 2• 2 = 8 , а признаков Res(F) исходного 3D объекта - 2• 2• 2• 8 = 64 .
Специфичная структура гипертриплетных и три-плетных признаков позволяет строить признаки как сенситивные, так и инвариантные к группе движений и масштабированию, что повышает интеллектуальность и гибкость 3D трейс-метода при распознавании объектов.
Быстрое сканирование
Данный тип сканирования является случаем стандартного типа сканирования ного в начале статьи. Оно отличается от него тем, что пространственное сканирование 3D объекта и плоское сканирование 2D фигур сечений плоскостями осуществляется всего под двумя-тремя углами обзора фигуры сеткой плоскостей и прямых соответственно
Так, площадь поверхности тела уже можно вычислить только при разовом сканировании объекта сеткой параллельных плоскостей (под одним углом обзора). Площадь какого-либо сечения можно вычислить, используя сканирование сеткой параллельных прямых под одним углом наклона в плоскости сечения. Например, гипертриплетный признак объёма объекта неполного типа выглядит следующим образом:
Res(F) = HyperP оHyperT (Р о T)
где T = £ f(p,t)At
t
HyperP = £ G(r) • Ah
частным описан-
HyperT = П(Fsect) ,
P = Zg(P) ' p
ût - расстояние между парал-
лельными прямыми в плоскости сечения, f(p, ;) длина 1-го отрезка, высекаемого р-ой прямой
плоскости сечения
ûh
расстояние между
параллельными плоскостями.
Как видно из выше представленной формулы, признака имеет сокращённую композиционную структуру. Для повышения точности вычисления данного признака сканирования в пространстве и плоскости можно осуществлять под несколькими случайными углами обзора (как правило, достаточно трех углов наклона). В этом случае признак будет иметь следующую композиционную структуру:
Res ( F) = mean (HyperP о HyperT (mean (P о T )))
где функция mean находит среднее арифметическое нескольких значений.
Т.к. данный тип сканирования является частным случаем стандартного сканирования, то ги-пертрейс-матрица будет иметь ту же структуру.
Для стандартного типа сканирования инвариантность признаков к повороту достигается за счёт равномерной сетки на сфере, которая осуществляет обзора исходного пространственного объ-
екта со всех сторон. При использовании быстрого типа сканирования данное свойство будет нарушено: объект сканируется всего под одним углом (для одной точки опорной сетки на сфере). Поэтому для достижения инвариантность признаков к повороту применяются специальный тип признаков, характеризующих свойства формы 3D объекта, т.к. форма 3D объекта не изменяется при повороте.
Т.к. 3D объект сканируется сеткой параллельных плоскостей, то перемещение исходного 3D объекта влияет на удалённость от начала координат и соответственно появление нулей в строках гипертрейс-матриц. При этом сам порядок следования ненулевых элементов друг за другом (признаков сечений) остаётся неизменным. Следовательно, конструируемые признаки благодаря технике сканирования будут обладать свойством инвариантности к переносу.
Инвариантность к масштабированию не зависит от техники сканирования, а зависит только от применения специального вида функционала Hyper© , который даёт одно и то же значение при обработке вектора-столбца G(ф) вне зависимости от масштаба элементов этого вектора. Например, при
f ( * )
использовании функционала Hyper© вида - '
mean ( х )
получаемое значение не будет зависеть от масштаба вектора х:
f (a-G (ф)) = a-f (G (фф) = f (G (фф)
£(a-G (ф))~ a-£ G (ф) " £ G (ф)
где f (х) - обычная функция, зависящая от масштаба (среднеквадратическое отклонение, максимум, первая гармоника разложения ряда Фурье и т.п.).
Данный тип сканирования позволяет анализировать некоторые признаки исходного 3D объекта, в т.ч. некоторые метрические признаки. При этом время работы алгоритма в десятки раз быстрей стандартного типа сканирования, описанного в начале статьи. Минусом данного типа сканирвоа-ния является малое число формируемых признаков, т.к. должны конструироваться признаки, описывающие свойства формы 3D объекта.
Плюсом быстрого сканирования является существенная экономия времени работы алгоритма (до нескольких десятков раз) за счёт сокращения сканирований плоскостями и прямыми исходного пространственного изображения и его сечения. Недостатком является возможность конструирования ограниченного числа признаков.
Проекционное сканирование
Вместо использования сечений 3D объекта сеткой параллельных плоскостей сканирование можно осуществлять при помощи проекций. Модель этого сканирования заключается в следующем.
Сначала строится равномерная сетка на сфере с заданным количеством узлов. Затем к сфере в каждой точке сетки строится касательная плоскость. Проекция исходного 3D изображения осуществляется на каждую из построенных плоскостей (рис. 2).
Рисунок 2 Модель пространственного сканирования (слева) и проекции 3Б фигуры на различные
сканирующие плоскости (справа)
Т.к. пространственное сканирование заметно отличается от сканирования сеткой параллельных плоскостей, то изменяется структура гипертрейс-матрицы и формирование гипертриплетного признака. Так, гипертрейс-матрица будет представлять собой двумерную матрицу, если осуществлять порядок нумерации узлов опорной сетки с использованием ключевых точек для сохранения целостности структуры и порядка следования строк самой гипертрейс-матрицы. Это происходит из-за того, что равномерная сетка на сфере неизоморфна равномерной сетке на плоскости. Другими словами, матрицы поворота в пространстве не обладают свойством коммутативности. Подробнее об этой проблеме и пути её решения можно найти в [10].
Если не осуществлять порядок нумерации узлов опорной сетки, то гипертрейс-матрица будет представлять собой вектор размером 1хп, где п -число узлов на опорной сетки. При этом вектор не будет представлять собой периодическую функцию, т.к. формировался перебором всех возможных узлов опорной сетки произвольным образом.
Элементы в гипертрейс-матрице любого вида представляют собой признаки значений 2Б фигуры проекции, просканируемой сеткой параллельных прямыми под разными углами наклона прямых.
Данный тип сканирования сохраняет свойство инвариантности формируемых признаков к повороту, т.к. опорная сетка сфере при повороте совмещается сама в себя (дискретный шаг игнорируется).
Проекция 3Б объекта на плоскость не изменяет форму по мере удалении объекта от плоскости по вектору нормали. Также, при движении 3Б объекта параллельно плоскости по сонаправленному вектору форма проекции не изменяется, а изменяется только удалённость от начала координат. Поэтому перемещение пространственного объекта на любой вектор изменять форму проекции не будет, т.к. вектор перемещения представляет собой как линейная комбинация вектора нормали и сонаправ-ленного вектора. Следовательно, свойство инвариантности формируемых признаков к переносу будет выполнено.
Инвариантность к масштабированию будет выполнена при применении специального вида функ-
ционала Hyper© . Используются такие типы функционалов, которые при обработки вектора значений G (ф) даёт одно и тоже значение вне зависимости от масштаба элементов данного вектора. Инвариантность к масштабированию не зависит от техники сканирования, а зависит только от применения специального вида функционала Hyper© , который даёт одно и то же значение при обработке вектора-столбца G (ф) вне зависимости от
масштаба его элементов.
Композиционная структура признака в данном случае будет иметь вид:
Res ( F) = HyperP о HyperT (© о Р о T )
Данный тип сканирования позволяет формировать большое количество признаков, и при этом обладает заметно меньшим временем работы алгоритма, чем стандартный тип сканирования сеткой параллельных плоскостей. Однако минусом данного подхода является отсутствии возможности анализа метрических признаков исходного 3D объекта (площадь поверхности, радиус описанной сферы, объём тела и др.)
Заключение
В данной статье было описано множество различных способов сканирования 3D изображения. Тот или иной тип сканирования имеет свои преимущества и недостатки в зависимости от решаемой задачи. Возможность использования различных типов пространственного сканирования заметно повышает гибкость анализа и распознавания 3D изображений [11].
Данный метод автор планируют развить для анализа дефектов и особенностей на поверхности трехмерных объектов, а также для анализа цветных и текстурированных 3D изображений. В последнем случае, возникает трудность совмещения параллельного анализа формы 3D объекта с его цветными характеристиками и особенностями текстуры поверхности. Однако, как показывают результаты работ [12-14], описанная задача вполне решаема.
Работа выполнена при поддержке гранта РФФИ (проект №15-07-0 4 4 8 4).
ЛИТЕРАТУРА
1. Садыков С.С., Терехин А.В. Экспериментальное исследование алгоритмов распознавания бинарных изображений на тестовых проекциях трёхмерных объектов // Надежность и качество сложных систем, 2014 - №4 (8). - с. 48-52
2. Сорокин С.В. Возможности медианной фильтрации при решении задачи повышения качества изображений / Надежность и качество: труды Международного симпозиума, под ред. Н.К. Юркова. - Пенза, Изд-во ПГУ. - 2014. - Т. 2. - с. 1-2.
3. Семов А.А. Об одном подходе к распознаванию ЗD-изображений / Надежность и качество: труды Международного симпозиума, под ред. Н.К. Юркова. - Пенза, Изд-во ПГУ. - 2013. - Т. 1. - с. 350351.
4. Ермолаев В.А., Юрков Н.К., Романенко Ю.А. Риски отказов сложных систем / Надежность и качество: труды Международного симпозиума, под ред. Н.К. Юркова. - Пенза, Изд-во ПГУ. - 2014. - Т. 1.
- с. 46-49.
5. Федотов Н.Г., Голдуева Д.А. Анализ трехмерных текстур с позиции стохастической геометрии и функционального анализа // Машинное обучение и анализ данных. - Москва: Электронный журнал . -2013. - T. 1. - № 5. - C. 559-567.
6. Fedotov N.G., Ryndina S.V., Syemov А.А. Trace transform of spatial images / 11th International conference on Pattern Recognition and Image Analasis: New Information technologies (PRIA-11-2013). Samara, September 23-28, 2013. Conference Proceedings (Vol. I-II). - Samara: IPSI RAS.
- 2013. - Vol. 1. - P. 186-189.
7. Fedotov N.G., Ryndina S.V., Syemov А.А. Trace transform of three-dimensional objects: recognition, analysis and database search // Pattern Recognition and Image Analysis. Advances in Mathematical Theory and Applications, 2014. V. 24. № 4. P. 566-574.
8. Fedotov N.G., Shulga L.A. New Ways to Form Features for Pattern Recognition on the Basis of Stochastic Geometry // 12th Scandinavian Conf. on Image Analysis. - Vol. I-II. - Bergen (Norway).
- 2001. - Р. 373-380.
9. Fedotov N.G. The Theory of Image-Recognition Features Based on Stochastic Geometry // Pattern Recognition and Image Analysis. Advances in Mathematical Theory and Applications. - 1998. -V. 8, № 2. - P. 264-266.
10. ОБЗОР СОВРЕМЕННЫХ МЕТОДОВ ИНТЕГРАЦИИ ДАННЫХ В ИНФОРМАЦИОННЫХ СИСТЕМАХ / Шибанов С.В., Яровая М.В., Шашков Б.Д., Кочегаров И.И., Трусов В.А., Гришко А.К. // Труды международного симпозиума Надежность и качество. 2010. Т. I. С. 292-295.
11. Fedotov Nikolay, Syemov Aleksey, Moiseev Alexander INTELLIGENT CAPABILITIES HYPERTRACE TRANSFORM: CONSTRUCTING FEATURES WITH PREDETERMINED PROPERTIES / International conference "Intelligent Information Processing" IIP-10: theses of reports of the 10th international conference. Greece, Crete, Hersonissos. M.: Torus Press, 2014. P. 111.
12. Семов А.А. Роль гиперфункционалов в гипертрейс преобразовании и повышение надежности распознавания 3D объектов // Надежность и качество: труды Международного симпозиума, Т. 1. - Пенза: Изд-во ПГУ.- 2014. - С. 393-396.
13. Fedotov N.G., Mokshanina D.A. Recognition of halftone textures from the standpoint of stochastic geometry and functional analysis // Pattern Recognition and Image Analysis, Advances in Mathematical Theory and Applications. - 2010. - Vol. 20. - № 4. - P. 551-556.
14. Fedotov N.G., Mokshanina D.A. Recognition of images with complex half-tone texture // Measurement Techniques. - 2011. - Vol. 53. - № 11. - P. 1226-1232.
15. Nikolay Fedotov, Sergey Romanov, Daria Goldueva Application of triple features theory to the analysis of half-tone images and colored textures. Feature construction along stochastic geometry and functional analysis. Computer and Information Science // Canadian Center of Science and Education Canada. - 2013. - Vol. 6. - № 4. - P. 17-24.
16. Северцев, Н.А. К вопросу об утрате работоспособности систем / Н.А. Северцев, А.В. Бецков, А.М. Самокутяев // Труды международного симпозиума Надежность и качество. 2013. Т. 2. С. 268-270.
17. Универсальные оценки безопасности. Монография / Дивеев А.И., Северцев Н.А. // Москва, 2005.
18. Синтез оптимального закона управления потоками транспорта в сети автодорог на основе генетического алгоритма / Дивеев А.И., Северцев Н.А. // Проблемы машиностроения и надежности машин. 2003. № 3. С. 87.
19. Северцев, Н.А. Минимизация обобщенного риска угроз безопасности / Н.А. Северцев // Вопросы теории безопасности и устойчивости систем. 2005. № 7. С. 3-10.
20. Критерии и показатели безопасности / Дедков В.К., Северцев Н.А., Петухов Г.Б., Тихон Н.К. // Вопросы теории безопасности и устойчивости систем. 1999. № 1. С. 33-54.
УДК 620.178.162.43 Недорезов В.Г., Цыганков А.И.
ФГБОУ ВПО «Пензенский государственный университет», Пенза, Россия
ВЛИЯНИЕ ПРОДУКТОВ ИЗНОСА КОНТАКТНОЙ ПАРЫ ПОТЕНЦИОМЕТРА НА НАДЕЖНОСТЬ ЕГО РАБОТЫ
Введение
Потенциометр является регулируемым делителем электрического напряжения, представляющим собой резистор с подвижным отводным контактом - движком, при этом коэффициент деления потенциометра является функцией угла поворота движка относительно резистивного элемента [1].
Потенциометры нашли применение в антенных станциях наземного и бортового базирования, рулевых приводах и приводах механизации крыльев летательных аппаратов, измерительных и исполнительных механизмах дорожно-строительных машин, системах наведения, подъемных кранах, станках с ЧПУ и т.д.
Несмотря на появление в настоящее время цифровых потенциометров, интерес к проволочным потенциометрам не ослабевает. К числу причин сохранения их популярности следует отнести хорошие точностные характеристики и высокую надежность. Износоустойчивость отдельных образцов может достигать 5 млн. циклов работы. Однако, не редки случаи, что уже при нескольких тысячах циклов наблюдаются кратковременные нарушения контактирования. С целью выяснения причин, из-за которых это происходит, было проведено данное исследование.
Основная часть
Резистивные элементы экспериментальных образцов потенциометров были намотаны проволокой без изоляции на металлические каркасы из алюминиевого сплава с электроизоляционным анодированием.
При дальнейших испытаниях этих потенциометров на износоустойчивость [2] (1 млн. циклов) у некоторых образцов из сплава ПдВ-20 в процессе испытаний наблюдалось кратковременное нарушение контакта.
Исследование резистивных элементов на растровом электронном микроскопе (РЭМ) показало [3], что у потенциометров на контактных дорожках имеются продукты износа (рис. 1). При удалении продуктов износа и при повторном контроле контактирование не нарушалось.
Таким образом, можно предполагать, что причиной нарушения контактирования является наличие на контактной дорожке продуктов износа контактных пар [4].
Накопление продуктов износа происходит между витками поперек контактной дорожки, вследствие чего вероятность встречи скользящего контакта с частицами износа увеличивается.
Затрудняются также условия очистки контактной дорожки от частиц, накопленных между витками.
Рисунок 1 - Изображение резистивного элемента загрязненного частицами износа, полученное при помощи РЭМ
Все это приводит к тому, что с увеличением износа контактных пар, увеличивается вероятность нарушения контакта, чем меньше износ сплавов, тем лучше контактирование.
Просмотр обмоток после испытания на РЭМ с системой рентгеноспектрального микроанализа не обнаружило разницы в химическом составе проволоки и частиц износа, за исключением более высокого содержания кислорода в частицах износа.
Токовая нагрузка потенциометров не устраняла нарушений контактирования. Это указывает на то, что окисные пленки в данном случае не могут быть приняты причиной нарушения контакта. Окисление поверхности сплавов на основе благородных металлов, очевидно, достаточно мало.
