Научная статья на тему 'АЛГОРИТМ ЛОКАЛИЗАЦИИ АВТОНОМНОГО СЕРВИСНОГО РОБОТА-НАВИГАТОРА НА МЕКАНУМ КОЛЕСАХ В СРЕДЕ ПОДВИЖНЫХ ОБЪЕКТОВ'

АЛГОРИТМ ЛОКАЛИЗАЦИИ АВТОНОМНОГО СЕРВИСНОГО РОБОТА-НАВИГАТОРА НА МЕКАНУМ КОЛЕСАХ В СРЕДЕ ПОДВИЖНЫХ ОБЪЕКТОВ Текст научной статьи по специальности «Математика»

CC BY
15
4
Читать
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
алгоритм / локализация / навигация / искусственный интеллект / численный метод / модель / численный эксперимент / робот-навигатор / подвижная среда / algorithm / localization / navigation / artificial intelligence / numerical method / model / numerical experiment / robot navigator / moving medium

Аннотация научной статьи по математике, автор научной работы — Сладкова Любовь Александровна, Пшибиев Артур Мартинович

Идентификация сигнала, воспринимаемого роботом на меканум колесах при перемещении в ограниченном пространстве с препятствиями основан на вероятностной модели движения робота с дифференциальной кинематикой. Для решения задачи использовался адаптивный алгоритм Монте-Карло, основанный на фильтре частиц по заранее заданной карте плана помещения. Предлагаемый алгоритм разработан локализации на основе фильтра частиц с использованием собственной модели движения. Параметры модели движения были подобраны на основе экспериментов по распределению частиц в симуляционной модели.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по математике , автор научной работы — Сладкова Любовь Александровна, Пшибиев Артур Мартинович

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
Предварительный просмотрDOI: 10.24412/2071-6168-2024-5-533-534
i Надоели баннеры? Вы всегда можете отключить рекламу.

ALGORITHM FOR LOCALIZATION OF AN AUTONOMOUS SERVICE ROBOT-NAVIGATOR ON MEKANUM WHEELS IN THE ENVIRONMENT OF MOVING OBJECTS

The identification of the signal perceived by a robot on mecanum wheels when moving in a confined space with obstacles is based on a probabilistic model of robot motion with differential kinematics. To solve the problem, an adaptive Monte Carlo algorithm based on a particle filter on a predetermined map of the room plan was used. The proposed algorithm is developed for localization based on a particle filter using its own motion model. The parameters of the motion model were selected on the basis of particle distribution experiments in the simulation model.

Текст научной работы на тему «АЛГОРИТМ ЛОКАЛИЗАЦИИ АВТОНОМНОГО СЕРВИСНОГО РОБОТА-НАВИГАТОРА НА МЕКАНУМ КОЛЕСАХ В СРЕДЕ ПОДВИЖНЫХ ОБЪЕКТОВ»

МАШИНОВЕДЕНИЕ

УДК 621.373.9

DOI: 10.24412/2071-6168-2024-5-533-534

АЛГОРИТМ ЛОКАЛИЗАЦИИ АВТОНОМНОГО СЕРВИСНОГО РОБОТА-НАВИГАТОРА НА МЕКАНУМ

КОЛЕСАХ В СРЕДЕ ПОДВИЖНЫХ ОБЪЕКТОВ

А.М. Пшибиев, Л.А. Сладкова

Идентификация сигнала, воспринимаемого роботом на меканум колесах при перемещении в ограниченном пространстве с препятствиями основан на вероятностной модели движения робота с дифференциальной кинематикой. Для решения задачи использовался адаптивный алгоритм Монте-Карло, основанный на фильтре частиц по заранее заданной карте плана помещения. Предлагаемый алгоритм разработан локализации на основе фильтра частиц с использованием собственной модели движения. Параметры модели движения были подобраны на основе экспериментов по распределению частиц в симуляицонной модели.

Ключевые слова: алгоритм, локализация, навигация, искусственный интеллект, численный метод, модель, численный эксперимент, робот-навигатор, подвижная среда.

Складское хозяйство является сложной инфраструктурой, в которой роботы-навигаторы, перемещаясь по заданной траектории, используются для транспортировки грузов (товаров, ящиков, поддонов и т. д.). Доля работ, выполняемая роботами с 2013 года по 2019 год, выросла более, чем в 4 раза [1]. Одним из основных процессов на складе [2, 3] является комплектация товара «на основе индивидуальных показателей доставки и планирования маршрута».

Роботы, находящиеся на службе у человека должны быть приспособлены к перемещениям в ограниченном пространстве, а также среди подвижных и неподвижных препятствий, то есть должны быть адаптированы к рабочему пространству. К проблеме безопасной работы (адаптации) роботов при выполнении различных видов работ приковано внимание ученых и инженеров как в России, так и в мировом сообществе.

На основе анализа, проведенного авторами [4, 5] можно считать, что перемещения робота-навигатора на меканум колесах в пространстве с препятствиями можно фиксировать по изменению спектра шумов (частоте и форме сигналов) создаваемых препятствиями, рассматривая их как вероятностные функции, оцениваемые по плотности распределения вероятности.

Оборудованием, предназначенным для перемещения робота на территории склада, является платформа на меканум колесах, на котором устанавливается грузоподъемное оборудования для стеллажирования изделий. Использование в качестве ходового оборудования меканум колес увеличивает маневренность машины и расширяет ее возможности для перемещения в ограниченном пространстве.

В нашем случае идентификация сигнала, воспринимаемого роботом на меканум колесах при перемещении в пространстве, имеющем препятствия основан на вероятностной модели движения робота с дифференциальной кинематикой. Под кинематикой здесь понимается оценка позиции робота-навигатора по величинам изменения его линейной и угловой скоростей. Другими словами, зашумлению подвергаются преобразованные в линейную и угловую скорости показания энкодеров (измерительный преобразователь угла поворота вращающегося объекта в цифровые или аналоговые сигналы, которые позволяют определить угол его поворота).

Позицию робота-навигатора в подвижной среде можно осуществлять, используя маяки, маркеры и т.п., что усложняет саму систему навигации. Считаем, что рациональным решением для локализации перемещения испытываемого робота-навигатора является установка лазерного дальномера, большинство которых описано в источнике [5]. Для решения своей задачи используем адаптивный алгоритм Монте-Карло, который основанный на фильтре частиц по заранее заданной карте плана помещения. Этот метод использует фильтр частиц для поиска наиболее вероятного положения робота. При этом вероятность попадания подвижного объекта рассчитывается из сопоставления текущих данных, полученных с датчиков и отображения окружающей среды.

Алгоритм, основанный на фильтре частиц данных. В данном случае для сопоставления используем данные, получаемые с лазерного дальномера и карты плана помещения. Предлагаемый алгоритм представим в виде функции:

MCL(xt-i, ut, zt, т).

где xt-1, ut, zt -координаты текущего и предыдущего измерений.

Описание алгоритма приведено ниже в табл. 1.

В предложенном алгоритме каждая частица m (M - количество частиц в алгоритме) представляет из себя потенциальное состояние робота, определяемое функцией текущего состояния:

[ml

4 1 = Уг <Рг, где хг, уг, (рг - позиция и ориентация робота на плоскости.

Таблица 1

Алгоритм управления лазерным дальномером при перемещении робота-манипулятора

1 Начальные условия Xt = xt = 0.

2 Для т, М выполнять действия x\\m] = Модель движения [ut, х|™|) ;

w£\m] = Модель измерения [zt, x\\m], m).

3 Оценка действий Tt = Tt + <x\m], wM>.

4 Для т, М выполнять действия

5 Извлечь \m] \m] xt c вероятностью р = w;

6 Добавить, если сработало извлечение x\m] к X£

7 Вернуть xt

Группировка частиц в наиболее вероятных местоположениях робота происходит следующим образом. В начале работы алгоритма набор частиц Xt=0 = [х^,х£,...,Хд } разбрасываются случайным образом либо в заранее выбранном оператором регионе, либо по всей поверхности карты помещения. При этом считаем, что вероятность появления потенциального состояния в заданной точке карты одинакова для всех ее точек, расположенных с некоторым шагом, выбирающимся, исходя из количества частиц.

С начала поступления сигнал управления ut робот-навигатор приступает к движению. При этом все частицы сдвигаются в соответствии с моделью движения (табл. 1 пункт 2). После корректировки положения частиц, высчитывается вес вероятности попадания w£[m] для каждой из частиц. При этом, на каждую из частиц примеряются текущие показания лазерного дальномера, и исходя из того насколько эти значения коррелируют с картой помещения высчитывается вес данной частицы. Алгоритм «примерки» входит в модель измерения, о которой также будет сказано в дальнейшем.

Из всех частиц и их весов формируется вектор Xt. Затем каждая из частиц извлекается из вектора Хси добавляется в вектор Xt с вероятностью равной w£[m] (табл. 1, пункт 3).

Результирующее местоположение робота pose вычисляется как математическое ожидание вероятности попадания частиц по зависимости:

pose =

_ Lj=xxt wt

V"1 ! ¿¡ = 1V

Визуализация сказанного проиллюстрирована на рис. 1.

(1)

а б в

Рис. 1. Считывание частиц на карте роботом-навигатором: а - частицы равномерно сгруппированы на одинаковых прямых участках карты; б - формирование 4-х групп частиц при движении; в - конкретное

положение

На рис. 1, а видно, что в начале работы алгоритма вероятность расположения частиц примерно одинакова. После того как робот сдвигается (рис. 1, б), формируются 4 группы частиц, формирующие наиболее вероятные положения робота-навигатора. Как только робот покидает замкнутый коридор (рис. 1, в) алгоритм сходится к конкретному положению.

Рис. 2. Пример карты занятости

534

Перед формализацией модели измерения системы, уточняется тип используемых карт. При использовании алгоритма Монте-Карло [6], рекомендуется использовать карты «занятости», которые представляют собой сетку размером NxM (рис. 2), в которой каждая ячейка соответствует заданному значению расстояния, которое называется разрешением карты. На ЭВМ данные карты представляются в виде изображений, сопровождающихся некоторым характеристическим файлом, в котором указывается размер карты, разрешение одной клетки. Чаще всего разрешение карты выбирается, исходя из технических характеристик мобильной платформы робота-навигатора. Каждая клетка характеризуется каким-либо значением - признаком занятости. Введем три вида признаков:

1) клетка занята (там находится препятствие);

2) клетка свободна (препятствия нет);

3) состояние клетки неизвестно.

Примерная карта занятости для симуляционной среды приведена на рис. 2.

Здесь белые пиксели - свободные зоны, черные - занятые зоны, серые - зоны чье состояние неизвестно.

Так как локализация робота-навигатора проводится при помощи лазерного дальномера, то моделированию для каждой частицы будет сам лазерный дальномер. При моделировании используем метод бросания лучей (ray casting) для каждой из частиц [5]. Суть метода заключается в выбрасывании из каждой частицы заданного количество лучей на пересечении которых находят черные пиксели карты, вычисляя некоторые идеальные показания z*t дальномера для каждой из частиц, находящейся на карте. Сложность вычислений по данному алгоритму зависит от количества частиц и характеристик карты (размеры, разрешение).

Однако, в полученных измерениях встречаются четыре вида ошибок (рис. 3).

1) Неучтенные объекты (возникающие динамические препятствия), зависящие от расстояния между объектом и роботом-навигатором. Чем меньше расстояние до такого объекта, тем выше вероятность того, что данный объект будет являться неучтенным препятствием. Данный вид шума моделируется с использованием экспоненциального закона распределения, оцениваемый параметром Xshort. Вероятность его появления определяется по зависимости:

Vshort = {-/ 7к, ¿shorte-AshortZ*, если 0 < ztk < zmax 0. (2)

Puc. 3. Функция распределения вероятностей появления ошибок для измерений лазерного дальномера

2) Измерение получено верно и наблюдается некоторый локальный шум. Данный вид шума моделируется нормальным законом распределения с математическим ожиданием zf* и некоторым стандартным среднеквадратиче-ским отклонением ahit. Данная вероятность определяется по зависимости [6] как:

-l(z<[-z<[*)2

Phit = [л * Г-— е 2 af4t , если 0 < ztk < zmax 0, (3)

J^rfit

где у = (f0¡maxN(z¡;zk*,a¡2it)dz¿)-1 - нормализующий член; zmax - максимальное расстояние датчика из его технических характеристик.

3) Некоторые случайные измерения носят абсолютно случайный характер и являются статистической ошибкой дальномера. Данная ошибка моделируется использованием закона равномерного распределения по всему диапазону измерений датчика [0; zmax]. Данная вероятность оценивается как:

Vrand = [~г-, если 0 < z* < zmax 0 . (4)

¿max

4) Отказ датчика (датчик возвращает максимально возможное значение расстояния zmax), В этом случае моделируется размещением точечной вероятности в данной точке. Данная вероятность обозначается как:

Ртах = [1, если Z* = Zmax 0. (5)

На рис. 3 видно, что ошибки учитываются в виде взвешенной средней, определенной параметрами, сумма вероятностей которых равна 1:

Zhit + Zshort + ^тах + ^rand = 1- (6)

Итоговый алгоритм вычисления правдоподобия представим следующим образом:

- на вход поступают величины zt - текущее измерение;

- xt - позиция частицы;

- m - частица на карте.

Функция Sensor Model MCL от положения робота в пространстве, задаваемом координатами (zt, xt, т). Алгоритм изменения его положения представим в виде:

1. Начальное положение - q = 1.

2. Для к, К (k - количество измерений) определить идеальное значение zf* для текущего измерения zf.

3. Оцениваем взвешенную среднюю по зависимости

Р = zhlt •Phit (xt, т) + %short ' Pshort(xt, m) + Zmax ' Ртах

(xt, m) +

^rand'Prand

' (z*\xt,m) (7)

4. Для q = q p, вернуть q. Таким образом итоговая верификация измерения q в дальнейшем используется в алгоритме локализации. Изменяемые параметры подбираются, как правило, экспериментально.

Метрики оценки работы алгоритма. Перед переходом к симуляции выбираем метрику оценки работы алгоритма. Одним из наиболее распространенных является расчет среднеквадратичной ошибки.

Среднеквадратичная ошибка (ra.se) позволяет определить качество работы алгоритма. В данном случае будет рассчитываться дисперсии определения позиции и ориентации. Позиция характеризуется двумя координатами: х и у робота в декартовой системе - тзер03е:

mse„

— J-E"=i[(xreal — xloc)2 + (Угеа1 — Yloc )2],

(8)

где хгеа1 и угеа1 - реальные координаты робота-навигатора относительно начала отсчета; х1ос и у1ос - координаты робота относительно начала отсчета, полученные с помощью алгоритма локализации.

Создать такую же метрику для ориентации робота несколько сложнее, так как для определения ориентации угла вокруг оси Z может произойти ситуация при переходе значения из 0 в 2pi. Например, реальная ориентация робота задана координатой (preai — 2л — е, ориентация же, рассчитанная с помощью алгоритма локализации, равна: (р1ос — 0 + е. Величина е в обоих случаях является бесконечно малой. Тогда, без учета бесконечно малых величин средне-квадратическая ошибка будет равна: mse — 2л. Хотя на самом деле среднеквадратичная ошибка определения ориентации mse — 2е. Для того, чтобы избежать этой ситуации необходимо измерять ориентацию робота в виде кватерниона.

Так как измерение происходит на плоскости, то параметры qx и qy кватерниона будут равны нулю, а параметры qz и qw:

[qz — sin (£) ; qw — cos (9)

где - угол поворота робота вокруг оси Z.

Тогда среднеквадратичная ошибка вычисляется следующим образом

mseorlent — j!Zh((q™al — q?* )2 + (qrweal — q%c )2).

Здесь реальная ориентация робота описывается кватернионом: qreal, а ориентация, рассчитанная алгоритмам локализации кватернионом: ql°°. Тогда при вышеописанном случае при (ргеа1 —2л — е, а (p¡0с — 0 + е, среднеквадратичная ошибка равна:

mS Q orien t — j((sin sin (2л — е) — sin(0 + е))2 + (cos(2л — е) — cos(0 + е))2). (11)

В первом приближении эта величина равна 2е, при условии, что оно бесконечно малое.

Определившись с метриками оценки работы алгоритма локализации можно переходим к этапу тестирования.

Тестирование алгоритма локализации. Для тестирования алгоритма выбрано несколько тестовых траекторий проезда, отличающихся скоростью движения и крутизной поворотов в соответствии с метриками.

В качестве исходных метрик были приняты коэффициенты а1 и а2, имеющие различные значения для модели движения, показанной на рис. 4.

(10)

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

1

immm?:

а б в

Рис. 4. Распределение частиц при различных значениях коэффициентов ai и а2:

а — ai = a2 = 0,05; б — ai = a2 = 0,1; в — ai и a2 = 0

На рис. 4 видно:

- в случае а) практически все частицы расположены в границах периметра габаритов робота;

- в случае б) небольшая часть частиц выходит за границы габаритов;

- в случае в) многие частицы значительно удалены от среднего положения.

Так как основными критериями алгоритма являются точность локализации и безотказность работы системы, выбираются коэффициенты, указанные в случае б), так как он является компромиссным между точным случаем а) и безотказным случаем б).

Для модели измерения выбираются следующие значения, взятые из расчетов формул (2), (3), (4), (5):

- = 2,5 - среднее расстояние до препятствий;

- ¿бИо г г = 0,55 - расстояние до случайного препятствия не указанного на карте;

- 2т1п = 0,15 - минимально возможное измерение;

- ггапй = 1,0 - минимально возможное измерение для случайной ошибки;

- 0 п = 0,1;

- Спи = 0,2;

- г =35

^тах

Число частиц: 3000 (количество частиц взято в соответствии с вычислительными мощностями бортового компьютера).

Для вычисления используем зависимости (1), (8-11).

Реальная ориентация робота описывается кватернионом: qЛreal, а ориентация, рассчитанная по предлагаемому алгоритму локализации кватернионом qЛloc. Для подтверждения необходимо провести экспериментальные исследования, которые проводились в при трех различных траекториях робота:

1) Движение прямо.

2) Движение вокруг своей оси.

3) Сложная траектория включающая разворот робота. Эксперимент при прямолинейном движении робота (рис.5):

х

— Сгие уз* АМС1_уй«

Го ц" - V ч / ■

Рис. 5. Траектория робота при движении прямо: оранжевая линия - результат работы алгоритма; синяя линия - реальная позиция робота в симуляторе. Нижний график - угловая координата робота

верхний график - х и у координаты робота

Итоговые метрики:

= 0,0639941075198, тБе™^ = 0,02768814149024.

Ошибка локализации по координатам - 6 см, ошибка локализации по ориентации 0,027 радиан. Учитывая разрешающую способность лазерного дальномера - 2 см, а также введенные ошибки измерений, данный результат считается приемлемым.

Эксперимент при прямолинейном движении робота (рис. 6).

-0.02 -0.01 0,00 0.01 0.02 0.03 0.04 0.05

2

V £ 0 'О

-2

— Ггие уал

— АМО-уаи

Рис. 6. Траектория робота при вокруг своей оси: а - х и координаты робота; б - угловая координата робота

а

б

На рис. 6 видно, что работа робота по алгоритму выглядит в виде ломаной линии с изменяющимися текущими координатами. Линия в виде эллипса представляет собой реальную позицию робота в симуляторе.

те^ = 0,0247334, тБе™^ = 0,01287304. Эксперимент при сложном движении робота оценим в виде метрик. Итоговые метрики движения робота без разворота показаны на рис. 7.

те^ = 0,07834591, тБе™^ = 0,03535194. Вторая траектория, итоговая метрика которой показана на рис. 8 содержала в себе разворот тБе^ = 0,08897631, тБе™^ = 0,02434619.

X

yaw *Lyaw

AM

20 4 0 8 100 120

Рис. 7. Сложная траектория движения без разворота

Г~ \ — trjeyaw AMCLylw

\

\

i ш ш уя щ

Рис. 8. Сложная траектория движения с разворотом

Таким образом был разработан алгоритм локализации на основе фильтра частиц с использованием собственной модели движения. Параметры модели движения были подобраны на основе экспериментов по распределению частиц в симуляционной модели. Параметры модели измерения подобраны, исходя из характеристик лазерного дальномера и предполагаемого окружения.

Для тестирования работы алгоритма использовалась разработанная симуляционная модель с добавлением шумов одометрии. При этом во время тестирования на сцену были добавлены дополнительные статические и динамические объекты, для приближения модели к реальным условиям. Оценка среднеквадратичной ошибки локализации в ходе экспериментов показала, что работа алгоритма является удовлетворительной.

Список литературы

1. Karabegovic I., Karabegovic E., Mahmic M., Husak E. The application of service robots for logistics in manufacturing processes // Advances in Production Engineering & Management. 2015. V. 10. 4. 185-194. D0I:10.14l43.4.201.

2. Демурин Ю.А. Совершенствование технологий складского распределения в условиях цифровой экономики // Economics: Yesterday, Today and Tomorrow. 2020. Вып. 10. С. 261-2бб. DOI: 10.34610/AR.2020.92.81.030.

3. Дубинина В.В. Анализ тенденций развития логистических роботов // Анализ и моделирование экономических и социальных процессов - МКО - 2022, 2022. С. 114-122. DOI: 10.2053l/mce2022econ12.

4. Винокуров С.А., Кочемасов В.Н., Сафин А.Р. Генераторы шума (обзор) // Известия вузов России. Радиоэлектроника, 2023. Т. 26. 4. С. 6-32. DOI: 10.32603/1993-8985-2023-26-4-6-32.

5. Probabilistic Robotics / T. Sebastian, B. Wolfram, D. Fox, R.C. Arkin // MIT press, 2005.

6. Михайлов Г.А., Войтишек А.В. Статистическое моделирование. Методы Монте-Карло: учебное пособие для вузов. Москва: Издательство Юрайт, 2019. 323 с.

Сладкова Любовь Александровна, д-р техн. наук, профессор, rich. cat2012@yandex. ru, Россия, Москва, Российский университет транспорта,

Пшибиев Артур Мартинович, аспирант, pancheeez@ya.ru, Россия, Москва, Российский университет транспорта

ALGORITHM FOR LOCALIZATION OF AN AUTONOMOUS SERVICE ROBOT-NAVIGATOR ON MEKANUM WHEELS

IN THE ENVIRONMENT OF MOVING OBJECTS

A.M. Pshibiev, L.A. Sladkova

The identification of the signal perceived by a robot on mecanum wheels when moving in a confined space with obstacles is based on a probabilistic model of robot motion with differential kinematics. To solve the problem, an adaptive Monte Carlo algorithm based on a particle filter on a predetermined map of the room plan was used. The proposed algorithm is developed for localization based on a particle filter using its own motion model. The parameters of the motion model were selected on the basis of particle distribution experiments in the simulation model.

Key words: algorithm, localization, navigation, artificial intelligence, numerical method, model, numerical experiment, robot navigator, moving medium.

Sladkova Liubov Aleksandrovna, doctor of technical sciences, professor, rich. cat2012@yandex. ru, Russia, Moscow, Russian University of Transport,

Pshibiev Artur Martinovich, postgraduate, pancheeez@ya.ru, Russia, Moscow, Russian University of Transport

УДК 621

Б01: 10.24412/2071-6168-2024-5-539-540

ПРИМЕНЕНИЕ СТРУЙНОЙ МЕХАНИЗАЦИИ НА ФЛОТЕ

Д.И. Осовский, Б.Н. Придворов

В статье рассотрены вопросы повышения эффективности судовых технических средств за счет струйной механизации. Произведена оценка эффективности применения струйной механизации для гребного винта, рулевого устройства, промысловых орудий лова. Сделаны предложения по применению струйной механизации при проведении спасательных работ.

Ключевые слова: винт, рулевое устройство, орудие лова, водомерка, лыжа, струя, струйная.

Струйная техника, отрасль гидро - и пневмоавтоматики, разрабатывающая устройства (элементы), в которых для передачи и преобразования сигналов используют явления, возникающие при взаимодействии течений (струй) жидкости или газа (направленное отклонение одной струи под действием другой, направленной под углом).

Улучшение гидродинамических характеристик гребных винтов за счет струйной механизации. Развитие современного судостроения характеризуется повышением скорости судов и значительным увеличением мощностей, подаваемых к гребным винтам. При этом предъявляются жесткие требования к экономичности флота (затраты на топливо), уровню шумов и вибрации, создаваемых движителями, и их эксплуатационной надежности.

Экономическая эффективность эксплуатации морских судов напрямую зависит от эффективности работы их энергетических установок. Влияние различных параметров на КПД энергетических установок настолько значимо, что увеличение КПД движителя на 0,5 % приводит к значительной экономии средств, потребных для эксплуатации судна. Все это в сочетании с реальными условиями работы гребных винтов в неравномерном попутном потоке жидкости за корпусом судна обусловливает высокий уровень требований, предъявляемых к конструкции движителей.

Кавитация - явление парообразования, возникающее при понижении давления до давления насыщения паров вблизи поверхности тел, движущихся с большими скоростями. Результатом парообразования является образование каверн, заполненных парами среды. При перемещении каверн в область высокого давления происходит схлопы-вание пузырьков с гидродинамическим ударом по поверхности тела (Р > 104 МПа). Последствиями кавитаций является накопление микротрещин, потеря прочности и разрушение поверхности тела.

Кавитация оказывает отрицательное влияние на гребной винт. При возникновении и протекании кавитаци-онных процессов на поверхности лопастей судового движителя наблюдается снижение коэффициента подъемной силы, коэффициента упора, КПД гребного винта, снижение ресурса эксплуатации [1].

Одним из методов снижения интенсивности эрозионных повреждений является метод использования повышения давления в кавитационной полости при помощи подачи в нее газа. Ряд экспериментов показал, что подача воздуха в месте возникновения кавитации снижает интенсивность эрозии и даже может полностью остановить ее развитие. При этом механизм защитного действия газа сводится к амортизирующему эффекту при схлопывании кавита-ционных полостей (рис. 1).

Для снижения влияния кавитации с целью управления режимами работы гребного винта предлагается установить на переднюю кромку засасывающей поверхности лопасти гребного винта сопловой аппарат, предназначенный для выдува струй жидкости или газа по поверхности лопасти [2].

539

i Надоели баннеры? Вы всегда можете отключить рекламу.