CC BY
13
Le Van Huyen, postgraduate, [email protected], Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University,
Chernenkaya Liudmila Vasilievna, doctor of technical science, professor, Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University
УДК 004.932.2
DOI: 10.24412/2071-6168-2023-1-247-256
АЛГОРИТМ ОПРЕДЕЛЕНИЯ КОНЦЕНТРАЦИИ ПРИМЕСЕЙ В ЖИДКОСТИ ПО ОПТИЧЕСКИМ ДАННЫМ
Л.О.А. Салех, С.В. Хлопин, Л.В. Черненькая, Ф.Г. Тарасевский, М.М. Царев
Работа посвящена разработке методов и их программной реализации для детектирования примесей в жидкостях на основе обработки фотоизображений. Рассмотрены вопросы предварительной фильтрации изображения, вычисления параметров порогов бинаризации, поиска контуров, выделения инородных включений (примесей), подсчету общей концентрации примесей. Предложен авторский метод фильтрации взаимного наложения нескольких детектированных объектов.
Ключевые слова: компьютерное зрение, коррекция цвета, поиск контуров, детектирование
объектов.
Проблема загрязнения экологии с каждым годом становится все более актуальной. Даже несмотря на усиленные меры безопасности экологические катастрофы происходят. Иногда виной всему износ техники, как например 29 мая 2020 года в Норильске на территории ТЭЦ-3 произошел разлив нефтепродуктов в почву. Также по причине сбоя техники произошел разлив нефтепродуктов в черное море под Новороссийском 7 августа 2021 года. Нередки и случаи, где вмешивается человеческий фактор наряду со сбоями техники, как например во время взрыва нефтяной платформы Deepwater Horizon произошедшего 20 апреля 2010 года. Данные происшествия можно отнести к крупномасштабным, которые при определенных обстоятельствах можно определить даже на глаз. Но что, если необходимо определить наличие небольших масляных протечек на самом начальном этапе, когда концентрация примесей еще совсем небольшая в режиме реального времени?
Например, в закрытой системе водяного охлаждения, которая находится в контакте с масляными трубками. В данном случае при наличии протечек и отсутствия их своевременного обнаружения может выйти из строя дорогостоящая техника. В связи с этим встает вопрос как оперативно в поточном режиме определить уровень загрязнения жидкости нефтяными продуктами без применения лабораторных исследований.
Постановка задачи. Для проведения анализа и вычисления объема нефтепродукта в жидкости требуется на основе снимков потока жидкости, обработать изображение, определять инородные объекты, идентифицировать их как нефтепродукты и вычислять общий объем нефтепродуктов подсчитывая их концентрацию.
В качестве исходных данных в задаче используется набор фотографий с наличием пузырьков инородных жидких включений, которые различимы оптическим образом. На рис. 1. а представлена вода с примесью тяжелых нефтепродуктов при естественном освещении, 1. б вода с примесью растворенных нефтепродуктов при облучении ультрафиолетом, 1. в - вода с примесью тяжелых нефтепродуктов при облучении ультрафиолетом. В случае облучения ультрафиолетом, нефтепродукты обладают свойством вторичного свечения (флюоресценция) - испускание света определенного цветового диапазона.
Требуется определить границы инородных включений, произвести их классификацию и вычислить суммарную площадь (объем) включений.
Алгоритм вычисления содержание примесей. Первый шаг - предварительная обработка цветного изображения. Обозначим исходное цветное изображение трехмерным массивом I с размером M X N X 3 . Для предварительной обработки изображения (сглаживания областей изображения с сохранением их края) будем использовать двусторонний фильтр цветного изображения (Bilateral Filter) [5].
Математическое представление работы фильтра для каждой ячейки массива, определяемой как один пиксель изображения, записано ниже:
D D
£ £ I(x + m, y + n) ■ Hd (m, n) ■ Hr (dist(I(x + m, y + n), I(x, y)))
r Bilateral / \ _ m=—D n=—D__.. 1 ч
1 \Х->У>— D D (1)
£ £ Hd (m, n) ■ Hr (dist(I(x + m, y + n), I(x, y)))
m=-D n=—D
где IB'lateral (x, y) — новое значение вектора цветов одного пикселя изображения обработанного двустороннем фильтром с координатами (x, y) , I (x, y)— вектор значения компонентов цвета исходного изображения с координатами (x, y), D — ширина ядра фильтра Hd (D = L•Jd, L е[2.5,3.5]), Hd — ядро домена (domain) (матрица размера (2D +1) х (2D +1) [5, с.96-99]) и Hr — ядро диапазона (range) (матрица размера (2D +1) х (2D +1)).
а б в
Рис. 1. Примеры исследуемых изображений
Для определения матриц веса ядер Hd, Hr будем использовать следующие формулы:
Hd (m, n) = exp
Hr (dist (I (x + m, y + n), I (x, y))) = exp
m
2 Л
(dist (I (x + m, y + n), I (x, y))) 2jr2
2 ^
(2)
Из формулы (2) мы видим, что веса ядра Hd (m, n) вычисляется с использованием двумерного ядра Гаусса c шириной od и веса ядра Hr (dist( I (x + m, y + n), I (x, y))) вычисляется с использованием одномерного ядра Гаусса c шириной (Jr где Jd ,Jr е □ * (натуральные числа без нуля). Функция Гаусса
относительно медленно затухает с ростом удаленности от центра. Чтобы избежать видимых ошибок усечения, дискретные аппроксимации Гауссовой кривой должны иметь достаточно большую протяженность отсчетов примерно от ±2.5 •Jd до ±3.5 •Jd. Двусторонний фильтр управляется двумя параметрами это Jd и Jr. При увеличении Jr двусторонний фильтр дает результат близкий к размытию по Гауссу (Gaussian blur). При увеличении Jd происходит сглаживание более крупных объектов на изображения. Для сохранения краев на изображении рекомендуется чтобы Jr имела малое значения и Jr < Jd. Для определения меры расстояния dist(a, b) между двумя векторами значения цвета a,b двусторонний фильтр в уравнении (1) вычисляет функцию dist(I(x + m, y + n), I(x, y)) используя следующую метрику [1]:
1 1 I k
dist(a, b) =-j= |a - b|| = -j= ■ g(ak - bk)
1
2 ^ 2
Для случая цветовой схемы RGB (3 компонента цветности K = 3) формула (3) примет вид:
1 I 3
dist(I(x + m, y + n), I(x, y)) =-j= • I £ (Ik (x + m, y + n) -Ik (x, y))
(3)
(4)
где 1к (х, у) — скаляр значение одного из трёх компонентов цвета пикселя матриц цветового канала (красный, зеленый, синий) 1К, 1в, 1В с координатами (х, у) . Размер матриц 1к = М х N х1.
Двусторонний фильтр действует в области изображения, где нет краев объектов как обычный
н
сглаживающий фильтр, управляемый только ядром домена а. При применении двустороннего фильтра в области на изображения вблизи края объекта, в процесс сглаживания входят только те пиксели, которые близки по значению к центральному пикселю 1 (x, у) относительно ядра. Это позволяет избежать размытия краев объектов.
В результате работы двустороннего фильтра матрица цветного изображения преобразуется в результирующую матрицы Iв'1а'ега1 с размером М х N х 3 . Полученную матрицу можно представить как композицию из трех цветовых матриц 1В'Шет1, 1В'Шем1, 1В'Шет1 размерностью М х N х1.
После того, как произведено сглаживание изображения, необходимо преобразовать его в оттенки серого,[2] используя следующую формулу [3]:
1°гау (х, у) =
Iе
(х, у) + 1В'1а'ега1 (х, у) + 1В'1а'ега1 (х, у) 3
(5)
где 1В'Шега1 (х, у), 1В'Шега1 (х, у), 1В'Шега1 (х, у)— скаляр (цветовая компонента пикселя) обработанного двустороннем фильтром с координатами (х, у), 1вгау (х, у) — значение насыщенности пикселя в оттенках серого с координатами (х, у) . Размер матрицы 1вгау = М х N.
В дальнейшем, для сглаживания областей изображения необходимо использовать фильтр Гаусса, [7]. Фильтр Гаусса Н^ может быть реализован парой одномерных фильтров Гаусса Ята и как:
1вш' = 1вгау * = 1вгау * Яс * Яв,о (6)
где с — обозначает ширину (стандартное отклонение) колоколообразной функции, * — операция свертки [9], 1агау — матрица изображения в оттенки серого, 1ваш!1 — матрица изображения обработана фильтром Гауссом с размером М х N.
Для вычисления веса ядер , Я^а будем использовать следующую формулу:
Нв (т, п) =
1
^¡Тжс
"ехР| "
2с2
1 Г_ т2
ехр 1 2 с 2
1 | п ехр
2с2
= К с (т) • С (п) (7)
Размер ядра фильтра Гаусса На = (2Б +1) х (2Б +1) где Б = Ь • с , Ь е [2.5,3.5]. Функция Гаусса относительно медленно затухает с ростом удаленности от центра. Аппроксимация дискретной
кривой Гаусса для с будет аналогичной, как и для с Л ( от
±2.5 • с,
до
±3.5 • с
). Преимущество раз-
О (п2)
делимого ядра фильтров состоит в том, что сложность алгоритма двумерного фильтра порядка , в
случае разделения ядра фильтра, сложность алгоритма линейная или линейно-логарифмическая [5, с.89-103]. Порядок двух одномерных фильтров Гаусса в данном случае не имеет значения.
Для выделения границ объектов на преобразованном изображении будем использовать оператор Собеля [10]:
13оЬв1 _1вашз * Н $ и 1$°Ье1 _1ваш$ * Н ^ (8)
Используемые нами фильтры (ядро) для оператора приведены ниже:
Н =
_1 0 1" _1 _2 _1"
_2 0 2 и Щ = 0 0 0
_1 0 1 1 2 1
(9)
Горизонтальный градиентный фильтр сильнее всего реагирует на быстрые изменения в горизонтальном направлении (т. е. на вертикальные края) аналогично вертикальный градиентный фильтр Ну наиболее сильно реагирует на горизонтальные края. Данные применения оператора Собеля позволяют посчитать величину градиента Е( х, у) для каждой ячейки:
Е(х, у) = ( (х, у))2 + (((х, у))2 .
Матрица углов направления градиента Ф определяется:
(10)
Ф (х, у) = аг^ 249
Г 13уМ (х, у) ^
IIм ( х, у)
В результате применения оператора Собеля над матрицей изображения производится
дважды операция свертки с двумя ядрами фильтра Н и Н . В результате вначале получаем две мат-
х у
рицы 1Х9°Ье1, 19оЬе1 с размерностью каждой М х N, а затем на основании матриц 1$оЬе1,19оЬе1
вычисляются величины градиента изменения яркости Е(х, у) в окрестности положения (х, у) и угол направления градиента ф( х, у) в каждой точке изображения (матрицы изображения).
3 п X л 7Г
N (А /
у) •и
Ф
Direction
Рис. 2. Варианты направления угла изменения градиента
В некоторых случаях получается отрицательные значения углов направления градиента ф( х, у). Для уменьшения числа вариантов направлений сократим число значений углов (в декартовой
ж п и градусов рис. 2). Для
системе в прямоугольной сетке у нас есть всего 4 направления: 0,
4 2
4
фильтрации отрицательных углов будем использовать преобразование:
Ф P
e ( х, y) =
Ф(х, y) + 2n, Ф(х, y) < 0
(12)
ф(х, у), Ф(х, у) > 0
где фРохШуе (х, у) — положительное значение угла направления градиента в координате (х, у).
Далее преобразуем матрицу ФРо!""ге с размерностью М х N таким образом чтобы она содержала только четыре значения углов:
Фг
" ( х, У) =
Ф *
(х, У) <■
< Ф Positive
7n
<Ф P
e ( х, y) <
9n
15n
(х, y) <
3n
9n
<Ф P
e (х, y) <
< Ф Positive
11n
( х, y)
3n < ФPositive
(х, y) <
11n < Ф Positive
( х, у) <
(13)
—, [ФP
e ( х, y) é 0]л
Ф P
e ( х, y) Éj
ФP
e(х,y) ef
Ф Direction ( х, y) — оптимизированное значение угла направления градиента в координате (х, y).
Угол направления градиента ФDirection (х, y) будем использовать в алгоритме не-максимального подавления (Non-maximum Suppression) [5, с.134-138]. Алгоритм проходит по всем точкам матрицы (изображения) величины градиента E с размерностью M х N и находит пиксели с максимальным значением в краевых направлениях.
Суть алгоритма заключается в сравнении значения величины градиента в точке (х, y) с двумя соседними (по вертикали, горизонтали или по диагоналям) элементами матрицы в соответствии с углом направления градиента ФDirection ( х, y). В случае, если значение в точке ( х, y) больше, чем в соседних точках, значение величины градиента сохраняется иначе значение обнуляется. На рис. 3 [8] ниже показано направление всех соседних пикселей.
После того, как мы найдем направление нашего угла градиента ФDirection ( х, y), мы можем записать алгоритм не-максимальное следующим образом:
x (x, У) =
E ( x, y ),
Ф Direction (x, y) = 0 E(x, y) < [E(x, y +1) л E(x, y -1)] ж
ФD
n
( x y):
E (x, y) <[[ (x -1, y +1) л E (x +1, y -1)]
Ф Direction (x, y) = Ж 2
E(x, y) < [E(x -1, y) л E(x +1, y)]
Ф Direction ( x, y) = -4E (x, y) < [[ (x -1, y -1) л E (x +1, y +1) ]
Ф Direction (x, y) = 0 E(x, y) > [E(x, y +1) v E(x, y -1)]
Ф D
"(x, y) = ЖЖ
E(x, y) >[E(x -1, y +1) v E(x +1, y -1)]
Ф D
»/ л ж
(x,y) = 2
E(x, y) > [E(x -1, y) v E(x +1, y)] 3ж
Ф D
n / \
(x y) = -
(14)
Е(х, у) > [Е(х -1, у -1) V Е(х +1, у +1)] где ЕМопМах (х, у)— величина градиента обработано алгоритмом не-максимального подавление с координатами (х, у).
(х -1,у 1) (Ж-1.У+1)
O.V-1) (■r.v)
(-V + U')
Рис. 3. Соответствие индексов геометрическому расположению направлений
!Edge (^ у) Ч „ ^NonMaX) ..г (15)
Окончательное выделение края (утоньшение и выделение границы), можно производить через отслеживание края по гистерезису (Hysteresis) [11] следующим образом:
[255, ENonMax (x, y) > tHi 0, ENonMax (x, y) < tLo
где tHi — верхний порог, tLo — нижний порог, IEdge — матрица краев найденных объектов. Величина, превышающая или равная высокому порогу tHi, является краевым пикселем, Величина меньше нижнего порога tLo не является краем.
В дальнейшем в своей работе будем использовать библиотеку компьютерного зрения OpenCV [2] для детектирования границы объектов. Детектирование границ объектов производится с помощью функции Imgproc.findContours(), реализующей алгоритм топологического структурного анализа оцифрованных бинарных изображений по границам (Satoshi Suzuki) [12] пакета OpenCV. Сглаживание контура проводится с помощью функции approxPolyDP(), реализующей алгоритм Дугласа-Пекера [6]. Для семейства точек полученного контура с помощью функции minEnclosingCircle() находится максимально удаленные точки и описывается через них минимальный охватывающий круг. Получаем массив центров объектов и радиусов. После проводится поиск замкнутых контуров на исходном изображении. В даль-
251
нейшем для фильтрации вложенных контуров производится заполнение всех замкнутых контуров и границ контуров однородным цветом [4], и производится повторный поиск замкнутых контуров на полученном изображении. В результате получается матрица контуров объектов не содержащий внутри себя других контуров.
Выделение объектов в определенном цветовом диапазоне. Детекция вторичного флуоресцентного свечения. Приведенных выше алгоритмических шагов достаточно, для поиска и расчёта концентрации примесей в жидкости для рис. 1, б. Однако для рис. 1, в нам необходимо добавить дополнительный алгоритмический шаг - удаления (выделения) цвета в определенном диапазоне значений.
Если рассматривать изображение (матрицу М X N X К ) как набор пикселей (вектор размерностью К) то можно представить исходную трехмерную матрицу композицией К двумерных матриц отдельных компонент цветов размерностью М X N .
(Л( х, у) 1
I (х, у) =
12 ( х, у)
(16)
V1К ( ^ У) у
К
где I(х, у) е Я или ^ (х, у) е R соответственно.
Запишем I {х,у),I {х,у),I {х,у) — значениями компонент цветности в координате (х,у). Задача выделения части изображения по цветовой яркости производится путем сравнения выбранного пикселя (компонент вектора цветности) с координатами (и,V) Iя(и,V),I (и,V),I (и,V) со всеми остальными пикселями изображения. Технически задача по поиску похожих по цвету пикселей должна решаться путем расширения диапазона цветов выбранного пикселя на величину чувствительности к различию в цветности п. В результате сравнения необходимо сравнивать каждый элемент массива цветности изображения !к, , !в с двумя границами нижней и верхней (границы в свою очередь не должны выходить за
пределы допустимых значений яркости [0-255]).
Для выделения части изображения при учете нижней и верхней границ диапазона цветов будем использовать следующую формулу:
I'(х, у) =
Г Гл (х, у) 4 ( х, у ) гв (х, у)
(К 1
V Вжш у
( ^ ( х, у) 1 ^ (х у) ^(х у)
^ (и,V) - п < ^(х,у) < ^(и, V) + п ^ (и, V) - п < ^ (х, у) < ^ (и, V) + п ^ (и, V) - п < ^ (х, у) < ^ (и, V) + п
V
(. . 1
^ (и, V) - п > ^ (х, у) > ^ (и, V) + п
(17)
^ (и, V) - п > ^ (х, у) > ^ (и, V) + п ^ (и, V) - п > ^ (х, у) > ^ (и, V) + п
V у
где , , Вшш — новые значения компонент цветности, I' — полученная матрица цветного
изображения с размером М X N X 3 .
Анализ. Для рис. 1, а, б используя формулы алгоритма от (1) до (15) мы получаем результаты, представленные на рис. 4. В отличии от 4.а, на рис. 4, б присутствует большое число краев, которые необходимо подвергнуть дополнительной фильтрации. Для повышения точности определения краев и избавления от шумов используем последовательно алгоритм эрозии и дилатации изображения (методы библиотеки Ореп^ Imgproc.eшdeO и Imgpшc.dilateO). Результат использования фильтрации приведен на рис. 5.
Последним этапом следует выполнить устранение вложенности контуров. Для этого производим заполнение всех замкнутых контуров и границ (рис. 4, а, б) контуров однородным цветом [4] и делаем повторный поиск замкнутых контуров на полученном изображении. После этого можно посчитать количество концентрации примесей в жидкости и полученный результат указан на рис. 6.
Обработка рис. 1, в производится в другом порядке: Сначала с помощью формулы (17) производится удаление объектов (пикселей части изображения) в определенном диапазоне значений (в примере мы выбрали размер величины чувствительности к различию в цветности п = 50) затем проводим сглаживание изображения методом библиотеки OpenCV Imgproc.GaussianBlur() (Размытие по Гауссу) и, используя предыдущие шаги применяя формулы алгоритма от (1) до (15) мы получим результат, представленный на рис. 7.
Рис. 4. Результат поиск краев
Операция эрозии (erosion) Операция наращивания (dilation)
Рис. 5. Результат фильтраций шумов для рис. 4, б
Image Size:o266x4934 ^
Total Pixels: 1 6114444 "
mpurity Concentration = 4.8075096538664885% All object detected = 87 *t L
Image Size: 3070x4™ Total Pi xels:l 4214100 17
Impurity Concent ration=2.0608990201276307% All Object detected = 18 16
14
Результата изображения 1 Результата изображения 2
Рис. 6. Количество концентрации примесей в жидкости
б
а
Удаления цвета в определенном диапазоне
Размытие по Гауссу Результат
Рис. 7. Результат поиск краев для рис. 1, в
на рис. 8.
Считаем количество примесей в рис. 1, в и получаем следующие результат указан
Image Sizs:83Sx1266 Total Pixels: 10571 lO
Impurity Concentration = 0.2577647416007128X All object detected — 3
Без удаления цвета в определенном диапазоне После удаления цвета в определенном диапазоне Рис. 8. Количество концентрации примесей в жидкости на рис. 1, в
Заключение. Предложенный алгоритм позволяет проводить потоковую обработку серии изображений (в том числе и видеопотока) и с высокой точностью распознавать наличие и вычисление мгновенной концентрации примесей в жидкости. Обработка серии фотоизображений (видеопоследовательности) позволит создавать системы динамического контроля уровня загрязненности жидкости с фильтрацией и выявлением примесей определенного окраса. На основе результатов работы можно создавать датчики для детектирования количественного состава примесей, а при использовании методов цветокоррекции и качественного состава примесей.
Исследование выполнено при финансовой поддержке Фонда содействия инновациям.
Список литературы
1. Козлов В. Н. Функциональный анализ (с приложениями в энергетике). СПб.: Издательство Политехнического университета. 2011. C. 36-43.
2. Прохоренок Н.А. OpenCV и Java. Обработка изображений и компьютерное зрение / Н.А. Прохоренок. - Санкт-Петербург: БХВ-Петербург, С. 98-106.
3. Селянкин В. В. Компьютерное зрение. Анализ и обработка изображений: учебное пособие для вузов / В. В. Селянкин. 2-е изд., стер. Санкт-Петербург: Лань, 2021. C. 53-55.
4. Хлопин С.В., Салех Л.О.А., Системный анализ в проектировании и управлении. сборник научных трудов XXV Международной научной и учебно-практической конференции: в 3 ч. Санкт-Петербург, 2021. С. 229-235.
5. Burger W., Burge M.J. Digital Image Processing: An Algorithmic Introduction Using Java. Springer; 2nd ed. 2016.
6. David Douglas & Thomas Peucker. Algorithms for the reduction of the number of points required to represent a digitized line or its caricature // The Canadian Cartographer, 1973. 10(2). P. 112—122.
7. Babaud J., Witkin A.P., Baudin M., Duda R.O. Uniqueness of the Gaussian kernel for scale-space filtering. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986. 8(1). P. 26-33.
8. Jianping Fan, David. K.Y. Yau, Ahmed. K. Elmagarmid, Walid G. Aref, IEEE Transactions on Image Processing, VOL. 10, NO. 10, October 2001. P. 1454 -1466.
9. Kenny A.H. The Art of Image Processing with Java. A K Peters, 2016. P.124 - 138.
10. Davis L.S. A survey of edge detection techniques. Computer Graphics and Image Processing 4, 1975. P. 248-270.
11. Medina-Carnicer R., Madrid-Cuevas F.J., Carmona-Poyato A., Muñoz-Salinas R. Pattern Recognition, 2009. Volume 42. Issue 7. P. 1284-1296.
12. Satoshi S. Computer Vision, Graphics, and Image processing N30 // Topological Structural Analysis of Digitized Binary Images by Border Following, 1985. P. 32-46.
Салех Лабиб Омар Абдулла, аспирант, labib [email protected], Россия, Санкт-Петербург, Санкт-Петербургский политехнический университет Петра Великого,
Хлопин Сергей Владимирович, канд. техн. наук, доцент, [email protected], Россия, Санкт-Петербург, Санкт-Петербургский политехнический университет Петра Великого,
Черненькая Людмила Васильевна, д-р техн. наук, профессор, [email protected], Россия, Санкт-Петербург, Санкт-Петербургский политехнический университет Петра Великого,
Тарасевский Филипп Георгиевич, аспирант, [email protected], Россия, Санкт-Петербург, Санкт-Петербургский политехнический университет Петра Великого,
Царев Макар Михайлович, бакалавр, [email protected], Россия, Санкт-Петербург, Санкт-Петербургский политехнический университет Петра Великого
ALGORITHMFOR DETERMINING THE CONCENTRATION OF IMPURITIES IN A LIQUID FROM OPTICAL DATA
L.O.A. Saleh, S.V. Khlopin, L.V. Chernenkaya, P. G. Tarasevskii, M. M. Tsarev
The work is devoted to the development of methods and their software implementation for the detection of impurities in liquids based on the processing of photographic images. The issues of image pre-filtering, calculation of binarization threshold parameters, search for contours, separation of foreign inclusions (impurities), and calculation of the total concentration of impurities are considered. An author's method for filtering the overlap of several detected objects is proposed.
Key words: computer vision, color correction, edge detection, object detection.
Saleh Labib Omar Abdullah, postgraduate, [email protected], Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University,
Khlopin Sergey Vladimirovich, candidate of technical sciences, docent, [email protected], Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University,
Chernenkaya Lyudmila Vasilievna, doctor of technical sciences, professor, [email protected], Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University,
255
Tarasevskii Philip Georgievich, postgraduate, [email protected], Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University,
Tsarev Makar Mikhailovich, bachelor, [email protected], Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University
УДК 004.94:622
DOI: 10.24412/2071-6168-2023-1-256-259
КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ И АНАЛИЗ ПОВЕДЕНИЯ КОРОНКИ
ГОРНОЙ МАШИНЫ
М.С. Григорьев
Проводится исследование нагружения зуба, с целью исследования его реальной работы при повышенных нагрузках. Для этого была создана твердотельная модель зуба, имеющего два ребра жесткости, которые выполняются в системах автоматизированного проектирования, и далее в программе компьютерного моделирования проводится расчет прикладывания к зубу нагрузки. В данном случае оценивался зуб из стали, материал которого выбирался из встроенной стандартной библиотеки. И в результате расчета получены модели самого зуба в исходном состоянии и состоянии после нагружения с сеткой конечных элементов, помимо этого, были получены распределения деформаций по коронке. Исследовался также характер разрушения зуба и оценивалась нагрузка, требуемая для этого. Приводятся схемы начального и конечного состояния исследуемой коронки с двойным ребром жесткости. Делается анализ полученных компьютерным моделированием данных. Описываются основные типы ковшей и стадии их проектирования, приводится классификация и основные назначения различного навесного оборудования экскаваторов.
Ключевые слова: математическое моделирование, обработка информации, экскаватор, горная добыча, конечные элементы.
Экскаватор является видом специальной техники, применяющийся в строительстве, прокладке инженерных коммуникаций, а также погрузочно-разгрузочных работ, в том числе и в горных работах. Главным рабочим органом этой спецтехники является ковш, который бывает разной конструкции и назначения. В зависимости от задач, которые могут выполнять ковши, они делятся на такие виды [1-5]: траншейные (их используют для создания траншей или котлованов); скальные (применяются для работ со скалистыми типами грунта); профильные; усиленные (их используют в особо тяжелых земляных работах); погрузочные (они нужны для погрузки-выгрузки сыпучих материалов). Тип ковша будет определяться, исходя из тех задач, которые ему нужно будет решать.
На выбор экскаваторного ковша в первую очередь влияет поставленная перед ним задача. Для ковшей, которые будут создавать траншеи и котлованы, предусмотрено создание зубьев с коронкой. Они позволят ему легко входить в грунт. С момента последней серьезной модернизации ковшей прошло уже несколько десятилетий, так как ничего лучше пока не придумали. То есть современные ковши для экскаваторов создают по тем же чертежам, что и 30 лет назад, с небольшими доработками (например, были улучшены характеристики самих зубьев).
Крепление зубьев к основанию ковша долгое время было вставным, то есть в гнездах. Но современные модели характеризуются болтовым соединением зубьев. Это позволило сделать конструкцию легче при той же прочности. Кроме этого, для облегчения конструкции могут применяться коронки, надевающиеся на адаптер и закрепляющиеся с помощью штифтов.
Кроме зубьев у экскаваторного ковша также может износиться и кромка, все зависит от характеристик грунта, с которым работает техника: чем он тверже, тем быстрее будет происходить износ. Поэтому современные модели ковшей оснащают износостойкими видами зубьев, изготовленных из высокопрочной стали (в сталь добавляют легирующие элементы: хром, марганец, молибден и другие элементы, повышающие прочность и долговечность). Поэтому вопрос о проектировании и изучении коронок ковшей является важным и актуальным.
На первом этапе ковш проектируют в соответствии с поставленными перед ним задачами, например, для переноса сыпучих полезных ископаемых. Современное проектирование осуществляется с помощью специальных компьютерных программ, таких как AutoCAD и других. После создания чертежа необходимо выполнить точные расчеты прочности и других характеристик будущего изделия. Только после того, как будут проведены все необходимые расчеты и их проверки, чертеж будет отправлен на производство.
