CC BY
71
АНАЛИЗ СОВРЕМЕННЫХ МЕТОДОВ КОНТРОЛЯ ПАРАМЕТРОВ ШЕРОХОВАТОСТИ ОБРАБОТАННОЙ ПОВЕРХНОСТИ Гуржий И.И.1, Гуляев В.А.2
'Гуржий Игорь Иванович - магистр, направление: конструкторско-технологическое обеспечение машиностроительных производств;
2Гуляев Вадим Анатольевич - кандидат технических наук, доцент, кафедра оборудования и технологии машиностроительного производства, Институт машиностроения Тольяттинский государственный университет, г. Тольятти
Аннотация: современное развитие производства определяет доминирующее значение автоматической производственной системы, которая гарантирует высокое качество выпускаемого продукта. Увеличение качественного свойства информационно-измерительной системы - это насущная задача развития гибкого автоматизированного производства. Одна из основных задач в машиностроении - это ввод контроля не как метода деления уже готового продукта на годный и брак, а как метод управлении, чтобы получить требуемую характеристику качества, предупреждение и исключение бракованного продукта, а еще, чтобы ввести оптимальный режим обработки, который гарантирует наибольшую операционную производительность. Для метода измерительной цели используется система усиленного контроля (выделение готового продукта) [1].
Ключевые слова: анализ; параметры; методы контроля; перспективные способы контроля.
Реальная поверхность деталей определяется макрогеометрическими, характеризуют волнистость детали и несоответствие форме, и микрогеометрическими отклонениями, характеризуют шероховатость поверхности.
При этом между данными отклонениями отсутствует четкое физическое различие, но их можно условно разделить в зависимости от отношения шага погрешности <^к» к значению высоты неровностей «Я». Погрешности, у которых показатель отношения <^кЖ» лежит в следующих пределах относится к одной из групп:
• Бк/Я< 50- к шероховатости;
• 1000> Бк/Я> 50 - к волнистости;
• Бк/Я> 1000 - к отклонениям формы.
Волнистость является промежуточной геометрической характеристикой состояния поверхности детали между отклонением формы и шероховатостью.
Неровности поверхности с относительно малым шагом, образующие микрорельеф на реальной поверхности называется шероховатость. Длина, на которой осуществляется оценка шероховатости, называют базовой линией. Базовая длина выбирается в зависимости от высоты неровностей, таким образом - чем выше неровности, тем расстояние больше. В качестве базовой длины выбирают среднюю линию профиля, имеющую форму, соответствующую номинальному и проводят ее таким образом, чтобы сумма площадей в пределах, очерченных профилем над средней линией, была равна сумма площадей, ограниченных профилем под данной линией.
Формула шероховатости Ка (среднее арифметическое отклонение профиля):
Отклонения формы Волнистость
Б
Шероховатость (микронеровности)
Рис. 1. Классификация геометрических характеристик
п
(1)
где, I - базовая длина, в пределах которой производится расчет; п - количество точек профиля на базовой длине для определения шероховатости. У1 - отклонение профиля.
Формула шероховатости Кг (высота неровности профиля по 10 точкам):
(2)
где Ур т1 - соответственно высота максимального выступа профиля;
У„т1 -соответственно глубина максимальной впадины профиля.
Параметр «Яа» определен на основе «п» выбранных выступов и впадин и
несомненно наиболее объективно дает высотную характеристику поверхности. Именно поэтому он является предпочтительным при указании на чертежах.
Для трехмерного построения, аналогом параметра «Ra» будет показатель «Sа», определяемый по следующей формуле:
Главная задача - это убрать воздействие на обрабатываемый параметр различного этапа, который функционирует постоянно и случайно: износ режущего инструмента, температурная и силовая деформация и т. п.
Основная область использования системы усиленного контроля - это финишная абразивная обработка, в первую очередь, шлифование и хонингование. Данная проблема актуальна для шлифовальной операции, которая делает во множестве случаях выходную характеристику качества всего технологического процесса.
В последние годы на западе и у нас активно прорабатывается концептуальное основание, архитектура, стандарт и принцип построения «интеллектуальной энергетической сети и системы», которая известна в мире как «SmartGrid», или, как она иногда называется в нашей стране - «активно-адаптивная сеть» энергетики. По данным аналитиков, в ближайшие 40 лет потребление электроэнергии в мире должно увеличиться в 3 раза.
В наше время в производстве физическое качество и свойство микрогеометрии шероховатой плоскости содержит ключевое значение для качественного свойства изготавливаемого продукта. Шероховатость плоскости - это важная эксплуатационная линия, от нее располагается в зависимости коэффициент трения, износостойкость, коррозионная стойкость и ряд иных механических данных.
Для измерения свойства шероховатости разработан различный метод, который вполне вероятно поделить на 2 типа - контактный и бесконтактный.
Сейчас нередко используется оптико-физический метод исследования свойства плоскости. Это разъясняется тем, что оно является неконтактным, неразрушающим и легче подается автоматизацией. Развитие эллипсометрического метода измерения предоставленной плоскости, сущность которого произведена в исследовании конфигурации свойства вектора Стокса, отраженного излучения, привело к реализации отменно нового подхода к изучению ее свойства.
Ключевой барьер для развития оптического метода измерения, в частности эллипсометрического - это сложность математической обработки его результата. Использование вычислительной техники убирает практически всю проблему, которая связана с интерпретацией результата и готовит предпосылку для перевоплощения самодействующей измерительной системы в довольно эффективный инструмент, который находит использование в самой различной исследовательской работе [2].
Использование лазерного информационно-измерительного комплекса (ЛИИК) для измерения шероховатости плоскости дает возможность создавать самодействующий контроль качества, как в процессе производства продукта, так и впоследствии окончания его обработки. Это обосновывается широкой возможностью ЛИИК, которая разрешает неконтактным способом измерять различную характеристику плоскости на основании измерения оптического свойства отраженного лазерного излучения. Гигантская точность измерения гарантируется спецификой лазерного излучения, таким как монохроматичность, когерентность, небольшая расходимость, линейная поляризация излучения и т. д. [3, с. 119].
Наибольшую распространённость среди контактного метода контроля шероховатости поверхности детали получил щуповой прибор, работающий по методу ощупывания контролируемой поверхности алмазным стилусом.
Сравнительный бесконтактный метод. В основе данного метода лежит принцип сравнения исследуемой поверхности с определенным образцом, шероховатость которого регламентируется ГОСТ 9378-93. Указанные в стандарте образцы шероховатости поверхностей используются для визуального и тактильного сравнения с поверхностью детали, полученной после обработки лезвийным инструментом, полированием, электроэрозионной, дробеструйной и пескоструйной обработкой.
(3)
Метод светового сечения. Измерение по данному способу проводят следующим образом: исходящий от источника световой поток в виде сфокусированного луча проходит через отверстие в форме щели, ширина которой около 0,1 мм, и затем перенаправляется объективом под необходимым углом на исследуемую поверхность. После отражения от исследуемой поверхности пучок света через объектив переносит изображение щели в плоскость фокуса окуляра. Если исследуемая поверхность окажется идеально ровной, то изображение щели будет представлено в окуляре в виде прямой светящийся линии. В случае, если поверхность имеет дефект, то в плоскости окуляра будет наблюдаться искривление светящийся линии. Высота отклонений неровностей измеряют от визирной линии путем использования микрометра. Разность отсчетов при совмещении этой линии с верхним и нижним краями неровности считывается с микрометрического барабанчика и позволяет определять значения высоты, необходимые для расчета Ra и Rz.
Современный прибор, работающий по принципу светового сечения, позволяет измерять неровность поверхности высотой от 0.8 до 63 мкм при погрешности показания от 24 до 7.5 %.
Лазерный эллипсометрический метод. Данный метод основывается на анализе изменения поляризации света, который проходит или отражается от исследуемого объекта. Источником света при проведении эллипсометрических измерения является монохроматическое излучение второй гармоники YAG:Nd3+ - лазера (зеленый свет), которое позволяет проводить исследования неоднородности поверхности исследуемого объекта на микроуровне.
Растровый электронный микроскоп (РЭМ) дает получить изображение поверхности образца с высоким разрешением (несколько нанометров).
Атомно-силовой микроскоп. Применяется для исследования рельефа поверхности с разрешением от нескольких десятков ангстрем вплоть до атомарного. Основное отличие атомно -силового микроскопа от сканирующего туннельного заключается в том, что он позволяет проводить исследования исследовать как проводящих, так и непроводящих поверхностей [6].
Одно из перспективных направлений является объединение высокой производительности визуального контроля; объективности профилометрического и высокой точности воспроизведения поверхности при оптическом методе. Возможным способом объединения преимуществ является способ, в основе которого лежит идея цифровой фотосъемки поверхности детали после операций механической обработки и использование соответствующих алгоритмов, позволяющих производить в реальном масштабе времени компьютерную обработку графической информации, что в итоге позволит установить шероховатость. В основе данного способа используются законы оптической физики, математической статистики и применение современных информационных технологий, все это в совокупности дает возможность получать требуемую информацию в реальных производственных условиях. Помехи, вызванные вибрацией и загрязнением контролируемой поверхности минимизированы, так как время экспозиции во время съемки не превышает собственной частоты работы технологического оборудования. Для достижения этой цели разрабатывается автоматизированный комплекс, в основе которого лежит распознавании изображения. Он включает в себя оптико-цифровой модуль, объединенный с персональным компьютером. Для функционирования предлагаемой автоматизированной системы используются алгоритм, основанный на сравнении текстуры полученного изображения с применением корреляционного критерия сходства. Основными этапами расчета при функционировании автоматизированной системы для обработки и анализа графической информации являются: первоначальная обработка изображения, определение информативных признаков исследуемой области, сравнение выявленных признаков с эталонными. Для выполнения данных задач применяются разнообразные методы и алгоритмы на всех этапах расчета, включая: оптимально линейную фильтрацию, вейвлет-преобразования, корреляционные методы, алгоритмы для вычисления оценок.
Список литературы
1. Волосов С.С. Активный контроль размеров / С.С. Волосов, M.JI. Шлейфер, В.Я. Румкин и др.; Под ред. С.С. Волосова. -М.Машиностроение, 2014. 432 с.
2. Дунин-Барковский И.В., Карташева А.Н. Измерение и анализ шероховатости, волнистости и некруглости поверхности. М.: Машиностроение, 2017. 378 с.
3. Застрогин Ю. Ф. Лазерные приборы вибрационного контроля и точного позиционирования / Ю.Ф. Застрогин, О.Ю. Застрогин, А.З. Кулебякин. М.: Машиностроение, 2015. 400 с.
4. Зиятдинов P.P., Сабиров И.С., Ахметшин А.И. Применение оптико-физических методов исследования // Молодежь науке будущего: Тезисы докладов Международной молодежной научной конференции. Набережные Челны: Изд-во Камского политехи, ин-та, 2013. С.17.
5. Кучин А.А., Обрадович К.А. Оптические приборы для измерения шероховатости поверхности. Л.: Машиностроение, 2014. 288 с.
6. Миров М.Б. Способ бесконтактного контроля качества обработки поверхности оптических деталей и устройство его осуществления / П.И. Дрозд, Л.В. Поперенко, И.А. Шайкевич. 2016. 390 с.
7. Миров М.Б. Эллипсометрический способ контроля качества полирования деталей / В.П.Маслов, Т.С. Мельник, В.А. Одарич. 2016. 216 с.
8. Сорочкин Б.М. Автоматизация измерений и контроля размеров деталей. Д.: Машиностроение. Ленингр. отд-ние, 2017. 267 с.
9. Топорец А.С. Оптика шероховатой поверхности. Л.: Машиностроение. Ленингр. отд-ние, 2016. 321 с.
10. Худобин Л.В. Диагностика и управление процессом шлифования по амплитуде звукового давления / JI.B. Худобин, В.Ф. Гурьянихин, В.С. Юганов Вестник машиностроения, 2015, № 11. 80 с.
АНАЛИЗ ДАННЫХ СОЦИАЛЬНЫХ СЕТЕЙ КАК СПОСОБ СБОРА ИНФОРМАЦИИ О СОЦИАЛЬНЫХ ПРЕДПОЧТЕНИЯХ ЖИТЕЛЕЙ РЕГИОНОВ Мильчук Я.Г.
МильчукЯрослав Геннадьевич — аспирант, кафедра САПР,
Волгоградский государственный технический университет, г. Волгоград
Аннотация: в данной статье рассматриваются перспективы и возможности анализа данных социальных сетей для сбора информации о социальных предпочтениях жителей регионов. Определены особенности сбора и обработки данных для выявления и исследования социальных потребностей с точной географической привязкой.
Ключевые слова: социальные сети, социальные данные, пользовательские данные, социальный анализ, анализ социальных предпочтений, информация.
Прогресс в развитии информационно-коммуникационных технологий и методов извлечения знаний определяет глубокое проникновение интеллектуальных инструментов для работы с данными в различных сферах жизни человека. Информационные технологии помогают в инженерной и управленческой деятельности по управлению сложными инфраструктурными системами и территориями.
Принятие обоснованных решений является необходимым предварительным условием для выбора вариантов социального развития, как на уровне руководства региона, так и для местных органов власти.
Существенной проблемой для определения направлений социального развития является трудоемкость сбора и обработки данных о предпочтениях жителей региона. Информация, необходимая для анализа текущего состояния, имеет большой объем, постоянно обновляется и характеризуется неоднородностью. Существующие статистические методы часто не позволяют своевременно обновлять данные, поэтому необходимы альтернативные методы мониторинга социальных процессов.
Принимая во внимание пожелания жителей регионов посредством анализа данных социальных сетей, можно значительно повысить эффективность получения информации о текущем состоянии дел в регионе и качестве принимаемых решений.
Для получения актуальных данных о предпочтениях жителей разных территорий необходимо обеспечить оперативный сбор информации и ее хранение в базе данных в унифицированном формате. Одним из источников являются социальные сети. Сбор таких данных из профилей пользователей, таких как пол, возраст, интересы, место работы, место учебы, фотографии, а также хэштеги и геоданные, коррелированные с ними, может помочь в определении социальных потребностей, реализованных в определенный момент времени. Например, пользователи социальных сетей регулярно публикуют значительное количество фотографий, отражающих их любимые или наиболее посещаемые места. Выявляя частые повторения, можно определить фактические социальные потребности по сравнению с местами их реализации [3, с. 70].
