CC BY
477
А. Е. Цаплин
ДИАГНОСТИКА УЗЛОВ МЕХАНИЧЕСКОЙ ЧАСТИ ПОДВИЖНОГО СОСТАВА С ПРИМЕНЕНИЕМ КОМПЛЕКСА МАШИННОГО ЗРЕНИЯ
В статье рассматриваются функциональные возможности комплекса оптикоэлектронной цифровой обработки отображения поверхностей элементов и деталей механических узлов; практическое применение комплекса оптоэлектронной обработки для диагностики деталей узлов механической части электрического подвижного состава.
машинное зрение, оптико-электронная цифровая обработка, алгоритм.
Введение
Оптико-электронная цифровая обработка и цифровой анализ изображений находят применение в различных областях науки и техники, системах промышленного контроля, системах управления движущимися объектами и аппаратами, комплексах обработки данных дистанционного зондирования.
Обобщающий термин «машинное зрение» как понятие наиболее полно объемлет круг инженерных технологий, методов и алгоритмов, связанных с задачей интерпретации сцены наблюдения по ее двумерным проекциям (изображениям), а также практическое использование результатов этой интерпретации.
1 Особенности неразрушающих методов контроля
Неразрушающие методы контроля материалов (изделий) используются для обнаружения нарушения сплошности или однородности макроструктуры, отклонений химического состава и других целей.
Широкое применение неразрушающих методов контроля, не требующих вырезки образцов или разрушения готовых изделий, позволяет избежать больших потерь времени и материальных затрат, обеспечить частичную или полную автоматизацию операций контроля при одновременном значительном повышении качества и надежности изделий. В настоящее время ни один технологический процесс производства важной продукции не внедряется в промышленность без прохождения соответствующей системы неразрушающего контроля.
Основными достоинствами неразрушающих методов контроля, или дефектоскопии, следует считать:
S возможность контроля на всех стадиях изготовления, при эксплуатации и при ремонте изделий;
S возможность контроля качества продукции по большинству заданных параметров;
S согласованность времени, затрачиваемого на контроль, со временем работы другого технологического оборудования;
S высокую достоверность результатов контроля;
S возможность механизации и автоматизации контроля технологических процессов, а также управления ими с использованием сигналов, выдаваемых средствами контроля;
S высокую надёжность дефектоскопической аппаратуры и возможность использования её в различных условиях;
S простоту методик контроля, техническую доступность средств контроля в условиях производства, ремонта и эксплуатации.
Неразрушающий контроль, в зависимости от физических явлений, положенных в его основу, подразделяется на следующие виды:
S магнитный;
S электрический;
S вихретоковый;
S радиоволновой;
S тепловой;
S оптический;
S радиационный;
S акустический;
S проникающими веществами.
Каждый из видов неразрушающего контроля имеет свои достоинства, но, к сожалению, не лишен недостатков. В ряде случаев для получения более достоверного результата применяют сочетание нескольких его видов.
В настоящее время при диагностике узлов механической части электрического подвижного состава наибольшее распространение получили магнитопорошковый и ультразвуковой методы неразрушающего контроля, а также визуальный осмотр.
Важнейшими достоинствами ультразвукового метода неразрушающего контроля являются возможность обнаружения внутренних дефектов, высокая производительность и малая стоимость контроля. Однако отсутствие наглядности и сложность расшифровки результатов контроля в ряде случаев позволяют прибегнуть к иным методам неразрушающего контроля.
При использовании магнитопорошкового метода неразрушающего контроля информация о наличии дефекта может быть получена посредством визуального осмотра дефектоскопистом поверхности детали (после полива детали суспензией и её намагничивания). Однако возможности глаза ограничены, например, при осмотре быстро перемещающихся или удалённых объектов, находящихся в условиях малой освещённости. Для расширения возможностей глаза используют
оптические приборы. Это позволяет увидеть мелкие дефекты или их детали, невидимые невооружённым глазом.
Визуальный контроль с использованием оптоэлектронных приборов называют визуально-оптическим. Основные преимущества этого метода -простота контроля, сравнительно несложное оборудование, малая трудоёмкость. Повышение достоверности визуально-оптического контроля может быть достигнуто путем соответствующей компьютерной обработки получаемых изображений.
Использование оптоэлектронных средств позволяет автоматизировать процесс диагностирования, повысить качество диагностики, сократить трудозатраты, а также сформировать базу данных диагностируемых элементов.
2 Основные задачи машинного зрения и способы их реализации
Сложность проблемы «понимания изображений» определяется тем обстоятельством, что ее интеллектуальная (алгоритмическая) составляющая является весьма трудной задачей. В настоящее время отсутствуют (не созданы) универсальные компьютерные программы, «понимающие» любую видимую сцену.
Современное состояние общей теории «понимания изображений» -это, с одной стороны, сочетание ряда нерешенных к настоящему моменту теоретических задач, а с другой - множество идей и подходов, лишённых хорошо разработанной теории. Для решения многих практически важных задач машинного зрения общая проблема «понимания изображений» может быть сведена к более простой проблеме обнаружения и распознавания или измерения фрагмента по одному или нескольким изображениям объектов, удовлетворяющих некоторому заранее
известному модельному описанию. Единого математического
формального подхода и единой общепризнанной методики разработки алгоритмов в области машинного зрения в настоящее время не существует. Это обстоятельство является серьезной проблемой, затрудняющей и замедляющей разработку новых приложений и практических систем машинного зрения.
Разработка систем анализа и обработки цифровых изображений обязательно включает в себя следующие этапы:
S предварительное исследование свойств типовых изображений;
S анализ применимости известных методов обработки и
распознавания изображений для данной конкретной задачи;
S разработка новых алгоритмов;
S первичная программная реализация новых алгоритмов и качественная проверка их эффективности;
S окончательная программная реализация алгоритмов [3].
Для выполнения этих операций требуется использование компьютера с функциональным программным обеспечением. В ряде случаев для
решения частных задач машинного зрения используются программы, написанные поставщиком оборудования и подходящие только для конкретных условий или для какого-либо заранее известного процесса. Тем самым достигаются высокие результаты, однако в случае изменения условий наблюдения (освещенности, положения, габаритных размеров и формы объекта) возникают ошибки в работе программного обеспечения вплоть до отказа его работоспособности.
С другой стороны, крупные компании, занимающиеся созданием программного обеспечения для решения инженерных задач, выпускают пакеты, имеющие обширные библиотеки инструментов и средств обработки изображений. Использование такого программного обеспечения для решения задач машинного зрения возможно с достаточно простой настройкой, предполагающей изменение каких-либо параметров, однако не всегда ресурсы установленных библиотек удовлетворяют поставленным условиям. Среди существующих программных средств подобного рода наиболее обширными возможностями, по мнению пользователей, обладает среда визуального программирования LabVIEW с библиотекой компонентов обработки и анализа изображений IMAQ Vision фирмы «National Instruments» (США) [2].
3 Программные средства обработки изображений
В качестве программного обеспечения разработаны программы обработки изображений в средах National Instruments Vision Builder AI 3.5, National Instruments Vision Assistant 8.5 и в модуле NI Vision Development Module.
Программная среда Vision Builder for Automated Inspection (Vision Builder AI) представляет собой настраиваемое программное обеспечение для систем машинного зрения, которое можно использовать для конфигурирования камеры, прототипирования, тестирования и запуска приложений машинного зрения. Vision Builder AI позволяет конфигурировать и тестировать последовательность шагов контроля изображений, а также запускать системы для автоматического контроля изображений [4].
Модуль NI Vision Development позволяет вводить, отображать и сохранять изображения, а также проводить их обработку и анализ, для которого использует библиотеку, содержащую обширный набор функций для решения следующих типовых задач машинного зрения:
V сравнения с образцом;
V анализа по точкам;
V калибровки;
V измерения;
V воспроизведения чёрно-белых, цветных и бинарных изображений.
Используя NI Vision Development Module, можно разрабатывать простые и сложные приложения без детального изучения особенностей реализации алгоритмов.
Программная среда Vision Assistant является средством, при помощи которого можно осуществить необходимые действия над исходным изображением. Преимуществом Vision Assistant является быстрота разработки каркаса будущей программы. По окончании исследований полученные результаты могут быть экспортированы в LabVIEW для последующей обработки.
Vision Assistant производит обработку полученных снимков и отображает на экране монитора те области детали, где по данным программы обработки возможен дефект.
С математической точки зрения цифровое изображение представляет собой двумерную матрицу Im[x, y] размером (DimX^DimY), где x - целое число от нуля до DimX - 1, описывающее номер элемента в строке матрицы, y - целое число от нуля до DimY - 1, описывающее номер строки матрицы, в которой расположен данный элемент. При этом сам элемент цифрового изображения (ячейка прямоугольной матрицы), носящий название «пиксель» Im[x, y] (pixel, picture element), имеет скалярное целочисленное значение, пропорциональное значению функции распределения яркости fx, y) в данной точке плоскости. Следовательно, с цифровым изображение можно совершать те же действия, что и с двумерными матрицами. Таким образом, используя математические преобразования, возможно изменить контрастность, инвертировать изображения, использовать фильтрацию шумов, выделить контур и совершить многие другие действия над изображением [4]. 4
4 Комплекс для исследования деталей механической части электровозов с применением электронных средств
На кафедре «Электрическая тяга» разработан комплекс для исследования и диагностики поверхностей элементов узлов механической части электроподвижного состава, представленный на рис. 1.
Комплекс включает в себя монохромную видеокамеру, компьютер, оснащенный дополнительной платой для синхронизации изображения, получаемого камерой, и подвижной кареткой с электрическим приводом для установки и перемещения детали.
Каретка позволяет осуществлять возвратно-поступательное движение детали. Приводом служит трехфазный асинхронный короткозамкнутый мотор-редуктор типа 2МВ3. К выходному валу редуктора присоединен вал-червяк, осуществляющий движение каретки. Для реверсирования хода каретки в конструкции установлены концевые переключатели электродвигателя. Камеру фокусируют на детали и с определенной периодичностью делают снимки перемещаемой поверхности.
Рис. 1. Комплекс для исследования и диагностики поверхностей элементов узлов механической части электроподвижного состава
Для установки использована специализированная монохромная видеокамера Sony XC-ST50CE.
Синхронизация камеры с системным блоком компьютера и реализация программ компьютерной обработки обеспечивается посредством платы PCI-1405 компании «National Instruments» (рис. 2).
По результатам выявленных компьютером аномалий изображений дефектоскопист принимает окончательное решение о наличии или отсутствии дефекта, осматривая только подозрительные области, экономя время осмотра.
Комплекс оптоэлектронной диагностики проходил испытания в ремонтном депо Санкт-Петербург на стенде магнитопорошкового контроля. В качестве объектов диагностики были использованы детали рессорного подвешивания тележки электровоза «Серьга» (рис. 3) и «Щека» (рис. 4) [2].
Рис. 2. Плата PCI-1405 Рис. 3. Деталь «Серьга» рессорного
подвешивания
Рис. 4. Деталь «Щека» рессорного подвешивания
Для достижения лучшего результата выбраны способы обработки матриц изображений, позволяющие существенно усилить четкость отображения дефектов.
Экспериментальные исследования проводились в объеме месячной программы демонтированных при плановом ремонте узлов с целью диагностического контроля в объеме 800 деталей каждого типа, из которых выявлены усталостные микротрещины на 52 деталях «Серьга» и на 49 деталях «Щека». Результаты исследования подтверждены магнитопорошковым методом неразрушающего контроля, при котором выявлены усталостные микротрещины на 50 деталях «Серьга» и на 48 деталях «Щека».
Таким образом, программная обработка изображений позволила улучшить качество диагностирования узлов механической части электрического подвижного состава.
Снятое камерой изображение поверхности детали «Серьга» с микротрещиной было обработано с помощью функций сред NI Vision Assistant и NI Vision Development Module: Edge Detection Roberts для выделения контура и Convolution Highlight Details для усиления контрастности. Исходное и обработанное изображения показаны на рис. 5, а и б соответственно.
а) б)
Рис. 5. Снимок дефекта до и после обработки снимка Изображение дефекта детали «Щека» при магнитопорошковом методе неразрушающего контроля представлено на рис. 6. Снятое камерой изображение поверхности детали с микротрещиной было обработано с помощью функций сред Vision Builder AI и NI Vision Development Module: Smoothing Median для усиления границ контура и Convolution Highlight Details для усиления контрастности. Исходное и обработанное изображения показаны на рис. 7, а и б соответственно.
Рис. 6. Изображение дефекта при магнитопорошковом методе неразрушающего контроля
а) б)
Рис. 7. Изображение дефекта до и после обработки снимка
Плата синхронизации позволяет делать снимки поверхности с частотой 1 кадр в секунду, при этом размер каждого снимка 64*48 мм, в результате на сканирование поверхности детали среднего размера затрачивается не более 20 секунд [1].
Для автоматизированного учета диагностируемых деталей разработана база данных, фиксирующая номер детали, принадлежность к
узлу и номеру электровоза, дату диагностирования и выработанный ресурс.
Заключение
В сфере дальнейшего расширения области применения машинного зрения перспективным направлением следует считать контроль и диагностику поверхностей элементов колесно-моторных блоков (КМБ) в процессе эксплуатационного износа, а также механической обработки при технологическом ремонте. Реализация операций диагностики и контроля с использованием машинного зрения сопряжена с проблемами создания эффективных алгоритмов и программ обработки поверхностей трехмерного пространства. В настоящее время производятся изучение программного обеспечения по исследуемой тематике и разработка на его основе алгоритмов диагностирования цилиндрических поверхностей элементов КМБ.
Библиографический список
1. Интеллектуальная камера NI 17XX. Руководство пользователя (NI Vision). - M. : National Instruments, 2007. - 73 c.
2. Механическая часть тягового подвижного состава / И. В. Бирюков, А. Н. Савоськин, Г. П. Бурчак. - М. : Транспорт, 1992. -440 с. - ISBN 5-277-00947-7 .
3. Обработка и анализ цифровых изображений с примерами на LabVIEW и IMAQ Vision / Ю. В. Визильтер, С. Ю. Желтов, В. А. Князь, А. Н. Ходарев, А. В. Моржин. - М. : ДМК Пресс, 2007. -464 с. - ISBN 5-94074-404-4.
4. Руководство пользователя NI Vision. - М. : National Instruments, 2007. - 411 c.
УДК 656.21.001.2: 658.012.011.56+06
О. Н. Числов, В. Л. Люц
МЕТОДЫ НАКОПЛЕНИЯ И РАСПРЕДЕЛЕНИЯ ГРУЗОПОТОКОВ ПОРТОВЫХ РЕГИОНАЛЬНЫХ ТРАНСПОРТНО-ТЕХНОЛОГИЧЕСКИХ СИСТЕМ
В современных условиях организации железнодорожных мультимодальных перевозок возникает необходимость корректировки методов накопления и распределения грузопотоков с учетом региональных логистических факторов. В статье рассматриваются особенности работы южнопортовых транспортно-технологических систем с позиций рационального выбора количества, местоположения и технологии работы распределительно-накопительных терминалов как демпферной зоны на направлениях массовых грузопотоков. Авторы разработали критерии оценки местоположения терминала и модифицированную гравитационную модель,
