CC BY
63
УДК 621.923
А.А. Игнатьев, Е.М. Самойлова
ЭКСПЕРИМЕНТАЛЬНЫЙ АНАЛИЗ ЛОКАЛЬНЫХ ДЕФЕКТОВ ПОВЕРХНОСТНОГО СЛОЯ ДЕТАЛЕЙ ПОДШИПНИКОВ НА ОСНОВЕ НЕЙРОННЫХ
СЕТЕЙ
Рассматривается вопрос применения систем распознавания локальных дефектов шлифованных поверхностей деталей подшипников с использованием нейронных сетей.
Детали подшипников, шлифование, дефекты, распознавание, нейронные сети, сети Кохонена
AA. Ignatiev, E.M. Samoylovа
EXPERIMENTAL ANALYSIS OF LOCAL DEFECTS SURFACES BEARING BASED ON
NEURAL NETWORK
The question of the recognition systems of local defects of bearing ground surfaces using neural networks.
Details of bearings, grinding, defects recognition, neural networks, Kohonen network
Наиболее широкое распространение в подшипниковой промышленности при сплошном либо выборочном контроле деталей на отсутствие микротрещин и шлифовальных прижогов в процессе анализа поверхностного слоя деталей подшипников получили следующие методы неразрушающего контроля: травление, магнитные, индукционные (вихретоковый метод) [1].
Вихретоковый метод контроля, основанный на анализе взаимодействия внешнего электромагнитного поля с электромагнитным полем вихревых токов, наводимых возбуждающей катушкой в электропроводящем объекте контроля, является наиболее эффективным на финишных операциях и позволяет получать хорошие результаты контроля даже при высоких скоростях движения объектов. Одна из наиболее эффективных систем мониторинга технологических процессов в подшипниковом производстве -автоматизированная система вихретокового контроля (АСВК) - применена в ОАО «Саратовский подшипниковый завод». Основным образующим элементом АСВК является автоматизированный прибор неразрушающего вихретокового контроля ПВК - К2М (ВТП). Основные типы дефектов, выявляемые ВТП, это периодичекие прижоги; одиночные прижоги на шлифуемой поверхности; циклические прижоги по краю обработанной поверхности; трещины и микротрещины и пятна с пониженным содержанием углерода [2, 3]. Прибор разрабатывался совместно ОАО «Саратовский подшипниковый завод», Саратовским государственным техническим университетом имени Гагарина Ю.А. и ГУНТП «СТОМА». По вихретоковым образам автоматизированной системы мониторинга технологического процесса, формируемым ВТП, возможен оперативный контроль отклонений технологического процесса или неисправностей шлифовального оборудования, в частности, превышение уровня вибрации, сопровождающей шлифование [4,9].
Мониторинг качества шлифовальной обработки деталей подшипников по степени неоднородности поверхностного слоя и выявления дефектов представляет собой два этапа: выявление и распознавание дефектов поверхностного слоя с обнаружением закономерностей и проведение обучающего эксперимента с использованием нейронной сети для автоматического распознавания и принятия решения о качестве технологического процесса [4].
Наиболее распространенным приемом исследования сигналов до настоящего времени являлся частотный анализ, основанный на преобразовании Фурье, который не позволяет выявлять локальные дефекты, не имеющие достаточно выраженной периодичности, т.е. не решена задача автоматизации распознавания и идентификации дефектов. Для ее решения в настоящее время проводятся исследования по нескольким направлениям. Одно из них - исследования по различным аспектам распознавания изображений с помощью нейросетей [5]. Для решения задачи идентификации неоднородностей и определения типов дефектов наиболее подходящей является сеть Кохонена. Это объясняется тем, что по сравнению с RBFN-сетью, которая содержит большее число
скрытых элементов, она требует более скромных затрат памяти, а по сравнению с небинарной ЛЯТ-сетью она более проста и предсказуема. Сеть Кохонена является типичным представителем сетей решающих задачу классификации без учителя, в связи с этим блоки кодирования имен классов не используются [7, 8].
Выявление и разделение неоднородностей поверхностного слоя деталей подшипников, как первый этап мониторинга, строится на основе двух числовых массивов значений характеристик амплитуды и фазы, где сигнал, полученный по каждому из каналов, проходит фильтрацию, сглаживание, ранжирование по 16 уровням и проверку на выход значения сигнала за экспериментально установленные граничные значения фазы и амплитуды сигнала ВТП. Экспериментальные замеры проводились на деталях подшипников из стали марки ШХ-15. В блоке выделения участков неоднородности наряду с массивами значений параметров сигнала ВТП использовался массив типов неоднородностей и их областей.
Следующим этапом является разделение выделенных неоднородностей или объединение однотипных неоднородностей в случае, если они разделены разрывом развертки поверхности деталей подшипников. Информация, полученная на этом этапе обработки, передается в виде массива неоднородностей в блок - классификатор формы участков неоднородностей.
Определение характеристик участков неоднородностей поверхностного слоя проводилось на основании параметров формы неоднородностей, значения которых вычислялись автоматически с помощью специально разработанного программного обеспечения. Вычисленные значения параметров подавались на вход искусственной нейронной сети Кохонена упрощенной версии. Обучение проводилось без учителя по сформированной выборке, включающей вихретоковые образы 34 деталей, содержащих 683 неоднородности различных форм и типов [6].
Алгоритм классификации:
1. На вход нейронной сети, состоящей из одного слоя нейронов, приведенных на рисунке (а), подается вектор входных дискретных значений с АСВК (X).
2. Номер нейрона, выдавшего минимальный ответ, является номером класса, к которому принадлежит вектор X .
Лрсі
Прямое функционирование І -ого нейрона сети Кохонена (а), обратное функционирование І -го нейрона сети Кохонена (б) (над синапсами отмечены вычисленные на последнем шаге поправки)
Алгоритм обучения:
1. Полагаем поправки всех синапсов равными нулю.
2. Для каждой точки множества {хр } выполняем следующую процедуру. о Предъявляем точку сети для классификации.
о Пусть при классификации получен ответ - класс 1. Тогда для обратного функционирования сети подается вектор А, координаты которого определяются по следующему правилу:
Л, = 0,
I • Л і = 1,
І = І
при 1 ^ 1 ; ' при
о Вычисленные для данной точки поправки добавляются к ранее вычисленным.
Для каждого нейрона производим следующую процедуру.
о Если поправка, вычисленная последним синапсом равна 0, то нейрон удаляется из сети. о Полагаем параметр обучения равным величине, обратной к поправке, вычисленной последним синапсом.
о Вычисляем сумму квадратов накопленных в первых П синапсах поправок и, разделив на -2, заносим в поправку последнего синапса.
4. Проводим шаг обучения с параметрами Нх = 0 , И2 = —2 .
о Если вновь вычисленные синаптические веса отличаются от полученных на предыдущем шаге, то переходим к первому шагу алгоритма.
В результате проведенного исследования было выявлено 12 кластеров неоднородностей: 1 (1,96%) - крупные по размеру неоднородности - соответствуют крупным и глубоким единичным трещинам; 2 (2,11%) - крупные по размеру неоднородности с фигурными границами области соответствует трещинам, образующим сетку; 3 (7,08%) - средние неоднородности с фигурными границами области; 4 (7,68%) - неоднородности неправильной прямоугольной формы - представляют элементы крупных дефектов; 5 (10,24%) - округлые области неоднородностей с каймой из точек неоднородностей - соответствуют глубоким пятнистым прижогам; 6 (10,99%) - прямоугольные области неоднородностей - соответствуют крупным периодическим прижогам; 7 (12,35%) - прямоугольные области неоднородностей - соответствуют областям напряженного состояния поверхностного слоя между периодическими прижогами; 8 (12,56%) - области неоднородностей в виде «8» с каймой из точек неоднородностей - соответствуют глубоким пятнистым прижогам поверхностного слоя деталей подшипников; 9 (13,55%) - узкие вытянутые области неоднородностей при глубоких периодических прижогах поверхностного слоя деталей подшипников высокой частоты и 10-12 (21,39%) - мелкие, округлые области неоднородностей - объединяют незначительные дефекты и области неоднородностей, входящих в состав крупных дефектов [2,6].
Экспериментальные исследования разработанной модели классификации неоднородностей показали, что кластеры, выявленные на основании предлагаемых параметров классификации с помощью нейронной сети Кохонена, могут объединять дефекты одного типа (кластеры 1,2,5,6,7,8,9) и решать задачу распознавания некоторых видов дефектов (прижогов, периодических прижогов и трещин). В результате проведенного исследования было выявлено 5 кластеров, представленных в табл. 1.
Для проверки было проведено экспериментальное распознавание дефектов на поверхности контролируемых деталей. Эталонные карты дефектов и результаты распознавания дефектов показаны в табл. 2.
Экспериментальное исследование модели выявления дефектов поверхностного слоя на основе искусственных нейронных сетей при вихретоковом методе контроля подтвердили возможность формирования описания дефектов на основе результатов классификации неоднородностей с помощью сети Кохонена, что позволяет проводить распознавание неоднородностей путем проведения сравнительного анализа данных описания дефектов и данных о классах выявленных неоднородностей контролируемой детали. Это подтвердило целесообразность использования нейронных сетей и эффективность применения разработанных методов и алгоритмов для решения задач классификации деталей подшипников по уровню качества поверхностного слоя и выявления дефектов при вихретоковом методе контроля, что позволяет исключить человеческий фактор, повысить эффективность управляющих воздействий по корректировке ТП с целью обеспечения заданного высокого уровня качества производимой продукции [8,9].
______________________________Таблица 1
№
кластера
Кластеры по степени неоднородности
Вихретоковые образы деталей подшипников/ Результаты распознавания дефектов по эталонам
1
3,03%
Детали, содержащие узкие вытянутые области не однородностей, что соответствует деталям с глу бокими периодическими прижогам поверхностного слоя деталей подшипников высокой частоты
2
63,64%
Детали, содержащие небольшое количество раз личных типов небольших по размеру областей не однородностей.
В данный кластер выделены детали с небольшой долей (не более 30%) областей неоднородностей поверхностного слоя, не соответствующие нормам качества.
3
12,12%
Детали, содержащие большое количество различных типов небольших по размеру областей неоднородностей.
В данный кластер выделены детали с большой долей (более 50%) областей неоднородностей поверхностного слоя, не соответствующие нормам качества.
4
15,16%
Детали, содержащие средние по размеру, с фигурными границами области неоднородности, состоящие из различных типов точек неоднородностей.
В данный кластер выделены детали с большой долей (более 70%) областей неоднородностей поверхностного слоя, не соответствующие нормам качества.
5
6,05%
Детали, содержащие крупные по размеру, с относительно ровными границами области неоднородности, состоящие из различных типов точек неоднородностей.
В данный кластер выделены детали с большой долей (более 80%) областей неоднородностей поверхностного слоя, не соответствующие нормам качества.
Результаты распознавания дефектов по эталонным описаниям
Таблица 2
Эталон
♦
трещина
прижог
1
метальное обеднение
Иденти-фициро-ванные дефекты на детали
ЛИТЕРАТУРА
1. Неразрушающий контроль и диагностика: справочник / под ред. В.В.Клюева. М.: Машиностроение, 2005. 656 с.
2. Игнатьев С.А. Мониторинг технологического процесса как элемент системы управления качеством продукции / С.А. Игнатьев, В.В. Горбунов, А.А. Игнатьев. Саратов: СГТУ, 2009. 160 с.
3. Автоматизированный вихретоковый контроль в технологическом процессе производства подшипников / А.А. Игнатьев, Е.М. Самойлова, С.А. Игнатьев // Наукоемкие технологии в машиностроении и авиадвигателестроении: матер. 4 Междунар. конф. Рыбинск: РГАТУ, 2012. Ч. 2. С. 349353.
4. Игнатьев А.А. Совершенствование управления качеством продукции на основе системы мониторинга с элементами искусственного интеллекта / А.А.Игнатьев, Е.М.Самойлова // Вестник СГТУ. 2009. № 3 (41). С. 207-209.
5. Охтиев М.Ю. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов / М.Ю. Охтиев, Б.В. Соколов, Р.М. Юсупов. М.: Наука, 2006. 410 с.
6. Бахтеев А.Р. Автоматизация распознавания дефектов шлифованных деталей в системе мониторинга технологического процесса производства подшипников /А.Р. Бахтеев, А.А. Игнать-ев//Вестник Саратовского государственного технического университета, 2006. № 3 (14). С. 136-142.
7. НесМ-Nielsen R. Counterpropagation Networks. Proceedings of the 1ЕЕЕ International Conference on Neural Networks, II, 1ЕЕЕ Рrеss New York, NY, рр. 19-32, 1987.
8. Уоссерман Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1992. 301 с.
9. Самойлова Е.М. Интеграция искусственного интеллекта в автоматизированные системы управления и проектирование технологических процессов / Е.М.Самойлова, А.А. Игнатьев //Вестник Саратовского государственного технического университета, 2010. № 2 (44). С. 117-119.
Игнатьев Александр Анатольевич -
доктор технических наук, профессор, заведующий кафедрой «Автоматизация и управление технологическими процессами» Саратовского государственного технического университета имени Гагарина Ю.А.
Alexander A. Ignatyev -
Dr.Sc., professor, managing chair «Automation and process control»
Gagarin Saratov State Technical University
Самойлова Елена Михайловна -
кандидат технических наук, доцент кафедры «Автоматизация и управление технологическими процессами» Саратовского государственного технического университета имени Гагарина Ю.А.
Elena M. Samoylova -
Ph.D., Associate Professor of «Automation and process control» Gagarin Saratov State Technical University
Статья поступила в редакцию 03.04.13, принята к опубликованию 30.04.13
