CC BY
85
УДК 681.5
А.А. Игнатьев, Е.М. Самойлова
ИНТЕЛЛЕКТУАЛИЗАЦИЯ МОНИТОРИНГА ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА
ПРОИЗВОДСТВА ПОДШИПНИКОВ
Рассматривается вопрос применения интеллектуальных систем распознавания локальных дефектов шлифованных поверхностей деталей подшипников.
Мониторинг, искусственный интеллект, детали подшипников, шлифование, дефекты
AA. Ignatiev, E.M. Samoilovа
INTELLECTUALIZATION OF MONITORING THE TECHNOLOGICAL PROCESS IN
BEARINGS MANUFACTURING
The article deals with utilization of intelligence systems for revealing local defects over the polished surfaces of the bearing components.
Monitoring, artificial intelligence, details of bearings, grinding, defects В технологическом процессе изготовления точных изделий, в частности деталей подшипников, в процессе шлифования действует множество переменных факторов, которые дестабилизируют как процесс, так и результаты обработки. Это приводит к необходимости периодически, несколько
раз в день контролировать состояние техпроцесса. Задача решается применением средств автоматического управления режимами шлифования с контролем текущего припуска, а также применением средств контроля геометрических параметров точности и физико-механических свойств поверхностного слоя обработанных и подлежащих обработке деталей, т.е. применением мониторинга. Автоматическое распознавание дефектов поверхностей качения - один из вопросов, решение которого представляет собой важный компонент интеллектуальной составляющей мониторинга [1^3].
В системе мониторинга на ОАО «Саратовский подшипниковый завод» одним из основных методов контроля поверхностного слоя деталей подшипников является вихретоковый метод контроля. Дефекты поверхностного слоя деталей подшипников, такие как прижоги, трещины и ряд других отражаются в результатах сканирования поверхностей качения, причем каждый вид дефекта дает свой уникальный характер «следа» на полученном с помощью прибора вихретокового контроля ПВК-К2М изображении (рис. 1) [1].
Рис. 1. Результаты вихретокового сканирования ролика подшипника: а - с трещиной; б - с прижогами; в - с троститным пятном; г - с приемлемым уровнем качества
Разработанный ранее метод распознавания дефектов по изображению дорожки качения [4] был достаточно эффективным, однако алгоритм обработки сложен и длится порядка 12.. .16 с.
Реальные нестационарные сигналы от вихретокового преобразователя (ВТП) состоят из кратковременных высокочастотных и длительных низкочастотных компонентов, поэтому для их анализа применяется преобразование, которое обеспечивает различные окна для различных частот (узкие - для высоких частот и широкие - для низких). Этим условиям отвечает вейвлет -преобразование [5]. Локальным неоднородностям поверхностного слоя (рис. 1) соответствуют резкие колебания амплитуд составляющих сигнала по сравнению со средним значением амплитуд сигнала ВТП, полученного при контроле детали с приемлемым уровнем качества, причем наиболее часто встречающиеся дефекты поверхностного слоя деталей подшипников имеют различную форму сигнала ВТП (сигнал имеет две составляющие - фазовую и амплитудную), т.е. выявляются изменения физико-механического состояния поверхностного слоя шлифовальной детали. На основании этого разработана методика автоматического выявления и распознавания локальных дефектов поверхностного слоя деталей подшипников на основе вейвлет-анализа с использованием интегральных оценок. Часть дефектов распознается по амплитудной составляющей, в противном случае осуществляется автоматический переход к распознаванию по фазовой составляющей информационных сигналов (ИС). Обобщенный алгоритм распознавания дефектов представлен на рис. 2 [1, 6].
При использовании в процессе мониторинга метода автоматического выявления и распознавания дефектов поверхностного слоя деталей подшипников предварительно проводится обучающий эксперимент, который можно представить в нескольких этапах. Первоначально устанавливается, какие дефекты будут в дальнейшем распознаваться с помощью реализуемой методики. Вид дефектов устанавливается по специальному классификатору, разработанному на предприятии для визуального выявления дефектов КЗ-2005. Далее отбираются детали, наличие дефектов в которых подтверждено альтернативными методами контроля дефектов. Затем реализуется предлагаемая ниже методика по выявлению и распознаванию поверхностного слоя деталей подшипников по заданному алгоритму, посредством которой для каждой детали вычисляются количественные оценки качества поверхностного слоя из исходного массива значений по амплитудной и фазовой составляющим сигнала ВТП, т. е . о пределяются классификационные признаки.
Одной из задач автоматизации распознавания дефектов является локализация «следа» дефекта путем нахождения его границ в сигнале, второй - распознавание выделенного дефекта. Выделение «следа» дефекта в информационном сигнале (ИС) осуществляется автоматически на основе оценки среднего квадратического отклонения (СКО) сигнала при разбиении общего массива значений на несколько сегментов (порядка 20). Если СКО ИС в одном или нескольких сегментах существенно отличается от СКО ИС в сегментах без дефектов, например, не 30%, то считается, что ИС содержит «след» дефекта.
Распознавание локального дефекта основано на применении вейвлет-преобразований к массиву данных ИС со «следом» дефекта [6], в соответствии с которым производится разложение сигнала в спектр по базовым вейвлетам Добеши. Полученные спектры коэффициентов имеют различные длину и амплитуду, так как дефекты различаются по геометрическим размерам: глубине, площади. Для последующих этапов распознавания возникает необходимость масштабирования и приведения спектров коэффициентов к одной длине. Для этого составлен алгоритм масштабирования. Последним этапом распознавания дефектов является выявление определенного дефекта, основанное на интегральных оценках спектров вейвлет-коэффициентов найденного дефекта по условному алгоритму (рис. 2).
Далее массив данных выделенного сегмента используется для распознавания вида локального дефекта поверхности качения детали подшипника.
На первом этапе по амплитудной составляющей выделяются дефекты, интегральные оценки спектров (ИОС) вейвлет-коэффициентов которых существенно различаются. Если ИОС от некоторых дефектов практически совпадают, то осуществляется переход к распознаванию по ИОС фазовой составляющей сигнала.
Таким образом, применение двух классификационных признаков позволяет разделить дефекты в пространстве признаков и обеспечить эффективное распознавание всех основных локальных дефектов поверхностей качения (вероятность распознавания »95.. .98%).
Рис. 2. Алгоритм распознавания дефектов по классифицированным признакам
Классификацию дефектов по заданным признакам и улучшение модели классификации за счет дополнительного обучения по мере накопления данных о локальных дефектах позволяет проводить и использование нейронной сети Кохонена [7, 8]. В данном случае выявление дефектов проводится на основе составленной с участием эксперта базы описания дефектов, которая формируется в полуавтоматическом режиме при анализе данных вихретокового контроля известных дефектов. Использование нейронных сетей в полной мере отвечает поставленным задачам классификации, решаемым в процессе интеллектуального мониторинга.
Метод автоматизированного вихретокового контроля дорожек качения колец подшипников после операции шлифования позволяет выявить как периодическую, так и локальные неоднородности структуры поверхностного слоя и по результатам анализа вихретокового образа колец принять решение об их качестве [1, 8].
В результате программного сканирования поверхностей качения деталей подшипников (колец и роликов), автоматизации настройки вихретокового преобразователя (ВТП) и обработки его сигналов одна автоматизированная интеллектуальная система вихретокового контроля позволяет контролировать работу 30-50 шлифовальных станков (рис. 3).
Модуль инициализации АСВК
модуль управления трехзвенным и ан ип унято ро м АСВК и режимами работы 1 ВТП 1
Деф екты
ВТП
Модуль визуализации данных ВТП
Модуль первоначальной обработки сигналов ВТП
Блок выделения не од нор одностей и оценки качества поверхностного слоя
Блок загрузки сигнала
Обученная
классифика-
ционная
нейронная
сеть
Алгоритм обучения к п-кс с иф гаг ац ионной нейронной сети
.11 %
Ел 0К к ласси фи кации выделенных неоднор одностей
Проме жуточнал визуализация выде ленных дефектов и оценки качества поверхно стного слоя
л
-Vу
-V
Классификатор неоднородностей и дефектов КЗ-2005
Визуализация результатов классификации н ео дн о ро дн о стей
л
V
База
данных
СМТП
Рис. 3. Структурная схема интеллектуального мониторинга в технологическом процессе производства подшипников
При этом возможность выявления и количественной оценки периодических локальных остаточных неоднородностей поверхностного слоя шлифованных деталей делает систему пригодной для применения в качестве информационного канала для интеллектуальной системы мониторинга технологических процессов (СМТП) [10].
Принимая во внимание, что распознавание образов является одним из направлений искусственного интеллекта, причем система распознавания должна состоять из соответствующих аппаратуры и программно-методического обеспечения, в СМТП (рис. 3) введены элементы системы искусственного интеллекта как попытка сделать автоматизированную производственную систему как можно более автономной и адаптируемой. Это позволяет существенно повысить эффективность производства за счет снижения (ликвидации) брака при изготовлении изделий, увеличения периода нормальной работы технологического оборудования (межналадочный период), реализации системы гибкого технического обслуживания объектов, а также снижения издержек производства [1, 11].
ЛИТЕРАТУРА
1. 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.
2. 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.
3. 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.
4. Бахтеев А.Р. Автоматизация распознавания дефектов шлифованных деталей в системе мониторинга технологического процесса производства подшипников I А.Р. Бахтеев, А.А. Игнатьев II Вестник СГТУ. 2GG6. № 3 (14). С. 1Зб-142.
5. Астафьева Н.М. Вейвлет-анализ: Основы теории и примеры применения I Н.М. Астафьева II Успехи физических наук. 199б. Т. 1бб. № 11. С. 1145-117G.
6. Пчелинцев А.С. Автоматическое распознавание дефектов деталей подшипников на основе оценки вейвлет - коэффициентов с использованием интеллектуальных технологий7 А.С. Пчелинцев, А.А. Игнатьев II Вестник СГТУ. 2G1G. № 3 (48). С. 119-125.
7. Нес^-Nielsen R. Counterpropagation Networks I R. Нес^-Nielsen II Proceedings of the ІЕЕЕ International Conference on Neural Networks. N.Y., 1987. Р. 19-32.
8. Уоссерман Ф. Нейрокомпьютерная техника: Теория и практика I Ф. Уоссерман. М.: Мир, 1992. 3G1 с.
9. Горбунов В.В. Статистическое распознавание неоднородностей шлифовальных поверхностей при вихретоковом методе контроля I В.В. Горбунов, А.А. Игнатьев, О.В. Волынская II Автоматизация и управление в машино- и приборостроении: сб. науч. тр. Саратов: СГТУ, 2GG2. С. 4З-4б.
1G. Самойлова Е.М. Интеграция искусственного интеллекта в автоматизированные системы управления и проектирование технологических процессов I Е.М. Самойлова, А.А. Игнатьев II Вестник СГТУ. 2G1G. № 2 (44). С. 117-119.
11. Системы искусственного интеллекта I В.А. Чулаков, И.Ф. Астахов, А.С. Потапов и др. М.: БИНОМ. Лаборатория знаний, 2GG8. 292 с.
Игнатьев Александр Анатольевич -
доктор технических наук, профессор, заведующий кафедрой «Автоматизация и управление технологическими процессами» Саратовского государственного технического университета имени Гагарина Ю.А.
Самойлова Елена Михайловна -
кандидат технических наук, доцент кафедры «Автоматизация и управление технологическими процессами» Саратовского государственного технического университета имени Гагарина Ю.А.
Alexander A. Ignatyev -
Dr. Sc., Professor
Head: Department of Automation Technology and Process Control
Gagarin Saratov State Technical University
Elena M. Samoilova -
Ph. D., Associate Professor Department of Automation Technology and Process Control Gagarin Saratov State Technical University
Статья поступила в редакцию 19.08.12, принята к опубликованию 06.09.12
