CC BY
13
УДК 62-555.621
DOI: 10.24412/2071-6168-2021-9-498-501
ИССЛЕДОВАНИЕ ВЛИЯНИЯ ТЕМПЕРАТУРЫ НА ТОЧНОСТЬ РАБОТЫ ИЗМЕРИТЕЛЬНОГО ОБОРУДОВАНИЯ ПРИ КОНТРОЛЕ КОЛЕНЧАТОГО ВАЛА
С.М. Никольский
В настоящей статье рассмотрено влияние температуры на точность работы измерительного оборудования, которое применяется при производстве автомобильных коленчатых валов. Проведен ряд экспериментов. Рассмотрен метод температурной компенсации с помощью нейронной сети.
Ключевые слова: измерительное оборудование, температурные условия, точность работы, производство коленчатых валов.
Учитывая влияние температуры окружающей среды и изменений температуры на измерительную машину, калибровочную часть, измеряемый коленчатый вал и датчик перемещения, предлагается метод температурной компенсации. Во-первых, связь между калибровочной деталью и температурой окружающей среды может быть получена посредством калибровки нуля. Затем используются свойства материала для получения значений компенсации калибровочной детали и измеренной детали коленчатого вала при различных температурах
[4].
Измерение — важное звено в производственном процессе. В автомобильной промышленности ежегодно производятся десятки тысяч деталей валов, поэтому задача измерения является сложной. Отбор проб с деталей вала возможен только в измерительной комнате, поэтому эффективность автономных измерений невысока. Чтобы гарантировать качество деталей, необходимо провести полную проверку.
В промышленности растет спрос на высокую точность и высокое качество, поэтому требуются точные измерения. Во время измерения коленчатого вала изменения температуры вызовут расширение и сжатие коленчатого вала, а также повлияют на точность измерения датчика, так что результаты измерения будут иметь большую погрешность. Следовательно, необходимо выполнить анализ ошибок и оптимизацию датчика и измерительной машины коленчатого вала, чтобы добиться температурной компенсации измерения. [2, с. 24]
Что касается влияния температуры на датчик, были проведены различные исследования, направленные на расширение возможностей датчика перемещения для получения более точных результатов измерения. Для температурной компенсации датчика перемещения существуют схемы аппаратной компенсации и программный алгоритм компенсации. Искусственная нейронная сеть (ИНС) широко используется из-за своей функции самообучения.
При высокоточном измерении деталей коленчатого вала влияние изменений температуры окружающей среды на результаты измерений увеличивает сложность контроля точности измерений. Изменение температуры включает изменение температуры оборудования, тестируемой детали и калибровочной части в течение всего процесса измерения. Как компенсировать ошибку, вызванную изменением температуры окружающей среды, — проблема, которую необходимо срочно решить в производственной практике.
Измерительная машина коленчатого вала, интегрированная после производственного процесса, принимает детали коленчатого вала, которые только что были обработаны и очищены при высокой температуре. Температура намного выше температуры окружающей среды. И время остывания до комнатной температуры обычно занимает более 60 минут. Требования к высокой эффективности измерения коленчатого вала в таком режиме не позволяют коленчатому валу достаточно остыть перед измерением. Таким образом, температура измерительного оборудования и температура коленчатого вала часто несовместимы. Когда температура коленчатого вала высока, его шейка линейно расширяется в радиальном направлении, поэтому разница температур будет иметь влияние на измеряемое значение, что является значимой ошибкой при высокоточных измерениях.
Температурную компенсацию в процессе измерения коленчатого вала следует рассматривать с точки зрения всей системы измерения. Недостаточно компенсировать ошибку, вызванную датчиком КУВТ. Поэтому в данной статье разработан метод встроенной температурной компенсации.
Коленчатые валы измеряются в мастерской, где изменения температуры не только влияют на точность измерения самого датчика смещения, но также вызывают тепловое расширение и сжатие детали и вносят большие погрешности в результаты измерений. Метод сравнения используется для измеряемых деталей валов. Радиальное значение основной шейки, которое необходимо измерить, рассчитывается с использованием значения радиуса калибровочной части и разницы смещений датчика ЦУВТ. Значение индикации калибровочной части измеряется при нормальной температуре окружающей среды. В условиях мастерской на датчик будет влиять температура, что приведет к ошибкам измерения. В то же время, данные измерения коленчатого вала и калибровочной части также будут зависеть от температуры из-за температурных характеристик их материала [6].
Несколько датчиков ЦУВТ расположены для измерения главной шейки коленчатого вала. Конкретные этапы реализации температурной компенсации во время измерения следующие.
Рис. 1. Расположение датчиков Ь¥ОТколенчатого вала
Перед измерением калибровочную часть необходимо откалибровать, чтобы получить нулевую точку смещения. Структура калибровочной части показана на рисунке, где датчик ЦУВТ обращен прямо к центру основной шейки, а Яо — это радиус калибровки основной шейки.
Рис. 2. Структура калибровочной части
Изменения радиального количества калибровочной детали и измеряемого коленчатого вала имеют линейную зависимость от температуры. Компенсация измерения выполняется в трех различных температурных средах: температура калибровочной лаборатории, температура окружающей среды при калибровке оборудования и фактическая температура измерения. Получен поправочный коэффициент, который эффективно снижает влияние температурных изменений на результаты испытаний [1].
Согласно металлическим свойствам материала коленчатого вала расширение происходит при высоких температурах. Таким образом, значение компенсации необходимо вычесть из результата измерения. Во время калибровки нуля начальное смещение датчика будет увеличиваться при расширении калибровочной части.
Нейронная сеть обладает такими характеристиками, как сильная способность к нелинейному отображению, способность к самоадаптации и самообучению, высокая отказоустойчивость и т.д. Она является одной из наиболее широко используемых для температурной компенсации.
Базовая структура нейронной сети — это входной слой, скрытый слой и выходной слой. Входной слой принимает набор обучающих данных; скрытый слой отображает входные данные на выходной слой с помощью весов соединений и функций активации; выходной слой линейный — объединяет выходные данные скрытого слоя для вычисления прогнозируемого результата. На рис. 3 представлена диаграмма структуры нейронной сети.
Еггог Ьаск ргорацаНоп
Рис. 3. Структура нейронной сети
Разработанная в статье нейронная сеть имеет входной слой с тремя узлами, скрытый слой с семью узлами и выходной слой с одним узлом. Входные нейроны входного слоя — это смещение, измеренное датчиком смещения, температура, измеренная датчиком температуры, и выходное напряжение датчика температуры. Выходное напряжение датчика смещения используется в качестве выходного нейрона [7].
Для проверки возможности температурной компенсации предлагаемой в данной работе машины для измерения коленчатого вала был использован лабораторный прибор для измерения коленчатого вала ЯЛ^2-201890. Экспериментальная платформа показана на рис. 4.
Рис. 4. Измерительная машина коленчатого вала
Эксперимент проводился в соответствии с методом температурной компенсации. Для повышения точности измерительной системы на измерительной машине коленчатого вала было выполнено 20 повторных измерений при 4 различных температурах. Основная цель — получить значение температурной компенсации калибровочной и измеряемой детали.
Этот метод не требует дополнительной аппаратной компенсации схемы, и необходимо только заранее провести эксперименты по компенсации температурных характеристик на используемом датчике смещения, чтобы улучшить влияние температуры на характеристики измерения датчика смещения. Исходя из этого, данное техническое решение может быть непосредственно применено к условиям производственной линии, поскольку полностью учтено возможное влияние температуры производственной среды на калибровочные детали и коленчатый вал, а также приведены формулы компенсации при различных температурах. Этот метод практически не увеличивает стоимость, а эффект компенсации также очень очевиден [3].
Стремясь решить проблему, заключающуюся в том, что на датчик смещения в системе измерения коленчатого вала влияет температура, в этой статье предлагается улучшенная нейронная сеть, оптимизированная для алгоритма стрекозы, для компенсации ЦУБТ. Эксперименты подтверждают эффективность нейронной сети для датчиков ЦУБТ в температурной компенсации [5].
В зависимости от температуры окружающей среды для измерения коленчатого вала предлагается метод температурной компенсации. При фактическом измерении учитывается температура окружающей среды и изменения температуры оборудования. Во время процесса измерения условия мастерской не влияют на точность измерения. После температурной компенсации радиус шейки коленчатого вала приближается к нормативному значению. Этот метод также подходит для измерения других частей вала.
Список литературы
1. Gu P., Zhu, C.M., Wu Y.Y., Mura A. Energy Consumption Prediction Model of SiCp/Al Composite in Grinding Based on PSO-BP Neural Network. Solid State Phenom. 2020, P. 168.
2. Guo H. Design and Research of Automatic Detection System for Crankshaft of Vehicle Engine; Xi'an University of Technology: Xi'an. China, 2017. P. 24.
3. Ma C., Zhao L., Mei X., Shi H., Yang J. Thermal error compensation of high-speed spindle system based on a modified BP neural network. Int. J. Adv. Manuf. Technol. 2017. P. 35.
4. Marcotuli V., Marelli S., Casartelli R., Scaccabarozzi D., Saggin B., Tarabini M. Compensation of Temperature Effects on an Automatic System for Diameter Measurement. In Proceedings of the 2020 IEEE International Workshop on Metrology for Industry 4.0 & IoT, Roma, Italy, 3-5 June 2020. P. 327.
5. Meraihi Y., Ramdane-Cherif A., Acheli D., Mahseur M. Dragonfly algorithm: A comprehensive review and applications. Neural Comput. Appl. 2020. P. 22.
6. Rahman C.M., Rashid T.A. Dragonfly Algorithm and Its Applications in Applied Science Survey. Comput. Intell. Neurosci. 2019. P. 55.
7. Wu J., Cheng Y.-M., Liu C., Lee I.-K., Cha J.-S., Huang W.-L. A BP Neural Network Based on Improved PSO for Increasing Current Efficiency of Copper Electrowinning. J. Electr. Eng. Technol. 2021. P. 42.
Никольский Сергей Михайлович, аспирант, serg.nickolscky@yandex.ru, Россия, Тула. Тульский государственный университет
RESEARCH OF THE EFFECT OF TEMPERATURE ON THE ACCURACY OF THE MEASURING EQUIPMENT OPERATION WHEN CONTROL OF THE CRANKSHAFT
C.M. Nikolsky
This article discusses the effect of temperature on the accuracy of measuring equipment, which is used in the production of automobile crankshafts. A number of experiments have been carried out. A method of temperature compensation using a neural network is considered.
Key words: measuring equipment, temperature conditions, work accuracy, production of crankshafts.
Nikolsky Sergey Mikhailovich, postgraduate, serg.nickolscky@yandex.ru, Russia, Tula. Tula State University
УДК 658.56
DOI: 10.24412/2071-6168-2021-9-501-504
К ВОПРОСУ ОЦЕНКИ ВЫДЕРЖИВАЕМОЙ НАГРУЗКИ ТРУБ МЕТАЛЛОКОНСТРУКЦИЙ С ДЕФЕКТАМИ
А.И. Кондратова
Проведено исследование влияния дефекта в трубах, которые используются в металлических конструкциях, на выдерживаемую нагрузку. Проведено моделирование нагружения некачественных труб, имеющих поперечные и продольные трещины.
Ключевые слова: качество, дефект, металлоконструкция, моделирование, нагрузка, некачественная труба.
Металлоконструкция является весьма популярной технологией строительства, которая применяется для возведения не только ангаров и складов, но и для жилых зданий. Поэтому вопрос о применении некачественных колонн и последствиях этого является весьма актуальным. В колоннах могут возникнуть различные дефекты: трещины; поры;
