CC BY
16
УДК 004.051 DOI: 10.24412/2071-6168-2021-5-334-340
КОНТРОЛЬ КАЧЕСТВА СЛОЖНЫХ АВИАЦИОННЫХ ИЗДЕЛИЙ НА ОСНОВЕ ТЕХНОЛОГИЙ BIG DATA
Ю.А. Иванова, А.Я. Дмитриев, Т.А. Митрошкина, А.П. Кондратов
В статье рассмотрены современные технологии и методы анализа Big Data. При помощи развертывания функции качества выявлены основные характеристики SD-сканера, а так же при помощи метода MSA дано заключение о приемлемости измерительной системы при контроле качества изделий.
Ключевые слова: качество, Big Data, машинное зрение, контроль геометрии, QFD, MSA, SD-сканер.
Технологии Big Data в данный момент являются одним из ключевых аспектов развития информационных технологий. Это направление, относительно новое для российской промышленности, получило широкое распространение в западных странах. Связано это с тем, что в эпоху информационных технологий стало накапливаться большое количество генерируемых человеком данных, что, в конечном счете, и дало развитие направлению Big Data.
Весь этот объем больших данных необходимо анализировать и структурировать для получения конкретной информации, которую в дальнейшем можно использовать для работы. Обработка больших данных происходит при помощи методов анализа Big Data.
В промышленности Big Data используются при контроле качества изделий, что значительно сокращает временные и финансовые затраты компаний. Для получения более достоверной информации об исследуемом объекте используют машинное зрение, так как системы искусственного зрения оснащены специальными сенсорными датчиками, которые могут видеть то, что не видит человеческий глаз.
Важным является оценить пригодность систем машинного зрения с помощью проведения анализа измерительных систем, для использования их в целях контроля качества авиационных изделий.
Big Datа - это большой объем неструктурированной и необработанной информации. При помощи технологий Big Data данную информацию возможно обработать и на выходе получить структурированные данные необходимые для работы компании.
Традиционно выделяют 3 основных свойства больших данных:
- Объем. Большие данные в себе содержат большой объем информации, за счет этого они и получили свое название. Компании ежедневно могут получать десятки терабайт различной информации.
- Скорость. Поступление данных из различных источников и их обработка происходит с очень высокой скоростью.
- Разнообразие. Основное отличие больших данных в том, что они содержат в себе большой объем различной информации.
Так как большие данные необходимо не просто собирать, а в дальнейшем еще как-то использовать, то для этого их надо структурировать и анализировать.
На рис. 1 представлены основные методы анализа больших данных.
Подробнее остановимся на машинном зрении. При помощи данной технологии происходит сбор информации и дальнейшая ее обработка. Машинное зрение подразумевает под собой применение теорий и технологий компьютерного зрения. Эти технологии «учат» машины и станки видеть процесс производства, анализировать его и принимать решения. Весь процесс занимает даже не одну секунду, а миллисекунды.
Одно из самых популярных направлений использования машинного зрения — инспекции промышленных товаров, таких как полупроводниковые чипы, автомобили, продукты питания и лекарственные препараты. Системы машинного зрения для осмотра продукции используют цифровые и интеллектуальные камеры, а также программное обеспечение, обрабатывающее изображение для выполнения аналогичных проверок. Машинное зрение является одним из элементов автоматизации.
Рис. 1. Методы анализа больших данных
В машинном зрении применяется лазерная триангуляция. Лазерная триангуляция - технология трехмерного сканирования, основанная на использовании лазерной линейной подсветки и камеры машинного зрения, фиксирующей подсвечиваемый лазером, профиль сечения объекта. При движении такой системы относительно объекта измерения камера машинного зрения формирует трехмерное изображение его поверхности. Специально разработанные для лазерной триангуляции камеры машинного зрения, самостоятельно выполняют обработку изображений профиля лазерной линии используя шумоподавляющие алгоритмы с субпиксельной точностью [1].
Так как сканирование является элементом машинного зрения, которое позволяет повысить эффективность выполняемой технологической операции, далее рассмотрим, как осуществляется контроль качества при помощи 3D-сканирования.
Рассмотрим данный процесс на примере использования 3D-сканера ATOS Compact Scan 5M (рис. 2). ATOS Compact Scan 5M - стационарный 3D-сканер, используемый для обратной разработки, контроля качества изделий и оцифровки крупногабаритных объектов. Подсветка производится с помощью светодиодного проектора [2].
Рис.2. ЗБ-сканер ATOS Compact Scan 5M
Принцип работы заключается в следующем: проектор со светодиодным источником света, проецирует изображения на объект измерения, которые фиксируется двумя камерами. После того как камеры осуществили синхронную съемку объекта вместе со спроецированными изображениями на нем получаются цифровые изображения (фотографии) одного вида (области) объекта, в пределах выбранного измерительного объема под двумя разными углами, состоящие от 2 до 12 миллионов точек каждая. Далее
335
происходит вычисление трехмерных координат каждой точки отдельного сканирования. После сканирования и обработки цифровых изображений, система получает данные с части поверхности объекта в виде массива («облака») точек. Для каждой точки известны ее трехмерные координаты. Получаемый массив точек это и есть большие данные, которые далее обрабатываются при помощи программного обеспечения заложенного в данный 3D-сканер.
При помощи программного обеспечения многократно сокращаются временные затраты на контроль качества каждого изделия.
Контроль геометрии - частный случай контроля качества, где с помощью технических средств проводится измерение тестируемого объекта, его размеров и формы. Применение метрологических 3D-сканеров позволяет получить облако точек исследуемой поверхности, на основе которых создается максимально точная 3D-модель детали, используемая затем для сравнения с эталонной или САО-моделью [3, 4].
На рис. 3 приведен процесс контроля геометрии с применением 3D-сканирования.
Подготовка к Получение отчета
Сканирование анализу 0 Анализ А в необходимом
(работа а ПО) виде
Рис. 3. Процесс контроля геометрии
Программное обеспечение позволяет данный процесс зациклить. Для первой детали первые три пункта выполняются вручную (сканирование, подготовка к анализу и анализ), а отчет составляется ПО. Для следующих деталей вручную делается только сканирование, остальные три этапа выполняет ПО. Таким образом, время тратится только на оцифровку. А при контроле геометрии сканирование - это обычно от 5 до 15% затраченного времени.
Рассмотрим контроль качества шасси современного транспортного самолета при помощи 3D-сканера ATOS Compact Scan 5M [4]. При помощи развертывания функции качества [5] необходимо выявить, какие основные технические характеристики важны в 3D-сканере при контроле качества.
После применения трех домов качества QFD оценивается важность характеристик 3D-сканера. Дом качества четвертого уровня представлен на рис. 4.
Наиболее значимыми характеристиками 3D сканера ATOS Compact Scan 5M для выполнения контрольных операций являются:
предел допускаемой абсолютной погрешности при измерении отклонений формы и длины (15,1 %);
калибровка стереокамер (13,2 %); поддержание рабочей температуры (11,9 %); расстояние между камерами (11,3 %).
Далее необходимо выяснить насколько выбранная измерительная система, в нашем случае 3D-сканер подходит для контроля качества изделий авиационной техники. Рассмотрим на примере контроля геометрических параметров шлиц-шарнира шасси. Анализ измерительной системы будет проводиться методом MSA. MSA анализ используется для минимизации риска того, что несоответствия в элементах измерительной системы могут привести к ложным решениям в отношении контроля над продукцией и ненужной регулировке процесса. Правильность принимаемых решений зависит от достоверности данных, полученных при измерении.
Чтобы провести исследование статистических характеристик, необходимо наличие руководителя исследования; выполнение измеренПий несколькими операторами; определение размера выборки, количества повторных тестов и частоты выборки; проведение измерений случайным образом, и операторам нПе следует знать номерП проверяемой детали.
* % СЕ Max Relationship Value in Row Relative Weight Weight,' Importance Quality Characteristics (,i ka "Hows") Demanded Quality (itl-rtlfctO Калибровка стереокамер Угол между камерами Установление центра камеры Расстояние ме>|щу камерами Наличие маркеров Количество повторений процесса сканирования Расстояние до измеряемого объекта Время выполнения одного скана Поддержание рабочей температуры Предел допускаемой абсолютной погрешности при измерении отклонений формы и длины
1 9 9,7 213,+ Износ тормозных колодок 0 0 G G G G 0 0 G G
2 9 10,8 2+5,9 Царапины 0 0 0 0 G 0 0 А
3 9 11,9 263,2 Микротрещины 0 0 0 G G 0 0 А
4 9 18,5 +13,8 Напет коррозии G А 0 0 G G
6 9 3,6 81,8 Уплотнение амортизаторов А G 0 А G 0
6 9 12,8 290,6 Отклонения геометрических параметров 0 А 0 G G G
7 9 12.6 284,7 Износ тормозных колодок 0 0 0 0 G А G
в 9 12,9 293,0 Нанесение покрытий 0 G G G А
9 9 7,2 163,0 Зазор передней и задней колодки 0 0 А 0 0 G 0 G
Difficulty (O-Easy to Accomplish, 10^Extremely Difficult) 10 6 6 9 7 7 9 6 в 7
Max Relationship Value in Column 9 9 9 9 9 9 9 9 9 9
Weight/Importance 509,2 345,4 193,8 435,6 4120 364,7 413,5 151,2 461,5 582,4
Relative W&lght 13,2 8,9 5.0 11,3 10,6 9,+ 10,7 3,9 11,9 15,1
Рис.4. ОББ 4уровня для основных характеристик 3Б-сканера
Для измерения было выбрано 11 параметров, измерения проводились двумя операторами, каждый из которых измерял один образец три раза. В сумме по 33 измерения на одного оператора. В итоге было проведено 66 измерений (табл. 1).
Полученные результаты измерений
Таблица 1
1 3 3 Л 22 П 5-1 П 5*2 П 26*1 П26-2 П 9 П15 П 17*1 Г17-2 П36 Г 40
Иванов +0.033 +0.029 +0,035 +0,011 +0,02! +0,010 +0,129 -0,002 -0,044 6Ш +0,064
Иванов +№9 +0,033 +0.01! +0,029 +€.010 +0,123 ■0,001 •№5 6,117 +0,065
Иванов +0,029 +0.034 +0,012 +0.02! +0.010 +0,122 ■ода •0,042 •0.1Е! +0,063
Ф +0,03! +0,029 +0,036 +0,012 +0,02! +0,010 +0,125 ■0,002 -0,044 ■0,135 +0,064
It 0,000 0,000 I О.ОСВ 0,001 I 0.001 0,000 I 0,007 I 0,003 [ 0,003 ■ 0,003 1 0,002 0,0026364
Петров 1 2 3 +0,029 +0,034 +0,014 +0,02! +0,010 +0,105 -0,002 41,040 -0.1! 7 +0,0«
Петров -43.033 +0,029 +0,034 +0,012 +0,02! +0,010 +0,122 -0,002 -0,044 •0,137 +0,0«
Петров +0,026 +0.033 +0,013 +0.02! +0,010 +0.07! ■0,002 •0,133 +0.0«
Ф +0,038 +0,023 +0,034 +0,013 +0,02! +0,010 +0,102 ■0,002 -0,043 ■0,136 +0,064
я 0,000 0,003 1 0,001 0,002 [ 0,000 0,000 0,044 0,000 0,004 0,004 0,000 0,0052727
Хер 40,038 +0,029 +0,035 +0,012 +0,02! +0,010 +0,113 -0,002 -0.W3 ■0,135 +0,0«
вер 0,000 0,002 0,003 0,002 0,001 0,000 0,026 0,002 0,004 0,006 0,001 0,004
Исследуемые значения подвергались статистической обработке результатов с определением среднего значения, размаха, а также сходимости и воспроизводимости системы в целом.
Два параметра в табл. 3 имеют размах равный 0, следовательно, никакой изменчивости не происходит, их можно отбросить. Теперь для расчета используем 9 параметров (табл. 2).
Теперь необходимо посмотреть на результаты расчетов представленных в табл. 3.
Из табл. 3 видно, что оценка сходимости и воспроизводимости приемлемая, %GRR составляет 9% (<10%), при оценке сходимости 7,13% и оценке воспроизводимости 5,71%. Наблюдаемая оценка сходимости обусловлена изменчивостью метода и средства измерения, оценка воспроизводимости - в основном взаимодействием оператора и образца (в данном случае - фактор размещения образца).
По результатам экспериментов и последующего анализа контрольной карты, средних и размахов измерительного процесса принято решение о приемлемости измерительной системы.
Результаты измерений для расчета
Таблица 2
ApfffliwmW ■ Part Awigi
1 2 3 4 i s 7 3 э 10
Иейное 1 KWIS •ИЗ! lui «.B2L -Oil; Mm 4JUJ ¡0ДК jt>№J 0,007777778
1 fC.KJ bttt leu № fl.llï flffli ■MUE ■ill" fe№ 0,907
» |№ ■№» 1Ш «.til Ш OJMÎ mi 0,00«
Average 0,0» MHS7 0,01 Iff 0.MÎB 0,11*7 -о,оога -0,0431 4,111 0,0fl4 Хйаг,= а.ооеэз
Range D 0,001 0.001 0.007 0.003 0.903 0.003 3.032 Rbar, = 0.00322
Петрив 1 flfiE ■Cffil Щиа <0.1» ■WHS № 0.905
3 |№t ■OKI |0№ №0» h0.1ü ■OMJ Ш № O.OOflÎÏÏÎÎÎ
«да ■OJBS rtiis bOil ■W« ■Uli! № 0.MKM4«
Average 0,021 0,03367 0,013 0.02ft 0,10107 -0,002 -O.OW 4.1Ю7 O.OW Хйяг,= 0,00422
Rangt 9.093 0.001 0.002 9 0 0.904 (.504 0 Rbir,-O.OOW4
Таблица 3
Резул ьтаты расчетов оценки сходимости и воспроизводимости Gage R8R Using 5.1S Standard Deviations <99%}
Study % Study % Of
Source Variation Variation Toleranc
Total Gage R&R 0,03652 3,47% 9,13%
Repeatability 0,0285 6,61% 7,13%
Reproducibility 0,02283 5,29% 5,71%
Operator 0,00317 0,74% 0,79%
Operate r*Part 0,02261 5,24% 5,65%
Partto Part 0,42965 99,64% 107,41%
Total Variation 0,4312 100,00% 107,80%
В эпоху развития информационных технологий и цифровизации применение новых методов контроля качества неизбежно. Такой метод как 3D-сканирование повышает эффективность производства и снижает временные и финансовые затраты. Большой массив точек, получаемый при сканировании, обрабатывается при помощи программного обеспечения, что также снижает финансовые и временные затраты предприятия. С помощью метода развертывания функции качества QFD определены наиболее важные технические характеристики 3D-сканера, а после проведения анализа измерительной системы при помощи метода MSA доказано, что применение сканирования при контроле качества дает приемлемые результаты измерений.
Список литературы
1. Технология 3D-сканирования методом лазерной триангуляции [Электронный ресурс]. URL: https://www.cameraiq.ru/application/machine-vision/railway-inspection/#:~:text=Лазерная%20триангуляция%20-%20технология%20трехмерного, под св ечиваемый%20лазером%2C%20профиль%20сечения%20объекта (дата обращения: 12.03.2021).
2. СИСТЕМЫ ATOS [Электронный ресурс]. URL: https://www.oim3d.com/ MeasureSystems/1/13 (дата обращения: 14.03.2021).
3. 3D-сканеры дл контроля качества [Электронный ресурс] URL: https://top3dshop.ru/blog/3d-scanning-quality-control.html (дата обращения: 25.02.2021).
4. Дмитриев А.Я., Митрошкина Т.А., Кондратов А.П. Технологии big data в контроле качества изделий авиационной техники сложной формы // Избранные научные труды двадцатой Международной научнопрактической конференции «Управление качеством», 11-12 марта 2021 года. М.: Московский авиационный институт (национальный исследовательский университет). 2019. С. 133-137.
5. Dmitriev A.Ya., Mitroshkina T.A. The ontological model and hybrid expert system for products and processes quality identification involving the approach based on system analysis quality function deployment. ITM web of conferences 2016. P. 02005. DOI: 10.1051/itmconf/20160602005.
Иванова Юлия Александровна, магистр, cozlowa.iulv@ yandex.ru, Россия, Самара, Самарский университет им. С. П. Королева,
Дмитриев Александр Яковлевич, канд. техн. наук, доцент, dmitriev57@rambler.ru, Россия, Самара, Самарский университет им. С.П. Королева,
Митрошкина Татьяна Анатольевна, старший преподаватель, t.mitroshkina@,gmail.com, Россия, Самара, Самарский национальный исследовательский университет им. Академика С. П. Королёва,
Кондратов Александр Петрович, заместитель главного контролера, t.mitroshkina@gmail.com, Россия, Самара, ПАО «ОДК-Кузнецов»
QUALITY CONTROL OF COMPLEX AIRCRAFT PRODUCTS BASED ON BIG DATA TECHNOLOGIES
Yu.A. Ivanova, A. Ya. Dmitriev, T.A. Mitroshkina, A.P. Kondratov
The article discusses modern technologies and methods of Big Data analysis. Using the deployment of the quality function, the main characteristics of the 3D scanner are identified, as well as using the MSA method, a conclusion is given on the acceptability of the measuring system for product quality control.
Key words: quality, Big data, machine vision, geometry control, QFD, MSA, 3D
scanner.
Ivanova Yulia Aleksandrovna, master, cozlowa.iuly@yandex.ru, Russia, Samara, Samara University named after S.P. Koroleva,
Dmitriev Alexander Yakovlevich, candidate of technical sciences, docent, dmitriev5 7'a,rambler. ru, Russia, Samara, Samara State University named after S.P. Korolev,
Mitroshkina Tatyana Anatolyevna, senior lecturer, researcher, t.mitroshkina@,gmail.com, Russia, Samara, Samara University,
Kondratov Alexander Petrovich, deputy chief controller, t.mitroshkina@gmail.com, Russia, Samara, PJSC ODK-Kuznetsov
