CC BY
15
Савватеев Денис Олегович, начальник лаборатории, [email protected], Россия, Москва, АО «ЦНИИАГ»,
Шаповалов Петр Анатольевич, начальник лаборатории, [email protected], Россия, Москва, АО «ЦНИИАГ»
MODAL ANALYSIS OF THE MODEL SINS USING ANSYS A.VFrolov, D.O. Savvateev, P.A. Shapovalov
The article shows for what purposes a modal analysis of a structure should be carried out using a finite element model of a strapdown inertial navigation system and what dynamic characteristics can be obtained. It is shown how the characteristics can be useful to the designer: what the modes of vibration of the system show; how many zero eigenfrequencies are allowed for a good finite element device model.
Key words: modal analysis, SINS, finite element method.
Frolov Alexander Vladimirovich, candidate of technical sciences, head of division, [email protected], Russia, Moscow, JSC «CNIIAG»,
Savvateev Denis Olegovich, head of laboratory, savvateev. denis24@,gmail. com, Russia, Moscow, JSC «CNIIAG»,
Shapovalov Petr Anatolievich, head of laboratory, [email protected], Russia, Moscow, JSC «CNIIAG»
УДК 681.5
DOI: 10.24412/2071-6168-2022-11-53-61
ПОСТРОЕНИЕ АЛГОРИТМА ОПРЕДЕЛЕНИЯ ГЕОМЕТРИИ
МНОГОСЛОЙНОГО ШВА С ПОМОЩЬЮ ДАТЧИКОВ ЛАЗЕРНОГО ЗРЕНИЯ
Т.Ю. Цибизова, До Минь Чиеу
Представлены принцип работы датчика лазерного зрения, методы предварительной обработки изображений для удаления некоторых форм шума из наборов данных поверхности сварных швов, полученных датчиком лазерного зрения. Реализован алгоритм построения разделки и выделения характерных точек стыка для последующего моделирования геометрии сварных швов с V-образной разделкой. Построен адаптивный алгоритм управления параметрами сварочного процесса на основе данных профиля сварного шва с использованием нейронной сети.
Ключевые слова: нейросетевые алгоритмы, сварочные процессы, интеллектуальная роботизированная система, обработка изображений, моделирование.
В последние десятилетия сочетание моделей искусственного интеллекта и алгоритмов обработки изображений компьютерного зрения стало популярным в интеллектуальных системах управления сварочными роботами [1, 2]. Такие системы управления обладают способностью
адаптации к возмущениям, изменениям внешней среды и условиям работы [3, 4]. Искусственные нейронные сети, благодаря своим способностям к самоорганизации и обучению, рассматриваются как перспективные средства для разработки интеллектуальных систем управления сварочными роботами [5, 6].
Роботы для дуговой сварки с защитным газом чаще всего используются в судостроении, автомобилестроении, промышленных машинах и особенно в горнодобывающей и нефтеперерабатывающей промышленности с трубопроводами [7]. Однако качество управления все еще ограничено, что сильно влияет на структуру, форму и качество сварного шва.
Для повышения качества управления интеллектуальной роботизированной системой дуговой сварки с защитным газом в опасных средах необходимо провести следующие актуальные научно-технические исследования [8, 9]:
- для построения алгоритма управления, который адаптируется к изменению конфигурации геометрии сварного шва;
- по повышению качества контроля отслеживания сварного шва;
- классификационных моделей типовых дефектов поверхности сварных швов.
В данной статье были рассмотрены задачи:
1) построения алгоритма для определения геометрии многослойного шва с У-образной разделкой с помощью датчиков лазерного зрения и его применения при адаптивном управлении на основе нейронной сети для процесса дуговой сварки;
2) построения структуры модели глубокого обучения для распознавания и сегментации сварных швов на основе набора данных изображений поверхности сварного шва;
3) исследования структуры свёрточной нейронной сети (СНС) и её применения при классификации дефектов поверхности сварных швов.
Обработка сигналов лазерного датчика. Рассмотрим принцип работы датчика лазерного зрения, методы предварительной обработки изображений для удаления некоторых форм шума из наборов данных поверхности сварных швов, полученных датчиком лазерного зрения [10]. Для того чтобы моделировать геометрию сварных швов с У-образной разделкой, был реализован алгоритм построения разделки и выделения характерных точек стыка.
Предлагаемый алгоритм обработки данных профиля сварного шва для восстановления формы лазерной полосы на поверхности соединения состоит из двух основных этапов [11, 12]:
1) предварительной обработки изображения традиционными фильтрами (гауссовым, двусторонним и медианным фильтром) для удаления или уменьшения влияния различных световых шумов в наборе данных, получаемом от датчика;
2) исползования алгоритма кусочно-линейной аппроксимации с методом интерполяционных многочленов Лагранжа с целью восстановления формы лазерной полосы на поверхности сварного шва. Результаты работы алгоритма представлены на рис. 1.
Исходные данные
Данные после фильтрации
Данные после восстановлен
-20 0 X, мм
Рис. 1. Результаты обработки данных, полученных от датчика
лазерного зрения
Предложенный алгоритм выделения характерных точек двух типов стыкового соединений с V-образной разделкой состоит из следующих шагов:
1) определения точки с максимальной ординатой M (xindex _ z max, zindex _ z max ) ;
2) определения точки A по методу обнаружения максимального наклона отрезка между точками в наборе данных(xj, zj) j=i+index zmax до
точки M, используя следующее выражение:
slopej = (xindex_zmax - xj)/(zindex_zmax - zj) • Также находим точку F;
3) поиска уравнения прямой, которая проходит через две точки A(xindex_A,zindex_A) и C(xindex_С,zindex_С): zAC = ax + b, затем определения максимального значения абсолютной ошибки между zAC и zj в со-
index C-1
ответствии со следующим выражением: errj j=incex a+1
Абсолютная ошибка в точке B является наибольшей. Подобным образом находим точку E.
Результаты работы алгоритма представлены на рис. 2. Основная идея алгоритма основана на анализе максимального наклона между точками в наборе данных для получения набора данных координат шести характерных точек.
55
ax j + b - z j
а б
Рис. 2. Результаты выделения характерных точек стыка с У-образной разделкой: а - с зазором; б - без зазора
Геометрия профиля стыка с У-образной разделкой моделирована по параметрам, представленным на рис. 3, для оценки качества сварного шва - по ГОСТ 16037-80. Параметры включают в себя: координаты граничных точек (х, z); углы отклонения кромки от продольного направления (у );
толщины трубы 5,.; расстояние до точки перегиба Bi и притупления А. Два угла раскрытия \ влияют на расчет размера зазора G; ^ = 1 ^ 2. Параметры толщины трубы измеряются непосредственно в эксперименте (51, 52 =19 мм). Остальные параметры рассчитываются по следующим выражениям:
Yi = arctg
xi
Z1 - Z 2
Y2 = arctg
x
;ax = arctg
; a
arctg
x
x
S 2 Z5 + Z6;
(1)
Д = 900 + a1; P2 = 900 + a2;B1 = S1 - z2 + z1; B2
A1 = S1 + Z1 - Z3; A2 = S2 + Z6 - Z4'
Предположим, что сварочный процесс описывается нелинейной многопеременной системой (MIMO). Математическое выражение, описывающее дискретную нелинейную кинематическую систему MIMO, имеет следующий вид:
yj(k +1) = f Гк),...,y1(к -^Д..^y2(y2(к - пу2)
i (2) щ(к),..., ых(к - п^), ы2 (к),..., ы2(к - пи 2)] + Vj (к),
где У(к) = [y(к)],ы =[e g] - выходной вектор;
и( к) = [и (к)\=м =[и АГсЪ ] - входной вектор; и напряжение; ЛУсЪ - значение коррекции скорости сварки; V(к) = |(к)^ _
сварочное
T
вектор шума процесса; пы, пj = 2
j=1-2
количество задержек входных и
выходных сигналов; fj - нелинейная функция, описывающая взаимосвязь между входами и выходами.
O
x (мм)
Слой 5-Слой 4 Слой 3 Слой 2 -Слой 1
e - ширина текущего слоя g - выпуклость текущего слоя
б
А
z (мм)
Рис. 3. Моделирование геометрии стыка с V-образной разделкой: а - геометрия профиля стыка; б - геометрические параметры, описывающие качество текущего слоя
Построим алгоритм управления, который напрямую адаптируется к эталонной модели на основе сети радиально-базисной функции (РБФ) для повышения устойчивости под воздействием технологических шумов при сварке.
Алгоритм состоит из трёх шагов:
1) идентификация прямой модели процесса сварки с помощью сети РБФ. В общем случае выход ущ(к) модели РБФ для аппроксимации процесса сварки MIMO рассчитывается по формуле:
N N f X(])(к) -LIM]) 2 ^
Ущ; (к) = Е f (к) = £ < exp 1
1=1
1=1
2а
fw(])2
(3)
где wji - веса связи между нейронами ¿-го скрытого слоя и 7-м выходами; (к)
- функция активации по Гауссу; /и^^ - центр ¿-го гауссовского
скрытого нейрона выхода j-го прямой модели на основе РБФ; сг^7 -среднее стандартное отклонение ¿-го гауссовского скрытого нейрона, выход 7-го прямой модели на основе РБФ; Х(7)(к) - входной вектор, соответствующий 7-му выходу модели РБФ;
2) обучение адаптивного регулятора с эталонной моделью на основе сети РБФ.
Математическая модель регулятора сварочного процесса описывается выражением:
и (к + 1) = Я/ [г(к X Ух(к У1(к - ny1),•••, У 2 (к У 2 (к - Пу 2 )
и1(к ),•••, и1(к - «Ли2(к ),•••, и2(к - Пи 2)] + VГ (к) ,
57
где и(к) = \и1 (к)]^2 =[и А¥сЪ]г- выходной вектор (управляющие сигналы);
—г г
у(к) = \_У](к)]у=1+2 = [е 8] - входной вектор; г(к) - входной сигнал
эталонной модели; пи1 , пУ/ = 2 - количество задержек входных и выходных
сигналов; (к) = [у'Г(к)](=^2- вектор шума системы; ^ - 1-я нелинейная функция.
Выходное выражение (управляющие сигналы), аппроксимируемое сетью РБФ, рассчитывается по следующей формуле:
(
и
(к) = 1 О, (к) = £ < ехр
г=1 г=1
хс(1 )(к) (()
2Л
(5)
2а'т (( )2
где Ц(к) - оцененный 1-й управляющий сигнал; N2 - количество нейронов
скрытого слоя; wli - веса связи между нейронами 1-го скрытого слоя и 1-м
выходами; у/{ (к) - функция активации по Гауссу; /и1™(() - центр г-го
гауссовского скрытого нейрона выхода 1-го регулятора РБФ; сг -среднее стандартное отклонение г-го гауссовского скрытого нейрона выхода 1-го регулятора РБФ; Х^1 )(к) - входной вектор регулятора РБФ;
3) предлагаемый механизм адаптации параметров регулятора РБФ с эталонной моделью разработан путем минимизации следующих функций:
1 2 1 2
¿с/ (к) = ^ (к ))2 = 2( УгеЯ (к) - У/ (к ))2. (6)
Механизм регулировки параметров w™v, /((),сп (() регулятора РБФ определён сходимостью весов wJW, 1), с(К{ 1) (модель-РБФ).
Ошибка между выходами системы и выходами эталонной модели рассчитывается согласно среднеквадратическому отклонению по следующей формуле:
ЕЫБ =
Iп=1(У - У* )2
(7)
п
В процессе эксперимента исследованы характеристики моделей глубокого обучения, используемые в задаче сегментации изображений и применения моделей СНС для классификации типов дефектов поверхности сварных швов.
Предложена структура СНС (М 5) для классификации четырёх видов дефектов поверхности сварных швов, включая без-дефекты, непрова-ры, прожог, наплыв. Процесс обучения имеет точность 99,62 %. Проведены эксперименты классификации дефектов сварных швов в реальном времени. Эксперименты выполнены со 100 изображениями для каждого типа дефекта с использованием классификационных моделей.
58
В результате исследования решены следующие задачи:
1. Разработан алгоритм определения параметров геометрии сварного шва на основе набора данных, полученных с датчика лазерного зрения поверхности стыкового соединения с V-образной разделкой при дуговой сварке в среде защитного газа на трубопроводах. Алгоритм способен рассчитывать и аппроксимировать параметры лучше, чем известные методы в условиях сварочного шума. По сравнению с экспериментальными результатами измерений погрешность параметров уменьшается в среднем на 1,5 - 2,5 %.
2. Получена модель СНС для классификации типов дефектов поверхности сварного шва, отличающаяся от известных моделей способностью быстрой и точной классификации, что позволило повысить качество мониторинга и контроля сварочного процесса. Модель имеет время классификации для каждого изображения в среднем 0,49 с., что на 4 с. быстрее, чем при использовании СНС, точность составляет 99,55 %.
Список литературы
1. Гаврилов А.И., Тхет А. Применение методов сегментации изображений в задачах обнаружения дефектов поверхности сварных соединений // Вестник Московского государственного технического университета им. Н.Э. Баумана. Сер. «Приборостроение». 2014. № 5 (98). С. 124-132.
2. Адаптивная система управления сварочным оборудованием / А.И. Гаврилов, М.Т. Мин, А.С. Ситу, А. Тхет // Инженерный вестник Дона. 2014. № 2 (29). С. 72.
3. Цибизова Т.Ю., Гузева Т. А. Системы автоматического управления технологическими процессами отверждения изделий из полимерных композитов // Клеи. Герметики. Технологии. 2015. № 5. С. 35-40.
4. Цибизова Т.Ю., Пьо С., Селезнева М.С. Математическое моделирование динамических систем с использованием параметрической идентифицируемости // Современные наукоемкие технологии. 2018. № 1. С. 5460.
5. Proletarsky A.V., Neusipin K.A. Reserch scalar filtering algorithm with selforganization method for modeling control system // Science and Military. 2010. Т. 5. № 2. С. 80-82.
6. Gavrilov A.I., Do M. Tr. Classification of weld defects based on convolution neural network // Вестник МГТУ им. Н. Э. Баумана. Серия Приборостроение. 2021. № 2. С. 22-36.
7. Алешин Н.П., Гладков Э.А., Гаврилов А.И., Перковский Р.А., Рахматуллин Т.А. Реализация адаптивных технологий сварки кольцевых стыков магистральных трубопроводов // Сварка и диагностика. 2011. № 5. С. 49-53.
8. Применение технологий цифровой обработки изображений в нейросетевых системах управления сварочным оборудованием / А.И. Гав-рилов, Э.А. Гладков, М.Т. Мин, А.С. Ситу, А. Тхет // Интернет-журнал Науковедение. 2015. Т. 7. № 1 (26). С. 61.
9. Гаврилов А.И., Тхет А. Цифровые системы обнаружения дефектов сварного шва // Интеллектуальные системы: труды Одиннадцатого международного симпозиума / под ред. К.А. Пупкова. 2014. С. 192-195.
10. Гаврилов А.И., До М.Ч., Тун Н.Л. Современные методы отслеживания сварных швов на основе лазерного зрения для роботизированной сварки // Автоматизация. Современные технологии. 2021. Т. 75. № 10. С. 442-450.
11. Шахтарин Б.И. Нелинейная оптимальная фильтрация в примерах и задачах: учеб. пособие для студентов высших учебных заведений радиотехнических и приборных специальностей. М.: Гелиос АРВ. 2008. 380 с.
12. Гаврилов А.И., Гладков Э.А., Перковский Р.А. Видеокомпьютерные технологии построения компактных моделей протяженных сварных швов в системах автоматизированного мониторинга качества при строительстве магистральных трубопроводов // Сварка и диагностика. 2014. № 1. С. 57-61.
Цибизова Татьяна Юрьевна, д-р пед. наук, профессор, [email protected], Россия, Москва, Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)»,
До Минь Чиеу, аспирант, domastudent.bmstu.ru, Россия, Москва, Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)»
BUILDING AN ALGORITHM FOR DETERMINING THE GEOMETRY OF A MULTILAYER
WELD USING LASER VISION SENSORS
T.Yu. Tsibizova, M.Ch. Do
The article presents the principle of operation of the laser vision sensor, methods for pre-processing images to remove some forms of noise from the data sets of the surface of welds obtained by the laser vision sensor. An algorithm for constructing a groove and identifying characteristic junction points for subsequent modeling of the geometry of welds with a V-groove has been implemented. An adaptive algorithm for controlling the parameters of the welding process based on weld profile data using a neural network was also built.
Key words: neural network algorithms, welding processes, intelligent robotic system, image processing, modeling.
Tsibizova Tatiana Yuryevna, doctor of pedagogical sciences, docent, professor, [email protected], Russia, Moscow, Federal State Budgetary Educational Institution of Higher Education «Bauman Moscow State Technical University»,
60
Do Ming Chieu, postgraduate, [email protected], Russia, Moscow, Federal State Budgetary Educational Institution of Higher Education «Bauman Moscow State Technical University»
УДК 004.942
DOI: 10.24412/2071-6168-2022-11-61-76
МОДЕЛИРОВАНИЕ НАПРЯЖЁННО-ДЕФОРМИРОВАННОГО СОСТОЯНИЯ СВАРНЫХ СОЕДИНЕНИЙ В ANSYS MECHANICAL
А.В. Фролов, М.В. Воронов, А.А. Медельцев, К.А. Седова, П.А. Шаповалов
Приведён обзор различных подходов к численному моделированию сварных соединений с учётом воздействующих на систему внешних факторов, а также рассмотрены метод сварки и прочие особенности, влияющие на конструкцию во время её эксплуатации. Анализ таких соединений зачастую затруднён ввиду сложности геометрии и самих моделей сварных швов. Поэтому в работе предлагается применить метод конечных элементов (МКЭ), который позволяет в упрощённой и достаточно точной постановке моделировать и анализировать напряженно-деформированное состояние (НДС) сварных швов. Рассмотрены различные варианты моделирования сварных соединений как с оболочечными, так и с твердотельными элементами, сделаны выводы о точности результатов для различных подходов к их моделированию. Проведён детальный анализ НДС околошовной области и сварных швов в ANSYS Mechanical при наличии концентраторов напряжений. По результатам каждого способа приведены зависимости рассчитанных усреднённых значений НДС в сварных соединений и расчётных узлов КЭ сетки.
Ключевые слова: численное моделирование, сварные соединения, Ansys Mechanical, оболочечные и твердотельные элементы, метод конечных элементов.
Условия эксплуатации металлических изделий со сварными соединениями, подверженных значительным внешним воздействиям, могут, в частности, приводить к возникновению критических напряжений в окрестности сварного шва. В связи с этим для проверки выбранного технологического решения целесообразно проводить предварительные расчёты НДС указанных соединений.
Для расчёта сварных швов хорошо зарекомендовал себя МКЭ. В пакете ANSYS имеются специализированные инструменты, при использовании которых шов моделируют в виде углового таврового шва, показанного на рис. 1 [1-3].
■
/ 1 ■ \
^т шт J- ■ н ■
Рис. 1. Традиционное представление углового таврового сварного шва
для моделирования его НДС
