CC BY
0
УДК 623
DOI: 10.24412/2071-6168-2023-9-608-609
РАЗВИТИЕ МЕТОДИКИ ОПРЕДЕЛЕНИЯ ИЗНОСА ЧАСТЕЙ ПРИВОДОВ АРМАТУРЫ С ПРИМЕНЕНИЕМ МЕТОДИКИ РАСПОЗНАВАНИЯ ХАРАКТЕРА ПРОДУКТОВ ИЗНОСА
С.Л. Горобченко, Д.А. Ковалёв, В.А. Соколова, Р.Р. Загидуллин, А.В. Теппоев, М.В. Тарабан
В статье обсуждаются вопросы применения современных методов распознавания различных видов загрязнений в масле, применяемом в пневмо и гидроприводах трубопроводной арматуры. Дается обзор применимых методов, включая спектрометрический атомно-абсорбционный, спектрометрический, рентгенофлуоресцентный и оптический. Показано, что новые методы распознавания включений на основе применения оптических методов создают возможности более глубокого анализа включений с возможностью определения их геометрических размеров, площади и объема, что в дальнейшем позволит связать износ с особенностями и фракционным составом включений в масле.
Ключевые слова: трубопроводная арматура, пневмо и гидроприводы арматуры, продукты износа, примеси и включения, анализ масла, методы анализа масла, спектрометрические методы, оптический метод, методы распознавания включений.
Среди множества узлов пневмоприводов арматуры обращают на себя внимание движущиеся и трущиеся части, поскольку для них характерен наибольший износ. Проведение анализа масла, которым обеспечивается смазка трущихся деталей, позволяет обнаружить чрезвычайный износ и отклонение от нормального износа, что, в свою очередь, позволяет предотвратить серьезные аварии. К тому же такой анализ во многом дает толчок и к изменению сервисной технологии. На рис.1 представлен поршневой привод и зоны смазки и размещения масла в корпусе привода. Поршневой привод арматуры за срок службы проходит до 500.000 циклов, рычаги внутри корпуса необходимо часто и регулярно смазывать в рамках ТО1 и увеличивать количество осмотров в случае коррозионноопасных условий. Чтобы обеспечить работу поршневого привода, корпус наполовину заполняют полувязким гидрофобным маслом, при этом необходимо обеспечивать погружной характер нахождения штока в масле. Для контроля за состоянием масла и гарантии отсутствия коррозионных и износных повреждений часто используют простой слив масла, что удорожает обслуживание. Конструктивно обеспечивают разноуровневый слив масла, дренаж осадков, устанавливают смотровые стекла и влагопоглотители. Однако эти меры не дают возможности в полной мере предсказать, в каком состоянии или в какой степени износа находятся трущиеся пары.
зшы трущиЕся ЗП5М5НТ0Б
масла
Рис. 1. Поршневой привод и зоны смазки и размещения масла в корпусе привода
Основы анализа масла по продуктам и типу износа. Износ движущихся или трущихся частей в смазываемых узлах почти всегда развивается равномерно. В большинстве случаев очень мелкие металлические частицы -продукты износа не задерживаются фильтрами и накапливаются в масле в виде диспергированных частиц. Количество металлических продуктов износа в масле остается достаточно постоянным для каждого определенного изделия при нормальном износе. В случае появления ненормальности в работе изделия износ ускоряется, и количество металлических продуктов износа в масле увеличивается непропорционально. Это создает основу для анализа масла по продуктам износа, когда в масле измеряется количество металлических продуктов износа и сравнивается с эталонным.
Анализируемые частицы. Базовыми элементами для анализа в общем случае являются металлы и неметаллы трущихся пар. Наиболее часто ими являются железо, медь, хром и алюминий. Загрязнения, песок и абразивная пыль, проникающие внутрь приводов, усиливают износ движущихся частей и в основном состоят из кремния и алюминиевых оксидов. Однако в каждом специальном виде приводов могут быть свои частицы, которые вызывают износ.
Анализ проводят с целью определить эти частицы. Также определяется содержание воздуха, воды, топлива и других видов газов и жидкостей, находящихся в масле, поскольку эти элементы приводят к деградации вязкости масла, ухудшают качество смазки и вызывают ненормальный износ и заедание.
Узлы, подвергаемые анализу. В общем случае диагностике могут быть подвергнуты любые смазываемые узлы. Как правило, диагностика проводится для следующих узлов:
- двигатели и приводы,
- трансмиссии, редукторы и подшипники,
- гидравлические системы и системы маслосмазки.
Метод анализа данных. Метод сбора данных основан на получении данных трех отборов и получении тренда отклонений от нормальной характеристической линии износа. Для первых двух аналитических значений отклонения могут быть удостоверены в соответствии с основным уровнем износа, получаемых опытным путем на основе прошлых измерений.
Выявленные отклонения при помощи накопления трендов и определении уровня основного износа могут быть использованы для планирования сроков проведения обслуживания и ремонтов. Делается это посредством анализа и прогнозирования развития трендов до уровня достижения основной линии износа, где эксплуатация изделия переходит в стадию опасного износа.
Методы анализа масла. Существует два основных метода измерения металлических продуктов износа в смазках. Это: атомно-абсорбционный и эмиссионный спектрометрические методы.
Метод спектрометрический атомно-абсорбционный
Основой этого метода являются следующие положения:
- Все элементы, составляющие различные материалы атомизируются при высокой температуре, достигающей 1600оС. Для нагрева, как правило, используется ацетиленовая горелка.
- Элементы в атомном состоянии имеют низкий энергетический уровень и далее переводятся в атомы с высоким энергетическим уровнем (т.е. находящимися в возбужденном состоянии) при помощи абсорбции лучей, волн определенной длины каждого элемента в атомном состоянии, которые можно определить.
Применяя это свойство атомов, производят анализ образца смазки в следующей последовательности: образец смазки всасывается в анализатор через капилляр и нагревается ацетиленовой горелкой. Микроскопические металлические частицы в смазке переходят в основное атомное состояние под действием тепла горения. Атомы абсорбируют световые волны в определенной области, характерной для конкретного элемента. В результате атомы в основном состоянии абсорбируют энергию света пропорционально количеству присутствующих атомов элемента и превращаются в атомы в возбужденном состоянии. Интенсивность света уменьшается при прохождении через пламя, и уровень уменьшения варьируется в зависимости от количества атомов. Затем количество металлических частиц, находящихся в смазке, может быть определено при помощи измерения уровня уменьшения интенсивности световой энергии при использовании детектора. Схема измерений показана на рис.2.
-1=0-0
Рис.2. Схема атомно-абсорбционного спектрометрического анализа www.himik.ru. Дата доступа 15.05.2023
Метод спектрометрический эмиссионный
Каждый металлический элемент испускает свет, имеющий определенную длину волны при температурах, превышающих 6000оС. При использовании этого метода измеряются характеристики света, чтобы определить количество каждого элемента, содержащегося в смазке. Процедура состоит в следующем:
- берется небольшое количество образца смазки и после полного перемешивания для обеспечения однородности помещается в тестовую камеру;
- вращающийся ротор отбирает часть смазки, и между ним и электродом пропускают электрическую дугу, чтобы обеспечить температуру более 6000оС.
Каждый элемент при таких температурах испускает свет с интенсивностью, пропорциональной его количеству в образце. Каждый эмитируемый свет проходит через входную щель и затем через входную щель фотосветового приемника, в котором определяется длина световой волны. Схема применения спектрометрического эмиссионного метода показана на рис.3.
Образец Световой пучок
Д] | фрак! и Ю1 ■ [ал решетка
Источник возбуждения
Рис. 3. Схема спектрометрического эмиссионного анализа
Атомно-абсорбционный метод характеризуется низкой стоимостью, но длительным временем, требуемым для проведения анализа. Эмиссионный метод характеризуется малым временем проведения анализа, но высокой ценой оборудования, в 5 раз выше, чем стоимость оборудования для атомно-абсорбционного метода. В случае если не планируется проводить множество анализов, лучше иметь договор с уже существующими компаниями, проводящими подобные виды анализа.
Рентгенофлуоресценный метод спектроскопии
В последнее время развивается применение новых способов анализа продуктов изнашивания в маслах и смазках. Одним из самых перспективных является рентгенофлуоресцентный анализ РФА.
Рештенофлуоресценгный анализ (РФА) - один из самых объективных и адекватных методов исследования состава вещества, поскольку является прямым. Изучаемый объект подвергается возбуждающему воздействию -это может быть поток электронов, протонов, рентгеновского или гамма-излучения с энергией, достаточной для того, чтобы перевести атомы образца в возбужденное состояние. Энергия возбуждения такова, что при переходе атомов в основное состояние возникает флуоресценция в рентгеновском диапазоне. Спектральный состав этого излучения однозначно соответствует элементному составу объекта. Аппараты для спектрального анализа (спектрометры) тем или иным способом раскладывают флуоресцентное излучение в спектр, который исследуется и анализируется с помощью методико-математического аппарата, рис.4.
Рис. 4. Вакуумный волнодисперсионный рентгенофлуоресцентный спектрометр (www.spectronx-rays.ru).
Дата доступа 25.05.2022
Представленные методы преобразуют продукты износа и не позволяют связать износ с характеристиками частиц. Решение этой задачи возможно оптическими методами с применением технологии распознавания частиц.
Метод анализа продуктов износа в масле по оптическим данным. Технология анализа примесей в масле может быть основана на высоком уровне цифровизации и расчетах состава и объема примесей. Проблема детектирования, классификации и анализа объектов посредством обработки графической информации требует совершенствования методов исследования изображений. Благодаря им могут быть разработаны методики анализа продуктов износа, к которым можно отнести большинство образующихся включений в масле. Сравнение суммарной составляющей включений с допустимыми значениями определит допустимость дальнейшего использования масла.
Алгоритм распознавания изображений. Для проведения анализа и вычисления объема содержания продуктов износа в масле требуется провести обработку и анализ изображений загрязненного масла. Используемый алгоритм делится на несколько этапов:
1. Предварительная обработка изображения, с использованием методов фильтрации и сглаживания;
2. Коррекция цвета и выделение границ объектов;
3. Выделение объектов в определенном цветовом диапазоне;
4. Фильтрация высокочастотных шумов на изображении;
5. Определение иерархии замкнутых контуров границ объектов;
6. Вычисление площади детектированных объектов;
7. Определение характерных геометрических размеров объектов;
8. Вычисление объема включений.
Пункты 1-4 алгоритма описаны в статье [1]. В качестве исходных данных используются изображения с наличием включений. Инородные включения можно определить оптическим образом, снимая в коротковолновом ультрафиолете [11] для повышения точности и контрастности определения границ включений, рис.5.
я 6
Рис. 5. Примеры исходных изображений. Определение пузырьков в масле: а - исходное изображение; б - изображение в ультрафиолетовом свете [11]
На следующем этапе из этих изображений определяется иерархия замкнутых контуров и извлекается массив точек контуров бинарных изображений. После применения предварительной обработки, выделения объектов со
спектром цвета, находящимся в определенном цветовом диапазоне, и фильтрации шумов алгоритмом определения концентраций примесей [1] выводятся бинарные изображения. Пример выведения бинарных изображений для фото. Приведенного на рис.1, показано на рис.6.
О
О О
О О о
Г» " о °
О ' ■ ■
и 6
Рис. 6. Результат предварительной обработки изображения: а - исходное изображение;
б - бинаризованное изображение
Для определения иерархии замкнутых контуров границ можно использовать соответствующие алгоритмы обработки, например, алгоритм suzuki85, который позволяет выделять фон и объект в нем за счет придания значений цветности пикселей (0 для обозначения фона (background) и 1 для объекта (foreground) соответственно) [3]. После этого создается матрица, позволяющая проводить преобразование исходного изображения в бинарное, содержащее информацию об областях объектов изображения по формуле, приведенной в [2]:
0 background,
1
foreground,
(1)
2,3,... region label.
Определение иерархии замкнутых контуров границ объектов
Иерархия замкнутых контуров описывается структурой, в которой прописывается:
- Contours: Contours
- { Id - уникальный номер контура;
- Type - идентификатор принадлежности типа контура к внешним границам объектов или контурам от-
верстий;
- Points[] - массив пикселей принадлежащих текущему контуру;
- Parent - индекс внешнего по отношению к текущему контуру (граница изображения имеет нулевой индекс номера контура)}
Для определения принадлежности точек к иерархии замкнутых контуров определяется, к какому из типов контуров относится выделенная точка (находится внутри контура или относится к внешней границе). Для хранения номера контура в иерархии контуров применяются две переменные: номер текущего контура NBD (newest border number), по умолчанию NBD имеет значение 1 и номер предыдущего найденного алгоритмом контура LNBD (last newest border number). По умолчанию LNBD также имеет значение 1.
Далее по алгоритму suzuki85 проводится инициализация границы исходного изображения с увеличением размера изображения и поиск принадлежности точки к контуру объекта (foreground). Алгоритм также подсказывает, является ли точка принадлежностью внутренней части объекта или фона.
По алгоритму производится перемещение к следующей координате точки, увеличивая индекс столбца или строки, или алгоритм завершается при достижении правого нижнего угла изображения. Определение принадлежности к контуру производится вычислением соотношений по [11]:
¡ОБ, IJ*gia"'(x,y)-I*#m(x-l,y) = l Found type-<
~ (НВ, Iя'*"™ -1*«*°"° (х +1, у) > I
х+1
о
X I
О
Контуры объектов Контуры отверстий
В случае обнаружения при сканировании входного изображения принадлежности текущей точки к внешней или внутренней границе контура производится увеличение значения переменной NBD на единицу и создается новый объект структуры Contours. При этом элементы структуры получают значения:
Contours{
Type — Found _type; Id = NBD-Point[] — Point(x,y)-, Parent - 0;}
На начальном этапе происходит детектирование внешней границы включения (OB - outer border). В случае обнаружения принадлежности контура к границе объекта запоминается значение точки начала обхода контура. В случае обнаружения принадлежности контура в границе отверстия (HB - Hole border), производится запоминание значения точки начала обхода контура. В алгоритме suzuki85 иерархия строится только в случае обязательного расположения контура объекта в контуре отверстий (или внешней рамки). Описание выбора родительского контура приведено в [2, табл 1].
В случае если рамка объекта по ширине равна одному элементу (точке), внутри такого объекта не будет отверстия и любые объекты, размещенные в области внутри такого объекта, получат значение Contours Parent. Также производится и детекция внутренних контуров, у которых верхняя грань представляет собой горизонтальную прямую линию толщиной в 1 элемент. В случае если контур не обнаружен, производится переход к следующему шагу алгоритма.
При создании очередного объекта структуры Contours производится вычисление принадлежности созданного объекта к объектам из существующей иерархии контуров. Для этого находится центральная точка обхода, после чего проводятся следующие действия:
2.1. Производится обход по часовой стрелке вокруг центральной точки (обозначаемой как PointTraversalCenter), начиная с нее и поиск ненулевого значения. Координаты найденной точки сохраняются
2.2. В случае если область значений определена как контур, а не единичный пиксель, обход контура в обратном направлении продолжается для поиска всех точек, принадлежавших ему. Координата найденной точки сохраняется в соответствующем блоке (PointTraversalForward) и добавляется в массив точек контура структуры Contours (Point PointTraversalForward).
2.3. Если достигается правая или левая граница объекта, то ей присваивается идентифицирующее ее значение.
2.4. Если после выполнения шага 2.2 координаты точек конца обхода контура совпадают, то это означает, что весь контур был обойден против часовой стрелки.
Алгоритм завершается по достижению правого нижнего угла изображения.
В результате работы алгоритма поиска контуров получают иерархическую структуру, содержащую тип контура (контур объекта или контур отверстия) и массив точек, принадлежащий контуру. Для анализа объема включений используются внешние контуры объектов с индексом родителя 0.
Вычисление площади детектированных объектов
Для вычисления площади контура используется массив точек контура [4] и вычисляется площадь фигуры, ограниченная точками.
о ] : з 4 s ( 7 t Î 1» ы It
1
) • • ■ •
.1 • - ■
* ■ ■
s ■ ■
« - • • -
т ■ -
ч
ID
Poini [хл]=
{
{5,2!.M.3MÏ,4).
ДОЬибЫМ), (6j5MVU8Jb ДОМДОМЮД},
пя.дамвд
Рис. 7. Пример определения соответствия контура объекта массиву вершин
Для вычисления площади требуется рассмотреть задачу определения площади фигуры [5]: - зная координаты вершин, необходимо определить площадь фигуры Р1-Р4. Для вычисления площади вычисляются площади четырех треугольников (12); (23); (34); (41) и ((ОР1 Р2); (ОР2Р3); (ОР3Р4); (ОР4 Р1) и производятся арифметические действия, рис.8.
Рис. 8. Вычисление площади фигуры
Вычисление площади треугольников производится по правилу вычисления площади параллелограмма -векторному произведению двух его сторон [6]:
' j к
к у, о
X} У2 О
Л 0 0 +k X, Л
(5 -J 0
Уг Xj Л
№
= г у, ■ 0-1 ■ уг ■ 0-/-Х, ■ 0+ /■ - 0 +к х,■у1-к ■ х2 ■ у, =
= -ад)
где i - единичный вектор оси аппликат; j -единичный вектор оси ординат; к -единичный вектор оси аппликат;
Р[(Х,,У1)
Рис. 9. Площадь параллелограмма
Расчеты площади видимых частей включений проводится по соответствующим методикам [7]. Определение характерных геометрических размеров объектов
Следующим шагом будет вычисление объема фигуры, образованной контуром. Учитывая, что наиболее опасные частицы в масле являются объемными, то примем, что основными фигурами включений являются либо заостренными эллипсоидами, либо шарами. В дальнейшем расчеты могут быть проведены по такой же методике и для других типов фигур.
Для вычисления объема эллипсоида и шара нам необходимо знать геометрические размеры (радиусы),
рис.10.
3
л
_ Z.
Рис. 10. Объём фигуры
Для вычисления объемов фигур определяются радиусы. В случае со сферой, все радиусы равны. В случае с эллипсоидом радиус вращения равен минимальному радиусу образующего эллипса - половине малой полуоси, большая полуось равна максимальному диаметру эллипса. Из массива точек контура Contours Point определяются такие точки, что расстояние между этими двумя точками будет максимальным. Это будет большая полуось. Задавая ей соответствующие индексы, получают точки начала и конца большой полуоси. Применяя метод перебора всех значений, находятся точки большой полуоси.
После нахождения точек начала и конца большой полуоси находится точка центра контура Contour G (она будет находиться в центре большой полуоси), используя соотношения, предустановленные в используемой программе. Отталкиваясь от этого значения, находят и значение малой полуоси.
Рис. 11. Контуры объектов
Определение объемной концентрации включений. Для вычисления объёмной концентрации включений определяют суммарный объем всех включений и реальный объем кадра (ширина, высота, глубина). Зная геометрические размеры структурного изображения (установки), вычисляют физический размер одной ячейки изображения.
618
Одновременно находят соответствие размера кадра (установки) изображения реальному физическому размеру. Для этого сначала вычисляют параметр DPM (Dots per meter) [10] цифрового изображения (матрицы). Зная величину DPM, находят цифровые величины длин, площадей и объемов к реальным размерам. Далее вычисляют объем включений elipsoid V в метрических размерах.
На следующем шаге вычисляют объёмную концентрацию включений в масле на основе изображений и соответствия размера кадра изображения реальному физическому размеру по известным формулам с получением объёмной процентной концентрации включений.
Программная реализация. Для изображения, приведенного на рис.1а, определялась иерархия замкнутых контуров границ объектов. На рис. 11 показаны все иерархии контуров.
Среди найденных внешних контуров проводится вычисление их площади, а также характерных размеров,
рис.12.
Рис. 12. Площадь контура, радиус малой и большой полуоси эллипса, полученных методом перебора точек
Используя метод полного перебора всех точек контура, проведено вычисление объемной концентрации включений. Результаты вычислений приведены на рис.13.
тниьк ига«™;
№•1 p.,tli WW«
№ ik'K-fd ■ 'l 1
«Мир« ССКЧГШШПК • 0.i1№№4tЯНГ ¡М* «Ч
S *
ъ L i*
V А
Л J*
J г р
„ 'V «&
J, *
■i!
Рис. 13. Вычисление объемной концентрации включений [11]
Заключение. Таким образом, методы анализа и определения износа быстроизнашивающихся частей приводов арматуры могут позволить эффективно и точно определять загрязнения в масле и планировать техническое обслуживание и ремонты.
Значительно большую эффективность определения уровня загрязнений можно получить при дальнейшем развитии технологии и использовании алгоритмов распознавания типов и объема включений. Алгоритм позволяет определять контуры включений таким образом, чтобы они содержали внешние границы объектов, вычислять их геометрические размеры, переводить размеры объектов в метрическую систему и вычислять объемную концентрацию включений.
Технология обработки изображений для различных видов примесей, включений и других продуктов износа в масле позволяет точнее и быстрее определять истинную картину загрязнений масла и планировать его замену, переходя от различных видов ТО1 и ТО2 системы планово-профилактического ремонта к планово-диагностическому обслуживанию.
Список литературы
1. Салех Л.О.А., Хлопин С.В., Черненькая Л.В., Тарасевский Ф.Г., Царев М. М., Алгоритм определения концентрации примесей в жидкости по оптическим данным. Известия Тульского государственного университета. Технические науки. 2023. № 1. С. 247-256.
2. Satoshi S. Computer Vision, Graphics, and Image processing N30, 32-46 (1985) Topological Structural Analysis of Digitized Binary Images by Border Following.
3. Burger W., Burge M. J., Digital Image Processing: An Algorithmic Introduction Using Java. Springer; 2nd ed. 2016. P. 210 - 211.
4. Kenny A. H. The Art of Image Processing with Java. A K Peters, 2016. P.311 - 317.
5. Геометрические олимпиады им. И.Ф. Шарыгина / Сост. А. А. Заславский, В. Ю. Протасов, Д. И. Шары-гин. М.: МЦНМО, 2007. С. 15 - 19.
6. Axler, Sheldon Jay. Linear Algebra Done Right (3rd ed.). Springer. 2015. P. 309 - 328. Системный анализ, управление и обработка информации.
7. Wilhelm Burger, Mark J. Burge. Principles of Digital Image Processing. Core Algorithms. Springer. 2009. P.
17 - 48.
8. Bart Braden. The Surveyor's Area Formula. The College Mathematics Journal, Volume 17, Number 4. September 1986. P. 326 - 337.
9. Козлов В. Н. Функциональный анализ (с приложениями в энергетике). СПб.: Издательство Политехнического университета. 2011. C. 36 - 43.
10. Sara Campos, Understanding DPI and Pixel Dimensions, iPrintfromHome.com, 2007 [Электронный ресурс] URL: https://www.iprintfromhome.com/mso/understandingdpi.pdf (дата обращения: 18.07.2023).
11. Салех Л.О.А., Хлопин С.В., Черненькая Л.В. Алгоритм вычисления объема примесей в жидкости по оптическим данным. Известия Тульского государственного университета. Технические науки. 2023. №7. -С. 562-569.
12. Горобченко С.Л. Основы предоставления сервисных услуг и организации сервисных центров. [Электронный ресурс] URL: https://www.gde-kniga.ru/books/osnovy-predostavleniya-servisnyh-uslug-i-organizacii-servisnyh-centrov-stanislav-gorobchenko-9786136564043-e4b37772-73c4-47e9-adc2-f63a97b185b4 (дата обращения: 10.05.2023).
Горобченко Станислав Львович, канд. техн. наук, [email protected]. Россия, Санкт-Петербург, Санкт-Петербургский государственный университет промышленных технологий и дизайна,
Ковалёв Дмитрий Александрович, канд. техн. наук, доцент, [email protected]. Россия, Санкт-Петербург, Санкт-Петербургский государственный университет промышленных технологий и дизайна,
Соколова Виктория Александровна, канд. техн. наук, доцент, [email protected], Россия, Санкт-Петербург, Военная академия связи им. Маршала Советского Союза С.М. Буденного,
Загидуллин Рамиль Равильевич, канд. техн. наук, доцент, [email protected], Россия, Казань, Казанский федеральный университет,
Теппоев Алексей Викторович, канд. техн. наук, доцент, [email protected], Россия, Санкт-Петербург, Санкт-Петербургский государственный лесотехнический университет,
Тарабан Мария Всеволодовна, канд. техн. наук, доцент, [email protected], Россия, Санкт-Петербург, Санкт-Петербургский государственный архитектурно-строительный университет
DEVELOPMENT OF A METHOD FOR DETERMINING WEAR OF WEARING PARTS OF VALVE ACTUATORS USING A METHOD FOR RECOGNIZING THE NATURE OF WEAR PRODUCTS
S.L. Gorobchenko, D.A. Kovalev, V.A. Sokolova, R.R. Zagidullin, A.V. Teppoev, M. V. Taraban
The article discusses the use of modern methods for recognizing various types of contaminants in oil used in pneumatic and hydraulic drives ofpipeline fittings. An overview of applicable techniques is given, including atomic absorption spectrometry, spectrometry, X-ray fluorescence, and optical. It is shown that new methods for recognizing inclusions based on the use of optical methods create the possibility of a more in-depth analysis of inclusions with the ability to determine their geometric dimensions, area and volume, which in the future will make it possible to relate wear to the characteristics and fractional composition of inclusions in the oil.
Key words: pipeline fittings, pneumatic and hydraulic valve drives, wear products, impurities and inclusions, oil analysis, oil analysis methods, spectrometric methods, optical method, inclusion recognition methods.
Gorobchenko Stanislav Lvovich, candidate of technical sciences, [email protected], Russia, St. Petersburg, Higher School of Technology and Energy, St. Petersburg State University of Industrial Technologies and Design,
Kovalev Dmitry Aleksandrovich, candidate of technical sciences, docent, [email protected]. Russia, St. Petersburg, Higher School of Technology and Energy, St. Petersburg State University of Industrial Technologies and Design,
Sokolova Viktoriia Aleksandrovna, candidate of technical sciences, docent, [email protected], Russia, St. Petersburg, Military Academy of Communications named after. Marshal of the Soviet Union S.M. Budyonny,
Zagidullin Ramil Ravilevich, candidate of technical sciences, docent, [email protected], Russia, Kazan, Kazan Federal University,
Teppoev Alexey Viktorovich, candidate of technical sciences, docent, [email protected]. Russia, St. Petersburg, St. Petersburg State Forest Technical University,
Taraban Maria Vsevolodovna, candidate of technical sciences, docent, [email protected], Russia, St. Petersburg, St. Petersburg State University of Architecture and Civil Engineering
