Исследование метода комплексирования изображений в оптико-электронном комплексе для эрозионного контроля лопаточного аппарата паровых турбин тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Ахмеров Артём Харисович

• Ахмеров Артём Харисович
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Ахмеров Артём Харисович

РЕФЕРАТ

SYNOPSIS

ВВЕДЕНИЕ

ГЛАВА 1. Методы и системы контроля износа лопаток паровых турбин

1.1 Актуальность мониторинга износа лопаток паровых турбин

1.2 Сравнительный анализ методов контроля износа ЛПТ

1.3 Обзор существующих технических решений модернизации систем на основе метода видеоэндоскопирования

1.4 Пути модернизации систем контроля износа лопаток паровых турбин

1.4.1 Способы синхронизации работы системы с поворотом ротора

1.4.2 Методы устранения погрешности позиционирования

1.4.3 Автоматизация процесса контроля величины хорды ЛПТ

1.5 Выводы по главе

ГЛАВА 2. Теоретическое исследование принципов и особенностей построения оптико-электронного комплекса эрозионного контроля лопаток паровых турбин

2.1 Принцип работы комплекса эрозионого контроля ЛПТ

2.2 Принцип работы устройства получения изображений ОЭКЭК

2.2.1 Оптические схемы многоканального видеоэндоскопа для РКИ ЛПТ

2.2.2 Согласование полей зрения многоканального видеоэндоскопа

2.2.3 Требования к оптическому тракту устройства получения изображений

2.2.4 Методика проектирования оптического тракта многоканального УПИ ОЭКЭК

2.2.5 Требования для источников излучения многоканального УПИ

2.2.6 Преобразование информации в оптико-электронном тракте УПИ

2.3 Принцип действия устройства синхронизации работы ОЭКЭК с поворотом ротора ПТ

2.3.1 Принцип работы оптического корреляционного датчика

2.3.2 Формирование выходного сигнала устройства синхронизации

2.3.3 Метод авто-калибровки угловых положений ЛПТ

2.4 Передача и обработка данных узлами ОЭКЭК

2.4.1 Предварительная обработка изображений

2.4.2 Разноракурсное комплексирование изображений

2.4.3 Критерии оценки качества результата разноракурсного комплексирования изображений

2.4.4 Автоматизация оценки степени износа ЛПТ

2.5 Результирующая структура ОЭКЭК

2.6 Выводы по главе

ГЛАВА 3. Экспериментальные исследования функционирования оптико-электронного комплекса эрозионного контроля лопаток паровых турбин

3.1 Исследование эффективности методов РКИ

3.1.1 Описание исследуемых методов РКИ

3.1.2 Сравнение методов РКИ по погрешности определения итогового преобразования координат

3.1.3 Сравнение алгоритмов РКИ по времени вычислений

3.1.4 Анализ результатов эксперимента по сравнению погрешностей и времени выполнения методов РКИ

3.2 Компьютерное моделирование поверхности ЛПТ

3.3 Исследование критериев минимального перекрытия полей зрения видеоканалов УПИ ОЭКЭК

3.3.1 Экспериментальный стенд для определения порога перекрытия полей зрения видеоканалов УПИ ОЭКЭК

3.3.2 Методы исследования критериев минимального перекрытия полей зрения видеоканалов УПИ ОЭКЭК

3.3.3 Анализ зависимости качества результатов РКИ от пересечения полей зрения видеоканалов УПИ ОЭКЭК

3.4 Исследование и разработка алгоритма отбора сопоставлений опорных точек

по геометрическим параметрам

3.4.1 Алгоритм отбора сопоставлений ОТ для РКИ

3.4.2 Демонстрация работы алгоритма отбора сопоставлений ОТ

3.4.3 Оценка эффективности метода отбора сопоставлений ОТ

3.5 Исследование эффективности источников излучения для разноракурсного комплексирования изображений

3.5.1 Выбор исследуемых ИИ

3.5.2 Стенд для исследования эффективности ИИ для РКИ

3.5.3 Анализ эффективности исследуемых ИИ для РКИ

3.6 Исследование погрешности контроля хорды лопаточного аппарата при помощи ОЭКЭК

3.6.1 Экспериментальный стенд для оценки погрешности контроля хорды ОЭКЭК

3.6.2 Методы исследования погрешности контроля хорды

3.6.3 Анализ погрешностей контроля величины хорды ЛПТ

3.7 Исследование погрешности определения углового положения ротора при помощи УС ОЭКЭК

3.7.1 Экспериментальный стенд для оценки погрешности определения угла поворота при помощи ОКД

3.7.2 Ход эксперимента по исследованию погрешности определения углового положения

3.7.3 Анализ результатов оценки погрешности определения углового положения при помощи ОКД

3.8 Исследование метода авто-калибровки УС ОЭКЭК

3.8.1 Подход к тестированию метода авто-калибровки УС ОЭКЭК

3.8.2 Анализ результатов применения метода авто-калибровки

3.9 Выводы по главе

ГЛАВА 4. Особенности реализации оптико-электронной системы эрозионного контроля лопаток паровых турбин

4.1 Структура и принцип работы КСЭ

4.2 Реализация устройства получения изображений КСЭ

4.3 Особенности реализации синхродатчика КСЭ

4.4 Реализация блока согласования КСЭ

4.5 Реализация программного обеспечения модулей КСЭ

4.6 Результаты испытаний КСЭ

4.7 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК УСЛОВНЫХ ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ТЕКСТЫ ПУБЛИКАЦИЙ

Введение диссертации (часть автореферата) на тему «Исследование метода комплексирования изображений в оптико-электронном комплексе для эрозионного контроля лопаточного аппарата паровых турбин»

РЕФЕРАТ Общая характеристика диссертации

Большая часть выработки электроэнергии России (79,7%) по статистике на 2018 год [10] приходится на тепловые (67,7%) и атомные электростанции (12%). Большинство тепловых и атомных электростанций (около 70%) [11] использует пар в качестве энергоносителя. Таким образом, около 55% выработки электроэнергии в России осуществляется за счёт применения паротурбинных установок. В процессе эксплуатации лопатки паровых турбин (ЛПТ) постоянно подвергаются внешним воздействиям, вызывающим повреждения различного характера. Поломки ЛПТ могут привести к серьезным повреждениям турбины и паротурбинной установки в целом, представляя угрозу безопасности обслуживающего персонала. Выход аварийной ситуации из-под контроля может привести к краху важной системы энергообеспечения, а также быть причиной возникновения ядерных катастроф.

Примерами серьезных аварий за последние 15 лет, вызванных поломками ЛПТ, являются (указанные финансовые потери не учитывают отсутствие выработки электроэнергии в течение всего периода ремонтных работ):

- авария на Якутской государственной районной электростанции (ГРЭС) 09.11.2008, вызванная разрушением лопаточного аппарата, повлекшая за собой необходимость полномасштабного ремонта двух установок ГТУ-45 и обошедшаяся в 488 млн. руб. (по ценам на 2008 г.) [2], при этом следует отметить важность данной ГРЭС, ведь тепло- и электроснабжение в суровых климатических условиях имеет высокую степень важности [3];

- авария на Среднеуральской ГРЭС 10.11.2013, произошедшая в результате возникновения высоких вибраций ротора ПГУ-410 из-за его разбалансировки вследствие поломки рабочей лопатки, повлекшая за собой смерти двух работников станции и ущерб в 30 млн. долл. США (по ценам на 2013 г.) [2, 4];

- авария на тепловой электростанции (ТЭС) Ironbridge 04.02.2014, произошедшая из-за отрыва 12 лопаток 6 ступени цилиндра низкого давления,

который привел к ущербу до 32 млн. евро (по ценам на 2014 г.) [2, 5] и последующему закрытию станции в 2015 г. [6].

Паровые турбины (ПТ) обладают более высоким коэффициентом полезного действия, чем газовые, за счет более высокого коэффициента теплового расширения пара [1]. Однако, эксплуатация ПТ осложнена эрозионным износом, который постепенно приводит к выходу лопаточного аппарата строя. Он представляет собой разрушение поверхности металла под действием конденсирующихся в пару капель жидкости, которые сталкиваются с поверхностью ЛПТ с высокой скоростью. Во время эксплуатации под действием эрозионного износа величина хорды лопатки уменьшается, и, измеряя эту величину, можно судить об общей степени износа лопатки. Применяемые в современной практике методы диагностики ЛПТ требуют прямого контакта с поверхностью контролируемого объекта. Для их применения необходимо осуществить вскрытие цилиндра ПТ, что делает процедуру диагностики чрезвычайно трудоемкой и финансово затратной. Единственным методом, при помощи которого можно оценить степень износа каждой отдельной ЛПТ на закрытом цилиндре является метод видеоэндоскопирования [7].

Метод видеоэндоскопирования (МВЭ) основан на введении видеоэндоскопов в цилиндр ПТ через специальные технологические каналы, получении изображений деталей проточной части и оценке степени износа визуальным, либо автоматизированным способом. При получении изображений лопаток зачастую невозможно охватить всю контролируемую область поверхности в пределах одного кадра, в связи с малым расстоянием до контролируемого объекта. Этим обуславливается погрешность позиционирования, вызываемая ошибкой установки видеоэндоскопа, влияющей на точность определения масштаба.

Автоматизация процесса получения изображений и оценки степени эрозии лопаток позволит исключить ошибки, вызванные влиянием человеческого фактора, ускоряя саму процедуру контроля и уменьшая погрешность контроля величины хорды лопатки. Внедрение многоканального видеоустройства позволит исключить

необходимость повторного позиционирования эндоскопа внутри турбины и обеспечить стабильность получаемых результатов на протяжении всего жизненного цикла ПТ. Существенная модернизация технических решений обеспечит принятие решений о необходимости ремонта при закрытом цилиндре ПТ, снижая длительность и трудоемкость процедуры диагностики, что обуславливает актуальность данного исследования.

Целью диссертационной работы является формирование принципов построения оптико-электронного комплекса эрозионного контроля (ОЭКЭК) лопаток паровых турбин на основе многоканального видеоэндоскопа и метода разноракурсного комплексирования изображений (РКИ), позволяющего автоматически оценить дефекты формы лопаток на закрытом цилиндре.

Для достижения данной цели в рамках диссертации были поставлены и решены следующие задачи:

- аналитический обзор применяемых способов контроля износа лопаток паровых турбин и существующих систем видеоэндоскопирования для выявления недостатков применяемых технических решений и способов их модернизации;

- теоретическое исследование принципов построения и функционирования оптико-электронного комплекса эрозионного контроля лопаток паровых турбин;

- теоретическое исследование и математическое моделирование методов обработки изображений, включая разноракурсное комплексирование и морфологическую обработку;

- экспериментальные исследования функционирования узлов оптико-электронного комплекса эрозионного контроля лопаток паровых турбин и методов обработки изображений;

- анализ особенностей реализации комплексов и систем видеоэндоскопирования на примере разработки опытного образца системы для контроля элементов проточной части ЦНД и ЦВД турбины К-1200-6.8/50, формирование рекомендаций по проектированию ОЭКЭК и аналогичных систем.

Методы исследования. В диссертации применялись методы системного анализа, математическое моделирование, теория преобразования информации в оптико-электронных системах, методы цифровой обработки изображений. Для проведения экспериментов были построены компьютерные модели в среде MATLAB и написаны программы на языке C++ в среде Microsoft Visual Studio, а также были выполнены экспериментальные исследования на базе разработанного и изготовленного стенда.

Основные положения, выносимые на защиту:

1. Предложенная структура оптико-электронного комплекса для эрозионного контроля лопаточного аппарата паровых турбин на закрытом цилиндре, содержащая многоканальную видеосистему, позволяет решить задачу контроля износа за счёт определения величины хорды посредством формирования единого составного изображения методом разноракурсного комплексирования с применением алгоритма отбора сопоставлений опорных точек, и уменьшить среднеквадратическое отклонение погрешности контроля хорды до допустимой величины, не превосходящей 0,27 мм.

2. Метод авто-калибровки устройства синхронизации, основанный на определении коэффициента корреляции изображений, полученных при использовании канала подсветки рабочей области, выполненного на основе светодиодных источников с оптимальным спектральным составом излучения (максимум излучения 525 + 25 нм), за один полный оборот ротора турбины, позволяет комплексу определять угловые положения ротора для регистрации изображений каждой отдельной лопатки, с погрешностью не более 0,7°, что меньше допустимого значения в 1,15°.

3. Рекомендованный подход к формированию устройства синхронизации, заключающийся в комбинировании оптического корреляционного датчика и датчика нулевого положения с отражательной меткой, позволяет идентифицировать угловое положение лопатки в поле зрения видеоэндоскопа с погрешностью не более 2,5 ' без использования дополнительных технологических каналов в корпусе турбины, что обеспечивает возможность фиксации износа

каждой лопатки при значительном упрощении процедуры внедрения комплекса эрозионного контроля.

Научная новизна диссертации отражена в следующих пунктах:

1. Предложен подход к формированию структуры оптико-электронного комплекса эрозионного контроля лопаточного аппарата паровых турбин на закрытом цилиндре, включающей в себя многоканальное устройство получения изображений, устройство синхронизации, блок сопряжения и устройство обработки, позволяющих повысить точность оценки дефектов формы лопаток за счёт выявления большего количества опорных точек при разноракурсном комплексировании изображений, получаемых с многоканального видеоэндоскопа на основе нескольких видеокамер и светодиодной подсветки, управляемых синхронизационным сигналом углового положения, определяемого при помощи рефлекторного и оптического корреляционного датчиков.

2. Разработан алгоритм отбора сопоставлений пар опорных точек при комплексировании изображений по преобладающему направлению вектора их связи в исходных системах координат, позволяющий исключить остаточные неверные сопоставления и уменьшить необходимое пересечение полей зрения.

3. Сформирована методика определения оптимального спектрального состава излучения источников подсветки, позволяющая при разноракурсном комплексировании информации в изображении по контрасту регистрируемых элементов поверхности лопаток паровых турбин определить необходимое количество опорных точек для оценки дефектов формы контролируемого объекта с требуемой точностью.

Научно-техническая задача, решаемая в диссертации, заключается в создании оптико-электронного комплекса эрозионного контроля лопаток паровых турбин на основе многоканального видеоэндоскопа и метода разноракурсного комплексирования изображений, позволяющего автоматически оценивать дефекты формы лопаток на закрытом цилиндре.

Объектом исследования является оптико-электронная система контроля эрозионного износа ЛПТ.

Предметом исследования является контроль величины хорды ЛПТ для оценки эрозионного износа методом видеоэндоскопирования.

Теоретическая значимость результатов диссертационной работы формируется следующими пунктами:

1. Предложен метод определения оптимального спектрального состава источников подсветки лопаток паровых турбин, позволяющий выявить количество опорных точек при разноракурсном комплексировании их изображений, достаточное для улучшения оценки дефектов формы контролируемой детали.

2. Определена функциональная связь между количеством оптико-электронных каналов измерительного комплекса, необходимого для одновременной регистрации всего радиального сектора лопаточного аппарата и базовым расстоянием между каналами.

Практическая значимость результатов диссертационной' работы формируется следующими пунктами:

1. Предложен принцип построения устройства синхронизации на основе датчика нулевого положения и оптического корреляционного датчика, позволяющий определять угловое положение ротора турбины без использования дополнительных технологических каналов.

2. Установлено, что минимальная величина перекрытия полей зрения оптических каналов, необходимая для разноракурсного комплексирования изображений лопаток паровых турбин при контроле величины хорды лопаток с требуемой погрешностью составляет не менее 30%.

3. Сформирована компьютерная модель, позволяющая синтезировать трёхмерные изображения поверхностей лопаток паровых турбин на основе следующих параметров: длины, цилиндрического радиуса внутренней грани, углового сектора лопатки, угла закручивания пера, радиальных координат периферийной границы и устройства получения изображений.

Достоверность полученных результатов обеспечивается теоретическими материалами, рассмотренными в тексте диссертации, а также подробным описанием проводимых экспериментальных исследований. Научные положения и

выводы, сформулированные в диссертации, подкреплены полученными в ходе работы данными, а также поясняющими рисунками и схемами. Также в пользу достоверности свидетельствует использование более 150 литературных источников на русском и английском языках. Таким образом, теоретические исследования базируются на известных проверяемых фактах и согласуются с опубликованными результатами проводимых в мире исследований. Полученные результаты не противоречат положениям, представленным в рассмотренных литературных источниках в научном поле темы диссертации. Подтверждением достоверности результатов исследований также является апробация материалов диссертационной работы на 10 всероссийских и международных конференциях и публикация 13 статей в рецензируемых журналах на русском и английском языках и 2 патентных свидетельств.

Апробация результатов работы. Основные результаты работы докладывались и обсуждались на следующих конференциях:

1. Научная и учебно-методическая конференция Университета ИТМО - 3 доклада (2020, 2021, 2022 гг.).

2. Всероссийский Конгресс молодых ученых Университета ИТМО - 3 доклада (2020, 2021, 2022 гг.).

3. Международная конференция «Прикладная оптика» - 2 доклада (2018, 2020 гг.).

4. Международная конференция «SPIE Optical Metrology 2019».

5. Международная научная конференция студентов, аспирантов и молодых учёных «Ломоносов 2020».

Личный вклад автора.

Соискатель принимал участие на всех этапах подготовки диссертационного исследования, включая: выбор темы и постановку задач; сбор и анализ данных из доступных информационных источников; проведение теоретических исследований, моделировании и формировании новых алгоритмов и методик; проведения экспериментов с целью проверки гипотез и получения эмпирических зависимостей; подготовки текста диссертации. Все научные результаты,

представленные в работе, получены в ходе самостоятельной работы соискателя при содействии и консультировании со стороны научного руководителя и профессорско-преподавательского состава Университета ИТМО.

Публикации. Основные результаты по теме диссертации изложены в 13 публикациях. Из них 1 издана в журнале, рекомендованном ВАК, 5 опубликованы в изданиях, индексируемых в базе цитирования Scopus, зарегистрированы 2 патентных свидетельства.

В международных изданиях, индексируемых в базе данных Scopus:

1. Akhmerov A.K., Vasilev A.S., Vasileva A.V., Research of spatial alignment techniques for multimodal image fusion, Proceedings of SPIE (2019).

2. Shut G., Korotaev V., Puzyrev E., Ryzhova V.A., Timofeev A.N., Akhmerov A.K., Rodikova L., Videoendoscopy of working blades of steam turbines and control of their geometrical parameters, Journal of Optical Technology (2020).

3. Vasileva A.V., Vasilev A.S., Akhmerov A.K., Ryzhova V.A., Robotized Imaging System Based on Sipm and Image Fusion for Monitoring Radiation Emergencies, Studies in Systems, Decision and Control (2020).

4. Akhmerov A.K., Vasilev A.S., Feature extraction enchancement using near-infrared light for multiview metallic surface image fusion, Smart Electromechanical Systems: Recognition, Identification and Modelling (2022).

5. Rodikova L.S., Maraev A.A., Timofeev A.N., Miheev S.V., Akhmerov A.K., Konyakhin I.A. Effect of Illumination on Errors in Estimation of a Rotor Blade Chord Value During Intelligent Video Endoscopy of a Closed Steam Turbine Cylinder Studies in Systems, Decision and Control (2022).

В изданиях из перечня ВАК РФ:

1. Шуть Г.А., Пузырев Е.И., Васильева А.В., Васильев А.С., Некрылов И.С., Ахмеров А.Х., Тимофеев А.Н., Комплексная система эндоскопирования для контроля эрозионного износа лопаток паровых турбин, Известия высших учебных заведений. Приборостроение (2020).

По теме исследования зарегистрированы два патентных свидетельства:

1. Патент на изобретение № 2762269 СИСТЕМА И СПОСОБ МОНИТОРИНГА ЭЛЕМЕНТОВ ПРОТОЧНОЙ ЧАСТИ ТУРБИН.

2. Патент на полезную модель № 208537 МНОГОКАНАЛЬНЫЙ ВИДЕОЭНДОСКОП.

Структура и объем диссертации.

Диссертация состоит из введения, четырех глав, заключения, библиографического списка из 181 наименования, содержит 182 страницы, 78 рисунков и 5 таблиц.

Основное содержание работы Во введении обоснована актуальность работы, сформулированы ее цели и задачи, научная новизна, теоретическая и практическая значимость и основные положения, выносимые на защиту.

Первая глава посвящена обзору методов и систем контроля износа ЛПТ. Анализ существующих методов контроля износа ЛПТ показал, что все из них кроме метода видеоэндоскопирования (МВЭ) и дискретно-фазового метода (ДФМ) обладают существенным недостатком: они применимы только на открытом цилиндре. При этом ДФМ только определяет сам факт наличия повреждений, не позволяя определить местоположение или величину дефектов и классифицировать их как опасные или безопасные. К тому же, ДФМ подходит для использования только на работающей турбине. Таким образом, единственным способом контроля износа, доступным для использования на закрытом цилиндре во время диагностических работ, и позволяющим произвести обнаружение и оценку дефектов для определения состояния ЛПТ, является метод видеоэндоскопирования.

Тем не менее, сам МВЭ обладает существенными недостатками: возникновение погрешности позиционирования при изменении глубины ввода видеоэндоскопа для получения снимков различных частей пера лопатки; отсутствие возможности идентификации лопатки в поле зрения видеоэндоскопа; отсутствие автоматизации и влияние человеческого фактора на результаты диагностики. В соответствии с этими недостатками выявлены три основных направления модернизации: устранение погрешности позиционирования видеоустройства; синхронизация работы системы с поворотом ротора турбины; автоматизация контроля величины хорды лопаток и поиска дефектов.

По каждому из выявленных направлений модернизации, с учетом принципов, лежащих в основе существующих систем, были сформированы соответствующие технические решения. Для устранения погрешности позиционирования видеоэндоскопа без пропуска участков поверхности ЛПТ целесообразно использование сочетания многоканальной видеосистемы и методов

разноракурсного комплексирования изображений, позволяющего получить полные составные снимки всей контролируемой области лопатки. Решением задачи синхронизации видеосъёмки с поворотом вала ПТ является применение ДНП на основе отражательного датчика метки и ДУП на основе оптического корреляционного датчика. Это решение задачи синхронизации позволяет не задействовать дополнительных технологических каналов помимо основного, используемого для ввода видеоэндоскопа внутрь. Для решения задачи автоматизации обработки изображений с целью поиска и измерения присутствующих дефектов целесообразно использовать морфологическую обработку изображений. В соответствии с приводимыми модернизациями, сформирована структура оптико-электронного комплекса эрозионного контроля (ОЭКЭК) лопаток паровых турбин.

Во второй главе освещаются принципы построения и функционирования ОЭКЭК и его основных узлов, включая устройство получения изображений (УПИ), устройство синхронизации (УС), блок сопряжения (БС) и устройство обработки (УО). Также производится математическое моделирование методов разноракурсного комплексирования изображений (РКИ) и автоматического контроля хорды посредством морфологической обработки изображений (МОИ). Предложена структура ОЭКЭК, воплощающая в себе все определенные в первой главе направления модернизации, представленная на Рисунке 1.

Рисунок 1 - Принцип работы ОЭКЭК ЛПТ

УПИ представляет собой многоканальное видеоустройство с собственной регулируемой подсветкой и механизмом позиционирования. Основное назначение УПИ - регистрация изображений диагностируемых лопаток в соответствии с поступающими с БС управляющими сигналами. Основной функцией УС является формирование синхронизационных сигналов, содержащих информацию об угловом положении вала. На основе этих сигналов производится получение изображений при помощи УПИ, а также определение номера лопатки на них.

Основная функция БС - электронное сопряжение и согласование коммуникации всех компонентов системы. БС также управляет системой позиционирования УПИ в соответствии с управляющими командами. УО осуществляет обработку серий снимков, полученных при помощи разных каналов УПИ, а также обеспечивает взаимодействие с оператором. Снимки в рамках одной серии совмещаются методом РКИ, в результате чего получается единое изображение всей лопатки. К полученным в результате комплексирования изображениям применяется МОИ для определения величины хорды ЛПТ.

Представлены оптические схемы реализации многоканального видеоустройства (МКВУ) УПИ. Рассмотрены схемы на основе оптико-электронного видеоэндоскопа, оптического линзового бороскопа и оптоволоконного эндоскопа. Выбор схемы следует производить исходя из условий съёмки и конструктивных особенностей турбины, но предпочтительно использование видеоэндоскопа с матричными приемниками оптического излучения (МПОИ), повернутыми под прямым углом к оси ввода МКВУ в турбину.

Для выбранной предпочтительной схемы была сформирована математическая модель формирования изображения ЛПТ, в соответствии с которой сигнал с элемента МПОИ УПИ определяется следующим выражением:

_ т(Я) • Ме(Я) • А± • sin 2дА • Лмпои • 5(я) m

= А2 ' (1)

где Cij - величина сигнала, полученного с элемента МПОИ с

координатами (i; j), В; S(X) - спектральная вольтовая чувствительность

МПОИ, В/Вт; т(Х) - спектральный коэффициент пропускания ОС, отн. ед.; Me(X) -

спектральная энергетическая светимость, Вт/м2; оа - передний апертурный угол объектива, рад; А1 - площадь излучающего участка, м2; А2 - площадь проекции участка поверхности в пространство изображений (полезная площадь ПОИ), м2; АмпоИ - площадь одного элемента матрицы МПОИ, м2.

Рассмотрены требования к оптическому тракту УПИ по полям зрения в поперечном и продольном сечениях лопатки, пересечению полей зрения оптических каналов и глубине резко изображаемого пространства. Определена функциональная связь между количеством оптико-электронных каналов ОЭКЭК, необходимого для одновременной регистрации всего радиального сектора лопаточного аппарата и базовым расстоянием между каналами. В результате анализа применения источников излучения (ИИ) различных типов, для реализации УПИ рекомендуется применение светодиодных ИИ, в связи с малыми габаритными размерами, возможностью подбора оптимального спектрального состава, а также возможностью организации работы в импульсном режиме для уменьшения смаза изображения при съёмке ЛПТ в движении.

Предложен подход к формированию УС на основе ДНП и ОКД, позволяющий измерять угловое положение ротора турбины при значительном упрощении процедуры внедрения ОЭКЭК за счет размещения всех компонентов УС вблизи цилиндрической грани вала ПТ за пределами герметичных цилиндров. Целесообразность данного подхода обусловлена недоступностью торцевых граней ротора ПТ в связи с конструктивными особенностями для большинства турбин.

Для упрощения эксплуатации и существенного увеличения степени автоматизации ОЭКЭК сформирован метод авто-калибровки на основе расчета коэффициента ранговой корреляции т Кендалла [105] между калибровочными изображениями, полученными в процессе вращения вала ПТ, и эталонным изображением, на котором лопатка находится в оптимальном положении. Данный метод был выбран в связи с тем, что коэффициент т Кендалла лучше подходит для обработки данных с неизвестным распределением, чем другие более популярные методы. В качестве данных, на основе которых определяется коэффициент корреляции, используются средние значения яркости пикселей в столбцах (или

строках, в зависимости от ориентации МПОИ) калибровочного и эталонного изображений. Столбцам калибровочного изображения и эталона присваиваются ранги в соответствии с условием /у < 1Г, где /у - среднее значение яркости пикселей у-го столбца изображения; 1Г - предельная величина яркости пикселей изображения, включаемых в ранг г, после чего рассчитывается коэффициент корреляции:

С-Б

т/п =

* (2) ™ 2

где Тф - коэффициент корреляции Кендалла между эталонным изображением и калибровочным изображением, отн. ед.; ф - угловое положение, при котором было получено калибровочное изображение, рад; N - размер выборки (в данном случае ширина изображения); С, О - количество совпадений и несовпадений среди пар рангов столбцов двух изображений, определяемых по условию:

> Гь,ц) Л (гаэ > ГЬ,э)) V ((га1<р < ГЬ1<р) Л (гй'Э < Г^)), где гаф и гЬ ф - ранги средних значений яркости пикселей а-го и Ь-го столбцов калибровочного изображения соответственно; ф - угловое положение, при котором было получено калибровочное изображение, рад; гаэ и гЬэ - ранги а-го и Ь-го столбцов эталонного изображения соответственно, отн. ед. Данное условие проверяется для всех комбинаций пар значений а и Ь, при этом все пары, для которых условие не выполняется, считаются не совпавшими.

Итоговое калибровочное положение лопатки фк, определяется, как взвешенное среднее угловых положений, между которыми происходит изменение

знака производной которая выступает в качестве весового коэффициента:

-д~т-' (3)

дф дф

где фи - калибровочное положение лопатки под номером к, рад; ^^ и ^^ -

значения производной, между которыми расположено калибровочное положение, отн. ед.; ф1 и ф2 - угловые положения, между которыми расположено

калибровочное положение, рад. В качестве углового положения ф1,

соответствующего значению производной выбирается центр между точками,

для которых было рассчитано значение производной.

Рассмотрены методы обработки изображений ЛПТ в УО, включая предварительную обработку, РКИ и автоматическая оценка величины хорды ЛПТ. Среди методов РКИ выбран метод, позволяющий построить проективное преобразование на основе сопоставлений пар опорных точек (ОТ), поиск и описание которых производится алгоритмом Scale Invariant Feature Transform (SIFT) [75]. Получена методика формирования итогового преобразования координат и подсчета яркости пикселей итогового изображения:

Список литературы диссертационного исследования кандидат наук Ахмеров Артём Харисович, 2022 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Костюк А. Г. и др. Паровые и газовые турбины для электростанций [Учебник для вузов] / А. Г. Костюк, В. В. Фролов, А. Е. Булкин, А. Д. Трухний, под ред. д.т.н., проф. А. Г. Костюка. М.: Издательский дом МЭИ - 2016.

2. Назолин А. Л., Предупреждение аварий и катастроф вращающегося оборудования критически и стратегически важных объектов техносферы, научный доклад / Российская Академия Наук, Москва. 2017. ISBN 978-5-906906-03-8.

3. В Якутске боятся замерзнуть [Электронный источник] / ТАСС, 5 декабря 2008. URL: https://vostokmedia. com/news/incident/05- 12-2008/v-yakutske-boyatsya-zamerznut (Дата обращения: 19.05.2022).

4. Ростехнадзор назвал причину ноябрьской аварии на Среднеуральской ГРЭС «Энел ОГК-5» [Электронный источник] / ТАСС, 17 февраля 2014. URL: https://n.tass.ru/ekonomika/975044 (Дата обращения: 19.05.2022).

5. Fire breaks out at Ironbridge Station [Электронный источник] / Express & Star, 04.02.2014. URL: https://www.expressandstar.com/news/2014/02/04/fire-breaks-out-at-ironbridge-power-station/ (Дата обращения: 19.05.2022).

6. Ironbridge Power Station in Shropshire stops generating electricity [Электронный источник] / BBC, 20.11.2015. URL: https://www.bbc.com/news/uk-england-shropshire-34876922 (Дата обращения: 19.05.2022).

7. РД 153-34.1-17.462-00 Методические указания о порядке оценки работоспособности рабочих лопаток паровых турбин в процессе изготовления, эксплуатации и ремонта [Отраслевой руководящий документ] / ОАО «ВТИ», 2001.

8. Шуть Г. А., Пузырёв Е. И. Устройство мониторинга состояния внутри турбинных узлов и деталей паровых турбин [Текст] / пат. RU 2 624 380 C1, Рос. Федерация: МПК F01D 25/00 (2006.01) G01B 11/00 (2006.01) G01B 21/00 (2006.01), опубликовано 20.07.2016.

9. Явельский М. Б., Качуринер Ю. Я. Способ и система осмотра рабочих лопаток турбины и корпус турбины [Текст] / пат. RU 2 415 273 C2, Рос. Федерация: МПК F01D 25/00 (2006.01), опубликовано 20.11.2007.

10. Крупные ТЭС России: перспективы модернизации [Электронный источник] / ИПЕМ: Институт проблем естественных монополий, 19 марта 2019. URL: http://ipem.ru/research/power/power_works/192.html (Дата обращения: 28.10.2021).

11. Отчет о функционировании ЕЭС России в 2018 году [Электронный источник] / АО «СО ЕЭС», 2018. URL: https://www.so-ups.ru/fileadmin/files/company/reports/disclosure/2019/ups_rep2018.pdf (Дата обращения: 28.10.2021).

12. J. Kasl, M. Matejova, J. Mrstik Failure Analysis of Rotating Blades of Low-pressure Steam Turbine Rotors and Possibility of Prediction Corrosion-fatigue Ruptures / MATEC Web of Conferences 188, 2018.

13. V. Kumar and Viswanath T, Investigation on Last Stage High Pressure Steam Turbine Blade for Producing Electricity / Journal of Applied Mechanical Engineering, 2015, vol. 4 Issue 2.

14. Jassim Farij Thijel, et. al, Case study: Investigation of the fracture of low pressure steam turbine blade / International Journal of Engineering Science Invention (IJESI), Vol. 10(04), 2021, pp. 28-33.

15. Трухний А.Д., Ломакин Б.В. Теплофикационные паровые турбины и турбоустановки [Учебное пособие для вузов] / М.: Издательство МЭИ, 2002. - 540 с.

16. РД 153-34.1-17.424-2001 Методические указания по расследованию причин повреждений деталей роторов паровых турбин электростанций [Отраслевой руководящий документ] / ОАО «ВТИ», 2002.

17. Боришанский К. Н. Разработка норм вибрации лопаток паровых турбин в условиях эксплуатации / Тяжелое машиностроение. - 2018. - №. 11-12. - С. 17-21.

18. Перминов И. А., Орлик В. Г. Диагностика технического состояния проточной части ЦВД и ЦСД по Эксплуатационным измерениям давлений и температур пара в турбине / с января 1930. - 2003. - С. 38.

19. R. P. Dewey, and N. F. Rieger, Survey of steam turbine blade failures / Proceedings: EPRI workshop on steam turbine reliability, Boston, MA, 1982.

20. Варнавка В. Н., Кудряков О. В. Особенности разрушения металлургических сплавов в условиях устойчивой каплеударной эрозии / Известия вузов. Северо-кавказский регион. Технические науки №3, 2012. с. 45-50

21. Кудряков О. В., Варавка В. Н., Забияка И. Ю., Бронникова Н. И. Оценка эрозионной стойкости упрочненных металлических сплавов в условиях каплеударного воздействия / Вестник Донского государственного технического университета, т. 18, №1, 2018. с. 6-15.

22. Захарова К. С., Татаринова Н. В. Влияние эрозии на лопатки турбоустановок / Энерго- и ресурсосбережение. Энергообеспечение. Нетрадиционные и возобновляемые источники энергии. Екатеринбург, 2015. с. 115-117.

23. Ремонт лопаток паровых турбин [Электронный источник] / Производственное предприятие «ТурбинаСпецСервис». URL: http://turbinass.ru/repair-turbine/ (Дата обращения: 19.05.2022).

24. Вихретоковый контроль [Электронный источник] / Стратегия НК, 2022. URL: https://strategnk.ru/services/tehnicheskoe-diagnostirovanie-i-nerazrushayuschiy-kontrol/vihretokovyy-kontrol/ (Дата обращения: 19.05.2022).

25. Федосенко Ю.К., Шкатов П.Н., Ефимов А.Г. Вихретоковый контроль [Учебное пособие] / под общ. ред. В.В. Клюева - 1-е изд. - М.: Спектр, 2011. - 192 с.

26. Бобров А.Л., Власов К.В., Бехер С.А., Основы вихретокового неразрушающего контроля [Учебное пособие] / Новосибирск: Изд-во СГУПСа, 2019. - 98 с.

27. Калиниченко Н.П., Калиниченко А.Н., Капиллярный контроль: учебное пособие для подготовки специалистов I, II и III уровня / Томск: Изд-во Томского политехнического университета, 2008. - 292 с. ISBN 5-98298-200-8.

28. Лаборатория неразрушающего контроля. Выполненные работы [Электронный источник] / ООО «Интроскопия», 2015. URL: http://rosintro.ru/projects (Дата обращения: 19.05.2022).

29. Магнитопорошковый дефектоскоп - не средство измерения / В. И. Лисицин, В. П. Шевченко, Г. С. Шелихов, Ю. А. Глазков / Безопасность труда в промышленности. - 2005. - № 3. - С. 63-66.

30. Магнитный контроль / Научно-технический центр «Эксперт». 2022. URL: https://www.ntcexpert.ru/md (Дата обращения: 19.05.2022).

31. ГОСТ 10243-75 Сталь. Методы испытаний и оценки макроструктуры / М.: Издательство стандартов, 1985. - 46 с.

32. Ультразвуковая дефектоскопия в машиностроении / Е.Ф. Кретов. - Изд. 4-е, перераб. - Санкт-Петербург: СВЕН, 2014. - 312 с. - (Методы и средства неразрушающего контроля).

33. Что такое ультразвуковой контроль [Электронный источник] / ЭКСПЕРТСИСТЕМА. Защита ваших интересов, 2022. URL : https : //www. expertsistema. ru/tehnadzor/chto-takoe-ultrazvukovoj -kontrol/ (Дата обращения: 19.05.2022).

34. jProbe PX pro [Электронный источник] / jProbe, ООО «ДЖЕНЕРАЛ ОПТИКС», 2017. URL: https://jprobe.ru/produktsiya/34/415/ (Дата обращения: 02.03.2022).

35. What are Industrial Videoscopes? [Электронный источник] / Olympus, OLYMPUS CORPORATION, 2022. URL: https://www.olympus-ims.com/ru/learn/remote-visual-inspection/industrial-videoscopes/ (Дата обращения: 02.03.2022).

36. Заблоцкий И. Е., Коростелев Ю. А., Шипов Р. А. Бесконтактные измерения колебаний лопаток турбомашин. / М.: Машиностроение, 1977. 160 с.

37. Данилин А. И. Оптоэлектронный дискретно-фазовый метод определения деформационных параметров лопаток турбомашин / Вестник Самарского государственного аэрокосмического университета, №1, 2003, с. 74-81.

38. ГОСТ 25364-97 Нормы вибрации опор валопроводов и общие требования к проведению измерений / М.: ИПК Издательство стандартов, 1998. - 6 с.

39. Шевченко В. В., Строкоус А. В. Прогнозирование эксплуатационного ресурса турбогенераторов по данным вибрационного контроля / Norwegian Journal of development of the International Science, No 17, 2017. pp. 78-83.

40. ГОСТ Р 52727-2007 Акустико-эмиссионная диагностика. Общие требования / М.: Стандартинформ, 2007. - 8 с.

41. Иванов, В. И. Акустико-эмиссионная диагностика: справочник / В. И. Иванов, В. А. Барат. / М.: Спектр, 2017. - 362 с. ISBN 978-5-4442-0126-8.

42. Шуть Г. А. и др. Комплексная система эндоскопирования для контроля эрозионного износа лопаток паровых турбин / Известия высших учебных заведений. Приборостроение. - 2020. - Т. 63. - №. 3. - С. 228-236.

43. Система оперативного контроля и диагностики эрозионного износа лопаточного аппарата последних ступеней ЦНД паровых турбин Т-250/300-240: Техническое описание и инструкция по эксплуатации / Третья редакция, ООО «Энергосервис» - ОАО «НПО ЦКТИ» Санкт-Петербург, 2005, 22 с.

44. Хаимов В. А. Устройство для измерения эрозионного износа рабочих лопаток паровой турбины [Текст] / пат. RU 2 020 411 C1, Рос. Федерация: МПК G01B 21/20 (1990.01), опубликовано 30.09.1994.

45. Хаимов В. А., Храбров П. А., Котляг О. Е., Мирзабеков А. М., Кожин Н. П., Устройство для измерения эрозионного износа рабочих лопаток паровых турбин [Текст] / Научно-производственное объединение по исследованию и проектированию энергетического оборудования им. И. И. Ползунова / пат. SU 1666 920, СССР: МПК G01B 11/24 (2000.01), опубликовано 30.07.1991.

46. Мюллер В., Тиис М., Хёрлюк К. Эндоскопическая система и способ обследования газовых турбин [Текст] / Люфтганза Техник АГ (DE) / пат. RU 2 610 973 С2, Рос. Федерация: МПК F01D 21/00 (2006.01), F01D 25/00 (2006.01), G02B 23/24 (2006.01), опубликовано 28.09.2012.

47. Endoscopic device / OLYMPUS CORP / International patent US2007132840 (A1) - 2007.06.14, H04N7/18.

48. Endoscopic device / OLYMPUS CORP / International patent US2009201364 (A1) - 2009.08.13, H04N7/18.

49. Stathaki T. Image Fusion: Algorithms and Applications / Academic Press is an imprint of Elsevier, 520 (2011).

50. Mitchell H. B. Image Fusion: Theories, Techniques and Applications / Springer, Berlin, Heidelberg 247 p. (2010). ISBN: 978-3-642-11216-4

51. Heavy duty 800 series [Электронный источник] / Leine & Linde, 2019, 18 с. URL: https://www.consys.ru/documentation/800_series_eng_v08.pdf (Дата обращения: 20.06.2019).

52. Ишанин Г. Г., Мальцева Н.К., Мусяков В. Л. Источники и приёмники излучения. Пособие по решению задач. - СПб.: СПбГУ ИТМО, 2006, 85 с.

53. H. Foroosh (Shekarforoush), J.B. Zerubia, and M. Berthod, "Extension of Phase Correlation to Subpixel Registration," IEEE Transactions on Image Processing, V. 11, No. 3, Mar. 2002, pp. 188-200.

54. ADNS-3090, High-Performance Optical Mouse Sensor [Электронный ресурс] / Avago Technologies, 2010. URL: https://datasheetspdf.com/pdf-file/811967/Avago/ADNS-3090/1 (Дата обращения: 28.04.2020).

55. Ruth E. Mayagoitia, Anand V. Nene, Peter H. Veltink, Accelerometer and rate gyroscope measurement of kinematics: an inexpensive alternative to optical motion analysis systems / Journal of Biomechanics, Vol. 35, Issue 4, 2002. pp. 537-542, ISSN 0021-9290, DOI: https://doi.org/10.1016/S0021-9290(01)00231-7.

56. MPU-6000 and MPU-6050 Product Specification, Revision 3.4 [Электронный источник] / InvenSense, 2013, 52 p. URL: https://store.invensense.com/datasheets/invensense/MPU-6050_DataSheet_V3%204.pdf (Дата обращения: 23.06.2019).

57. Краткие сведения о продукции [Электронный ресурс] / Сенсорика-М, 2017, 36 с. URL: http://www.sensorika.com/ru/support/doc/asm/61-asm-catalog/file/ (Дата обращения: 29.04.2020).

58. Компьютерное зрение: Современный подход.: Пер. с англ. - М.: Издательский дом "Вильямс", 2004. - 928 с.

59. Гонсалес Р., Вудс Р. Цифровая обработка изображений / Издание 3-е, исправленное и дополненное / Москва: Техносфера, 2012. - 1104 с. ISBN 978-594836-331-8.

60. Salahat E., Qasaimeh M. Recent advances in features extraction and description algorithms: A comprehensive survey / 2017 IEEE international conference on industrial technology (ICIT). - IEEE, 2017. - С. 1059-1063.

61. Seeger S., Laboureux X. Feature extraction and registration: An overview / Principles of 3D image analysis and synthesis. - 2002. - С. 153-166.

62. Canny J. A computational approach to edge detection / IEEE Transactions on pattern analysis and machine intelligence. - 1986. - №. 6. - С. 679-698.

63. Harris, C., Stephens, M., "A Combined Corner and Edge Detector," Alvey Vision Conference. 15, 147-152 (1988).

64. Smith S. M., Brady J. M. SUSAN—a new approach to low level image processing / International journal of computer vision. - 1997. - Т. 23. - №. 1. - С. 4578.

65. Shi J., Tomasi C., Good Features to Track / 9th IEEE Conference on Computer Vision and Pattern Recognition. Springer, 1994. pp. 593-600. doi: 10.1109/CVPR.1994.323794.

66. Rosten, E., Drummond, T., Machine Learning for High-Speed Corner Detection / Computer Vision - ECCV. 3951, 430-443 (2006).

67. Crowley J. L., Parker A. C. A representation for shape based on peaks and ridges in the difference of low-pass transform / IEEE transactions on pattern analysis and machine intelligence. - 1984. - №. 2. - С. 156-170.

68. Lindeberg T. Feature detection with automatic scale selection / International journal of computer vision. - 1998. - Т. 30. - №. 2. - С. 79-116.

69. Lindeberg T. Scale selection properties of generalized scale-space interest point detectors / Journal of Mathematical Imaging and vision. - 2013. - Т. 46. - №. 2. - С. 177-210.

70. Lindeberg T. Image matching using generalized scale-space interest points / Journal of mathematical Imaging and Vision. - 2015. - Т. 52. - №. 1. - С. 3-36.

71. Matas, J., Chum, O., Urban, M., Pajdla, T., "Robust Wide Baseline Stereo from Maximally Stable Extremal Regions," Proc. British Machine Vision Conference, 384-396 (2002).

72. Lindeberg T. Edge detection and ridge detection with automatic scale selection / International journal of computer vision. - 1998. - Т. 30. - №. 2. - С. 117-156.

73. Dalal, N., Triggs, B., "Histograms of Oriented Gradients for Human Detection," Proc. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1, 886-893 (2005).

74. Bay, H., Tuytelaars, T., Van Gool, L. SURF: Speeded Up Robust Features / ETH Zurich, Katholieke Universiteit Leuven (2006).

75. Lowe, D., "Object recognition from local scale-invariant features," Proc. International Conference on Computer Vision, 2, 1150-1157 (1999).

76. Tola, E., Lepetit, V., Fua, P., "DAISY: An Efficient Dense Descriptor Applied to Wide-Baseline Stereo," IEEE Transactions on Pattern Analysis And Machine Intelligence, Vol. 32(5), 815-830 (2010).

77. Samet H., Tamminen M. Efficient component labeling of images of arbitrary dimension represented by linear bintrees / IEEE transactions on pattern analysis and machine intelligence. - 1988. - Т. 10. - №. 4. - С. 579-586.

78. Bolelli F. et al. Toward reliable experiments on the performance of connected components labeling algorithms / Journal of Real-Time Image Processing. - 2020. -Т. 17. - №. 2. - С. 229-244.

79. Allegretti S., Bolelli F., Grana C. Optimized block-based algorithms to label connected components on GPUs / IEEE Transactions on Parallel and Distributed Systems. - 2019. - Т. 31. - №. 2. - С. 423-438.

80. Mordvintsev, A., Abid, K., "Feature matching," Opencv, 2013, URL: https://opencv-python-

tutroals.readthedocs.io/en/latest/py_tutorials/py_feature2d/py_matcher/py_matcher.html (Дата обращения: 19.03.2019).

81. Vanitha, J., SenthilMurugan, M., "Feature Matching Process Using Euclidean Distance of Weighted Block Color Histogram and Color Co-Occurrence Matrix for

Content Based Image Retrieval System," International Journal of Emerging Technology and Advanced Engineering, 7(6), 143-147 (2008).

82. Wang M. et al. A comprehensive survey and experimental comparison of graph-based approximate nearest neighbor search / arXiv preprint arXiv:2101.12631. -2021.

83. Malkov Y. A., Yashunin D. A. Efficient and robust approximate nearest neighbor search using hierarchical navigable small world graphs / IEEE transactions on pattern analysis and machine intelligence. - 2018. - Т. 42. - №. 4. - С. 824-836.

84. Chen Y. et al. Fast neighbor search by using revised kd tree / Information Sciences. - 2019. - Т. 472. - С. 145-162.

85. Taunk K. et al. A brief review of nearest neighbor algorithm for learning and classification / 2019 International Conference on Intelligent Computing and Control Systems (ICCS). - IEEE, 2019. - С. 1255-1260.

86. Muja, M., Lowe, D., "Fast Approximate Nearest Neighbors With Automatic Algorithms Configuration," Proc. VISAPP Fourth International Conference on Computer Vision Theory and Applications, 1, 331-340 (2009).

87. Hytch M., Hawkes P. W. Morphological image operators. - Academic Press,

2020.

88. Огурцов А. В. и др. Определение морфологических характеристик частиц сыпучих материалов на основе цифрового анализа изображений / Вестник Ивановского государственного энергетического университета. - 2020. - №. 3. -С. 64-70.

89. Инютин А. В. Операторы нечеткой морфологии для обработки изображений топологических объектов / Big Data and Advanced Analytics. - 2020. -№. 6-2. - С. 311-314.

90. Антонова А. С., Казначеева А. О. Морфологический анализ в задачах автоматизации обработки изображений коленного сустава / Известия высших учебных заведений. Приборостроение. - 2018. - Т. 61. - №. 2. - С. 186-191.

91. Wang Q. et al. A morphological image processing method for simultaneous scrutinization of particle position and velocity in pebble flow / Annals of Nuclear Energy. - 2020. - Т. 148. - С. 107704.

92. Hamedpour V. et al. Development of a morphological color image processing algorithm for paper-based analytical devices / Sensors and Actuators B: Chemical. -2020. - Т. 322. - С. 128571.

93. Gowroju S. et al. Robust Pupil Segmentation using UNET and Morphological Image Processing / 2021 International Mobile, Intelligent, and Ubiquitous Computing Conference (MIUCC). - IEEE, 2021. - С. 105-109.

94. jProbe PX Plus, Управляемый видеоэндоскоп высокого разрешения [Электронный источник] / General Optics, jProbe, 2020. URL: https://jprobe.ru/produktsiya/34/104/ (Дата обращения: 20.01.2020).

95. K-999 HD технический эндоскоп с управляемой камерой [Электронный источник] / Stekloprav, 2020. URL: http://www.stekloprav.ru/product/tekhnicheskiy-endoskop-s-upravlyaemoy-kameroy/ (Дата обращения: 20.01.2020).

96. Walker B. H. Optical design for visual systems. - SPIE Press, 2000. - Т. 45.

97. Бороскопы жесткие линзовые [Электронный ресурс] / eVit, 2020. URL: https://evit.ru/produktsiya/29/131/ (Дата обращения: 19.12.2021).

98. Zeng H. (ed.). Diagnostic Endoscopy. - Taylor & Francis, 2013.

99. Caravaca-Aguirre A. M., Piestun R. Single multimode fiber endoscope / Optics express. - 2017. - Т. 25. - №. 3. - С. 1656-1665.

100. Andresen E. R. et al. Ultra-miniaturized Endoscopes with Multi-Core Fibers / Optical Fiber Communication Conference. - Optica Publishing Group, 2020. -С. M2C. 1.

101. Gu R. Y., Mahalati R. N., Kahn J. M. Design of flexible multi-mode fiber endoscope //Optics express. - 2015. - Т. 23. - №. 21. - С. 26905-26918.

102. М.Д. Мальцев, Г.А. Каракулина Прикладная оптика и оптические измерения / М., «Машиностроение», 1968 г. 471 с.

103. В.В. Коротаев, А.В. Краснящих. Видеоинформационные измерительные системы / Учебное пособие. - СПб: НИУ ИТМО, 2012. - 124 с.

104. Ферстер Э., Ренц Б. Методы корреляционного и регрессионного анализа / М.: Финансы и статистика. - 1983. - Т. 120.

105. Гмурман В. Е. Теория вероятностей и математическая статистика: [Учебное пособие для вузов] — 10-е издание, стереотипное. / Москва: Высшая школа, 2004. — 479 с. — ISBN5-06-004214-6.

106. Belongie S., Kriegman D. Explanations on homography estimation / Department of Computer Science And Engineering, University of California, San Diego.

- 2007.

107. Akhmerov A.K., Vasilev A.S., Vasileva A.V. Research of spatial alignment techniques for multimodal image fusion / Proceedings of SPIE - 2019, Vol. 11059, pp. 1105916.

108. Meng Y. et al. Implementing the scale invariant feature transform (sift) method // Department of Computer Science University of St. Andrews. - 2006.

109. Brown M., Lowe D. G. Invariant features from interest point groups / BMVC.

- 2002. - Т. 4.

110. Построение SIFT дескрипторов и задача сопоставления изображений [Электронный источник] / Habr, 2022. URL: https://habr.com/ru/post/106302/ (Дата обращения: 23.01.2022).

111. Magnus J. R., Neudecker H. Matrix differential calculus with applications in statistics and econometrics. - John Wiley & Sons, 2019.

112. Hazewinkel M. Trace of a square matrix / Encyclopedia of Mathematics. -

2001.

113. Fischler M. A., Bolles R. C. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography / Communications of the ACM. - 1981. - Т. 24. - №. 6. - С. 381-395.

114. Szeliski R. Image alignment and stitching / Handbook of mathematical models in computer vision. - Springer, Boston, MA, 2006. - С. 273-292.

115. Capel D. Image mosaicing / Image Mosaicing and super-resolution. -Springer, London, 2004. - С. 47-79.

116. Bonny M. Z., Uddin M. S. Image Stitching Algorithm: An Optimization between Correlation-Based and Feature-Based Method / International Journal of Computer Science and Information Security (IJCSIS). - 2018. - T. 16. - №. 6.

117. Grundland M. et al. Nonlinear multiresolution image blending / Machine Graphics and Vision. - 2006. - T. 15. - №. 3/4. - C. 381.

118. Toet A., Franken E. M. Perceptual evaluation of different image fusion schemes / Displays. - 2003. - T. 24. - №. 1. - C. 25-37.

119. Richardt C. et al. Megastereo: Constructing high-resolution stereo panoramas / Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. -2013. - C. 1256-1263.

120. Zaragoza J. et al. As-projective-as-possible image stitching with moving DLT / Proceedings of the IEEE conference on computer vision and pattern recognition. - 2013. - C. 2339-2346.

121. Adel E., Elmogy M., Elbakry H. Image stitching based on feature extraction techniques: a survey / International Journal of Computer Applications. - 2014. - T. 99. -№. 6. - C. 1-8.

122. Qian Y., Liao D., Zhou J. Manifold alignment based color transfer for multiview image stitching / 2013 IEEE International Conference on Image Processing. -IEEE, 2013. - C. 1341-1345.

123. Paalanen P., Kamarainen J. K., Kalviainen H. Image based quantitative mosaic evaluation with artificial video / Scandinavian Conference on Image Analysis. -Springer, Berlin, Heidelberg, 2009. - C. 470-479.

124. Kakli M. U. et al. Quality assessment of images projected using multiple projectors / KSII Transactions on Internet and Information Systems (TIIS). - 2015. - T. 9. - №. 6. - C. 2230-2250.

125. Xu W., Mulligan J. Performance evaluation of color correction approaches for automatic multi-view image and video stitching / 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. - IEEE, 2010. - C. 263-270.

126. Qureshi, H.S. & Khan, Muhammad & Hafiz, Rehan & Cho, Yongju & Cha, J Quantitative quality assessment of stitched panoramic images / Image Processing, IET. 2012. 6. 1348-1358. DOI: 10.1049/iet-ipr.2011.0641.

127. Nason G. P., Silverman B. W. The stationary wavelet transform and some statistical applications / Wavelets and statistics. - Springer, New York, NY, 1995. - С. 281-299.

128. Starck J. L., Murtagh F. Image restoration with noise suppression using the wavelet transform / Astronomy and Astrophysics. - 1994. - Т. 288. - С. 342-348.

129. Alparone L. et al. A global quality measurement of pan-sharpened multispectral imagery / IEEE Geoscience and Remote Sensing Letters. - 2004. - Т. 1. -№. 4. - С. 313-317.

130. Niblack W. An introduction to digital image processing. - Strandberg Publishing Company, 1985.

131. Bernsen J. Dynamic thresholding of gray-level images / Proc. Eighth Int'l conf. Pattern Recognition, Paris, 1986. - 1986.

132. Bradley D., Roth G. Adaptive thresholding using the integral image / Journal of graphics tools. - 2007. - Т. 12. - №. 2. - С. 13-21.

133. Шуть Г. А. и др. Комплексная система эндоскопирования для контроля эрозионного износа лопаток паровых турбин / Г. А. Шуть, Е. И. Пузырев, А. В. Васильева, А. С. Васильев, И. С. Некрылов, А. Х. Ахмеров, А. Н. Тимофеев, Известия высших учебных заведений. Приборостроение. - 2020. - Т. 63. - №. 3. -С. 228-236.

134. Volkov V. Object detection quality in remote sensing images //Procedia Computer Science. - 2020. - Т. 176. - С. 3245-3254.

135. Otsu N. A threshold selection method from gray-level histograms / IEEE transactions on systems, man, and cybernetics. - 1979. - Т. 9. - №. 1. - С. 62-66.

136. Yang L. et al. A content-aware metric for stitched panoramic image quality assessment / Proceedings of the IEEE International Conference on Computer Vision Workshops. - 2017. - С. 2487-2494.

137. Wang Z. et al. Image quality assessment: from error visibility to structural similarity / IEEE transactions on image processing. - 2004. - Т. 13. - №. 4. - С. 600-612.

138. Ultimaker 2 Extended [Электронный источник] / Treatstock, 2022. URL: https://ru.treatstock.com/machines/item/39-ultimaker-2-extended (Дата обращения: 01.05.2022).

139. Пластик для 3D-печати [Электронный источник] / Tiger 3D, 2022. URL: https://tiger3d.com/production/plastik_dlya_3d-pechati/ (Дата обращения: 01.05.2022).

140. Hore A., Ziou D. Image quality metrics: PSNR vs. SSIM / 2010 20th international conference on pattern recognition. - IEEE, 2010. - С. 2366-2369.

141. Rehman A. et al. SSIM-inspired image restoration using sparse representation / EURASIP Journal on Advances in Signal Processing. - 2012. - Т. 2012. - №. 1. - С. 1-12.

142. Akhmerov A.K., Vasilev A.S., Vasileva A.V. Research of spatial alignment techniques for multimodal image fusion / Proceedings of SPIE - 2019, Vol. 11059, pp. 1105916

143. Ахмеров А.Х., Васильев А.С. Анализ и классификация современных методов комплексирования изображений / XIII Международная конференция "Прикладная оптика-2018" (19-21декабря 2018г.): сборник трудов конференции -2018. - Т. 2. - С. 132.

144. Ахмеров А.Х., Васильев А.С. Исследование критериев минимального перекрытия полей зрения оптических каналов для комплексирования изображений в составе оптико-электронного комплекса эрозионного контроля лопаток паровых турбин / XIV Международная конференция "Прикладная оптика-2020" (15-18 декабря 2020г.): сборник трудов конференции - 2020. - С. 1-5

145. 8MT295 - Long-Travel Motorized Linear Stages [Электронный источник] / STANDA in Lithuania, 2020. URL: http://www.standa.lt/products/catalog/motorised_positioners?item=305&prod=lo ng-travel-motorized-stages (Дата обращения: 15.09.2020).

146. Процессор Intel Core i5-4590 [Электронный источник] / Intel, 2021. URL: https://ark. intel.com/content/www/ru/ru/ark/products/80815/intel-core-i54590-processor-6m-cache-up-to-3-70-ghz.html (Дата обращения: 21.05.2021).

147. Скачать Windows 10 [Электронный источник] / Microsoft, 2021. URL: https://www.microsoft.com/ru-ru/software-download/windows10 (Дата обращения: 21.05.2021).

148. C++ : News, Status & Discussion about Standard C++ [Электронный источник] / Standard C++ Foundation, 2020. URL: https://isocpp.org/ (Дата обращения: 29.09.2020).

149. Visual Studio: Лучшие в своем классе средства для разработчиков [Электронный источник] / Microsoft, 2020. URL: https://visualstudio.microsoft.com/ru/ (Дата обращения: 29.09.2020).

150. OpenCV [Электронный источник] / OpenCV team, 2020. URL: https://opencv.org/ (Дата обращения: 29.09.2020).

151. Ахмеров А.Х.Геометрический метод фильтрации опорных точек для разноракурсного комплексирования изображений лопаток паровых турбин//Сборник тезисов докладов конгресса молодых ученых - 2021. - Т. Оптико-электронное приборостроение. - Вып. 2021

152. Sturges H. A. The choice of a class interval //Journal of the american statistical association. - 1926. - Т. 21. - №. 153. - С. 65-66.

153. Akhmerov A.K., Vasilev A.S. Feature extraction enhancement using near-infrared light for multiview metallic surface image fusion // Studies in Systems, Decision and Control - 2022, Vol. 419, pp. 187-199

154. Видеоэндоскоп-Эндоскоп micro-USB 1,5м МЕГЕОН 33251 [Электронный источник] / Мегеон: измерение, доступное каждому. 2017. URL: https://www.megeon-pribor.ru/katalog/usb-videoskopy-endoskopy/megeon-33251 (Дата обращения: 13.02.2022).

155. Ovel Type LED Lamp BL-L563 [Электронный источник] / BetLux Electronics. 2022. URL: https://static.chipdip.ru/lib/224/DOC000224342.pdf (Дата обращения: 12.02.2022).

156. GNL 5053xx [Электронный источник] / G-NOR OPTOELECTRONICS. 2022. URL: https://static.chipdip.ru/lib/773/DOC002773612.pdf (Дата обращения: 12.02.2022).

157. L-132XGD [Электронный источник] / Kingbright. 2022. URL: https://static.chipdip.ru/lib/195/DOC000195227.pdf (Дата обращения: 12.02.2022).

158. Светодиоды КИПД, КИПМ [Электронный источник] / АС ЭНЕРГИЯ. 2022. URL: https://asenergi.ru/catalog/svetodiody-dip/kipd-kipm.html (Дата обращения: 12.02.2022).

159. GNL 5013xx [Электронный источник] / G-NOR OPTOELECTRONICS. 2022. URL: https://static.chipdip.ru/lib/773/DOC002773614.pdf (Дата обращения: 12.02.2022).

160. GNL 3014xx [Электронный источник] / G-NOR OPTOELECTRONICS. 2022. URL: https://static.chipdip.ru/lib/773/DOC002773604.pdf (Дата обращения: 12.02.2022).

161. GNL 3012xx [Электронный источник] / G-NOR OPTOELECTRONICS. 2022. URL: https://static.chipdip.ru/lib/773/DOC002773602.pdf (Дата обращения: 12.02.2022).

162. Infrared Emitting Diodes BL-L314XX-IR [Электронный источник] / BetLux Electronics. 2022. URL: https://static.chipdip.ru/lib/247/DOC000247740.pdf (Дата обращения: 12.02.2022).

163. TSAL 6200 High Power Infrared Emitting Diode, 940 nm, GaAlAs, MQW [Электронный источник] / Vishay. 2019. URL: https://static.chipdip.ru/lib/203/DOC011203344.pdf (Дата обращения: 12.02.2022).

164. Ишанин Г. Г., Козлов В. В., Источники излучения [Учебное пособие] / СПб: СПбГУ ИТМО, 2004. - 395 с.

165. USB4000 Fiber Optic Spectrometer. Installation and Operation Manual [Электронный источник] / Ocean Optics, 2008. URL: https://oceanoptics.ru/spectrometers/223-usb4000.html (Дата обращения: 15.02.2021).

166. MATLAB: Math. Graphics. Programming. [Электронный источник] / MathWorks, 2021. URL: https://www.mathworks.com/products/matlab.html (Дата обращения: 21.05.2021).

167. Shut G., Korotaev V., Puzyrev E., Ryzhova V.A., Timofeev A.N., Akhmerov A.K., Rodikova L. Videoendoscopy of working blades of steam turbines and control of their geometrical parameters // Journal of Optical Technology - 2020, Vol. 87, No. 11, pp. 677-683

168. 8MRB240-152-59 Large Motorized Rotation Stage [Электронный источник] / STANDA LTD, 2021. URL: https://www.standa.lt/products/catalog/motorised_positioners?item=397 (Дата обращения: 03.05.2022).

169. Гибкие зонды с 2-х сторонней артикуляцией SATEKO серии ME [Электронный источник] / SATEKO, 2021. URL: https://www.sateko.com.ru/product/видеоэндоскопы-серии-sateko-me/flexible/flexible-2sides-articulation.htm (Дата обращения: 09.04.2021).

170. ADNS-3050 Entry-level Gaming Optical Navigation Sensor [Электронный источник] / PixArt Imaging Inc., 2010. URL: https://datasheetspdf.com/pdf-file/915116/PixArt/ADNS-3050/1 (Дата обращения: 05.04.2022).

171. Cyclone IV Device Datasheet [Электронный источник] / Altera, 2013. URL: https://docs.rs-online.com/6ee7/0900766b80f69ead.pdf (Дата обращения: 05.04.2022).

172. IEEE Standard Verilog Hardware Description Language / The Institute of Electrical and Electronics Engineers, Inc., 2001. URL: https://inst.eecs.berkeley.edu/~cs150/fa06/Labs/verilog-ieee.pdf (Дата обращения: 05.04.2022).

173. Математическая обработка результатов измерений в лабораторном практикуме по курсу общей физики [Учебно-методическое пособие] / Воронеж, Издательский дом ВГУ, 2015.

174. Xing Di, SIFT Feature Extreaction [Электронный источник] / MATLAB Central File Exchange, 2021.

URL: https://www.mathworks.com/matlabcentral/fileexchange/50319-sift-feature-extreaction (Дата обращения: 14.05.2021).

175. Ахмеров А.Х., Васильев А.С. Анализ и классификация современных методов комплексирования изображений // XIII Международная конференция "Прикладная оптика-2018" (19-21декабря 2018г.): сборник трудов конференции -2018. - Т. 2. - С. 132.

176. Шуть Г.А., Пузырев Е.И., Васильева А.В., Васильев А.С., Некрылов И.С., Ахмеров А.Х., Тимофеев А.Н. Комплексная система эндоскопирования для контроля эрозионного износа лопаток паровых турбин / Известия высших учебных заведений. Приборостроение - 2020. - Т. 63. - № 3. - С. 228-236

177. Ахмеров А.Х. Возможности применения метода комплексирования изображений для измерения эрозионных дефектов лопаток паровых турбин / Альманах научных работ молодых ученых Университета ИТМО - 2020. - Т. 4. - С.

18-24.

178. Vasileva A.V., Vasilev A.S., Akhmerov A.K., Ryzhova V.A. Robotized Imaging System Based on Sipm and Image Fusion for Monitoring Radiation Emergencies / Studies in Systems, Decision and Control - 2020, Vol. 261, pp. 159-170

179. Ахмеров А.Х., Васильев А.С. Разработка методики построения оптического тракта системы эрозионного контроля лопаток паровых турбин / Альманах научных работ молодых ученых Университета ИТМО - 2021. - Т. 4. - С.

19-25.

180. Rodikova L.S., Korotaev V.V., Akhmerov A.K., Timofeev A.N., Vasilev A.S., Ryzhova V.A., Shut G.A. Digital image processing during video endoscopy of steam turbine blades // VI IEEE International Conference «Video and Audio Signal Processing in the Context of Neurotechnologies» - 2021, pp. 220-232

181. Maraev A.A., Shut G.A., Timofeev A.N., Mikheev S.V., Akhmerov A., Rodikova L.S., Konyakhin I.A. Effect of Illumination on Errors in Estimation of a Rotor Blade Chord Value During Intelligent Video Endoscopy of a Closed Steam Turbine Cylinder // Studies in Systems, Decision and Control - 2022, Vol. 419, pp. 169-185

ТЕКСТЫ ПУБЛИКАЦИЙ

Опубликованные работы включают в себя тезисы докладов и выступлений, а также статьи в изданиях, индексируемых ВАК, РИНЦ, Scopus и Web of Science. В данном разделе приведены основные статьи, в которых опубликованы результаты диссертационного исследования.

В статье «Research of spatial alignment techniques for multimodal image fusion», опубликованной в «Proceedings of SPIE. SPIE Optical Metrology», производится сравнительный анализ методов комплексирования изображений по погрешности определения матрицы преобразования координат и времени вычислений. По результатам исследования выявлено, что наиболее оптимальной комбинацией алгоритмов является поиск и описание опорных точек при помощи SIFT и их сопоставления по дистанции между дескрипторами в евклидовом пространстве.

В статье «Комплексная система эндоскопирования для контроля эрозионного износа лопаток паровых турбин», опубликованной в «Известия вузов. Приборостроение», рассматриваются особенности работы системы видеоэндоскопирования без вскрытия цилиндра, ее структура, а также методы обработки изображений лопаток. В работе приводятся результаты экспериментальных исследований, посвященных исследованиям погрешностям определения углового положения ротора и величины хорды лопаток.

В статье «Videoendoscopy of working blades of steam turbines and control of their geometrical parameters», опубликованной в «Journal of Optical Technology», предлагается техническое решение для контроля величины хорды рабочих лопаток паровых турбин на основе видеозонда. Приводится подробное описание взаимного расположения элементов системы и деталей турбины, алгоритмов оценки степени износа, теоретическое и экспериментальное определение погрешностей контроля величины хорды и ее основных источников.

В статье «Effect of Illumination on Errors in Estimation of a Rotor Blade Chord Value During Intelligent Video Endoscopy of a Closed Steam Turbine Cylinder», опубликованной в «Smart Electromechanical Systems. Studies in Systems, Decision and Control», приводятся результаты исследования зависимости влияния

освещенности от позиции источников излучения и режима их работы на результаты контроля величины хорды. Согласно представленным данным, применение комбинации из двух разнонаправленных источников излучения и регулировка их мощности для выравнивания яркости кромок лопаток позволяет уменьшить погрешность контроля величины хорды в 1,5 раза.

В статье «Feature Extraction Enchancement Using Near-Infrared Light for Multiview Metallic Surface Image Fusion», опубликованной в «Smart Electromechanical Systems. Studies in Systems, Decision and Control», приводятся результаты экспериментального исследования эффективности светодиодных источников излучения различного спектрального состава для разноракурсного комплексирования лопаток паровых турбин. Полученные данные показывают, что погрешность определения матрицы преобразования координат при комплексировании с использованием светодиодов со спектральным максимумом 525 нм на 67 и более процентов ниже, чем при использовании других источников в пределах видимого и инфракрасного диапазонов.

PROCEEDINGS OF SPIE

SPIEDigitalLibrary.org/conference-proceedings-of-spie

Research of spatial alignment techniques for multimodal image fusion

Artyom Akhmerov, Alexandr Vasilev, Anna Vasileva

Artyom K. Akhmerov, Alexandr S. Vasilev, Anna V. Vasileva, "Research of spatial alignment techniques for multimodal image fusion," Proc. SPIE 11059, Multimodal Sensing: Technologies and Applications, 1105916 (21 June 2019); doi: 10.1117/12.2526030

SPIE. Event: SPIE Optical Metrology, 2019, Munich, Germany

Research of spatial alignment techniques for multimodal image fusion

Artyom K. Akhmerov*, Aleksandr S. Vasilev, Anna V. Vasileva ITMO University, 49 Krouverksky Pr., St. Petersburg, 197101 Russia

ABSTRACT

Different spatial alignment techniques for multimodal image fusion are presented in the paper. Main feature-based spatial alignment steps and operations as well as cross-correlation techniques are described. An experiment was carried out to compare spatial alignment methods. Experiment results are presented and conclusions are made. The text gives information about spatial alignment application for multimodal systems calibration.

Keywords: image processing, computer vision, image fusion, spatial alignment, multimodal imaging, multichannel system calibration

1. INTRODUCTION

Nowadays imaging systems are used everywhere for a large variety of different purposes. State of the art imaging systems are designed to work with different types of source radiation, from high-energy gamma rays to low-energy radio waves. Many of those systems work with different types of source signals simultaneously; such systems are called multimodal imaging systems (MMIS)1-3. MMIS are widely used in various fields of life and science, especially in medicine4 and security5.

Images obtained by imaging systems of any types always require post processing. Image processing can be used for extracting important information, visual enhancement for viewer's impression, etc. MMISs typically include two or more imaging channels for capturing signals transferred in different modalities, which causes some problems during processing. There is a powerful tool for combining and extracting information from images obtained by different modalities called Image Fusion (IF). IF can be defined as a process of combining multiple input images into a single composite image6-7. It is used to create fully automatic computer vision systems able to solve complex tasks.

One of the main problems by using multichannel systems is spatial mismatch of different channels. It is obvious that two imaging channels working simultaneously cannot be positioned at the same optical axis. Usually they are placed to be their optical axes parallel as possible: the distance between those is limited by detectors' sizes. Thereby each channel records images in its own coordinate system, and each spatial point corresponds to more than one coordinate set.

The problem of spatial mismatch can be solved by using spatial alignment (SA) techniques. SA is defined as a process of geometrical alignment of two or more images of the same scene acquired at different times (multi-temporal fusion), with different sensors (multimodal fusion) or from different viewpoints (multi-view fusion)6. As a result, all initial images are set into a single common coordinate system with determined spatial points correspondence.

Since first appearance of the image alignment problem, many methods were created and developed. Most of them are based on features processing operations. In computer vision and image processing, feature can be defined as a special point of an image that has outstanding properties. Feature-based alignment algorithms are usually implemented in three steps: detection, description and matching.

There is also SA technique based on two-dimensional image cross-correlation (CC)8-9. Two-dimensional CC can be applied for finding relative translation between two images. Applying shift on the image using values that correspond to CC function maximum coordinates, one can get those images combined without spatial mismatch. There are different CC derivative methods, designed for finding scale difference (normalized CC) and relative rotation angle (polar coordinate system CC). Combining those derivative techniques makes it to perform SA of initial images, which have complex disparity, including relative shift, rotation and scale differences.

*[e-mail]. [e-mail]

Multimodal Sensing: Technologies and Applications, edited by Ettore Stella, Shahriar Negahdaripour, Dariusz Ceglarek, Christian Möller, Proc ofSPIE Vol. 11059 1105916 ©2019 SPIE CCC code: 0277-786X/19/$21 doi: 10.1117/12.2526030

Proc of SPIE Vol. 11059 1105916-1

Downloaded From: https://www.spiedigitallibrary.org/conference-proceedings-of-spie on 29 Sep 2022 Terms of Use: https://www.spiedigitallibrary.org/terms-of-use

2. SPATIAL ALIGNMENT METHODS

As well as feature-based methods, CC techniques can remove simple image mismatches, but they are not suitable for implementing SA. SA implementation for images with complex mismatch is a complicated task, implying finding appropriate transformation and applying it to initial images. Feature-based techniques use salient details of initial images as reference points. Unlike them, CC techniques use whole images, including smooth background. This makes CC unstable to multidimensional disparity. When computing necessary translation, CC techniques do not take into account scale differences, rotation angle and other transformation components. Thereby CC techniques are applicable for SA only in terms of iterative approach. Due to necessity of multiple iterations of different operations and their high computation time, CC was not implemented for SA in this research.

All methods presented in this research are based on detecting, descripting and matching image features. Working principle of feature based SA techniques is shown schematically in Figure 1.

r

Descriptors 1

Description

L

r

Descriptors 2

Description

~~I

N 1/

N i/

Feature Matching f

Transformation

I

Figure 1. Feature-based spatial alignment method working principle

The first SA step is feature detection, which is applied to two initial images, stormg data for each feature found. The second SA step is feature description. This algorithm is applied to each feature data set acquired during feature detection. Descriptor's main goal is to provide a unique and robust description of image feature. SA efficiency depends on degree of uniqueness of descriptors and on accuracy and robustness of matches obtained on step three. The third SA step is feature matching. In this step features correspondence of two initial images is found and initial images are transformed into a single coordinate system.

Methods related to three steps of S A techniques ar e listed in Table 1.

Table 1. List of researched methods

Feature Detection Feature Desciiption Feature Matching

Maximally Stable External Regions (MSER)10 Histogram of Oriented Gradients (HOG)16 Brute Force (BF)18

Features from Accelerated Segment Test (FAST)11 DAISY dense descriptor (DAISY)17 Euclidean Distance (ED)19

Harris Comer Detection (HCD)12 Approximate Nearest Neighbors (ANN)20

Scale-Invariant Feature Transform (SIFT)1!

Speeded Up Robust Features (SURF)15

These methods can form various combinations that can be effective when used for different images and applications. 2.1 Feature detection methods

Feature detection methods check every single area of an image for containing a feature or not. Coordinates and other properties for each feature detected are stored for further use. Some feature detection algorithms are listed below.

Proc. of SPIE Vol. 11059 1105916-2

2.1.1 Maximally Stable External Regions feature detection

The MSER algorithm presented by Matas et. al.10 is based on image thresholding. Commonly, local binarization is stable with a large range of thresholds in certain regions, which are chosen as features, because they aie invariant to scale and affine transformation of image, covariant to continuous transformation on the image domain and stable.

MSER applies binarization to initial images and detects regions that do not change value from «white» to «black» for a large range of threshold values. All the regions found are considered as features. These searching operations are done for intensity image (MSER-) and inverted image (MSER-).

2.1.2 Features from Accelerated Segment Test

The FAST algorithm proposed by Rosten and Drummond11 was developed for corner detection. Comers can also be considered as image features, because they have certain special properties. For comer detection, time reduction machine learning is used. Trained on sets of different images, FAST forms a decision tree for determining whether current point is a feature or not. Eventually, the resulting version of the FAST algorithm can make feature detection very fast using that decision tree.

2.1.3 Harris Corner Detection

The HCD algorithm presented by Harris and Stephens12 is also based on comer detection. The algorithm is applied to a grayscale image I(x,y). Firstly, spatial derivatives on both axes Ix(x,v), Iy(x,y) are calculated. Then, based on these derivatives, structure tensor M is constructed and Harris response is calculated. All computations are done within 3 x3 windows to distinguish comers from simple local maximums.

2.1.4 Scale Invariant Feature Transform detection

The SIFT algorithm was presented in 1999 by Lowe13. SIFT detector uses the Difference of Gaussians14 edge detection algorithm to find points of interest, so the features chosen by SIFT detector are just local maximums chosen with space and scale respectively. Features found using this approach are not robust enough, so they need an additional filtration done by using Taylor expansion of the Difference-of-Gaussian scale-space function.

2.1.5 Speeded Up Robust Features detection

The SURF algorithm proposed by Bay et. al.14 uses square-shaped filters as an approximation of Gaussian smoothing, which makes it faster than SIFT. Using integral image instead of intensity image makes image filtering much faster. After filtering, SURF conçûtes Hessian matrix for feature candidates. Points with maximum Hessian matrix determinants are chosen as features.

2.2 Feature description methods

Feature description methods are used for computing unique descriptors for each image feature found previously.

2.2.1 Histogram of oriented gradients description

HOG descriptor is based on computing feature gradients in different directions. Descriptor in this case represents the vector of these gradients, which may be either signed or unsigned, so direction angle can vary either from 0 to 180 degrees or from 0 to 360 degrees. Gradient values are combined into descriptor blocks and normalized. Gradient-based descriptors are rotation-invariant, which makes them more suitable for SA.

2.2.2 DAISY dense description

The DAISY algorithm was presented by Tola et. al.10. For each of given input image features, DAISY computes certain number of orientation maps, one for each quantized direction. Each orientation map is convolved several times with Gaussian kernels to obtain convolved orientation maps for different sized regions. DAISY descriptor is a vector of values from the convolved orientation maps located on concentric circles centered in the location, where the amount of Gaussian smoothing is proportional to the radii of the circles.

2.2.3 Scale Invariant Feature Transform description

SIFT descriptors are computed using sets of orientation histograms for different sizes of neighborhood. First, a set of orientation histograms is created in 4x4 pixel neighborhoods with 8 bins each. These histograms are computed from magnitude and orientation values of samples in a 16x 16 region around the key point such that each histogram contains

Proc of SPIE Vol 11059 1105916-3

samples from a 4x4 sub-region of the original neighborhood region. Magnitudes are weighted by a Gaussian function having standard deviation equal to half the width of the descriptor window. Descriptor then becomes a vector of all the values of these histograms.

2.2.4 Speeded Up Robust Features description

SURF descriptor's structure working principle is quite simple. SURF description algorithm finds the orientation direction. For that, feature gradients are computed in the circular area around it. The longest (in Euclidean system) gradient vector direction is stored as a feature descriptor.

2.3 Feature matching methods

When features are found and their descriptors are computed, the resulting transformation must be calculated. One of the most important tilings required for proper feature matching is robust criteria of two features mutual correspondence. Matching features that are not corresponding to each other can cause serious errors when computing transformation.

2.3.1 Brute Force matching

BF matching12 takes the descriptor of one feature in a first set and matches it with all other features in a second set. Matches with a lower disparity value are considered as right. BF matching requires an extremely high computation power, but gives good results.

2.3.2 Euclidean Distance matching

Most of the descriptors data is represented as a vector of different values. Two vectors corresponding to matching candidates can be set into common Euclidean coordinates, making it possible to calculate of Euclidean distance between those vectors. Euclidean distance in this case represents the degree of disparity between two descriptors.

2.3.3 Approximate Nearest Neighbors matching

ANN matching algorithms are based on nearest neighbor search. In some applications, including feature matching, it may be acceptable to retrieve a "good guess" of a nearest neighbor. In many cases, the nearest neighbor can be found, but sometimes it is not the nearest one. As a result, mismatches can occur. For this research Fast Library for Approximate Nearest Neighbors (FLANN)-1 implementation was used.

3. EXPERIMENT AND RESULTS

This section describes the experiment settings and acquired results. 3.1 Experiment description

The experiment was carried out to test all described methods in different combinations. As an initial data, 15 images of three different types were taken using a digital camera with following parameters: sensor size 1/2.6", pixel size 1,3 pm, maximal image resolution 4160x3120, 172.0 aperture". Five of those images were categorized as "simple" images as they do not contain many small details and complicated textures. Smooth and calm nature photos were used as simple images. Based on the same principle, 5 "normal" images and 5 "complex" images were taken. Normal images contain combined landscapes and complex images mostly contain urban views.

Initial resolution of images used is 2560x1600 pixels. The main task for described methods was to provide SA between initial image and 500x500 pixels square image cropped from initial one. Different transformations were applied to each of those square images, including shift, rotation and scale change. Shift was varying from -250 pixels to +250 pixels on both axes independently with 50 pixels step; rotation was varying from -170 to 180 degrees with 10 degrees step; and scale was changing from 0.5 to 2.0 with 0.1 step. All of the transformations were then combined to form one complex transformation. Finally, the initial complex transformation matrix was compared to resulting transformation matrix, and their disparity was calculated as an average relative mean square difference between matrix elements. An example of initial combined transformations is presented in Figure 2.

Proc of SPIE Vol 11059 1105916^1

Table 2. Relative error of researched methods

Image type Average total relative spatial alignment error (°/o)

Detector MSER FAST

Descriptor HOG DAISY HOG DAISY

Matcher BF ED FLANN BF ED FLANN BF ED FLANN BF ED FLANN

Simple Image 0.80 2.21 5.47 0.56 1.62 4.42 1.89 6.20 10.34 0.80 1.92 6.73

Normal Image 0.39 1.01 3.77 0.43 0.67 2.34 0.41 3.08 6.70 0.46 0.74 5.23

Complex Image 0.26 0.78 1.97 0.29 0.45 1.21 0.39 1.32 2.31 0.31 0.53 1.04

Image type Detector HCD SIFT* SURF*

Descriptor HOG DAISY

Matcher BF ED FLANN BF ED FLANN BF ED FLANN BF ED FLANN

Simple Image 0.74 2.19 5.49 0.67 1.48 4.14 0.34 1.23 2.44 0.55 5.49 8.75

Normal Image 0.44 0.81 3.80 0.55 0.76 2.44 0.20 0.39 0.54 0.41 1.29 2.24

Complex Image 0.25 0.75 1.84 0.20 0.53 1.31 0.17 0.24 0.28 0.16 0.24 0.38

Every error set corresponds to one SA techniques combination and one type of initial images. Experiment results show that featore-based SA techniques work better with complex images that have many salient details (sharp intensity value or gradient changes). The more features can be detected using feature detection algorithms, the lower is the error value, due to increasing of reference points for spatial matching. The data shown on the graph (Fig. 3) proves that simple images are harder to match for every method combination.

Spatial alignment methods error

,1

■■> lli

H 00 DAISY

MSER

lb II.

U- a ta Mj

HOG DAISY

FAST

ll. ill

I ... ll.

HOG DAISY

HCD

a z

lu z

5

.... L L

u Z

S

Combination of spatial alignment methods

■ Simple Image ■Noimal Image ■ Complex Image

Figure 3. Spatial alignment methods relative error

♦Due to the fact that SIFT and SURF algorithms implement both feature detection and feature description step, they were combined only with feature matching methods.

Proc. of SPIEVol. 11059 1105916-6

[2] Yufix, Q., Guirong, Z„ Zhaofen. Z„ Ziyue, L., Jiansen, M„ "Active Multimodal Sensor System for Target Recognition and Tracking," Sensors. 17, 1518-1540 (2017).

[3] Mela, C., "A Miniature Multimodal Imaging System for Medical Diagnostics and Interventions in Space," 8 December 2014, <^lttps://w^то^nasa.gov/content/a-mimaUu•e-mllltimodal-imaging-system-for-medical-diagnostics-and-interventions-in-space/> (01 March 2019).

[4] Chulhong, K., Zhongping, C., "Multimodal photoacoustic imaging: systems, applications, and agents," Biomedical Engineering Letters. 8,137-138 (2018).

[5] Liang, R„ Wong, V., McLaughlin, P., "Optical design of a multimodal imaging system," Proc. SPIE 6849, Design and Quality for Biomedical Technologies, 684908 (2008).

[6] Mitchell, H. B„ [Image Fusion: Theories, Techniques and Applications], Springer-Verlag, Berlin, Heidelberg, 247 (2010).

[7] Vasilev, A., Korotaev., V., "Research of the fusion methods of the multispectral optoelectronic systems images," Proc. SPIE 9530, Automated Visual Inspection and Machine Vision, 953007 (2015).

[8] Bourke, P., "Cross correlation, autocorrelation, 2d pattern identificatioa" Research Gate, 1996, <https://www.researchgate.net/pubhcation/245817141_Cross coiTelation_autocorrelation_2d_pattem_identifica tion> (05 March 2019).

[9] Kaso, A., Li, Y., "Computation of the normalized cross-correlation by fast Fourier transform," PLoS One. 13(9), e0203434 (2018).

[10]Matas, J., Chum, O., Urban, M., Pajdla. T„ "Robust Wide Baseline Stereo from Maximally Stable Extremal Regions," Proc. British Machine Vision Conference, 384-396 (2002).

[11] Rosten, E„ Drummond, T„ "Machine Learning for High-Speed Comer Detection," Computer Vision - ECCV. 3951,430-443 (2006).

[12] Harris, C., Stephens, M., "A Combined Comer' and Edge Detector," Alvey Vision Conference. 15, 147-152 (1988).

[13] Lowe, D., "Object recognition from local scale-invariant features," Proc. International Conference on Computer Vision, 2, 1150-1157(1999).

[14] Statliaki, T„ [Image Fusion: Algorithms and Applications], Academic Press is an imprint of Elsevier, 520 (2011).

[15] Bay, H„ Tuytelaars, T., Van GooL L., "SURF: Speeded Up Robust Features," ETH Zurich, Katholieke Universiteit Leuven (2006).

[16] Dalai, N., Triggs, B„ "Histograms of Oriented Gradients for Human Detection," Proc. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1, 886-893 (2005).

[17]Tola, E., Lepetit, V., Fua, P., "DAISY: An Efficient Dense Descriptor Applied to Wide-Baseline Stereo," IEEE Transactions on Pattern Analysis And Machine Intelligence, Vol. 32(5), 815-830 (2010).

[18]Mordvintsev, A., Abid, K., "Feature matching," Opencv, 2013, <https://opencv-python-Uitroals.readthedocs.io/eii/latest/py_tiitorials/py_featine2d/py_matcher/py_matcher.htinl> (19 March 2019).

[19]Vanitha, J., SenthilMurugan, M„ "Feature Matching Process Using Euclidean Distance of Weighted Block Color Histogram and Color Co-Occurrence Matrix for Content Based Image Retrieval System," International Journal of Emerging Technology and Advanced Engineering, 7(6), 143-147 (2008).

[20]Muja, M„ Lowe, D„ "Fast Approximate Nearest Neighbors With Automatic Algorithms Configuration," Proc. VISAPP Fourth International Conference on Computer Vision Theory and Applications, 1, 331-340 (2009).

[21] Muja, M„ Lowe, D„ "FLANN - Fast Library for Approximate Nearest Neighbors," Powered by PmWiki, 2019, < https://www.cs.ubc.ca/researcli/flann/> (20 February 2019).

[22]"OnePlus 2 Specifications," Oneplus, 2019, <https://www.oneplus.com/uk/support/spec/oneplus-2> (15 February 2019).

[23] "Intel Core i5-4590 Processor," Intel, 2019, <https://ark.intel.coin/content/w,\w/iis/eii/ark'products/80815/mtel-core-i5-4590-processor-6m-cache-up-to-3-70-ghz.html> (10 April 2019).

Proc. of SPIE Vol. 11059 1105916-9

УДК 621.165, 616-072.1, 004.932.2 DO 1:10.17586/0021 -3454-2020-63-3-228-236

КОМПЛЕКСНАЯ СИСТЕМА ЭНДОСКОПИРОВАНИЯ ДЛЯ КОНТРОЛЯ ЭРОЗИОННОГО ИЗНОСА ЛОПАТОК ПАРОВЫХ ТУРБИН

Г. А. Шуть1, Е. И. Пузырев1, А. В. Васильева2, А. С. Васильев2, И. С. Некрылов2, А. X. Ахмеров2, А. Н. Тимофеев2

1НПО „ Энергореновация ", 191023, Санкт-Петербург, Россия

2Университет ИТМО, 197101, Санкт-Петербург, Россия E-mail: arasile\'a@itmo. ru

Рассматриваются особенности работы системы вндеоэндоскопирования рабочих лопаток паровой турбины без вскрытия корпуса цилиндров в режиме работы турбоагрегата на валоповоротном устройстве. Предложены концепция системы и ее структурная схема, в состав которой входят гибкий и жесткий видеоэндоскопы, синхродатчик и персональный компьютер. Представлен алгоритм вычисления длины хорды лопаток методом цифровой обработки изображения, позволяющий оценивать динамику износа рабочих лопаток во времени. С использованием разработанного экспериментального стенда, моделирующего ротор турбины, проведены исследования статической характеристики синхродат-чика и оценена погрешность определения дтины хорды лопаток. Экспериментальные исследования показали, что погрешность определения длины хорды в предложенной конфигурации системы не превышает 0,2 мм.

Ключевые слова: система вндеоэндоскопирования, лопатки турбины, цилиндры низкого давления, эрозионный износ, техническое зрение

Введение. Паровая турбина является основным энергетическим узлом различных агрегатов во многих областях промышленности и техники. КПД паровых турбин напрямую зависит от степени износа рабочих лопаток. Многолетняя история эксплуатации паровых турбин показывает, что эрозионному износу наиболее подвержены рабочие лопатки цилиндров низкого давления (ЦНД), в особенности на последних ступенях [1—4]. Применение защитных материалов для поверхности лопаток продлевает срок их эксплуатации, однако со временем эрозионный износ в любом случае достигает критического значения [5,6]. На данный момент контроль эрозионного износа рабочих лопаток паровых турбин проводится при полном останове турбины с вскрытием корпуса во время капитального ремонта. Капитальный ремонт турбины строго регламентирован по длительности, так как простой турбины непосредственно влияет на экономические показатели эффективности турбоагрегата. Периодичность капитального ремонта может варьироваться от 2 до 4 лет в зависимости от номинальной мощности турбины и текущего срока ее эксплуатации. Динамику эрозионного износа рабочих лопаток прогнозируют с использованием теоретических [7—10] и экспериментальных моделей [11]. Однако в силу зависимости от множества факторов такие модели сложно использовать в реальных условиях. Применение ручного инструмента [7,12] при работе на валоповоротном устройстве (ВПУ) невозможно, поэтому оптимальным решением в данной ситуации является использование специальных систем видеоэндоскопнрования [13—15], позволяющих без вскрытия корпуса турбины с помощью валоповоротного устройства проводить фактический контроль степени износа рабочих лопаток.

Цель настоящей статьи — исследование принципов функционирования и разработка структурной схемы системы контроля эрозионного износа работах лопаток ЦНД паровых турбин на основе видеоэндоскопнрования при работе турбоагрегата на валоповоротном устройстве.

Функционирование КСЭ в режиме валоповорота турбины осуществляется с помощью бороскопа, синхродатчика, блока согласования и специального программного обеспечения (СПО) персонального компьютера (ПК).

При включении системы ПЛИС синхродатчика считывает из ПЗУ калибровочные угловые положения каждой лопатки. Затем ФКД непрерывно регистрирует изменения угла поворота вала относительно его предыдущего положения, передавая результат в ПЛИС. При достижении сохраненных в ПЗУ значений ПЛИС через устройство сопряжения и блок согласования посылает сигнал бороскопу для захвата изображения. Указанная процедура выполняется для всех лопаток при полном обороте вала, окончание которого индицируется детектированием референсной метки. Референсная метка выполнена из высокоотражательной микропризматической ленты [20], а датчик метки представляет собой световозвра-щающий фотоэлектрический датчик фирмы „Leuze Electronics" [21].

Захваченные описанным образом изображения обрабатываются с помощью СПО, которое детектирует и анализирует кромки лопаток, а затем сохраняет изображения в соответствующие ячейки базы данных с указанием даты. СПО также позволяет в любой момент времени осуществлять выборку изображений из базы данных для визуального отслеживания изменений состояния лопаток за весь период эксплуатации КСЭ и прогнозирования момента их замены.

Входящий в состав КСЭ флексоскоп предназначен для визуального осмотра труднодоступных отсеков турбины в режиме останова. При осмотре, осуществляемом оператором вручную, не предполагается автоматизация процесса, идентификация лопаток и численная оценка их повреждений.

Алгоритм обработки информации. Алгоритм обнаружения кромки лопатки (рис. 2) основан на методах цифровой обработки изображений.

Рис. 2

Исходное полутоновое изображение 1С, полученное бороскопом, показано на рис. 2, о. Первый шаг алгоритма — бинаризация изображения с адаптивным порогом /0, значение которого определяется по методу Отсу [22]; в результате формируется бинарное изображение 1В, показанное на рис. 2,6:

[1, если/е(.т, у)>г0;

[0, если 1С (.г, >') < /0,

Комтексная система эндоскоиирования для контроля износа лопаток паровых турбин 231 где (лг, .у) — координаты пикселов изображений 10 и I в размером М х N,

Следующий шаг — нахождение связных компонент на изображении 1В [23]. Изображение 1В содержит две связных компоненты 51 и 52, соответствующие двум лопаткам. В один момент времени анализируется только одна лопатка, которая на изображении находится справа. После выполнения калибровки известно, что пиксел р с координатами

р=(М/2,N/2) принадлежит искомой связной компоненте 54 (см- Рпс- -> б)- Все элементы этой связной компоненты можно найти с помощью рекуррентного соотношения

где А — множество, содержащее элементы изображения; Хк — множество элементов связной компоненты, Х0 = р; В — структурообразующее множество, В — его центральное отражение; © — операция дилатации; г — множество всех смещений В относительно Хк.

В результате искомая связная компонента Б2, соответствующая исследуемой лопатке, содержит к элементов, являющихся координатами пикселов изображения этой лопатки. Поскольку связная компонента не рассматривается в алгоритме, в дальнейшем связную компоненту 52 будем именовать 5 . Изображение 18, содержащее только компоненту 5, показано на рис. 2, е.

Заключительным шагом алгоритма является нахождение на изображешш кромок лопатки и вычисление длины хорды. Для нахождения кромок анализируется каждый пиксел, входящий в связную компоненту 5, и соседний с ним пиксел изображешш 18. Первая (левая)

кромка образует множество пикселей Е1:

Вторая (правая) кромка лопатки находится аналогичным образом. Пикселы, принадлежащие второй кромке, образуют множество Е2 :

Для определения длины хорды необходимо найти крайнюю точку рг кромки Е1, которая имеет максимальную из входящих в множество пикселов вертикальную координату у1,. Вертикальная координата является максимальной, если удовлетворяет условию

Найденные вертикальная координата и соответствующая ей горизонтальная — это координаты крайней точки р1 =(.т1,, д, ) кромки Е1. Крайняя точка р2 = , У2,;) кромки Е2

определяется аналогичным образом. После этого длина хорды лопатки вычисляется согласно выражению

Хк = {Хк_х © В) П А = {= | [(¿)г П Хк_! ] с Хк_,} П А, к = 1,2,3...,

= {(*, У) I (*, у)е8л15(х-1у) = 0}.

Е2 = {(.г,у) |(.г,у) еБл13(х +1,у) = 0}.

УуеЕ1\{у> уу => у = уи).

Исходное изображение 1а с найденными кромками и хордой показано на рис. 2, г.

СКО составляет 0,2, 0,12 и 0,13 мм для изображений, приведенных на рис. 5, а, б, в соответственно.

Заключение. Сформулированы принципы построения и функционирования системы мониторинга лопаток ЦНД паровых турбин на основе технического комплекса, включающего флексоскоп, бороскоп и синхродатчик. Представлен алгоритм вычисления длины хорды лопаток методом цифровой обработки изображения, позволяющий оценивать динамику износа работах лопаток во времени. С помощью разработанного экспериментального стенда исследована статическая характеристика синхродатчика для оценки погрешности определения углового положения вала. Подтверждена работоспособность предлагаемой схемы построения системы с возможностью контроля эрозионного износа работах лопаток паровой турбины с погрешностью не более 0,2 мм.

список литературы

1. Шнензер Г. Г., Захаров Л. В., Тюхтяев А. М. Устойчивость потока в последних ступенях цилиндров низкого давления паровых турбин // Науч.-техн. ведомости СПбПУ. Естественные и инженерные науки. 2014. № 3 (202). С. 54—61.

2. Малорасходные режимы ЦНД турбины T-250/300-240 / Под ред. В. А. Хаимова. СПб: БХВ-Петербург, 2007. 240 с.

3. Поваров О. А., Станиша Б., Рыженков В. А. Исследование эрозионного износа рабочих лопаток паровых турбин // Теплоэнергетика. 1988. № 4. С. 66—69.

4. Шкотов Ю. Д. Об эрозионном износе проточных частей паровых турбин // Энергетик. 1990. № 4. С. 16 —17.

5. Севидова Е. К., Мацевитый В. М., Казак И. Б., Вакул К. В. Оценка защитных свойств многослойных покрытий для лопаток паровых турбин // Электронная обработка материалов. 2007. № 6. С. 4—9.

6. Смыслова М. К., Исанбердин А. Н. Технологические особенности восстановления эксплуатационных свойств титановых лопаток паровых турбин // Вестн. Уфим. гос. авиационного технического ун-та. 2006. Т. 7, № 1. С. 103—109.

7. Stauisa В., Ivusic V. Erosion behaviour and mechanisms for steam turbine rotor blades // Wear. 1995. Vol. 186. P. 395—400.

8. Gerber A. G., Sigg R., Volker L., Casey M. V., Siirken N. Predictions of non-equilibrium phase transition in a model low-pressure steam turbine // Proc. of the Institution of Mechanical Engineers, Part A: Journal of Power and Energy. 2007. Vol. 221, N 6. P. 825—835.

9. Heymaiiii F. J. Liquid impingement erosion // ASM handbook. 1992. Vol. 18. P. 221.

10. Шубенко A. JI., Голощапов В. H., Стрельников И. С, Реиштъко И. В. Влияние крупнодисперсной влаги на рабочие процессы влажнопаровых ступеней турбин // Энергосбережение. Энергетика. Энергоаудит. 2014. №11(130). С. 28—39

11. Ahmad М., Schatz М., Casey М. V. Experimental investigation of droplet size influence on low pressure steam turbine blade erosion // Wear 2013. Vol. 303, N 1—2. P. 83—86.

12. Амелюшкин В. H. Измерение эрозионного износа лопаток паровых турбин // Тр. ЦКТИ. 1985. Вып. 221. С. 55—58.

13. Хаимов В. А., Ляпунов В. М., Рубинов А. М., Шелест С. О. Система оперативного контроля и диагностики эрозионного износа лопаточного аппарата паровых турбин // Тр. ЦКТИ. 2003. № 292. С. 114—122.

14. Gavrilo\' I., Popov V. Influence of the temperature of the heating steam on the characteristics of the liquid phase downstream the stator blades of steam turbine // J. of Physics: Conference Series. 2018. Vol. 1128, N 1. P. 012122.

15. Хаимов В. А., Кокин В. H., Пузырев Е. И., Воронов Е. О., Ганжин В. А. Внедрение системы оперативного контроля и диагностики эрозионного износа рабочих лопаток мощных паровых турбин // Электрические станции. 2006. № 12. С. 32—36.