Разработка метода оценки технического состояния стальных канатов технологических машин на основе компьютерного зрения тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Юсупов Александр Рашидович

• Юсупов Александр Рашидович
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Юсупов Александр Рашидович

Содержание

ВВЕДЕНИЕ

1 АНАЛИЗ СТАТИСТИЧЕСКИХ ДАННЫХ, НОРМАТИВНЫХ ДОКУМЕНТОВ, ЛИТЕРАТУРНЫХ ИСТОЧНИКОВ И СОСТОЯНИЯ ПРОБЛЕМЫ

1.1 Типы дефектов стальных канатов и их статистический анализ

1.2 Периодичность контроля стальных канатов

1.3 Методы контроля стальных канатов при эксплуатации машин с канатной тягой

1.4 Выводы по первой главе диссертации

2 АНАЛИЗ СУЩЕСТВУЮЩИХ АЛГОРИТМОВ И ИНСТРУМЕНТОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЗАДАЧАХ ОЦЕНКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ СТАЛЬНЫХ КАНАТОВ НА ОСНОВЕ КОМПЬЮТЕРНОГО ЗРЕНИЯ

2.1 Анализ существующих исследований и разработок в области неразрушающего контроля

2.2 Нейросетевые архитектуры в области компьютерного зрения

2.3 Эволюция архитектур YOLO в обнаружении промышленных дефектов

2.4 Метод диагностики стального каната на основе компьютерного зрения и искусственного интеллекта

2.5 Выводы по второй главе диссертации

3 РАЗРАБОТКА АННОТИРОВАННОЙ БАЗЫ ДАННЫХ ИЗОБРАЖЕНИЙ НАИБОЛЕЕ ЗНАЧИМЫХ ТИПОВ ДЕФЕКТОВ

3.1 Описание базы данных для обучения нейросетевых моделей обнаружения типовых дефектов в стальных канатах

3.2 Включение разработанной базы данных в бенчмарк моделей Roboflow 100, Intel

3.3 Обучение нейросетевой модели по обнаружению дефектов

3.4 Оценка точности и результат работы нейросетевой модели по обнаружению дефектов

3.5 Выводы по третьей главе диссертации

4 РАЗРАБОТКА ПРОГРАММНО-АППАРАТНОГО КОМПЛЕКСА ДЛЯ СИСТЕМЫ ВИЗУАЛЬНОГО И ИЗМЕРИТЕЛЬНОГО КОНТРОЛЯ СОСТОЯНИЯ СТАЛЬНЫХ КАНАТОВ

4.1 Интегральная оценка технического состояния стального каната

4.2 Выводы по четвертой главе диссертации

5 РАЗРАБОТКА ПРОГРАММЫ И МЕТОДИКИ ИСПЫТАНИЙ ПО ТЕСТИРОВАНИЮ ОПЫТНОГО ОБРАЗЦА ПАК ВИК В УСЛОВИЯХ ЭКСПЛУАТАЦИИ ТЕХНОЛОГИЧЕСКИХ МАШИН (КАНАТНЫХ ДОРОГ)

5.1 Последовательность проведения испытаний

5.2 Выводы по пятой главе диссертации 125 ЗАКЛЮЧЕНИЕ 127 БИБЛИОГРАФИЧЕСКИЙ СПИСОК 129 ПРИЛОЖЕНИЕ А

Введение диссертации (часть автореферата) на тему «Разработка метода оценки технического состояния стальных канатов технологических машин на основе компьютерного зрения»

ВВЕДЕНИЕ

Актуальность темы. Канатные дороги, наряду с лифтами, фуникулерами, грузоподъемными кранами, экскаваторами, шахтными подъемными установками и другими машинами, относятся к категории технических устройств повышенной опасности. В их конструкциях стальные канаты выполняют критически важные функции: они используются не только как тяговые и уравновешивающие элементы, но и для активации ограничителей скорости и других безопасностных механизмов.

Канаты являются критически важными компонентами технологических машин с канатной тягой, таких как канатные дороги, фуникулеры, шахтные подъемные установки, экскаваторы, лифты и грузоподъемные краны. Таким образом, состояние стальных канатов напрямую влияет на безопасность и надежность этих машин. На территории России насчитывается более одного миллиона единиц технологического оборудования, использующих канаты в качестве тягового органа. Статистические данные о типах, видах и территориальном расположении этих машин приведены в отчете «Анализ рынка лифтов и подъемных механизмов в России» [1], техническим регламентом предусмотрено периодически проводить (в отдельных случаях -ежедневно) визуально-измерительный контроль (далее ВИК) и дефектоскопию (инструментальными методами) стальных канатов с выявлением внутренних дефектов и последующей записью результатов в журнал осмотров, что подтверждает актуальность и важность исследования в разработке методов диагностики технического состояния стальных канатов..

Основной задачей в обслуживании вышеуказанных технологических машин является обеспечение их надежности и безопасности эксплуатации путем своевременного выявления дефектов, которые могут привести к разрушению стальных канатов и аварийным ситуациям. Для отыскания дефектов применяют различные методы контроля, включая визуальные, измерительные и инструментальные методы дефектоскопии.

Состояние стальных канатов напрямую зависит от их геометрических параметров, конструктивных характеристик, физико-механических свойств и технологии изготовления, что существенно влияет на безопасность и долговечность технологических машин. Поскольку стальные канаты не подлежат восстановлению, их необходимо заменять при выявлении характерных дефектов на определенных участках, которые значительно ухудшают их состояние.

С учетом изложенного, разработка и внедрение инновационных методов диагностики на основе компьютерного зрения и искусственного интеллекта представляется перспективным направлением, которое существенно повысить эффективность контроля стальных канатов за счет более точного и своевременного выявления характерных дефектов, что в свою очередь способствует повышению безопасности и надежности эксплуатации технологических машин.

Традиционный ручной осмотр поверхностных дефектов обладает значительными недостатками, такими как низкая точность, низкая эффективность, высокая трудоемкость и неспособность к обнаружению дефектов в реальном времени. Методы, основанные на машинном зрении, предлагают значительные преимущества, включая бесконтактную проверку, высокую производительность в реальном времени и отсутствие необходимости в непосредственном участии человека. Эти подходы все чаще применяются в современных промышленных отраслях.

Большой вклад в решение задач по обеспечению надежности и оценке технического состояния при эксплуатации технологических машин с канатной тягой внесли отечественные и зарубежные специалисты:

Беленький Д.М., Дукельский А.И., Гохберг М.М., Беркмаев М.Б., Бойцов Б.В., Глушко М.Ф., Москвичев В.В., Сергеев С.Т., Казак С.А., Малиновский В.А., Махутов Н.А., Вершинский А.В., Лагерев А.В., Ламберсон Л., Биргер И.А., Грошев Л.М., Короткий А.А., Жаров В.П., Исаков В.С., Иванов Б.Ф., Хальфин М.Н., Хазов Б.Ф., Котельников В.С.,

Булыгин Ю.И. и др. Анализ литературных источников показал, что современные инструменты компьютерного зрения и искусственного интеллекта эффективно решают задачи оценки технического состояния технологических машин. Эффективность этих подходов, например, демонстрируют работы таких ученых, как Журо Д. В., Захаров М.В. (Анализ состояния вопроса в области применения технического зрения для дефектоскопии), Кульчицкий А.А., Мансурова О.К. (Распознавание дефектов грузоподъемных канатов металлургического оборудования оптическим методом с помощью нейронных сетей), Wen S., Chen Z. (Vision-Based Surface Inspection System for Bearing Rollers Using Convolutional Neural Networks), Olszyna G., Sioma A. (Assessment of the condition of hoisting ropes by measuring their geometric parameters in a three-dimensional image of their surface), Huang X., Liu Z. (Surface Damage Detection for Steel Wire Ropes Using Deep Learning and Computer Vision Techniques).

Цель работы: Обеспечение безопасности функционирования при эксплуатации технологических машин с канатной тягой методом оценки технического состояния стальных канатов, использщий автоматизированную систему распознавания и классификации трех наиболее значимых дефектов и основанный на компьютерном зрении и искусственном интеллекте.

Задачи:

1. Провести анализ статистических данных по выявленным дефектам, изучить литературные источники, выполнить патентный поиск и исследовать нормативную документацию, регулирующую методы оценки технического состояния и эксплуатации стальных канатов, выявить наиболее значимые дефекты, критерии и нормы их браковки, систематизировать существующие методы мониторинга, оценить их эффективность, точность и область применения.

2. Провести анализ существующих алгоритмов, программ, инструментариев искусственного интеллекта в задачах оценки технического состояния стальных канатов, используя данные технологий в смежных

областях, выявить их преимуществ и ограничения путем сравнения различной архитектур нейронных сетей для задач выявления и классификации дефектов.

3. Разработать аннотированную базу данных изображений наиболее значимых типов дефектов, оказывающих влияние на техническое состояние стальных канатов, Адаптировать модель нейронной сети под заданный алгоритм, провести оптимизацию её параметров для повышения точности обнаружения дефектов стальных канатов. Провести обучение модели и оценить её точность и эффективность на основе тестовых данных.

4. Разработать программно-аппаратный комплекс (ПАК) для системы визуального и измерительного контроля стальных канатов (ВИК) с мобильным приложением и интерфейсом для визуализации результатов диагностики в цветовой гамме, включая функционал интегральной оценки обнаруженных дефектов путем проведения серии тестов на экспериментальном оборудовании с имитацией значимых дефектов для валидации и верификации алгоритмов его работы.

5. Разработать программу и методику испытаний по тестированию опытного образца ПАК ВИК в условиях эксплуатации технологических машин, провести натурные испытания по автоматическому обнаружению и классификации наиболее значимых дефектов стальных канатов с целью оценки эффективности и точность его работы.

Объект исследования: дефекты стальных канатов технологических машин, возникающие в процессе их эксплуатации, включая поверхностный износ, обрывы наружных проволок и температурное воздействие.

Предмет исследования: обнаружение и классификация наиболее значимых дефектов стальных канатов с применением компьютерного зрения.

Научная новизна:

1. Разработан метод мониторинга стальных канатов, основанный на компьютерном зрении и искусственном интеллекте, позволяющий цветокодировано оценивать техническое состояние канатов через мобильное

приложение и дистанционного привлекать экспертов для коррекции ложноположительных и ложноотрицательных результатов измерений с дальнейшим дообучением нейросетевой модели.

2. Создан метод распознавания значимых дефектов на основе уникальной аннотированной базы изображений поверхностных повреждений стальных канатов технологических машин, позволяющей эффективно обучать нейросетевые модели.

Практическая значимость работы заключается в создании метода оценки технического состояния по наличию дефектов стальных канатов на основе компьютерного зрения и искусственного интеллекта, реализованного в виде ПАК ВИК, представляющего собой промышленный продукт Интернета Вещей, обеспечивающий автоматический мониторинг контроля стальных канатов в реальном времени через мобильное приложение, повышая производительность, качество и безопасность технологических машин при выполнении регламентных работ.

Проведенные предварительные испытания опытного образца ПАК ВИК на подвесных канатных дорогах ГЛК «Роза Хутор» подтвердили его эффективность. ПАК ВИК показал свою пригодность для выполнения регламентных работ, таких как выявление, классификация и оценка поверхностных дефектов стальных канатов по всей их длине.

Практическая значимость исследования расширяется за счет включения разработанной базы данных в международный исследовательский проект Roboflow 100, Intel [2], что позволяет оценить универсальность и адаптируемость предложенных методов в мультидоменной среде и демонстрирует практическую применимость разработок для улучшения процессов автоматического обнаружения и классификации дефектов в разнообразных отраслях.

Методология и методы исследования:

1. Применение методов компьютерного зрения и обработки изображений с использованием современных алгоритмов и видеоаналитики

для улучшения качества изображений, фильтрации шума и определения контуров, что позволяет выделить области интереса и обеспечивает надежную базу для дальнейшего анализа дефектов на поверхности канатов.

2. Применение методов глубокого обучения при оценке нейросетевых моделей, способных эффективно идентифицировать дефекты стальных канатов, используя обучающие базы данных с различными видами поверхностных нарушений, что обеспечивает комплексный анализ повреждений.

3. Использование модифицированных программных решений, актуальных библиотек и фреймворков, таких как TensorFlow, PyTorch и OpenCV, для реализации и оптимизации алгоритмов обработки изображений и моделей глубокого обучения.

4. Оптимизация гиперпараметров и стратегий обучения нейросетей для достижения максимальной производительности и минимизации риска переобучения, способствующих созданию оптимальных моделей для задачи детекции дефектов стальных канатов.

5. Использование различных техник аугментации данных для увеличения объема и разнообразия обучающих образцов из базы данных дефектов стальных канатов, что позволяет улучшить способность нейронных сетей к обобщению и точности в условиях ограниченных и несбалансированных данных.

6. Применение методов оценки измерения эффективности, точности и качества изображения созданных моделей при анализе ключевых метрик, таких как средняя точность (mAP), точность (Precision), полнота (Recall) и Fl-мера, в контексте сегментации каната и детекции дефектов на изображениях стальных канатов с использованием глубоких нейронных сетей, включающих сравнение результатов, полученных модифицированными архитектурами и конфигурациями в различных условиях эксплуатации.

Научные результаты, выносимые на защиту:

1. Метод распознавания и классификации значимых дефектов на основе уникальной аннотированной базы изображений поверхностных повреждений стальных канатов технологических машин, полученной путем физического создания образцов с поверхностным износом, обрывами наружных проволок и температурным воздействием.

2. Инновационный метод оценки технического состояния стальных канатов технологических машин по выявлению наиболее значимых дефектов на основе технологии компьютерного зрения и искусственного интеллекта в виде программно-аппаратного решения для промышленного Интернета Вещей, позволяющий цветокодировано оценивать техническое состояние канатов через мобильное приложение и дистанционного привлекать экспертов для коррекции ложноположительных и ложноотрицательных результатов измерений с дальнейшим дообучением нейросетевой модели.

Соответствие диссертации паспорту научной специальности.

Содержание исследований соответствует специальности:

2.5.21 Машины, агрегаты и технологические процессы. Область исследования: п. 8. Разработка и повышение эффективности методов предиктивного анализа, технического обслуживания, диагностики, ремонтопригодности и технологии ремонта машин и агрегатов в целях обеспечения надежной и безопасной эксплуатации.

Апробация работы. Результаты проведенных исследований доложены на Всероссийских научно-практических конференциях, а также на расширенном заседаниии кафедры «Эксплуатация транспортных систем и логистика». Существенным подтверждением значимости и актуальности проведенных исследований стало включение разработанного датасета в международный бенчмарк Roboflow 100, реализованный при поддержке Intel. Это сотрудничество подчеркивает вклад исследования в глобальное развитие области компьютерного зрения и искусственного интеллекта, демонстрируя его прикладное значение и востребованность данных для решения актуальных проблем в различных доменах.

Практическая значимость:

1. Разработан опытный образец ПАК ВИК, реализующий инновационный метод оценки технического состояния по выявлению наиболее значимых дефектов стальных канатов для технологических машин на основе технологии компьютерного зрения и искусственного интеллекта в виде Интернетом Вещей по патенту РФ на изобретение № 2775348 от 29.06.2022 «Способ визуально-измерительного контроля стального каната».

2. Создана уникальная аннотированная база данных изображений поверхностных повреждений стальных канатов, используемых в технологических машинах, для обучения и настройки нейронной сети, в виде базы знаний «Видеопотоки типовых дефектов стальных канатов» внесено в Единый реестр российских программ для электронных вычислительных машин и баз данных под № 17269.

3. Проведена модификация программного обеспечения нейросетевой архитектуры YOLOv8 путем изменения существующего кода, функциональности, структуры программы для идентификации и распознавания типовых дефектов стальных канатов технологических машин для процесса тестирования и отладки предложенного метода оценки технического состояния стальных канатов, реализуемого ПАК ВИК.

4. Проведены предварительные испытания опытного образца ПАК ВИК в условиях эксплуатации подвесных канатных дорог на ГЛК «Роза Хутор», подтвердившие возможность использования его при выполнении регламентных работ по диагностированию в части выявления, классификации и оценки поверхностных дефектов несуще-тяговых канатов по его длине.

Внедрение результатов исследований. Протокол и Акт предварительных испытаний опытного образца ПАК ВИК в условиях эксплуатации ППКД «Стрела», лифт <^», производства <Юорре1тауг», Австрия, рег. № 413675, расположенного по адресу 354341, Краснодарский край, г. Сочи, Адлерский район, с. Эсто-Садок, ГЛК «Роза Хутор»

подтвердившие возможность использования его при выполнении регламентных работ по оценке технического состояния визуальным и измерительным контролем в части выявления, классификации и оценки поверхностных дефектов несуще-тяговых канатов по его длине при скорости движения 0,5 - 1,0 м/сек.

Личный вклад соискателя заключается в создании базы данных типовых дефектов стальных канатов, разработке алгоритмов, программ и аппаратной части ПАК ВИК, настройке гиперпараметров для обучения нейросетевых моделей и анализе результатов их работы, проведении предварительных испытаний опытного образца ПАК ВИК в условиях эксплуатации.

Публикации результатов работы. По материалам диссертации опубликовано 7 печатных работ, в том числе 5 статей, входящих в перечень ВАК Минобрнауки РФ группы научной специальности 2.5.21 - Машины, агрегаты и технологические процессы. Получен патент на изобретение «Способ визуально-измерительного контроля стального каната» в ФИПС № 2775348 от 29.06.2022. Получено свидетельство о регистрации базы данных № 2022622779 от 08.11.2022, свидетельство о регистрации программы для ЭВМ № 2022683712 от 07.12.2022.

1 АНАЛИЗ СТАТИСТИЧЕСКИХ ДАННЫХ, НОРМАТИВНЫХ ДОКУМЕНТОВ, ЛИТЕРАТУРНЫХ ИСТОЧНИКОВ И СОСТОЯНИЯ ПРОБЛЕМЫ

1.1 Типы дефектов стальных канатов и их статистический анализ

Рассмотрим параметры дефектов стальных канатов, подлежащие фиксации и измерению. С целью эффективного контроля состояния стальных канатов, анализируются критерии обнаружения дефектов, использование которых основано на методах визуально-измерительного контроля (ВИК).

Стальные канаты, применяемые в различных технологических машинах, подвержены множеству дефектов, которые могут значительно влиять на их эксплуатационные характеристики и безопасность. Среди таких дефектов выделяются обрывы наружных проволок, коррозия, износ и деформации. Каждый из этих дефектов требует внимательного анализа и оценки.

Для выявления и классификации дефектов стальных канатов используются различные методы, включающие визуальный осмотр, инструментальные измерения и применение специализированных дефектоскопов. Важно учитывать, что каждый метод имеет свои ограничения и области применения, поэтому выбор подходящего метода контроля определяется конкретными условиями эксплуатации и типом каната.

В таблице 1.1 приведены основные критерии и нормы браковки стальных канатов, а также фото-примеры типовых дефектов, обнаруживаемых в канатах прядевой конструкции. Эти данные помогут в разработке эффективных методик контроля и оценки технического состояния канатов, что является ключевым для обеспечения их надежной и безопасной эксплуатации.

Таблица 1.1 - - Примеры дефектов стальных канатов прядевой конструкции

№ п/п

Критерии браковки

Обрывы наружных проволок

Поверхностный износ каната

Нормы браковки согласно нормам

Согласно табл. 5 ФНП

2.1 Уменьшение диаметра каната на

7% и более;

2.2 Уменьшение диаметра наружных проволок на 40% и

более

Фото- «образы» дефектов стальных канатов

Поверхностная коррозия каната

3.1 Уменьшение диаметра каната на

7% и более;

3.2 Уменьшение диаметра наружных проволок на 40% и

более

Местное увеличение или уменьшение диаметра каната

Уменьшение или увеличение на 3% диаметра каната от номинального у малокрутящихся и на 10% у остальных канатов

Разрыв прядей

Разрыв одной или нескольких прядей каната

1

2

3

4

5

Волнистость

Корзинообразность

При совпадении направления спирали

волнистости с направлением свивки каната и равенства шага волнистости и шага свивки каната при dв>1,08dк (где dв и dк, соответственно, диаметр волнистости и диаметр каната). В остальных случаях при dв>1,33dк

Отслоение нескольких наружных прядей

Раздавливание каната

Раздавливание каната

Выдавливание (отслоение) проволок, прядей или сердечника

Выдавливание (отслоение) проволок, прядей или сердечника

Сплющивание диаметра каната в результате механического воздействия

Сплющивание диаметра каната в результате механического воздействия

Перекручивание

Перекручивание

6

7

Перегиб (залом)

Температурное

воздействие (электрический дуговой разряд или удар молнии)

Перегиб (залом)

При обнаружении на поверхности каната сажи, обгорелости, характерного изменения цвета

8

Обрывы наружных проволок рисунок 1.1, являются наиболее частыми дефектами канатов прядевой конструкции. Обрывы подсчитываются на фиксированной длине участков каната с высокой интенсивностью этих дефектов, равной 6d и 30d, где d - паспортный диаметр каната.

Рисунок 1.1 - Обрывы проволок стальных канатов

Под фиксированной длиной равной 6 и 30 его диаметра понимается отрезок стального каната (рисунок 1.2), на котором одна из прядей делает полный оборот вокруг сердечника, расположенного в центральной его части.

На рисунке 2.3 показана конструкция 6-ти прядного каната диаметром 18 мм с полосами на его поверхности, определяемые длины, равные 6 и 30 его диаметра.

Рисунок 1.2 - фиксированная длина равная 6d и 30d

Разрывы наружных проволок каната происходят из-за воздействия различных нагрузок. При прохождении каната через ролики и шкивы возникают комбинированные нагрузки, включая растяжение и скручивающие напряжения. Эти напряжения появляются на этапах производства проволок, формирования прядей и сборки канатов. Постоянное влияние данных нагрузок приводит к усталости материала, что в конечном итоге вызывает разрушения. В процессе учета разрывов считается, что два видимых конца одной разорванной проволоки считаются за один разрыв.

Оценка пригодности прядевых канатов для дальнейшего использования производится на основании количества оборванных проволок, как указано в таблице 1.2.

Таблица 1.2 - Число обрывов проволок, при наличии которых канаты

прядевой конструкции отбраковываются

Ss группы Типовые примеры конструкций каната Тип свивки Сочетание направлений свивки Длина контролируемого участка Допускаемое число обрывов проволок

1 6* 19(1 +6 + 6/6)+ 1 o.e. 6х 19(1+6 + 6/6) + 7х 7(1 +6) ЛК-Р ЛК-Р Крестовая 6(1 зоа 4 8

Односторонняя 6(1 30(1 2 4

2 6 х 19(1 + 9 + 9) +1 o.e. 6х 19(1 + 9 + 9)+ 7х 7(1 +6) 6х 25(1 +6;6+ 12)+ 1 o.e. 6 х 25(1 +6; 6+ 12) +7x7(1 +6) J1K-0 ЛК-О ЛК-3 J1K-3 Крестовая 6(1 зоа 6 12

Односторонняя 6(1 30(1 3 6

3 8 х 19(1 +6 + 6/6)+ 1 o.e. ЛК-Р Крестовая 6(1 30(1 5 10

Односторонняя 6(1 30(1 2 5

4 6x31(1+6 + 6/6+12)+lo. с. 6x31(1 + 6 + 6/6+ 12) +7x7(1 +6) ЛК-РО ЛК-РО Крестовая 6(1 30(1 9 19

Односторонняя 6(1 30(1 5 9

5 6x36(1+7 + 7/7+14)+lo. с. 6 х 36(1 + 7 + 7/7 + 14) + 7 х 7(1 + 6) ЛК-РО ЛК-РО Крестовая 6(1 30(1 И 22

Односторонняя 6(1 30(1 5 И

На рисунке 1.3 представлен метод подсчета обрывов наружных проволок. В контрольной зоне 1 у оборванной проволоки обнаружен только один конец, что соответствует одному обрыву. В зоне 2 у оборванной проволоки найдены оба конца, также соответствующие одному обрыву. В зоне 3 нарушение целостности одной проволоки дважды учитывается как один обрыв. В зоне 4 обнаружены два оборванных конца разных проволок, что эквивалентно двум обрывам.

Рисунок 1.3 - Пример подсчета числа обрывов наружных проволок

Изгиб каната на шкивах и роликовых устройствах балансировки приводит к относительному смещению прядей и проволок соседних слоев, что вызывает их взаимное истирание, особенно активное в наружных слоях. Интенсивность этого износа зависит от состояния ручьев шкивов и роликов, направления скручивания каната во время его перемещения, а также от скорости движения.

Если диаметр каната уменьшается на 7% и более по сравнению с его первоначальным размером из-за поверхностного износа, что видно на иллюстрации 1.4, или коррозии, как показано на рисунке 1.5, канат должен быть выведен из эксплуатации. Это правило действует даже при отсутствии видимых разрывов внешних проволок. Когда на канате обнаруживаются признаки износа или коррозии, необходимо пересмотреть допустимое количество разрывов для браковки, согласно уточнениям в таблице 1.3.

Таблица 1.3 - Нормы браковки каната по количеству обрывов

Количество обрывов от норм, % Уменьшение диаметра проволок в результате поверхностного износа или коррозии, %

85 10

75 15

70 20

60 25

50 30 и более

Канат подлежит браковке также в случае, если из-за износа или коррозии наружные проволоки теряют более 40% своего первоначального диаметра. Этот норматив применяется для оценки поверхностного износа.

Рисунок 1.4 - Износ наружных проволок каната: а) - небольшие лыски* (Лыска - техн. плоский срез на цилиндрических, конических или сферических участках детали) на отдельных проволоках

(уменьшение диаметра каната на 2%); б) - удлинение лысок в проволоках (уменьшение диаметра каната на 4%); в) - интенсивный износ всех наружных проволок каната (уменьшение

диаметра на 7%)

Рисунок 1.5 - Поверхностная коррозия проволок каната: а) - начальное окисление поверхности отдельных проволок (уменьшение диаметра каната на 2%); б) - заметное окисление поверхности всех проволок

(уменьшение диаметра каната на 4%); в) - интенсивная коррозия проволок (уменьшение диаметра на 7%)

Учитывая сложности доступа к необорванным проволокам для измерения их износа, поскольку они тесно свиты в пряди и доступны лишь с одной стороны, обеспечивающей видимость приблизительно 120 градусов окружности проволоки, в нашем исследовании применяется методика оценки износа на основе измерений ширины и длины изношенного участка проволоки, представленная на иллюстрации 1.6.

Рисунок 1.6 - Определение износа наружных проволок

Таблица 1.4 представляет собой соотношения между измеряемыми параметрами, такими как ширина и длина лыски, которые зависят от уровня износа наружной проволоки. Эти параметры являются важными индикаторами состояния проволок и помогают в оценке их пригодности для дальнейшей эксплуатации.

Таблица 1.4 — Параметры износа проволок в зависимости от ширины и

длины лыски

Уменьшение диаметра проволок из-за износа, % Длина лыски относительно диаметра проволок 1 /5 Ширина лыски относительно диаметра проволоки Ь / 8

0 0 0

10 4.92 0.6

15 5.82 0.71

20 6.56 0.80

25 7.05 0.86

30 7.63 0.93

40 8 0.98

Для вычисления параметров износа используют следующие формулы:

|=>/1-(1-2|)2; (1.1) 1- = с1д{а±Р)Ь- (1.2)

где Ь и 1 - ширина и длина лыски изношенной проволоки;

а и в - углы свивки соответственно наружных проволок в пряди и прядей в канат.

При значительном износе проволок, который приводит к уменьшению их диаметра на 40% и более, визуальное обследование позволяет выявить следующие признаки: исчезновение впадин между проволоками, образование плоских участков на внешней поверхности, а также появление характерного металлического блеска в областях наиболее интенсивного износа. Для определения степени коррозии на поверхности необходимо очистить наиболее пораженные участки и провести измерения, аналогичные тем, что применяются для оценки износа. Если выявляется хотя бы одна разорванная прядь, как показано на рисунке 1.7, канат немедленно считается непригодным для дальнейшего использования.

Список литературы диссертационного исследования кандидат наук Юсупов Александр Рашидович, 2024 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Анализ рынка лифтов и подъемных механизмов в России [Электронный ресурс] // drgroup.ru. - Режим доступа: https://drgroup.ru/445-analiz-rinka-liftov-i-podemnix-mexanizmov-v-rossii.html.

2. Ciaglia, F., Zuppichini, F. S., Guerrie, P., McQuade, M., & Solawetz, J. (2022). Roboflow 100: A Rich, Multi-Domain Object Detection Benchmark [Электронный ресурс]. arXiv:2211.13523 [cs.CV].

3. Государственный контроль и надзор [Электронный ресурс] // cntr.gosnadzor.ru. - Режим доступа: http://cntr.gosnadzor.ru/activity/control/

4. Хальфин М.Н., Короткий А.А. Влияние высокотемпературных воздействий на риск эксплуатации подъёмных канатов. Вестник Донского государственного технического университета. 2013;13(1-2): 112-117.]

5. [К вопросу обоснования безопасности пассажирского канатного транспорта на этапе проектирования/ Месхи Б. Ч., Короткий А. А., Панфилов А. В.// Безопасность жизнедеятельности. 2016. № 11 (191). с. 15- 24.]

6. Chang X., Huang H., Peng Y., Li S. Friction, wear and residual strength properties of steel wire rope with different corrosion types // Wear. 2020. Vol. 458-459. 15 October. Article 203425.

7. Guerra-Fuentes, L., Torres-López, M., Hernandez-Rodriguez, M.A.L., Garcia-Sanchez, E. Failure Analysis of Steel Wire Rope Used in Overhead Crane System // Engineering Failure Analysis. 2020. Vol. 118. Article 104893.

8. Информация о промышленной безопасности на канатных дорогах в 2018-2022 годах [Электронный ресурс] // zakon-kuzbass.ru. - Режим доступа: https://zakon-kuzbass.ru/index/news/rf-chp-na-kanatnyix-dorogax-v-2018-2022-godax.

9. Федеральные нормы и правила в области промышленной безопасности «Правила безопасности опасных производственных объектов, на которых используются подъемные сооружения». Утв. Приказом Федеральной службы по экологическому, технологическому и атомному

надзору от 26.11.2020 № 461.

10. Федеральные нормы и правила в области промышленной безопасности «Правила безопасности пассажирских канатных дорог и фуникулеров». Утв. Приказом Федеральной службы по экологическому, технологическому и атомному надзору от 13.11.2020 № 441.

11. ГОСТ Р 55964-2014 Лифты. Общие требования безопасности при эксплуатации.

12. ГОСТ Р 54999-2012 Лифты. Общие требования к инструкции по техническому обслуживанию лифтов.

13. РД РОСЭК 012-97. Канаты стальные. Контроль и нормы браковки. 1997. 52 с.

14. Хальфин М.Н., Короткий А.А., Иванов Б. и др. Крановые канаты. Новочеркасск: Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова, 2015. 127 с.

15. Панфилов А.В., Короткий А.А., Иванов Б.Ф., Панфилова Э.А. О критериях и нормах браковки канатов пассажирских канатных дорог. Брянск: Научно-технический вестник брянского государственного университета. 2021 №1. С. 53-65.

16. ГОСТ Р EN 13018-2014 «Контроль визуальный. Общие положения.

17. 19 РД 03-348-00. Методические указания по магнитной дефектоскопии стальных канатов. Утверждены постановлением Госгортехнадзора России от 30.03.2000 № 11.

18. Sukhorukov V.V., Slesarev D.A., Vorontsov A. N. Electromagnetic Inspection and Diagnostics of Steel Ropes: Technology, Effectiveness and Problems. — Materials Evaluation. 2014. V. 72. No 8. P. 1019-1027.

19. А.А. Короткий, М.Н. Хальфин и др. Дефектоскоп для неподвижных канатов//Патент на изобретение № 2313084 от 20 декабря 2007 г. по заявке 2006105578/11(006034) от 22.02.2006.

20. М.Н. Хальфин, А.Б. Гуревич, Г.П. Ксюнин. Дефектоскоп для

рудничных подъемных канатов// а.с. 1306874 СССР: МКИ В66В7/12-заявл. 30.04.85; опубл. 30.04.87, Бюл. № 16.

21. М.Н. Хальфин, А.А. Короткий, Г.П. Ксюнин и др. Способ браковки рудничных канатов// а.с. 1097553 СССР: МКИ В66В 17/08 -№3589606/22-03; -заявл. 28.04.83; опубл. 15.06.84, Бюл. № 22.

22. М.Н. Хальфин, А.А. Короткий, Г.П. Ксюнин, А.Б. Гуревич. Дефектоскоп для проверки прочности стальных канатов// а.с. 1299935 СССР: МКИ В66В7/12-№ 3878244/31; заявл.02.04.85; опубл. 30.03.87, Бюл. № 12.

23. М.Н. Хальфин, А.А. Короткий, А.Б. Гуревич и др. Дефектоскоп для рудничных подъемных канатов// а.с. 1204536 СССР: МКИ В66В7/12-№ 3781483/37-11; заявл.15.06.84; опубл. 15.01.86, Бюл. № 2.

24. М.Н. Хальфин, В.Б. Маслов, Б.Ф. Иванов, А.А. Козынко. Дефектоскоп для одъемных канатов// Патент на изобретение 2135404 РФ: МПКС1 В66В7/12-заявл. 18.02.98; опубл. 27.08.99; Бюл. № 24.

25. М.Н. Хальфин, Н.А.Глебов, Е.В. Сорокина Б.Ф. Иванов. Дефектоскоп для неподвижных канатов// Патент на изобретение 2167098 РФ: МПК В66В7/12-заявл. 18.04.2000; опубл. 20.05.2001; Бюл. № 14.

26. А.В. Павленко, М.Н. Хальфин, В.С. Пузин. Устройство для контроля параметров волнистости стальных канатов// Патент на изобретение 2254282 РФ: МПК В66В7/12-заявл. 10.03.2005; опубл. 20.06.2005; Бюл. № 17.

27. Laguerre, L.; Treyssede, F. Неразрушающая оценка семипроволочных прядей с помощью ультразвуковых направленных волн. Eur. J Environ. Civil Eng.2011, 487-500 [CrossRef]

28. N.F.Casey, P.A.A.Laura Обзор акустико-эмиссионного мониторинга канатов Ocean Eng.1997, 24, 935-947 [CrossRef]

29. А.А. Короткий, А.В. Панфилов и др. Канат и способ его дефектоскопии// Патент на изобретение 2489542 РФ: Д07В - заявл. 12.03.2012; опубл. 10.08.2013; Бюл. № 22.

30. А.А. Короткий, М.Н. Хальфин и др. Конструкция стального каната закрытого типа// Патент на изобретение 2299940 РФ: Д07В - заявл.

1.11.2005; опубл. 27.05.2007; Бюл. № 15.

31. А.А. Короткий, М.Н. Хальфин и др. Стальной канат и способ его браковки// Патент на изобретение 2299939 РФ: Д07В - заявл. 13.04.2005; опубл. 27.05.2007; Бюл. № 15.

32. А.А. Короткий, М.Н. Хальфин и др. Способ определения качества каната с металлическим сердечником// Патент на изобретение 2299170 РФ: Д07В F16G - заявл. 19.10.2005; опубл. 20.05.2007; Бюл. № 14.

33. А.А. Короткий, А.В. Панфилов и др. Способ визуально-измерительного контроля стального каната// Патент на изобретение 2775348 РФ: Д07/В В66В G 05В - заявл. 23.03.2021; опубл. 29.06.2022; Бюл. № 19.

34. Bradski, G. "The OpenCV Library". Доклад.

35. NVIDIA. "CUDA Toolkit Documentation". [Электронный ресурс]. Режим доступа: http://nvidia.com/CUDA_Toolkit_Documentation (дата обращения: 20.04.2024).

36. Paszke, A., et al. "PyTorch: An Imperative Style, High-Performance Deep Learning Library". Препринт.

37. Abadi, M., et al. "TensorFlow: Large-Scale Machine Learning on Heterogeneous Systems". [Электронный ресурс]. Режим доступа: https://tensorflow.org/Large-Scale_Machine_Learning (дата обращения: 20.04.2024).

38. Кульчицкий А. А., Мансурова О. К., Николаев М. Ю. Распознавание дефектов грузоподъемных канатов металлургического оборудования оптическим методом с помощью нейронных сетей // Черные металлы. - 2023. - № 3. - С. 81-88.

39. Wen, S., Chen, Z., & Li, C. (2018). Vision-Based Surface Inspection System for Bearing Rollers Using Convolutional Neural Networks. Applied Sciences, 8(12). https://doi.org/10.3390/app8122565

40. Olszyna G., Sioma A., Tytko A. Assessment of the condition of hoisting ropes by measuring their geometric parameters in a three-dimensional

image of their surface // Archives of Mining Sciences. - 2013. - Vol. 58, No. 3. -Pp.643-654.

41. Huang X., Liu Z., Zhang X., Kang J., Zhang M., Guo Y. Surface Damage Detection for Steel Wire Ropes Using Deep Learning and Computer Vision Techniques // Measurement. — 2020. — Vol. 161. — September. — Article No 107843. — D01:10.1016/j.measurement.2020.107843

42. Zhang G., Tang Z., Fan Y., Liu J., Jahanshahi H., Aly A.A. Steel Wire Rope Surface Defect Detection Based on Segmentation Template and Spatiotemporal Gray Sample Set // Sensors. - 2021. - Vol. 21. - P. 5401. - DOI: 10.3390/s21165401.

43. Wu Z., Shen C., Hengel A. V. D. Wider or deeper: Revisiting the ResNet model for visual recognition. Pattern Recognition. 2020. Vol. 90. P. 119133.

44. Zhao Z. Q., Zheng P., Xu S. T., Wu X. Object Detection with Deep Learning: A Review. IEEE Transactions on Neural Networks and Learning Systems. 2019. Vol. 30, No. 11. P. 3212-3232. ).

45. Garcia-Garcia A., Orts-Escolano S., Oprea S., Villena-Martinez V., Garcia-Rodriguez J. A review on deep learning techniques applied to semantic segmentation. arXiv preprint. 2017. URL: https://arxiv.org/abs/1704.06857.

46. Redmon J., Farhadi A. YOLOv3: An Incremental Improvement. arXiv preprint. 2018. URL: https://arxiv.org/abs/1804.02767.

47. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition. 2016. P. 770-778.

48. Wu Z., Shen C., Hengel A. V. D. Wider or deeper: Revisiting the ResNet model for visual recognition. Pattern Recognition. 2019. Vol. 90. P. 119133.

49. Canziani A., Paszke A., Culurciello E. An analysis of deep neural network models for practical applications. arXiv preprint. 2016. URL: https://arxiv.org/abs/1605.07678.

50. Zoph B., Vasudevan V., Shlens J., Le Q. V. Learning transferable architectures for scalable image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition. 2018. P. 8697-8710.

51. Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv preprint arXiv:2004.10934.

52. Ren, S., He, K., Girshick, R., & Sun, J. (2016). Faster r-cnn: Towards real-time object detection with region proposal networks. In Advances in neural information processing systems (pp. 91-99).

53. Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., & Berg, A. C. (2016, October). SSD: Single shot multibox detector. In European conference on computer vision (pp. 21-37). Springer, Cham.

54. Tan, M., Pang, R., & Le, Q. V. (2020). Efficientdet: Scalable and efficient object detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 10781-10790).

55. Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.

56. Redmon J., Farhadi A. YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv preprint. 2020. URL: https://arxiv.org/abs/2004.10934.

57. Ren S., He K., Girshick R., Sun J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. In NeurIPS. 2015.

58. Liu W., Anguelov D., Erhan D., Szegedy C., Reed S., Fu C. Y., Berg A. C. SSD: Single Shot MultiBox Detector. In ECCV. 2016.

59. Tan M., Pang R., Le Q. V. EfficientDet: Scalable and Efficient Object Detection. In CVPR. 2020.

60. Howard A. G., Zhu M., Chen B., Kalenichenko D., Wang W., Weyand T., Andreetto M., Adam H. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. arXiv preprint. 2017. URL: https://arxiv.org/abs/1704.04861.

61. Lin T. Y., Goyal P., Girshick R., He K., Dollar P. Focal Loss for Dense Object Detection. In ICCV. 2017.

62. Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv preprint arXiv:2004.10934.

63. Ren, S., He, K., Girshick, R., & Sun, J. (2016). Faster r-cnn: Towards real-time object detection with region proposal networks. In Advances in neural information processing systems (pp. 91-99).]

64. Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., & Berg, A. C. (2016, October). SSD: Single shot multibox detector. In European conference on computer vision (pp. 21-37). Springer, Cham.

65. Dlamini, S.; Kao, C.-Y.; Su, S.-L.; Kuo, C.-F.J. "Development of a real-time machine vision system for functional textile fabric defect detection using a deep YOLOv4 model". Text. Res. J. 2021, 92, 675-690

66. Muhammad Hussain. "YOLO-v1 to YOLO-v8, the Rise of YOLO and Its Complementary Nature toward Digital Manufacturing and Industrial Defect Detection". Machines 2023, 11(7), 677.

67. Sun, T.; Xing, H.; Cao, S.; Zhang, Y.; Fan, S.; Liu, P. "A novel detection method for hot spots of photovoltaic (PV) panels using improved anchors and prediction heads of YOLOv5 network". Energy Rep. 2022, 8, 1219-1229

68. Garcia-Garcia A., Orts-Escolano S., Oprea S., Villena-Martinez V., Garcia-Rodriguez J. A Review on Deep Learning Techniques Applied to Semantic Segmentation // arXiv: Computer Vision and Pattern Recognition, Artificial Intelligence. - 2017. - No. 1704.06857. - URL: https://doi.org/10.48550/arXiv.1704.06857.

69. Supervisely [Электронный ресурс]. URL: https://supervise.ly/ (дата обращения: 05.08.2023).

70. Visual Geometry Group. VGG Image Annotator (VIA) [Электронный ресурс]. URL: https://www.robots.ox.ac.uk/~vgg/software/via/ (дата обращения: 05.08.2023).

71. OpenCV. Система аннотации компьютерного зрения (CVAT) [Электронный ресурс]. URL: https://github.com/opencv/cvat (дата обращения: 05.08.2023).

72. Segment-anything [Электронный ресурс]. URL: https://github.com/facebookresearch/segment-anything (Дата обращения: 05.08.2023).

73. Kirillov, A., Mintun, E., Ravi, N., Mao, H., Rolland, C., Gustafson, L., Xiao, T., Whitehead, S., Berg, A. C., Lo, W.-Y., Dollar, P., Girshick, R. Segment Anything // arXiv: Computer Vision and Pattern Recognition, Artificial Intelligence, Machine Learning. - 2023. - URL: https://doi.org/10.48550/arXiv.2304.02643.

74. Segment Anything [Электронный ресурс]. - Режим доступа: https://segment-anything.com. - Дата доступа: [: 05.08.2023].

75. Sasaki, Y., "The Truth of the F-Measure," Teach. Tutor. mater., vol. 1, no. 5, pp. 1-5, 2007

76. Everingham et al., "The Pascal Visual Object Classes (VOC) Challenge," Int. J. Comput. Vision, vol. 88, no. 2, pp. 303-338, 2010

77.ГОСТ 16504-81 Система государственных испытаний продукции.

Испытания и контроль качества продукции. Основные термины и

определения.

78.ГОСТ Р 56542-2019 Контроль неразрушающий. Классификация видов и

методов.

79.ГОСТ Р 58399-2019 Контроль неразрушающий. Методы оптические.

Общие требования.

80.Г0СТ Р EN 13018-2014 Контроль визуальный. Общие положения.

81.ГОСТ 7.32-2017 СИБИД. Отчет о научно-исследовательской работе.

Структура и правила оформления.

82.ГОСТ 8.417-2002 Государственная система обеспечения единства

измерений (ГСИ). Единицы величин.

83.ГОСТ Р 8.563-2009 Государственная система обеспечения единства измерений.

84.ГОСТ Р 8.568-2017 Государственная система обеспечения единства измерений. Аттестация испытательного оборудования. Основные положения.

85.ГОСТ 8.010-2013 Государственная система обеспечения единства измерений. Методики выполнения измерений. Основные положения.

86.ГОСТ 2.102-2013 Единая система конструкторской документации. Виды и комплектность конструкторских документов.

87.ГОСТ 2.103-2013 Единая система конструкторской документации. Стадии разработки.

88.ГОСТ Р 2.105-2019 Единая система конструкторской документации. Общие требования к текстовым документам.

89.ГОСТ Р 2.106-2019 Единая система конструкторской документации. Текстовые документы.

90.Г0СТ Р 15.301-2016 Система разработки и постановки продукции на производство. Продукция производственно-технического назначения. Порядок разработки и постановки продукции на производство.

91.РД 03-606-03 Инструкция по визуальному и измерительному контролю.

92.РД РОСЭК 012-97 Канаты стальные. Контроль и нормы браковки.

ПРИЛОЖЕНИЕ А

ДОКУМЕНТЫ О ВНЕДРЕНИИ РЕЗУЛЬТАТОВ РАБОТЫ

Акт предварительных испытаний опытного образца ПАК ВИК в условиях эксплуатации ППКД «Стрела», лифт «L», производства «Doppelmayr», Австрия, реп № 413675, расположенного по адресу 354341, Краснодарский край, г. Сочи, Адлерский район, с. Эсто-Садок, ГЛК «Роза Хутор»

пос. Красная Поляна 30 августа 2023 г.

Комиссия по проведению предварительных испытаний опытного образца ПАК ВИК в составе:

Председатель комиссии:

Заместитель генерального директора ГЛК «Роза Хутор» - С.Б. Чернов;

Члены комиссии:

Начальник управления канатных дорог ГЛК «Роза Хутор» - А.П. Третьяков;

Зам. начальника управления канатных дорог ГЛК «Роза Хутор» - С.А. Филатов;

Доцент Донского государственного технического университета (руководитель ОКР) - А. В. Панфилов;

Старший преподаватель Донского государственного технического университета -А.Р. Юсупов;

Эксперт ООО ИКЦ «Мыль» - A.B. Разумовский.

провела предварительные испытания опытного образца ПАК ВИК зав. №001 К, изготовленного ООО «ИКЦ «Мысль» по конструкторской документации НРБУ.201219.500.000, изготовленной по конструкторской документации НРБУ.201219.500.000 в соответствии с программой и методикой предварительных испытаний НРБУ.201219.500.000 ПМ ПИ.

Продолжительность проведения предварительных испытаний опытного образца A4 ПАК ВИК: с 28 августа 2023 г. по 29 августа 2023 г.

Место проведения испытаний: натяжная станция пассажирской подвесной канатной дороги лифт «L» производства «Doppelmayr», Австрия, per. № 413675, пуск в эксплуатацию 2014 год, расположенного по адресу 354341, Краснодарский край, г. Сочи, Адлерский район, с. Эсто-Садок, ГЛК «Роза Хутор», диаметр несуще-тягового каната 56 мм.

При проведении предварительных испытаний проверено и установлено:

- опытный образец ПАК ВИК, зав. № 001К соответствует требованиям конструкторской документации, действующим стандартам, правилам и нормам: ГОСТ 2.102-2013, ГОСТ 2.103-2013, ГОСТ Р 2.105-2019, ГОСТ Р 2.106-2019.

- корректировка конструкторской документации не требуется.

Лист

НРБУ.201219.500.000 АПИ РУЭ

Изи. Лист Vs докуй. 1одп. Дата J