Содержание к диссертации
Введение
ГЛАВА 1. Обзор и анализ существующего положения в области изучения объектов исследования 13
1.1 Классификация методов неразрушающего контроля 13
1.2 Актуальность технической диагностики и общие моменты 19
1.2.1 Основные этапы технической диагностики 26
1.3 Акустический шум 32
1.4 Анализ уровня вибрации 43
1.5 Анализ ударных импульсов 45
1.6 Частотный анализ 47
1.6.1 Особенности использования частотного анализа в основных методах мониторинга и диагностики 49
1.7 Шероховатость 56
1.7.1 Текстура поверхности 57
1.7.2 Многообразие параметров шероховатости 58
1.7.3 Стандартизация шероховатости в России 60
1.7.4 Стандарты ИСО 64
1.8 Выбор и назначение параметров шероховатости поверхности 67
1.8.1 Амплитудные параметры 68
1.8.2 Шаговые параметры 74
1.8.3 Гибридные параметры 74
1.9 Классификация приборов для измерения текстуры поверхности 75
1.10 Способы измерения шероховатости поверхности 78
1.10.1 Сравнительный бесконтактный метод 79
1.10.2 Бесконтактный оптический метод 80
1.10.3 Контактный (щуповой) метод 81
1.10.4 Измерение шероховатости методом слепков
1.11 Постановка задач и предложение направления возможного решения 83
1.12 Выводы по главе 1 85
ГЛАВА 2. Методы и средства исследования 86
2.1 Введение во фракталы 86
2.2 Методы определения фрактальной размерности объектов 90
2.3 Описание модифицированного метода определения фрактальной клеточной размерности сигнала 95
2.4 Фрактальная клеточная размерность у фрактальных и случайных стационарных сигналов 98
2.5 Исследование влияния амплитуды сигнала на величину значения фрактальной клеточной размерности 103
2.6 Выводы по главе 2 105
ГЛАВА 3. Анализ вибрационного состояния объекта .107
3.1 Комплексный диагностический показатель 107
3.2 Методика анализа вибрационного состояния объекта и ее апробация на авиационном двигателе 108
3.2.1 Анализ полученных данных 109
3.2.2 Классификация вибросигналов по параметру Q 111
3.3 Выводы по главе 3 112
ГЛАВА 4. Анализ шероховатости поверхности 114
4.1 Общие вопросы анализа уровня шероховатости поверхности 114
4.2 Методика анализа шероховатого слоя поверхности объекта и ее апробация на запечатываемых материалах 115
4.3 Выводы по главе 4 123
ГЛАВА 5. Описание программы для исследования сигналов с объектов диагностики 126
5.1 Программа «Фрактальный анализатор сигналов» 126
5.2 Описание алгоритма работы программы 128
5.3 Выводы по главе 5 131
Заключение 132
Библиогафическии список
- Особенности использования частотного анализа в основных методах мониторинга и диагностики
- Исследование влияния амплитуды сигнала на величину значения фрактальной клеточной размерности
- Методика анализа вибрационного состояния объекта и ее апробация на авиационном двигателе
- Описание алгоритма работы программы
Введение к работе
Актуальность работы.
Проблема контроля состояния технических объектов в процессе их функционирования наиболее остро встала в связи с переходом от концепции «планово-предупредительного обслуживания» к концепции «обслуживание по состоянию». Возникла необходимость постоянного объективного мониторинга текущего состояния объекта и, как следствие, ужесточения требований к системам контроля и диагностики.
При современном развитии технологий в области технической диагностики происходит появление все большего числа специфичных параметров, нахождение которых может оказаться весьма затруднительным, а вследствие различия отечественных и иностранных стандартов, эта процедура может оказаться и недоступной. Так, например, для измерения степени шероховатости поверхности различными стандартами определено около 100 параметров, но в России наиболее рекомендуемым является всего один – среднеарифметическое отклонение профиля Ra – который отражает некоторую степень шероховатости, не учитывая шаговые параметры поверхности, гибридные параметры и степень извилистости профиля. Поэтому нахождение комплексных параметров, дающих полное объективное представление об интересующих свойствах объекта диагностики, является одной из приоритетных задач прикладной науки.
В настоящее время основным источником информации о состоянии объектов диагностики являются временные ряды наблюдений, на основе которых затем определяются различные характеристики (спектральная, корреляционная, вероятностная) процесса.
Все эти ряды обычно порождаются сложными нелинейными системами, описание которых в виде дифференциальных уравнений или дискретных отображений очень часто связано с большими трудностями. Однако, надежно установлено, что такие ряды, как правило, являются фракталами. Это означает, что, несмотря на крайнюю нерегулярность, характер их поведения остается неизменным на всех масштабах, вплоть до минимального.
Примерами фрактальных объектов могут служить вибросигналы или профили поверхности твердых тел как естественного, так и технического происхождения. Совокупность неровностей, рассматриваемых на ограниченном по площади участке поверхности, называют шероховатостью.
Неровности различных масштабов образуют иерархическую многоуровневую геометрическую структуру. На крупных неровностях располагаются меньшие по размерам, на последних - еще меньшие и т.д. Согласно современным представлениям, шероховатый слой поверхностей твердых тел может состоять из бесконечного числа подобных уровней. При этом неровности различных размерных уровней могут быть подобными по своим геометрическим свойствам. Такие поверхности называют фрактальными.
Таким образом, для объективного достоверного анализа объектов диагностики по фрактальным временным рядам требуется применение адекватных (фрактальных) алгоритмов обработки информативных сигналов.
Изучение фракталов и их свойств раскрывают работы таких ученых, как Б. Мандельброт (B. Mandelbrot), Х. Херст (H. Hurst), Э. Лоренц (E. Lorenz), Е. Федер (E. Feder), А.В. Данилец, В.Д. Борисов, Г.С. Садовый, А.А. Потапов (Институт радиотехники и электроники им. В.А. Котельникова РАН). Вопросы, связанные с фрактальным анализом сложных сигналов, активно разрабатываются профессором Ю.Н. Кликушиным и доцентом В.Ю. Кобенко в лаборатории «Идентификационные измерения сигналов» в ОмГТУ, в работах которых была высказана и обоснована идея возможности построения порядковых идентификационных шкал для распределений мгновенных значений сигналов. Проблемы диагностики и неразрушающего контроля так же активно развиваются в работах Ю.М. Вешкурцева, В.Н. Костюкова, В.Ю. Тэтэра. В области диагностики поверхности материалов работают такие ученые, как Т.Р. Томас (T.R. Thomas), М.И. Кулак, В.И. Бобров, А.Г. Варепо.
Для эффективного применения фрактальных методов анализа сигналов, требуется учитывать специфические свойства конкретных объектов диагностики. Представленная работа развивает исследования практического применения методов фрактального анализа в области вибродиагностики и оценки уровня шероховатости поверхностей материалов.
Объектами исследования выступают: 1) авиационный двигатель, проходящий полетные испытания и 2) запечатываемый материал (бумага, картон и т.п).
Предметом исследования является метод определения фрактальной клеточной размерности сигнала.
Цель диссертационной работы: разработка методов анализа параметров объектов диагностики, основанных на их фрактальных свойствах, и позволяющих расширить диапазон идентификации состояния объекта.
Для достижения поставленной цели были сформулированы и решены следующие задачи:
-
Модификация метода фрактальной клеточной размерности для применения его к анализу информативных сигналов с объектов диагностики, и выявление диагностических свойств модифицированного метода;
-
Разработка методики анализа вибрационного состояния двигателя;
-
Разработка методики анализа состояния неровного слоя поверхности материала;
-
Разработка программного обеспечения для анализа информативных сигналов с объектов диагностики с использованием модифицированного фрактального метода клеточной размерности.
Методы исследований. При выполнении исследований применялся комплексный подход, основанный на методах теории фракталов, цифровой обработки сигналов, математической статистики, статистического моделирования и теории вероятности. Обработка экспериментальных данных осуществлялась на ПК с помощью программного обеспечения, реализованного в среде программирования LabVIEW, некоторые расчеты и графики реализованы с помощью электронных таблиц.
Основные положения, выносимые на защиту:
-
Модифицированный метод нахождения фрактальной клеточной размерности информативного сигнала с объекта диагностики;
-
Результаты применения метода фрактального анализа, отражающие расширение диапазона идентификации состояния объектов диагностики, в частности авиационного двигателя и запечатываемого материала;
-
Программное обеспечение и алгоритмы обработки информативных сигналов с объектов диагностики, реализующие разработанный модифицированный метод фрактальной клеточной размерности и позволяющие определить текущее состояние объекта диагностики.
Научная новизна. В процессе исследования получены следующие научные результаты:
-
Модифицированный метод нахождения фрактальной клеточной размерности информативного сигнала, позволивший расширить диапазон идентификации состояния объектов диагностики;
-
Результаты диагностики вибрационного состояния объекта, которые демонстрируют расширение диапазона идентифицируемых состояний (увеличение количества диагностических классов) авиационного двигателя, а следовательно, позволяют производить более раннее обнаружение выхода вибрационных параметров за пределы нормы и своевременно принимать оптимальное решение о возможности дальнейшей эксплуатации объекта;
-
Результаты диагностики уровня шероховатости поверхности объекта, которые демонстрируют расширение диапазона идентификации неровного слоя поверхности запечатываемого материала и, как следствие, увеличение количества диагностических классов исследуемого объекта.
Практическая ценность работы подтверждается следующими достижениями:
-
Разработана методика применения метода определения фрактальной клеточной размерности для решения задач по объективной и комплексной оценке качества поверхности материалов, которая была испытана и внедрена в работу исследовательской лаборатории Томского политехнического университета Физико-технического института «Центр измерения свойств материалов»;
-
Результаты работы были использованы при выполнении следующих тем:
ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2007-2013 годы» государственный контракт №16.516.11.6091 от 08.07.2011 по теме: «Проведение поисковых научно-исследовательских работ в области разработки и создания оборудования для диагностики и эксплуатации энергетического оборудования»;
Аналитическая ведомственная целевая программа “Развитие научного потенциала высшей школы (2009-2011 годы)” № 1.10.11 «Исследование и разработка теоретических основ и прикладных аспектов идентификационных измерений сигналов»;
Государственное задание Министерства образования и науки Российской Федерации высшим учебным заведениям на 2012 и на плановый период 2013 и 2014 годов в части проведения научно-исследовательских работ по теме №7.3785.2011 «Разработка теоретических основ и прикладных аспектов идентификационной алгебры сигналов».
-
Результаты работы использованы в учебном процессе. Отражено в акте внедрения в учебный процесс подготовки инженеров по специальности 210106 – «Промышленная электроника» на кафедре «Технология электронной аппаратуры ОмГТУ;
-
Программное обеспечение для анализа состояния объектов диагностики с использованием фрактального подхода, подлежащее внедрению в технологический процесс производства материалов, лаборатории исследования материалов, и контролирующие органы.
Апробация работы. Основные положения диссертационной работы докладывались на научно-технических конференциях: Всероссийской молодежной научно-технической конференции «Россия молодая: передовые технологии – в промышленность» (Омск, 2009); Международной научно-технической конференции «Динамика систем, механизмов и машин» (Омск, 2010); Всероссийской научно – практической конференции ученых, преподавателей, аспирантов, студентов, специалистов промышленности и связи, посвященной 15-летию ИРСИД (Омск 2012).
Публикации. Основные научные результаты по теме диссертации опубликованы в 15 научных работах, из них в изданиях, входящих в перечень рекомендованных ВАК РФ – 4, в свидетельствах регистрации программ для ЭВМ – 5, в материалах конференций – 4, в депонированных рукописях – 2. Лично, без соавторов, выполнено 2 работы.
Структура диссертационной работы. Диссертация состоит из пяти глав, введения, заключения, списка литературы из 87 наименований, приложения. Общий объем работы составляет 153 страницы (в том числе 142 страницы основного текста), 57 рисунков, 5 таблиц, 5 приложений.
Особенности использования частотного анализа в основных методах мониторинга и диагностики
Эталонное значение указывает, какую величину будет иметь соответствующий параметр у исправного хорошо отрегулированного механизма, работавшего при такой же нагрузке и таких же внешних условиях.
Математическая модель объекта диагностики может быть представлена набором формул, по которым рассчитываются эталонные значения всех диагностируемых параметров. Каждая формула должна учитывать условия нагрузки объекта и существенные параметры внешней среды. [5]
Первым этапом оценки технического состояния любого объекта является определение номенклатуры дефектов, которые представляют наибольшую опасность для его функционирования и должны обнаруживаться в процессе диагностики. Для ее решения проводятся специальные исследования причин наиболее частых отказов объектов диагностики или их аналогов, а также тех изменений параметров состояния, которые измеряются в процессе предремонтной дефектации аналогичных объектов, отработавших межремонтный ресурс. Второй этап - это определение совокупности максимально возможных параметров состояния, диагностических признаков и диагностических параметров, которые могут быть измерены для определения технического состояния объекта. (Избыточность параметров в этой совокупности необходима для того, чтобы выбрать из всех возможных параметров те, которые наиболее доступны для измерения, имеют минимальные ошибки определения диагностических симптомов и позволяют обнаруживать дефекты на стадии их зарождения).
Как правило, вторая задача решается на основе многочисленных опубликованных результатов исследований влияния дефектов на разные параметры состояния и диагностические параметры сигналов контролируемых объектов.
Следующий, третий этап оценки технического состояния - это оптимизация совокупности измеряемых параметров состояния и диагностических параметров. Эта совокупность должна отражать развитие всех дефектов, определяющих ресурс контролируемого узла или машины в целом. При этом желательно, чтобы каждый параметр из выбранной совокупности зависел бы преимущественно от одного вида дефекта. При выборе параметров предпочтение отдается тем, которые в значительной степени зависят от дефектов и слабо - от режимов и условий работы, наиболее доступны для измерения, имеют минимальные ошибки определения диагностических симптомов и позволяют обнаруживать дефекты на стадии их зарождения.
Для оценки технического состояния объекта необходимо определять для каждого параметра не только его эталонное значение, которое характеризует состояние бездефектного объекта, но и его пороговые значения, характеризующие состояние объекта с дефектом определенной величины, т.е. определяющие допустимую величину изменения данного контролируемого параметра.
После решения третьей, наиболее сложной с практической точки зрения задачи, оптимизации диагностических параметров с построением эталонов и пороговых значений, необходимо выбрать методы и технические средства измерений и анализа диагностических сигналов, а также, если это возможно, параметров состояния объекта диагностики. На этом этапе также осуществляется выбор точек контроля диагностических параметров и режимов работы объекта во время диагностирования. Основной задачей этого выбора является минимизация затрат на диагностические измерения без потерь качества диагностики, т.е. с сохранением минимальной вероятности пропуска дефектов в процессе диагностирования.
Следующий этап, пятый этап - создание диагностической модели, т.е. совокупности диагностических параметров и правил их измерения, их эталонных значений и пороговых значений дефектов. Кроме этого в диагностическую модель входят правила принятия решений в тех случаях, когда одним и тем же дефектам соответствует группа различных признаков и параметров и, что не менее сложно, когда один и тот же признак или параметр отвечает за появление разных дефектов в различных режимах работы объекта диагностики.
Современные системы диагностики, кроме оценки состояния объекта дают возможность прогноза его работоспособности. Для этого анализируются тренды, представляющие собой зависимость диагностических симптомов от времени.
На рис. 1.3 а представлен тренд, характеризующий четыре этапа изменения характеристик вибрации, что соответствует четырем этапам жизненного цикла машины или оборудования. Первый этап ТІ - приработка машины, второй Т2 - нормальная работа, третий ТЗ - развитие дефекта, четвертый Т4 - этап деградации (устойчивое развитие цепочки дефектов с момента, когда появляется потребность в обслуживании или ремонте объекта, до момента возникновения аварийной ситуации).
Наибольшая практическая сложность для решения задач диагноза и прогноза состояния машин возникает на первом этапе. Это обусловлено возможностью появления специфических дефектов изготовления и монтажа машины, многие из которых после приработки исчезают, что затрудняет дальнейшую оценку ее состояния.
Существует два основных вида прогнозирования состояния объектов диагностики. Первый - по тренду, построенному в результате аппроксимации ретроспективных данных диагностических симптомов с дальнейшей экстраполяцией аппроксимирующей функции.
Исследование влияния амплитуды сигнала на величину значения фрактальной клеточной размерности
В спектре огибающей высокочастотной вибрации можно наблюдать за развитием одновременно всех имеющихся дефектов по величинам превышения гармонических составляющих на определенных частотах над фоном. Таким образом, появляется возможность определения парциальных глубин модуляции, т.е. глубин модуляции для каждого из имеющихся дефектов. Это позволяет определять степень развития всех дефектов и идентифицировать их вид. Следовательно, имеется возможность прогнозировать состояние диагностируемого узла, т.к. каждый вид дефекта имеет свою скорость развития.
К достоинствам метода анализа параметров модуляции высокочастотной случайной вибрации, т.е. спектрального анализа огибающей, можно отнести следующее моменты.
1. Возможность локализации дефекта. Она определяется свойством высокочастотной вибрации быстро затухать при распространении, что позволяет оценивать техническое состояние именно того узла, вблизи которого установлен датчик вибрации. По этой же причине спектр огибающей высокочастотной вибрации не «затемнен» составляющими от других узлов контролируемой машины или оборудования, что повышает достоверность диагноза.
2. Высокая чувствительность. В отличие от спектрального анализа низкочастотной и среднечастотной вибрации, где требуются относительно большие силы для ее возбуждения, а, следовательно, достоверно обнаружить можно только развитые дефекты, для изменения параметров высокочастотной вибрации требуется гораздо меньшие силы, поэтому наличие даже зарождающихся дефектов приводит к появлению модуляции высокочастотной вибрации контролируемого узла, а значит и к появлению гармонических составляющих в спектре огибающей этой вибрации.
3. Высокая достоверность определения вида и величины каждого из дефектов. Если сравнивать метод огибающей со спектральными методами анализа низкочастотной и среднечастотной вибрации, то высокая достоверность определяется использованием не абсолютных значений составляющих вибрации, как при спектральном анализе, а относительных значений - парциальных глубин модуляции. При изменении уровня вибрации, например, из-за изменения коэффициента усиления или изменения чувствительности датчика, глубина модуляции, обусловленная появлением дефекта, остается неизменной. В отличие от известного метода анализа высокочастотной вибрации, названного методом резонансной демодуляции, когда анализируются собственные колебания контролируемого узла, методом огибающей анализируются вынужденные колебания, которые полностью передают характеристики колебательных сил. Как следствие, резкое уменьшение погрешности определения свойств и отличительных признаков дефектов, что также повышает достоверность идентификации вида дефекта и степени его развития.
4. Возможность постановки диагноза и прогноза по однократным измерениям вибрации. Она определяется использованием относительных измерений, т.е. измерений глубин модуляции высокочастотной вибрации, и отсутствием каких бы то ни было гармонических составляющих в спектре огибающей бездефектного подшипника. Знание предельных глубин модуляции всех возможных сильных дефектов и скоростей развития каждого вида дефекта позволяет не только определять вид и степень развития любого дефекта, но и прогнозировать время безаварийной работы контролируемого узла без предварительного построения эталонов. Исключение составляет только дефект смазки, для определения которого создается эталон или по нескольким первым измерениям (обычно по трем), или по группе однотипных машин (обычно не менее пяти).
Таким образом, метод огибающей высокочастотной вибрации позволяет обнаружить, идентифицировать и прогнозировать состояние подшипников качения с дефектами, сопровождающимися появлением модуляции высокочастотной вибрации из-за изменения сил трения и появлением высокочастотных импульсов из-за возникновения микроударов. Из всех рассмотренных методов наиболее эффективным и чувствительным для диагностики многих видов узлов машин и оборудования является метод, основанный на анализе спектра огибающей их высокочастотной вибрации. Однако в том случае, когда узел находится в стадии деградации и в нем имеется целый ряд развитых дефектов, модуляция его высокочастотной вибрации приобретает случайный характер в результате суперпозиции многих модуляционных процессов. В этом случае высокочастотная вибрация вновь становится стационарным процессом с постоянной во времени мощностью, поэтому, для того чтобы по одиночным измерениям обнаружить предаварийные состояния машины или оборудования, наиболее целесообразно, кроме метода огибающей, использовать и спектральный анализ их низкочастотной и средне-частотной вибрации. В таком случае окончательный диагноз ставится по результатам совместного спектрального анализа вибрации (при этом эталон может быть построен по группе однотипных машин, обычно пять машин) и спектрального анализа огибающей ее высокочастотных составляющих.[5]
С увеличением объемов производства и требований к качеству обработки поверхностей все более возрастают требования к правильному нормированию параметров текстуры поверхности и методам их измерений. За последние годы в мире накоплен огромный опыт в использовании связи качества поверхности с функциональным назначением деталей. За счет оптимального нормирования параметров шероховатости и их технологического обеспечения достигнуто значительное улучшение качества машин и механизмов.
Методика анализа вибрационного состояния объекта и ее апробация на авиационном двигателе
Понятия «фрактал» и «фрактальная геометрия», появившиеся в конце 70-х, с середины 80-х прочно вошли в обиход математиков и программистов [31].
Повторим, определенное в прошлой главе понятие фрактал. Фракталами называются геометрические объекты: линии, поверхности, пространственные тела, имеющие сильно изрезанную форму и обладающие свойством самоподобия. Так же, обязательным условием для фракталов, является дробная метрическая размерность, значение которой строго больше топологической. Многочисленные исследования [55-60] показывают, что фрактальная геометрия является обобщением евклидовой, имеющей дело с целочисленными, топологическими размерностями (0-точка, 1-линия, 2-плоскость, 3-объем).
Основоположник теории фракталов франко-американский математик Бенуа Мандельброт образовал термин фрактал от латинского причастия fractus. Он предложил его в 1975 году для обозначения нерегулярных, но самоподобных структур, которыми он занимался. В его работах [32-48] использованы научные результаты ученых, работавших в период 1875-1925 годов в той же области (Пуанкаре, Фату, Жюлиа, Кантор, Хаусдорф и другие). Но только в наше время удалось объединить их работы в единую систему.
Соответствующий глагол frangere - переводится как ломать, разламывать, т.е. создавать фрагменты неправильной формы. Самоподобие как основная характеристика фрактала означает, что он более или менее единообразно устроен в широком диапазоне масштабов. Что означает, что при увеличении маленькие фрагменты фрактала получаются очень похожими на большие. Это предопределяет масштабную инвариантность (скейлинг) основных геометрических особенностей фрактального объекта, их неизменность при изменении масштаба. Конечно, для реального природного фрактала существуют некоторые минимальный Lmin и максимальный Lmax масштабы длины, ограничивающие область Lmin :L«Lmax (область скейлинга), вне пределов которой основное свойство фрактала - самоподобие - пропадает. Хотя это может быть связано с относительностью подхода анализа. На малом масштабе, например, наблюдатель не видит повторение фигуры т.к. это может быть аппаратное ограничение приборов наблюдения, а на большом масштабе - ограничением видимой области.
Фрактальные формы удивительно широко распространены в природе (береговая линия, гористый рельеф, река, дерево и т.д.). Известны фрактальные структуры веществ, фрактальные структуры множеств и случайных процессов.
При проведении физических исследований (в том числе и оптических) фрактальные признаки могут быть обнаружены в структуре регистрируемых сигналов и полей. Часто, фрактальность проявляется в поведении функций, характеризующих распределение физических величин во времени и пространстве.
Геометрические фракталы самые наглядные. В двухмерном случае их получают с помощью некоторой ломаной (или поверхности в трехмерном случае), называемой затравкой или первоначальным генератором. За один шаг алгоритма каждый из отрезков, составляющих ломаную, заменяется на ломаную-генератор, в соответствующем масштабе. В результате бесконечного повторения этой процедуры, получается геометрический фрактал. На рис. 2.1-2.4 представлены наиболее известные геометрические фракталы и их первоначальные генераторы.
В настоящее время, наибольшее применение фракталы нашли в машинной графике и компьютерных системах сжатия информации. Они приходят на помощь, когда требуется задать линии и поверхности очень сложной формы всего с помощью нескольких коэффициентов. С точки зрения машинной графики, фрактальная геометрия незаменима при генерации искусственных облаков, гор, поверхности моря. Подтверждением тому являются сверхреалистичные изображения природы в компьютерных играх и искусственных тестах для ПК. Фактически найден способ легкого представления сложных неевклидовых объектов, образы которых весьма похожи на природные [49-54].
Описание алгоритма работы программы
В пятой главе представлено описание программы «Фрактальный анализатор сигналов», с помощью которой были проведены практические исследования предложенного метода и методики его применения для анализа сигналов различного происхождения.
«Фрактальный анализатор сигналов» может применяться для исследования и сравнения нескольких параметров (например, фрактальных, статистических) у разных сигналов. При специализированной доработке может служить тестером качества поверхности материала, работающим в полуавтоматическом или полностью автоматическом режиме, в зависимости от аппаратной реализации измерительной части устройства. Например, совмещение электронного профилометра и компьютера с установленной программой управления им и программой «Фрактальный анализатор сигналов», работающей с потоком данных, идущих с профилометра через доступный интерфейс (RS-485/RS-232/Ethernet/USB), позволит определять качество поверхности материала в псевдо реальном масштабе времени, что приведет к увеличению скорости измерения шероховатости и принятия решения о допуске материала к работе. Принятие верного решения гарантировано наличием базы эталонных значений параметра Q, соответствующих определенному уровню шероховатости поверхности подтвержденных экспертами в данной области.
Дополнительно, разработанное программное обеспечение, имеющее описанный алгоритм работы, позволит проводить дальнейшие более широкие исследования в области применения фрактальных методов для задач классификации и идентификации сигналов.
В диссертации изложены научно обоснованные теоретические разработки в области применения фрактальных методов для оценки состояния объектов диагностики. Внедрение этих разработок будет способствовать научно-техническому прогрессу в полиграфической, машиностроительной и металлообрабатывающей промышленности. Разработаны практические рекомендации по использованию фрактальных методов для идентификации вибрационного состояния машин, и состояния поверхности бумаг. В ходе выполнения диссертационной работы были получены следующие основные результаты:
1. Разработан модифицированный метод фрактальной клеточной размерности, позволяющий идентифицировать фрактальные сигналы с относительной погрешностью до 10%, случайные стационарные сигналы - до 4%, а сигналы с законом распределения Коши - до 7%.
2. Разработана методика анализа вибрационного состояния двигателя, основанная на анализе вибросигналов, которая расширяет диапазон идентификации вибрационного состояния двигателя, в среднем, в 2,6 раза. При этом динамический диапазон значения диагностического параметра Q относительно диапазона значения СКЗ увеличен примерно в 1,3 раза на низких значениях вибрации, и примерно в 3 раза при высоких значениях вибрации. Полученное улучшение позволяет производить более раннее обнаружение выхода вибрационных параметров за пределы нормы и своевременно принимать оптимальное решение о возможности дальнейшей эксплуатации объекта. Соответственно, точное определение состояния объекта, теоретически, позволяет повысить безопасность его эксплуатации и экономический эффект.
3. Разработана методика анализа состояния неровного слоя поверхности материала, которая позволила расширить диапазон идентификации неровного слоя поверхности объекта, в среднем в 1,4 раза по отношению к стандартному параметру Ra. При этом динамический диапазон значения диагностического параметра Q, относительно диапазона параметра Ra, в области ровных бумаг увеличен примерно в 1,6 раза, в области бумаг со средним значением неровности поверхности - примерно в 1,2 раза, а в области неровных бумаг - в 1,3 раза. Данное улучшение позволяет производить более точную идентификацию качества поверхности неровного слоя запечатываемого материала, снизить процент ошибок при дальнейшем планировании его (материала) применения, и, теоретически, повысить экономический эффект и безопасность.
4. Использование фрактального подхода, для анализа уровня шероховатости поверхности объекта, сокращает необходимое количество определяемых параметров до 2-х (Dc и Ra), совместное использование которых позволяет отказаться от кропотливого анализа и сопоставления многочисленных амплитудных, шаговых и комбинированных параметров, используемых при текущих методах диагностики. Теоретически, данная возможность позволит снизить затраты на оборудование и время диагностики.
5. Разработано программное обеспечение для анализа информативных сигналов, которое реализует модифицированный метод фрактальной клеточной размерности и методику его применения и позволяет анализировать информативные сигналы по их фрактальным свойствам. Данная программа имеет свидетельство о регистрации программ для ЭВМ в ОФЕРНИО. Использование данной программы позволило ввести обучающий курс для инженеров по специальности 210106 - «Промышленная электроника» на кафедре «Технология электронной аппаратуры» ОмГТУ.
6. Немаловажным фактом является то, что полученный комплексный диагностический параметр Q является числовым отображением свойства объекта диагностики, например, шероховатости поверхности, который позволяет использовать его для автоматических измерений без участия человека. Окончательное решение может принимать автоматический программно-аппаратный комплекс, имеющий в своем составе техническое оборудование для получения сигнала, несущего информацию о шероховатости поверхности материала, плату ввода, по сути, аналого-цифровой преобразователь, интерфейс связи с устройством обработки, ПК, либо встроенный процессор обработки данных, и ПО, реализующее методику, описанную в части З.1., и исполнительные механизмы, осуществляющие сортировку материала. Автоматизация процессов диагностики, безусловно, приведет к повышению производительности производства и качества выпускаемой продукции.
На основании анализа результатов проведенных исследований можно утверждать, что методы фрактального анализа могут быть с успехом использованы для идентификации информативных свойств объектов диагностики.
