blackmetИзвестия высших учебных заведений. Черная МеталлургияIzvestiya. Ferrous Metallurgy0368-07972410-2091National University of Science and Technology "MISIS"10.17073/0368-0797-2019-2-134-140blackmet-1586Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И АВТОМАТИЗАЦИЯ В ЧЕРНОЙ МЕТАЛЛУРГИИINFORMATION TECHNOLOGIES AND AUTOMATIC CONTROL IN FERROUS METALLURGYПРОГРАММНО-АППАРАТНЫЙ КОМПЛЕКС АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ НЕРАЗРУШАЮЩЕГО КОНТРОЛЯ ДЕФЕКТНОСТИ ОТЛИВОКSOFTWARE AND HARDWARE AUTOMATED SYSTEM OF CASTS DEFECTS NON-DESTRUCTIVE MONITORINGКнязевС. В.KnyazevS. V.

к.т.н., доцент кафедры материаловедения, литейного и сварочного производства

Cand. Sci. (Eng.), Assist. Professor of the Chair “Materials, Foundry and Welding Production”

krookia@mail.ruСкопичД. В.SkopichD. V.

директор

Director

skdv@mail.ruФатьяноваЕ. А.Fat’yanovaE. A.

инженер

Engineer

УсольцевА. А.Usol’tsevA. A.

к.т.н., доцент кафедры материаловедения, литейного и сварочного производства

Cand. Sci. (Eng.), Assist. Professor of the Chair “Materials, Foundry and Welding Production”

usa_60@mail.ruКуценкоА. И.KutsenkoA. I.

к.т.н., начальник управления научных исследований

Cand. Sci. (Eng.), Head of Department of Scientific Researches Management

aik_mail@mail.ruСибирский государственный индустриальный университетРоссияSiberian State Industrial University, Novokuznetsk, Kemerovo RegionRussian FederationООО «Индас Холдинг»РоссияINDUS Holding LLC, Novokuznetsk, Kemerovo RegionRussian Federation201929032019622134140Copyright © Князев С.В., Скопич Д.В., Фатьянова Е.А., Усольцев А.А., Куценко А.И., 20192019Князев С.В., Скопич Д.В., Фатьянова Е.А., Усольцев А.А., Куценко А.И.Knyazev S.V., Skopich D.V., Fat’yanova E.A., Usol’tsev A.A., Kutsenko A.I.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://fermet.misis.ru/jour/article/view/1586

Внедрение «Автоматизированной системы пооперационного контроля производства отливок (АС ПКПО)» является основой комплексной автоматизированной системы управления производством (АСУП). Она выполняет три основные задачи: контроля и учета (хода производства, изделий, материалов и пр.), повышения качества литья и оперативного управления технологическими процессами. Решение этих задач было выполнено за счет автоматизации сбора данных в реальном времени по всем производственным операциям, учета материальных потоков, создания оперативных каналов связи, а также централизованного сбора, обработки и представления данных сервером технологической информации. Следующим этапом в построении эффективной АСУП является стабилизация качества продукции при изменении внешних условий, например, качества материалов, и оптимизации производства (изменение технологии с целью снижения себестоимости при неизменном или более высоком качестве продукции). Второй этап основан на математической обработке и анализе данных, поступающих от АС ПКПО, позволяет определить оптимальные диапазоны параметров технологических процессов – «Автоматизированная система оптимизации и анализа хода производства (АС ОАХП)». АС ОАХП состоит из двух подсистем: анализа качества и управления технологией. Первая решает задачи анализа данных и моделирования, вторая – расчета в реальном времени оптимальных параметров процессов и прогнозирования. Задачи этапов конкурируют за доступ к разным аппаратным ресурсам. Наиболее критичным параметром для АС ПКПО является производительность дисковых массивов сервера, для АС ОАХП – производительность процессора. В  том и другом случаях масштабирование системы эффективно решается за счет распараллеливания операций по разным серверам, образующим кластер, и по разным процессорам (ядрам) на одном сервере. Для обработки изображений дефектов и получения причинно-следственных характеристик можно воспользоваться программным пакетом OpenCV, который представляет собой библиотеку компьютерного зрения с открытым исходным кодом. В процессе обработки использовались оператор Собеля, фильтр Гаусса и бинаризация. В основе их лежит обработка пикселей с помощью матриц. Операции над пикселями независимы и могут выполняться параллельно. Задача кластеризации сводится к определению экспертным способом или с использованием различных математических алгоритмов принадлежности дефектов по совокупности значений зависимых факторов к определенному кластеру (блоку данных). Таким образом формируются блоки данных по критерию причины дефекта. Вычисление блока данных, к которому принадлежит дефект изделия, может оказаться весьма ресурсоемкой операцией. Для повышения эффективности систем распознавания образов и распараллеливания операций поиска имеет смысл размещение кластеров данных на разных серверах. В итоге возникает необходимость в распределенной базе данных. Это особый класс СУБД, для которого необходимо соответствующее программное обеспечение. Создание АС ОАХП на основе многоузлового кластера с  установленной СУБД ApacheCassandra и использование на каждом узле видеокарт компании Nvidia, поддерживающих технологию CUDA, будет являться наиболее дешевым и эффективным решением. Видеокарты выбираются исходя из необходимого количества графических процессоров на узле.

Introduction of the “Automated system for operational control of casts production (OCCP AS)” makes the basis of an integrated automated production control system (APCS). It performs three main tasks: control and recording (production, products, materials, etc.), improving quality of casts and operational management of technological processes. Solution of these tasks was accomplished through automating data collection in real time for all production operations, recording material flows, creating operational communication channels, as well as centralized collection, processing and representation of data by the process information server. The next step in building an effective automated control system is to stabilize product quality in changing external conditions, for example, quality of materials, and to optimize production (technology change in order to reduce costs for constant or higher product quality). The second stage is based on mathematical processing and analysis of data coming from OCCP AS, it allows to determine optimal ranges of parameters of technological processes  – “Automated system for optimization and analysis of production progress (OAPP AS)”. OAPP AS consists of two subsystems: quality analysis and technology management. The first solves the problem of data analysis and modeling, the second – calculation of real-time optimal process parameters and real time prediction. The stages tasks compete for access to different hardware resources. The most critical parameter for OCCP AS is performance of server disk arrays, for OAPP AS it is processor performance. In either case, system scaling is effectively solved by parallelizing operations across different servers, forming a cluster, and across different processors (cores) on the same server. To process defect images and to obtain cause-and-effect characteristics, you can use OpenCV software package, which is an open source computer vision library. In course of processing, Sobel operator, Gauss filter and binarization were used. They are based on processing pixels using matrices. Operations on pixels are independent and can be performed in parallel. The task of clustering is reduced to definition of an expert method or using various mathematical algorithms for defects belonging to a specific cluster (data block) through a set of values of dependent factors. Thus, data blocks are formed by the criterion of the defect cause. Calculation of a data block to which a product defect belongs can be very resource-intensive operation. To increase efficiency of image recognition systems and parallelization ofsearch operations, it makes sense to place data clusters on different servers. As a result, there is a need for a distributed database. This is a special class of DBMS, which requires appropriate software. Generation of OAPPAS based on a multi-node cluster with ApacheCassandra DBMS installed and using Nvidia video cards supporting CUDA technology on each node will be the cheapest and most effective solution. Video card is selected based on required number of graphics processors on the node.

отливкапроцессдефектыконтрольавтоматизацияпрогнозированиемоделированиеуправлениеcastprocessdefectscontrolautomationpredictionmodelingmanagementReferencesKnyazev S.V., Usoltsev A.A., Skopich D.V., Fatyanova E.A., Dolgopolov A.E. Automated system of control and diagnostics of cast-steel defects in the mass production // IOP Conference Series: Materials Science and Engineering. 2016. Vol. 150. P. 1 – 5 (012039).Knyazev S.V., Usoltsev A.A., Skopich D.V., Fatyanova E.A., Dolgopolov A.E. Automated system of control and diagnostics of caststeel defects in the mass production. IOP Conference Series: Materials Science and Engineering. 2016, vol. 150, pp. 1–5 (012039).Antipenko V.I., Knyazev S.V. Diagnostics of steel castings production with the aid of technological pilot samples. Soviet Castings Technology (English Translation of Liteinoe Proizvodstvo). 1987. No. 7. P. 34.Antipenko V.I., Knyazev S.V. Diagnostics of steel castings production with the aid of technological pilot samples. Soviet Castings Technology (English Translation of Liteinoe Proizvodstvo). 1987, no. 7, pp. 34.Князев С.В., Скопич Д.В., Фатьянова Е.А., Усольцев А.А., Куценко А.И. Ключевые показатели качества стали литых изделий для железодорожного транспорта // Изв. вуз. Черная металлургия. 2017. № 2. С. 128 – 132.Knyazev S.V., Skopich D.V., Fat’yanova E.A., Usol’tsev A.A., Kutsenko A.I. Key indicators of steel quality of cast products for railway transport. Izvestiya. Ferrous Metallurgy. 2017, no. 2, pp. 128–132. (In Russ.).Cheprasov A.I., Knyazev S.V., Usoltsev A.A., Dolgopolov A.E., Mamedov R.O. Detection of cold cracks in the cast-steels by the methods of ultrasonic and eddy-current infrared thermography // IOP Conference Series: Materials Science and Engineering. 2016. Vol. 150. Р. 1 – 5 (012026).Cheprasov A.I., Knyazev S.V., Usoltsev A.A., Dolgopolov A.E., Mamedov R.O. Detection of cold cracks in the cast-steels by the methods of ultrasonic and eddy-current infrared thermography. IOP Conference Series: Materials Science and Engineering. 2016, vol. 150, pp. 1–5 (012026).Штейн А.М., Чепрасов А.И., Клименов В.А. и др. Непрерывный контроль крупногабаритных изделий литейного производства // Изв. вуз. Физика. 2013. Т. 56. № 1-2. С. 267 – 270.Shtein A.M., Cheprasov A.I., Klimenov V.A. etc. Continuous monitoring of large-size foundry products. Izv. vuz. Fizika. 2013, vol. 56, no. 1-2, pp. 267–270. (In Russ.).Волченков Н., Моисеенков В., Сургаева Е. Стальное литье и методы повышения качества // ИЦМ «Исследовательский центр Модификатор» [Электронный ресурс]. – Режим доступа: http:// www.modificator.ru/articles/volchenkov.html, свободный. – Загл. с экрана (дата обращения 08.02.19 г.).Steel casting and quality improvement methods. Issledovatel’skii tsentr Modifikator. Electronic resource. Available at URL: http:// www.modificator.ru/articles/volchenkov.html. – Title from the screen.Воронин Ю.Ф., Камаев В.А. Проблемы обеспечения качества литых деталей грузовых вагонов // Техника железных дорог. 2010. № 3. С. 70 – 75.Voronin Yu.F., Kamaev V.A. Problems of quality assurance of freight railcars cast parts. Tekhnika zheleznykh dorog. 2010, no. 3, pp. 70–75. (In Russ.).Москалев В.А., Чахлов В.Л. Бетатроны. – Томск: Изд-во Томского политехнического университета, 2009. – 267 с.Moskalev V.A., Chakhlov V.L. Betatrony [Betatrons]. Tomsk: Izdvo Tomskogo politekhnicheskogo universiteta, 2009, 267 p. (In Russ.).Клименов В.А., Алхимов Ю.В., Штейн А.М., Касьянов С.В., Бабиков С.А., Батранин А.В., Осипов С.П. Применение и развитие методов цифровой радиографии для технической диагностики неразрушающего контроля и инспекции // Контроль. Диагностика. 2013. № 13. С. 31 – 42.Klimenov V.A., Alkhimov Yu.V., Shtein A.M., Kas’yanov S.V., Babikov S.A., Batranin A.V., Osipov S.P. Application and development of digital radiography methods for technical diagnostics in non-destructive testing and inspection. Kontrol’. Diagnostika. 2013, no. 13, pp. 31–42. (In Russ.).Klimenov V., Osipov S., Shtein A., Ovchinnikov A., Ustinov A., Danilson A. Investigations and non-destructive testing in new building design // Journal of Physics: Conference Series. 2016. Vol. 671. No. 1. Р. 012 ‒ 027.Klimenov V., Osipov S., Shtein A., Ovchinnikov A., Ustinov A., Danilson A. Investigations and non-destructive testing in new building design. Journal of Physics: Conference Series. 2016, vol. 671, no. 1, pp. 012‒027.Копаница Д.Г., Тамразян А.Г., Усеинов Э.С., Рыбак Я. Экспериментальные исследования стыков железобетонных конструкций на обжимных муфтах неразрушающими методами контроля // Изв. вуз. Технология текстильной промышленности. 2017. № 4 (370). С. 332 – 337.Kopanitsa D.G., Tamrazyan A.G., Useinov E.S., Rybak Ya. Experimental studies of joints of reinforced concrete structures on crimp couplings by non-destructive control methods. Izv. vuz. Tekhnologiya tekstil’noi promyshlennosti. 2017, no. 4 (370), pp. 332–337. (In Russ.).Чернышов Е.А., Евстигнеев А.И., Евлампиев А.А. Литейные дефекты. Причины образования. Способы предупреждения и исправления. – М.: Машиностроение, 2008. – 282 с.Chernyshov E.A., Evstigneev A.I., Evlampiev A.A. Liteinye defekty. Prichiny obrazovaniya. Sposoby preduprezhdeniya i ispravleniya [Foundry defects. The reasons of origin. Prevention and correction]. Мoscow: Mashinostroenie, 2008, 282 p. (In Russ.).Воронин Ю.Ф., Воронин С.Ю. О повышении качества и надежности железнодорожной отливки рама боковая // Литейное производство. 2012. № 5. C. 13 – 15.Voronin Yu.F., Voronin S.Yu. On improving quality and reliability of solebar rail cast. Liteinoe proizvodstvo. 2012, no. 5, pp. 13–15. (In Russ.).Voronin Y.F., Kamaev V.A., Matokhina A.V., Karpov S.A. Computer-aided determination of defects, causes of their origination and elimination metod // Foundry. 2004. No 7. P. 17 – 24.Voronin Y.F., Kamaev V.A., Matokhina A.V., Karpov S.A. Computer-aided determination of defects, causes of their origination and elimination metod. Foundry. 2004, no 7, pp. 17–24.Дуда Р., Харт П. Распознавание образов и анализ сцен / Пер. с англ. Г.Г. Вайнштейна, А.М. Васильковского. – М.: Мир, 1976. С. 271, 272.Duda Richard O., Hart Peter E. Pattern classification and scene analysis. New York: Wiley, 1973, 512 p. (Russ.ed.: Duda R., Hart P. Raspoznavanie obrazov i analiz stsen. Мoscow: Mir, 1976, pp. 271, 272).Dawson-Howe K. A Practical Introduction to Computer Vision with OpenCV (Wiley-IS&T Series in Imag-ing Science and Technology).Dawson-Howe K. A practical introduction to computer vision with OpenCV (Wiley-IS&T Series in Imaging Science and Technology). Wiley, 2014, 234 p.– Wiley, 2014. – 234 p.Bueno Garcia G., Suarez O.D., Espinosa Aranda J.L., Salido Tercero J., Serrano Gracia I. Learning image processing with OpenCV. Packt Publishing, 2015, 232 p.Learning Image Processing with OpenCV / Bueno Garcia G., Suarez O.D., Espinosa Aranda J. L., Salido Tercero J., Serrano Gracia I. – Packt Publishing, 2015. – 232 p.Howse J. OpenCV for Secret Agents. Packt Publishing, 2015, 302 p.Howse J. OpenCV for Secret Agents. – Packt Publishing, 2015. – 302 p.Brewer Eric A. A certain freedom: Thoughts on the CAP Theorem. Proceeding of the XXIX ACM SIGACT-SIGOPS symposium on Principles of distributed computing. N.Y.: ACM, 2010, Issue 29, no. 1, pp. 335, 336.Brewer Eric A. A certain freedom: Thoughts on the CAP Theorem // Proceeding of the XXIX ACM SIGACT-SIGOPS symposium on Principles of distributed computing. – N.Y.: ACM, 2010. Iss. 29. No. 1. P. 335, 336.Rys M. Scalable SQL. Communications of the ACM. 2011, vol. 54, no. 6, pp. 48 – 53.Rys Michael. Scalable SQL. How do large-scale sites and applications remain SQL-based?// Communications of the ACM. 2011. Vol. 54. No. 6. P. 48 – 53.Karpenter Dzh., Khevit E. Cassandra. Polnoe rukovodstvo [Cassandra: The definitive guide]. DMK-Press, 2016, 400 p. (In Russ.)Карпентер Дж., Хевит Э. Cassandra. Полное руководство = Cassandra: The Definitive Guide. – ДМК-Пресс, 2016. – 400 с.Карпентер Дж., Хевит Э. Cassandra. Полное руководство = Cassandra: The Definitive Guide. – ДМК-Пресс, 2016. – 400 с.

The authors declare that there are no conflicts of interest present.