ПРОГРАММНО-АППАРАТНЫЙ КОМПЛЕКС АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ НЕРАЗРУШАЮЩЕГО КОНТРОЛЯ ДЕФЕКТНОСТИ ОТЛИВОК

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.

1. Knyazev 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).

2. 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.

3. 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.

4. 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).

5. 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.

6. 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.).

7. Воронин Ю.Ф., Камаев В.А. Проблемы обеспечения качества литых деталей грузовых вагонов // Техника железных дорог. 2010. № 3. С. 70 – 75.

8. Москалев В.А., Чахлов В.Л. Бетатроны. – Томск: Изд-во Томского политехнического университета, 2009. – 267 с.

9. 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.

10. 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.

11. 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.

12. Чернышов Е.А., Евстигнеев А.И., Евлампиев А.А. Литейные дефекты. Причины образования. Способы предупреждения и исправления. – М.: Машиностроение, 2008. – 282 с.

13. Воронин Ю.Ф., Воронин С.Ю. О повышении качества и надежности железнодорожной отливки рама боковая // Литейное производство. 2012. № 5. C. 13 – 15.

14. 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.

15. Дуда Р., Харт П. Распознавание образов и анализ сцен / Пер. с англ. Г.Г. Вайнштейна, А.М. Васильковского. – М.: Мир, 1976. С. 271, 272.

16. Dawson-Howe K. A Practical Introduction to Computer Vision with OpenCV (Wiley-IS&T Series in Imag-ing Science and Technology).

17. – Wiley, 2014. – 234 p.

18. 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.

19. Howse J. OpenCV for Secret Agents. – Packt Publishing, 2015. – 302 p.

20. 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.

21. 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.

22. Карпентер Дж., Хевит Э. Cassandra. Полное руководство = Cassandra: The Definitive Guide. – ДМК-Пресс, 2016. – 400 с.