Совершенствование метода и алгоритмов обработки информации для распознавания дефектов при вихретоковом контроле шлифованных поверхностей на основе интеллектуального анализа данных тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Игнатьев Максим Алексеевич

• Игнатьев Максим Алексеевич
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Игнатьев Максим Алексеевич

ВВЕДЕНИЕ

1. АНАЛИЗ МЕТОДОВ ОБРАБОТКИ ИНФОРМАЦИИ ПРИ ВИХРЕТОКОВОМ КОНТРОЛЕ ШЛИФОВАННОГО ПОВЕРХНОСТНОГО СЛОЯ ДЕТАЛЕЙ

1.1. Система контроля качества шлифованных поверхностей деталей

1.2. Анализ неразрушающих методов выявления дефектов в шлифованном поверхностном слое деталей

1.2.1. Основные дефекты шлифованного поверхностного слоя

1.2.2. Основные методы неразрушающего контроля качества поверхностного слоя деталей

1.3. Вихретоковый метод неразрушающего контроля

1.4. Современные методы обработки информации для обнаружения дефектов поверхностей при вихретоковом контроле

1.4.1. Методы обработки информации для распознавания образов

1.4.2. Существующие методы обработки информации для распознавания дефектов по данным вихретокового контроля

1.5. Вихретоковый контроль в системе мониторинга технологического процесса. Постановка задач исследования

2. РАЗРАБОТКА МЕТОДИЧЕСКОГО И АЛГОРИТМИЧЕСКОГО ОБЕСПЕЧЕНИЯ ОБРАБОТКИ ИНФОРМАЦИИ ПРИ ВИХРЕТОКОВОМ КОНТРОЛЕ ДЛЯ РАСПОЗНАВАНИЯ ДЕФЕКТОВ ШЛИФОВАННЫХ ПОВЕРХНОСТЕЙ ДЕТАЛЕЙ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ

2.1. Разработка методического обеспечения обработки измерительной информации при вихретоковом контроле с применением интеллектуального анализа данных

2.2. Повышение информативности вихретокового сигнала на основе метода «медианной полировки» массива данных

2.3. Алгоритм локализации областей дефектов в массиве данных вихретокового

контроля на основе энтропии Шеннона

2.4. Обработка измерительной информации для распознавания видов дефектов шлифованных поверхностей при вихретоковом контроле с применением машинного обучения

2.4.1. Определение информативных признаков вихретокового сигнала для распознавания видов дефектов шлифованных поверхностей

2.4.2. Сравнительный анализ и выбор модели машинного обучения для распознавания видов дефектов шлифованных поверхностей

2.5. Выводы

3. РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ ВИХРЕТОКОВОГО КОНТРОЛЯ ДЛЯ РАСПОЗНАВАНИЯ ДЕФЕКТОВ ШЛИФОВАННЫХ ПОВЕРХНОСТЕЙ ДЕТАЛЕЙ

3.1. Программное обеспечение для обработки данных вихретокового контроля методом медианной полировки

3.2. Программное обеспечение для локализации дефектов в массиве данных вихретокового контроля и построения карты состояния поверхности детали

3.3. Разработка модели машинного обучения для распознавания дефектов поверхностного слоя деталей по информационным признакам вихретокового сигнала

3.4. Выводы

4. РАСПОЗНАВАНИЕ ДЕФЕКТОВ ДЕТАЛЕЙ ПОДШИПНИКОВ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ ВИХРЕТОКОВОГО КОНТРОЛЯ В СИСТЕМЕ МОНИТОРИНГА ТЕХНОЛОГИЧЕСКОГО

ПРОЦЕССА

4.1. Организация мониторинга технологического процесса на промышленном предприятии с применением современных информационных технологий

4.2. Практическая реализация алгоритмического и программного обеспечения в приборах вихретокового контроля для распознавания дефектов деталей

подшипников

4.3. Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

ПРИЛОЖЕНИЕ В

ВВЕДЕНИЕ

Актуальность темы исследования. Распознавание дефектов в шлифованном поверхностном слое деталей позволяет не только отбраковывать изделия, но и совершенствовать технологический процесс. В настоящее время идентификация вида дефектов шлифованных поверхностей деталей может осуществляться при помощи вихретокового метода неразрушающего контроля, который позволяет получать информацию о состоянии поверхностного слоя детали в виде больших массивов цифровых данных, анализ и интерпретация которых затруднительны без использования специальных методов и алгоритмов обработки информации. С развитием вычислительной техники и методов интеллектуального анализа данных появилась возможность значительно повысить эффективность вихретокового контроля на основе разработки алгоритмического и программного обеспечения для обработки информационных сигналов, включая число и достоверность распознаваемых видов дефектов, а также сократить время распознавания, что в свою очередь, ведет к совершенствованию технологического процесса и повышению качества изготовляемых деталей.

Степень проработанности темы исследования. Развитием метода вихретокового контроля занимались как отечественные, так и зарубежные ученые, среди которых можно выделить работы В. В. Клюева, А. Б. Сапожникова, А. Л. Дорофеева, В. Г. Герасимова, А. Е. Шубочкина, V. Dids, F. Ferster и других исследователей. Разработкой алгоритмов анализа и обработки данных вихретокового контроля различных объектов занимались В. В. Поляков, М. А. Ганзен, Н. П. Алешин, А. В. Семенов, P. Xiang, R. Grimberg, G. Y. Tian, W. Deng и другие ученые. Ученые СГТУ имени Гагарина Ю.А. - А. А. Игнатьев, С. А. Игнатьев, Е. М. Самойлова и другие внесли значительный вклад в развитие методов распознавания дефектов шлифованного поверхностного слоя деталей по данным вихретокового контроля. Ими были разработаны алгоритмы идентификации неоднородностей шлифованной поверхности с применением Фурье- и вейвлет-преобразований, искусственных нейронных сетей. Также можно выделить работы

К. Л. Вахидовой (ГГНТУ имени академика М. Д. Миллионщикова), которые посвящены распознаванию дефектов шлифованных поверхностей на основе фрактального анализа вихретокового сигнала. Однако существующие методы обработки информации о состоянии поверхностного слоя деталей по данным вихретокового контроля имеют ряд недостатков: низкая точность и интерпретируемость алгоритмов, высокие временные и вычислительные затраты, небольшое количество распознаваемых дефектов. Также стоит отметить, что ранее не рассматривалась возможность применения методов машинного обучения (помимо искусственных нейронных сетей) для распознавания дефектов шлифованных поверхностей.

Цель диссертации: совершенствование метода и алгоритмов обработки информационных сигналов при вихретоковом контроле шлифованного поверхностного слоя деталей на основе интеллектуального анализа данных, направленного на повышение точности и снижение времени распознавания дефектов.

Для достижения поставленной цели в диссертационной работе решается ряд задач:

1. Выполнить анализ современного состояния вопроса обработки информации для распознавания дефектов шлифованного поверхностного слоя деталей при вихретоковом методе контроля.

2. Разработать метод и алгоритмы обработки цифровой информации для обнаружения и распознавания вида дефектов шлифованного поверхностного слоя с применением интеллектуального анализа данных вихретокового контроля.

3. Разработать программное обеспечение для реализации метода и алгоритмов обработки информационных сигналов для выявления и распознавания видов дефектов шлифованной поверхности.

4. Осуществить практическую реализацию метода распознавания дефектов шлифованных поверхностей деталей на основе интеллектуального

анализа данных вихретокового контроля в системе мониторинга технологического процесса для принятия решения об управлении качеством деталей.

Объектом исследования является процесс обработки информации о состоянии поверхностного слоя при вихретоковом контроле шлифованных деталей.

Предметом исследования являются методы, алгоритмы и модели интеллектуального анализа цифровых данных, полученных при вихретоковом контроле шлифованных поверхностей деталей.

Методы и средства исследования. В основе проведенных исследований лежат методы цифровой обработки информационных сигналов, системный анализ, теория распознавания образов, методы машинного обучения, статистический анализ, моделирование на ЭВМ. Обработка вихретоковых данных производилась при помощи специального программного обеспечения, разработанного на языке программирования Python. Экспериментальные данные получены с использованием прибора вихретокового контроля ПВК-К2М (внесен в Государственный реестр средств измерений, № 26079-03).

Соответствие диссертации паспорту специальности. Работа соответствует следующим пунктам специальности 2.3.1 - Системный анализ, управление и обработка информации, статистика (технические науки):

- пункт 4 «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта»;

- пункт 5 «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта»;

- пункт 10 «Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах».

Научная новизна результатов работы заключается в следующем:

1. Разработан и обоснован метод обработки информации для распознавания дефектов в поверхностном слое шлифованных деталей при вихретоковом контроле с использованием обучающего эксперимента, отличающийся применением ансамблевой модели машинного обучения типа «случайный лес» для классификации информационных сигналов в сформированном пространстве признаков, что позволяет выработать рекомендации по совершенствованию технологического процесса и способствует повышению качества изготовляемых деталей.

2. Разработано алгоритмическое обеспечение для повышения информативности результатов обработки данных вихретокового контроля, отличающиеся применением статистического метода «медианная полировка», обеспечивающего повышение соотношения сигнал-шум, что способствует более эффективному распознаванию дефектов.

3. Разработано алгоритмическое обеспечение для локализации дефектов в массиве данных вихретокового контроля, новизна которого заключается в использовании скользящего окна в сочетании с предложенным относительным классификационным признаком, а также в применении критерия информационной энтропии Шеннона для определения границ классов состояния поверхности в сформированном признаковом пространстве, что дает возможность повысить точность определения места расположения дефектов и идентифицировать несколько дефектов на одной шлифованной поверхности.

Теоретическая значимость работы. Обоснован метод обработки информационных сигналов прибора вихретокового контроля с использованием ансамблевой модели машинного обучения типа «случайный лес» для распознавания дефектов шлифованных поверхностей деталей.

Практическая значимость результатов исследования. Разработано алгоритмическое и программное обеспечение для выявления и распознавания 12 состояний поверхностного слоя шлифованных деталей. Повышена эффективность системы вихретокового контроля за счет сокращения времени обработки

вихретоковых данных (в среднем до 4,5 секунд), повышена точность определения расположения дефектов и классификации состояния поверхности в различных областях детали (89%), а также реализована идентификация нескольких дефектов на одной шлифованной поверхности. Разработанные в диссертации метод, алгоритмы и программное обеспечение внедрены в ООО «Научно-производственный комплекс прецизионного оборудования» и использованы в приборе вихретокового контроля деталей подшипников, предназначенного для встраивания в систему мониторинга технологического процесса; внедрены в учебный процесс на кафедре «Техническая механика и мехатроника» СГТУ имени Гагарина Ю.А., а также использованы для обработки экспериментальных данных и моделирования при исследовании характеристик поверхностей изделий из композиционных материалов в рамках выполнения гранта РНФ №

На защиту выносятся следующие положения:

1. Метод обработки информации для распознавания дефектов в поверхностном слое шлифованных деталей при вихретоковом контроле с использованием ансамблевой модели машинного обучения «случайный лес».

2. Алгоритмическое и программное обеспечение для повышения информативности вихретоковых данных на основе статистического метода «медианная полировка».

3. Алгоритм интеллектуального анализа вихретоковых данных, основанный на фрактальных и статистических признаках, с применением метода машинного обучения типа «случайный лес» для идентификации 12 состояний поверхностного слоя шлифованных деталей с высокой достоверностью.

4. Алгоритм локализации дефектов в массиве данных вихретокового контроля с применением скользящего окна в сочетании с предложенным относительным классификационным признаком и критерием информационной энтропии Шеннона.

5. Результаты обработки данных экспериментальных исследований качества шлифованных поверхностей на основе вихретокового контроля с применением разработанных метода, алгоритмов и программного обеспечения.

6. Внедрение разработанных метода, алгоритмов и программного обеспечения в систему вихретокового контроля, встроенную в систему мониторинга технологического процесса изготовления деталей подшипников.

Личный вклад автора. Все выносимые на защиту положения, выводы и результаты диссертационной работы получены лично автором. Постановка цели, определение основных задач осуществлялась совместно с научным руководителем работы.

Достоверность полученных результатов и выводов подтверждается их воспроизводимостью, отсутствием противоречий с опубликованными результатами других авторов, обоснованным выбором методов и алгоритмов интеллектуальной обработки данных, сходимостью теоретических основ и экспериментальных исследований.

Апробация работы. Основные положения работы докладывались на XXI Международной научно-практической конференции «Проблемы управления в социально-экономических и технических системах» (Саратов, 2025), XX Международной научно-практической конференции «Проблемы управления в социально-экономических и технических системах» (Саратов, 2024), II Международной научной конференции «Достижения в области прикладной физики и математики» (Красноярск, 2023), Всероссийской научно-практической конференции с международном участием «Current Trends in History, Culture, Science and Technology / Современные направления в истории, культуре, науке и технике» (Саратов, 2023); XIX Всероссийской конференции «Современные методы и средства обработки пространственно-временных сигналов» (Пенза, 2021); Внутривузовской конференции СГТУ имени Гагарина Ю.А. «Bringing Science to Life /Воплощая науку в жизнь» (Саратов, 2023); заседаниях кафедры «Техническая механика и мехатроника» СГТУ имени Гагарина Ю.А. в 2022-2025 гг.

Публикации. По теме диссертации опубликована 21 научная работа, в том числе 3 работы в журналах из Перечня ВАК Минобрнауки России, получено 4 свидетельства о регистрации программ для ЭВМ.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованной литературы, включающего 138 наименований, и четырех приложений. Работа изложена на 172 страницах и включает 69 рисунков, 10 таблиц. Приложения к диссертации содержат 22 страницы.

1. АНАЛИЗ МЕТОДОВ ОБРАБОТКИ ИНФОРМАЦИИ ПРИ ВИХРЕТОКОВОМ КОНТРОЛЕ ШЛИФОВАННОГО ПОВЕРХНОСТНОГО СЛОЯ ДЕТАЛЕЙ

1.1. Система контроля качества шлифованных поверхностей деталей

В настоящий момент на современных машино- и приборостроительных предприятиях активно поддерживаются принципы концепции «Индустрия 4.0», которые предполагают внедрение единого информационного пространства, облачных технологий и связанных киберфизических систем для управления и контроля производственных и других процессов на предприятии, т.е. происходит цифровизация производства, которая способствует повышению эффективности работы предприятия [20, 38, 81, 84].

На рисунке 1.1 представлен один из возможных вариантов реализации информационно-производственной системы на машиностроительном предприятии. Приведенная схема демонстрирует реализацию таких принципов системного анализа как [5, 34, 69, 74]: иерархическая декомпозиция, целостность, прямые и обратные связи, т.е. замкнутый контур управления технологическим процессом (информация о состоянии заготовки, технологического оборудования и полученной детали передаются в информационно-аналитическую систему поддержки принятия решения, которая, в свою очередь, может воздействовать на технологический процесс, в качестве таких управляющих воздействий могут выступать: решения о замене, ремонте оборудования, корректировка технологического процесса, изменение требований к заготовке и готовым изделиям и т.д.), а также сквозную передачу, агрегацию и анализ данных на различных этапах управления производством [36, 69, 74]. Стоит отметить, что одним из наиболее важных процессов, влияющих на эффективность всего промышленного предприятия, является получение и анализ данных с физического уровня технологического процесса.

Рисунок 1.1 - Информационно-производственная система промышленного предприятия на примере технологического процесса (ТП) физико-механической

обработки

При этом система мониторинга технологического процесса и управления качеством продукции играет большую роль на современных производственных объектах.

Качество выпускаемой продукции напрямую влияет на экономическую рентабельность предприятия, так как производство бракованной продукции ведет к перевыпуску изделий, что в свою очередь, увеличивает финансовые потери промышленного предприятия. Также это влияет и на производительность, так как затрачивается рабочее время на исправление ошибок, что в свою очередь, может приводить к дополнительным тратам на управление ресурсами и задержкам при выполнении коммерческих заказов. Кроме того, в условиях рыночной экономики, качество продукции напрямую влияет на удовлетворенность клиентов.

Особые требования по качеству применятся к шлифованных деталям, широко используемым в различных областях промышленности и народного хозяйства, к таким изделиям относятся подшипники. Подшипники применяются в машиностроительной и автомобильной промышленности, на транспорте, медицинской технике, аэрокосмической отрасли, сельском хозяйстве и других сферах деятельности человека. Качество деталей подшипников имеет прямое влияние на эффективность, надежность и безопасность работы различных механизмов. Низкое качество подшипников может приводить к выходу из строя всего оборудования, элементом которого они являются, и авариям, что в некоторых случаях может стать потенциальной угрозой жизни людей. Также качество деталей подшипников напрямую влияет на производительность механизмов, если в оборудование имеется подшипники низкого качества, то это может становиться причиной частых незапланированных остановок работы, расходов ресурсов и энергии (в случае необеспечения подшипником должного скольжения) и, следовательно, финансовых потерь.

Таким образом, на основании вышеизложенного можно сделать вывод, что шлифованным деталям подшипников необходим эффективный контроль качества на этапе производства.

На промышленных предприятиях контроль качества изделий и соответствия государственным стандартам, как правило, осуществляется средствами системы менеджмента качества. Одной из основных методик управления качеством является так называемый PDCA-цикл (Plan-Do-Check-Act, что можно интерпретировать как: планирование-реализация-контроль-управление) [52, 67]. На этапе планирования происходит установка целей, норм, требований и показателей качества, которые необходимо достичь, а также определяются необходимые для этого ресурсы. На этапе реализации осуществляется выполнение плана, в соответствии с которым, запускаются технологические и производственные процессы. На фазе контроля происходит сравнение наблюдаемых показателей качества с планируемыми или нормативными

значениями, происходит выявление отклонений, которые анализируются и определяются причины этих отклонений. На этапе управления устраняются причины отклонений. Затем происходит планирование с учетом этих корректировок и дальнейшие процессы по РЭСА-циклу. Данный алгоритм повторяется непрерывно, что позволяет повысить качество выпускаемой продукции и эффективность производственных процессов предприятия, а также оперативно реагировать на изменения или отклонения элементов технологического процесса [67].

Ряд процессов РЭСА-цикла может быть реализован в рамках системы мониторинга технологического процесса [33, 53, 71].

Классическая концепция мониторинга технологического процесса подразумевает диагностику, распознавание, экстраполирование, управление и корректирование параметров технологического процесса на основе анализа и обработки информации, что позволяет использовать мониторинг технологического процесса как многоконтурную обратную связь в системе менеджмента качества. При комбинации следующих факторов: высококвалифицированные специалисты, передовое качественное аппаратное и программное обеспечение, которое способно оперативно собирать, обрабатывать и предоставлять информацию о состоянии элементов технологического процесса мониторинг на производстве может свести к минимуму (или полностью исключить) количество брака, и соответственно, снизить финансовые и производственные потери, поэтому при организации мониторинга необходимо соблюдать вышеперечисленные требования. При неправильной же организации мониторинга на производстве, предприятия рискуют не только не увеличить качество выпускаемой продукции, но и нести дополнительные расходы на организацию и содержание неэффективной системы контроля качества.

К шлифованным деталям подшипников применяются особые требования по качеству, соответственно необходимо с особым вниманием подходить и к организации мониторинга технологического процесса данных изделий. Как

правило, контроль качества деталей на производстве сводится к определению годности по геометрическим характеристикам изделия (размеры, волнистость, отклонение от округлости и т.д.) и по физико-механическим параметрам поверхностного слоя деталей (сплошность, однородность структуры, твердости материала и т.д.); в первом случае для определения показателей качества используются различные измерительные приборы, это могут быть: микрометры, контурографы, координатно-измерительные машины, интерферометры и другая аппаратура [12, 14]; для исследования поверхностного слоя деталей поверхностей применяют специальные методы неразрушающего контроля (вибрационный, вихретоковый и другие), неоднородности и изменения свойств материала изделия проявляются в виде дефектов, обнаружив наличие дефекта и идентифицировав его вид, специалист может сделать вывод о качестве и особенностях поверхностного слоя объекта контроля (например, дефект пятно троостита является зоной пониженной твердости материала), а также определение вида дефекта позволяет совершенствовать технологический процесс и своевременно производить восстановительные работы производственного оборудования на основе предварительного исследования связи дефектов и причин их возникновения. Учитывая, что итоговое состояние поверхности деталей подшипников формируется на этапе шлифовальной обработки важно осуществлять мониторинг данного процесса. Помимо модуля контроля качества изделий элементами мониторинга процесса шлифовальной обработки являются подсистемы определения технического состояния производственного оборудования (например, контроль характеристик шпиндельных узлов) и параметров технологического процесса (подача, скорость вращения круга, заготовки и т.д.), эти две подсистемы мониторинга технически могут быть реализованы, например, при помощи виброизмерительного комплекса или других средств сбора и обработки информации в течении технологического процесса шлифования поверхности деталей подшипников [30, 33, 52, 111]. Четыре элемента системы мониторинга, описанные выше могут составлять две подсистемы: подсистему контроля качества

деталей подшипников и подсистему контроля качества производственного оборудования, как это показано на рисунке 1.2 [33, 52]. Совместная работа двух данных подсистем способна обеспечивать высокое качество выпускаемой продукции, согласно РЭСА-циклу в рамках единого информационного пространства предприятия, так как идентификация типа дефекта изделия позволяет определять и затем устранять проблемы и недостатки оборудования и режимов обработки, при этом контроль характеристик элементов технологического процесса обработки детали напрямую влияет на снижение количества дефектов.

Беря во внимание вышеизложенное, а также учитывая концепцию системного подхода к проектированию системы мониторинга технологического процесса при изготовлении деталей подшипников [36, 34, 84], и сложности или особенности, которые могут возникать при контроле однородности поверхностного слоя, можно сделать вывод, что разработка и внедрение эффективных метода и алгоритмов обработки информации для идентификации дефектов шлифованных поверхностей деталей (на примере подшипников) на этапе производства является важной и актуальной задачей.

Помимо метода получения информации о состоянии поверхностного слоя деталей подшипников, особые требования также предъявляются к эффективности алгоритмического и программного обеспечения. Формирование структуры поверхности шлифованных деталей подшипников является сложным, комплексным процессом, поэтому необходима высокая скорость и точность обработки информации (и ее выделения из получаемых данных). Для эффективного анализа поверхностного слоя деталей подшипников требуется применение инновационных средств, приборов, алгоритмов и методов, направленных на получение, анализ, обработку большого количества данных и обеспечение высокой точности измерений.

Мониторинг процесса ш;шф|)ьйнин

Кон i роль качества функционировании оборудования (и а предвари i с.II.-НЫХ н финишных операциях)

Контроль технического СОСТОЯНИИ оборудования

Контроль параметров технологического режима

Динамические характеристики 11]У коVI а

Динамические характеристики 1ТТ\/ пр^тапи

Равномерность перемещения рабочих органов

Влияние внешних факторов

_I_

выявление изменения значений определяющих параметров, контроль отклонений от норматив вы х значений

Скорость вращения круга

Скорость астения детали

Подача

Характеристики круга

Характеристика технологической ЖИДКОСТИ

_I_

I

Контроль kíi4L'Cibü ni id i ок. и/ннн деталей i HJ, ли ним и кое; (на нредвирп ic.il-nt.iv н финишных операциях)

Контроль геометрических параметров деталей

Контроль качества ловерхност-ного слоя

Диаметр

Радиус дорожки качения

Отклонение от круглости

Волннстость

Конусность

Однородность структуры

Однородность твердости

Введение диссертации (часть автореферата) на тему «Совершенствование метода и алгоритмов обработки информации для распознавания дефектов при вихретоковом контроле шлифованных поверхностей на основе интеллектуального анализа данных»

Нал раже нность

Нарушения СПЛОШНОСТИ _1_

Выявление изменения значений параметров качества поверхностей, контроль отклонений от нормативных значений

X

Определение степени и причин разладки технологического процесса

Принятие решения о корректировании технологического режима и (пли) технического обслуживания по состоянию оборудования

Обеспечение заданного качес тва деталей подшипников

Рисунок 1.2 - Мониторинг технологического процесса шлифования

В условиях массового производства шлифованных деталей подшипников требуется повысить производительность и эффективность системы контроля поверхностного слоя деталей путем совершенствования метода и алгоритмов обработки информационных сигналов, полученных при неразрушающем контроле изделий - это позволит снизить влияние человеческого фактора, увеличить точность, информативность анализа данных об однородности шлифованной поверхности, а также снизить количество затраченного времени на получение, обработку и интерпретацию информации.

Таким образом совершенствование метода, алгоритмического и программного обеспечения идентификации дефектов шлифованных поверхностей деталей подшипников на производстве способно улучшить точность настройки параметров и оборудования технологического процесса, увеличить эффективность контроля качества, следовательно, повысить качество выпускаемой продукции.

1.2. Анализ неразрушающих методов выявления дефектов в шлифованном поверхностном слое деталей

1.2.1. Основные дефекты шлифованного поверхностного слоя

Вследствие различных воздействий, возникающих во время физико-механической, термической и других видов обработки, свойств материала, состояния оборудования, характеристик технологического процесса и ряда других факторов поверхностный слой изготавливаемых деталей может приобрести различные особенности, например, пониженную твердость. Глубина измененного слоя поверхности детали может достигать нескольких десятков микрон. Наличие дефекта на поверхности детали может существенно снизить работоспособность всей системы, элементом которой она является. В данном параграфе рассмотрены основные дефекты поверхностного слоя шлифованных деталей [10, 52, 66, 88].

Трещины - один из наиболее распространенных видов дефектов поверхностного слоя деталей. Рассматриваемый вид дефектов можно разделить на несколько групп в зависимости от причин их зарождения: шлифовочные, термические, термошлифовочные и другие. Шлифовочные трещины - являются сетчатыми (или петлеобразными) поверхностными дефектами, одна из причины возникновения которых - повышение температуры во время шлифовальной обработки (из-за слишком больших величин силы трения и давления шлифовального круга на деталь) и затем резкое снижение температуры (из-за воздействия охлаждающих средств). Во время шлифования также могут проявляться трещины, связанные с отрицательными особенностями конкретного

металла детали обработки. Также причиной возникновения данного вида дефектов может быть чрезмерные растягивающие напряжения.

Прижог - это дефект, проявляющийся как местное изменение свойств материала изделия, вследствие изменения структуры данного материала под влиянием высоких температур в процессе физико-механической обработки. Сплошной прижог может возникать при использовании шлифовального круга чрезмерной твердости, при затуплении режущих элементов круга, а также при превышении необходимого периода шлифовальной обработки детали. Причинами образования пятнистых прижогов обычно выступают вибрации, возникающие при биении шпинделя детали и (или) вращении шлифовального круга, неправильно подобранный режим подачи, снижения качества круга, повреждение опор шпинделя, наличие неравномерно-распределённого припуска изделия. Штриховые прижоги образуются в основном из-за снижения качества круга во время шлифования, повышенной подачи, погрешности в установке обрабатываемого изделия, а также из-за недостатка смазочно-охлаждающих технологических средств или загрязнении круга.

Натир - дефект, образующийся по причине трения изделия о поверхность (вследствие частого и неаккуратного перемещения), неправильной сборки или эксплуатации детали с превышенной осевой нагрузкой, а также недостатка смазки. Натир может проявляется, как область поверхности с изменённым цветовым оттенком, а также отличающейся внешней структурой.

Дефект задир возникает вследствие абразивного износа и представляет собой глубокие царапины на поверхности шлифованных деталей. Данный дефект образуется из-за попадания сравнительно крупных металлических частиц на тела качения и их перемещения по поверхности.

Дефекты термообработки, возникающие при закалке материала в охлаждающейся жидкости называются трооститными пятнами. Эти пятна представляют собой зону с пониженной твердостью.

Дефект забоина проявляется в виде хаотично расположенных углублений различного вида на поверхности детали. Причинами возникновения подобных углублений являются удары и повреждения, происходящие при хранении, перевозке, установке и других действиях над деталями подшипников.

Срез - это дефект, который образуется из-за удаления верхнего слоя материала изделия, проявляется в виде плоских площадок на поверхности детали, и возникает при неправильной технологической обработке.

Дефект заштамповка имеет вид трещины, расположенной перпендикулярно направлению зоны деформации материала детали.

Все распространённые дефекты поверхностного слоя деталей подшипников можно условно классифицировать по их происхождению на две группы:

1. Неоднородности, возникшие на этапе физико-механической обработки (шлифования) поверхности, к ним относятся шлифовальные трещины, прижоги и ряд других.

2. Неоднородности, не связанные с процессом шлифования, например, забоина, натир и другие. В данную группу могут быть отнесены дефекты, возникшие на вспомогательных этапах технологического процесса.

Идентификация дефектов, связанных с процессом шлифования может выступать в качестве одного из контуров обратной связи при контроле режимов и параметров обработки.

Таким образом, можно определить ряд факторов, влияющих на качество шлифованных деталей и образование дефектов: состояние элементов станка, охлаждающая жидкость, режим обработки, качество круга и особенности самой детали, поэтому выявление и определение типа дефекта важно не только для отбраковки конкретной детали, но и для того, чтобы определить и устранить причину возникновения брака, корректируя технологический процесс и улучшая состояние оборудования. Из этого следует, что модуль обнаружения и определения типа дефекта является важным элементом системы мониторинга технологического

процесса, следовательно, важно выбрать наиболее подходящий и эффективности метод контроля.

1.2.2. Основные методы неразрушающего контроля качества поверхностного

слоя деталей

При производстве и эксплуатации таких изделий как детали подшипников важно проводить контроль качества, после которого возможность применения данной продукции по прямому назначению не будет снижена, такой контроль называется неразрушающим [22, 68].

Существуют несколько методов неразрушающего контроля качества поверхностного слоя деталей.

Выбор метода для применения в современной системе контроля качества шлифованных деталей может быть осуществлен по следующим критериям:

1. Возможность обработки измерительной информации средствами компьютерной техники - результаты контроля выбранным неразрушающем методом должны иметь форму, обработка и интерпретация которой может быть эффективно осуществлена в производственных условиях.

2. Производительность - процесс измерения и обработки информации при применении выбранного метода контроля должен обеспечить минимальные временные затраты без потери точности идентификации брака.

3. Количество дефектов, которые могут быть распознаны - выбранный метод контроля и алгоритмы обработки измерительной информации должны позволять идентифицировать как можно больше видов дефектов поверхности.

Ниже будут рассмотрены наиболее часто применяемые методики неразрушающего контроля шлифованных поверхностей.

Визуальный метод контроля. Данный метод может быть осуществлён как невооруженным глазом, так и с применением простых оптических приборов. Одним из основных минусов применения данной методики контроля является сильная зависимость правильности интерпретации результатов от человеческого

фактора. Ранее считалось, что автоматизация обработки результатов визуального метода неразрушающего контроля затруднительна, но с развитием искусственного интеллекта начали совершенствоваться методы машинного зрения (например, сверочные нейронные сети), которые в совокупности с точными фотокамерами позволяют достигнуть высокой эффективности в обнаружении дефектов поверхностного слоя изделий. Однако, при использовании данного метода контроля достаточно сложно получить полную информацию о найденном дефекте, особенно, когда дефекты схожи по своей внешней структуре, но имеют разные причины возникновения (например, закалочная и шлифовальная трещины) [22, 68, 80].

Капиллярный метод контроля основан на применении специальных химических растворов, под действием которых на дефектной области объекта контроля образуются индикаторные следы, фиксируемые визуальным методом. Данный метод контроля подходит для обнаружения дефектов, выходящих на поверхность (поры, трещины) контролируемого изделия. Интерпретация результатов капиллярного метода может быть произведена при помощи машинного зрения, однако подобная автоматическая обработка часто является нецелесообразной из-за ограниченного набора выявляемых дефектов и невысокой производительности капиллярной методики в целом, также одним из основных минусов данного метода контроля является его неэкологичность, в некоторых случаях, опасность для персонала предприятия [22, 68, 80].

Травление. В данном методе контроля, как и в капиллярной методике, используются химические растворы в совокупности с последующим визуальным осмотром изделия. Травление, как правило, применяется для обнаружения шлифовальных прижогов. При осуществлении данного способа контроля исследуемое изделие погружается в специальный сосуд, наполненный кислотосодержащим раствором, под действием которого на дефектных областях объекта контроля возникают индикаторные пятна, после чего проводят визуальный

анализ Недостатки травления совпадают с недостатками капиллярного метода неразрушающего контроля (описаны выше) [22, 68, 80].

Ультразвуковой метод контроля. Пропустив ультразвуковую волну через объект контроля можно обнаружить ряд дефектов, как правило, это неоднородности, трещины, посторонние включения. Количество отраженных волн в месте разделения сред прямо пропорционально разнице удельного акустического сопротивления этих сред, это позволяет получить информацию о расположении, размере и форме дефекта, а при проведении дополнительных эмпирических исследований и выявлении эталонных показаний отраженного сигнала можно достаточно точно идентифицировать вид дефекта. При помощи аналого-цифрового преобразования результатом данного метода неразрушающего контроля может быть получение цифровых рядов, характеризующих состояние материала изделия, в настоящий время активно развиваются способы интеллектуального анализа такого представления данных, это может повысить эффективность интерпретации результатов ультразвуковой методики идентификации дефектов. Таким образом, достоинствами данного метода контроля являются эффективность, обнаружение дефектов еще на ранней стадии их зарождения, к минусам же можно отнести: особенные требования к креплению преобразователя к объекту контроля (отсутствие воздушного зазора, хорошо очищенная поверхность), сложности с выявлением некоторых дефектов или полученные результаты неинформативны (например, если линейный дефект параллелен распространению ультразвуковых волн в детали) [68, 80, 104].

Вибрационный контроль Измерение вибраций при данной методике контроля позволяет судить об изменении состояния или структуры исследуемого объекта. При осуществлении контроля качества изделия до введения в эксплуатацию автоколебания в исследуемой детали могут возбуждаться путем импульсного воздействия, после чего полученный сигнал обрабатывается и определяются параметры характеризующие дефектное состояние объекта контроля. Одной из основных сложностей при осуществлении вибрационного

метода контроля поверхностей деталей является выделение информативного сигнала, так как вибропараметры зависят от большого числа факторов, которые могут быть не связаны с наличием или отсутствием дефекта [68, 80, 104].

Магнитопорошковый метод контроля. При контроле детали в магнитном поле его силовые линии не изменяют своего направления в бездефектной области объекта контроля; если на пути прохождения силовых линий магнитного поля встречается дефект, то есть участок изделия, имеющий пониженную магнитную проницаемость (несплошности материала), то направление силовых линий меняется, часть из них выходит из поверхности объекта контроля и возвращается обратно, при этом образуются локальные полюса, которые в свою очередь создают над дефектной областью магнитное поле; на индикаторные частицы, нанесенные на поверхность детали, действует силовое поле, поэтому они притягиваются и накапливаются в области магнитного поля, то есть в области дефекта изделия. Качество обнаружения дефектов магнитопорошковом методом во многом зависит от ряда факторов (индикаторных веществ, конфигурации объекта контроля, материала и др.). К преимуществам магнитопорошкового метода контроля можно отнести высокую производительность и точность определения дефектов, а также простоту проведения и хорошую интерпретируемость результатов. Минусом же является подверженность влиянию внешних факторов [68, 80].

Вихретоковый метод. Неразрушающий метод вихретокового контроля используется на различных этапах производства, при периодическом, входном и выходном контроле. Объектами контроля данного метода могут быть трубы, железнодорожные рельсы, детали подшипников, пластины и другие изделия из электропроводящих материалов. Вихретоковый метод контроля основан на взаимодействии внешнего электромагнитного поля и электромагнитного поля токов Фуко (вихревых токов), наводимых в контролируемом изделии этим полем. Вследствие работы вихретокового преобразователя создается электромагнитное поле, которое в свою очередь возбуждает вихревые токи в объекте контроля, их собственное электромагнитное поле воздействует на вихретоковый

преобразователь, либо изменяя его сопротивление, либо наводя на него электродвижущую силу, затем фиксируется сопротивление и/или напряжение катушек и на основе разницы исходных и получившихся параметров делается вывод о состоянии поверхности изделия. Так как результаты вихретокового контроля характеризуются числовыми значениями, это дает широкий набор возможностей для обнаружения паттернов многих дефектов и их анализа. При помощи вихретокового контроля можно определить такие дефекты как: прижоги, трещины различного происхождения, заштамповку и ряд других. Также к достоинствам данного метода, помимо вышеописанного, можно отнести высокую производительность и возможность бесконтактного контроля. Минусами вихретоковой методики неразрушающего контроля являются необходимость перемещения датчика относительно детали, применимость метода только к объектам из электропроводящих материалов [23, 29, 35, 68, 80].

В таблице 1.1 приведены основные характеристики вышепредставленных методов неразрушающего контроля поверхностного слоя деталей.

Сравнительный анализ методов неразрушающего контроля поверхностного слоя деталей по определенным в начале данного раздела критериям показал, что наиболее предпочтительным методом для использования в современной системе контроля качества на производстве является вихретоковый метод контроля, т.к. данная методика является одной из самых производительных и перспективных с точки зрения обработки информации, полученной в результате неразрушающего контроля, а также позволяет распознавать наибольшее количество различных дефектов.

Таблица 1.1 - Основные характеристики методов неразрушающего

контроля поверхности изделия

Наименование метода Основные выявляемые дефекты Производительность Перспективы обработки измерительной информации

Визуальный Крупные дефекты на поверхности изделия ~ до 5 деталей в минуту Возможна автоматизация обработки результатов на основе машинного зрения, но применение данных методов может быть затруднено и/или малоэффективно

Капиллярный Поры, трещины, волосовины ~ до 2 деталей в минуту

Травление Шлифовальные прижоги

Магнитопорошковый Трещины, волосовины ~ до 5 деталей в минуту

Ультразвуковой Подповерхностные дефекты, включения С развитием методов машинного обучения и интеллектуального анализа данных степень автоматизации обработки цифровых рядов (которые являются результатом данных методик неразрушающего контроля) ограниченно лишь возможностями вычислительной техники и квалификацией программиста-разработчика.

Вибрационный Трещины и другие неоднородности поверхности

Вихретоковый Термические дефекты, трещины, забоины и другие неоднородности поверхности ~ до 15 деталей в минуту

Недостатки вихретокового метода (ограниченность перемещения датчика, влияние параметров измерительной системы на результат) могут нивелироваться при контроле типовых деталей подшипников благодаря использованию

специальных манипуляторов [3] и программных инструментов, позволяющих выделять информативные составляющие вихретокового сигнала.

Работы, выполненные в СГТУ имени Гагарина Ю.А. [8, 13, 35, 52, 76, 77, 83] показывают, что применение современных методов обработки измерительной информации при вихретоковом контроле для распознавания дефектов поверхностного слоя ведет к повышению эффективности контроля качества изготавливаемых деталей, что в свою очередь, позволяет корректировать весь технологический процесс, поэтому совершенствование метода и алгоритмов обработки данных неразрушающего контроля следует считать актуальной задачей.

1.3. Вихретоковый метод неразрушающего контроля

Развитию различных аспектов вихретокового контроля посвящены работы А. Б. Сапожникова [85], Б. В. Герасимова [18], В. В. Клюева [58], А. Е. Шубочкина [103], В. В. Полякова [27, 86] , А. А. Игнатьева [30, 35, 29], С.А. Игнатьева [35, 52], Е.М. Самойловой [31, 81, 83], P. Xiang [137], R. Grimberg [110], F. Ferster [98] и ряда других исследователей [6, 23, 86, 97, 96, 100, 107, 118].

С точки зрения электрофизики основной теоретической базой для вихретокового подхода являются уравнения Максвелла, а также понятие о векторе-потенциале, который может быть определен по формуле (1.1) [6, 77].

X(Q) = ~(ttL ,/2{W2-Tl)dvM - (1.1)

4iTyjJJVok-AV rQM M JJJAV rQM MJ' V >

где As - вектор потенциал магнитного поля, ß0 - магнитная константа, <г1 - удельная электропроводность в точке объекта без дефекта, о2 - удельная

электропроводность в точке объекта с дефектом, Е1 - напряженность

электрического поля в точке объекта без дефекта Е2 - напряженность электрического поля в точке объекта с дефектом, Vok- объем контролируемого объекта, АV- объем дефекта, VM - объем рассматриваемой точки M на объекте

контроля, ГдМ - расстояние от точки наблюдения Р (на измерительной катушке индуктивности) до точки М.

Таким образом, отклик, получаемый при помощи вихретокового метода зависит от электромагнитных и размерных характеристик неоднородности поверхности объекта контроля.

На рисунке 1.3 схематично показаны траектории изменения полного сопротивления катушки индуктивности вихретокового преобразователя (ВТП) из начального положения (которое соответствует импедансу при исследовании эталонного, бездефектного образца) на координатной плоскости при возникновении различных, влияющих на контроль объекта, факторов [103]. Изменение электропроводности материала может быть связано с посторонними включениями, неравномерной прочностью поверхности и т.п.; на изменение импеданса катушки также влияет расстояние до объекта контроля, поэтому важно проводить вихретоковый контроль в соответствии с принятой методикой на постоянном расстоянии от поверхности изделия, данное свойство позволяет выявлять неоднородности поверхности и дефекты (например, срез, забоина); изменение относительной диэлектрической проницаемости материала объекта может зависеть от качества термообработки материла, что позволяет выявлять дефекты, связанные с данным видом обработки (пятна троостита и др.); также на распределение вихревых токов (соответственно, и на магнитное поле, создаваемое ими) оказывают сильное влияние разрывы различного рода (трещины) и другие механические повреждения структуры поверхностного и подповерхностного слоя объекта контроля. По степени изменения импеданса катушки можно оценивать степень различия характеристик поверхности объекта контроля относительно контрольного, бездефектного образца.

(V//I

1

ЯМс

Рисунок. 1.3 - Влияние характеристик объекта и условий контроля на изменение

импеданса катушки; где траектория 1 - увеличение электропроводности материала объекта; 2 - уменьшение электропроводности материала объекта; 3 -изменение расстояния до исследуемого объекта; 4 - увеличение относительной диэлектрической проницаемости материала объекта; 5 - наличие поверхностных дефектов, 6 - наличие подповерхностных дефектов.

Таким образом, на основании вышеизложенного можно сделать вывод, что применение вихретокового контроля позволяет не только обнаруживать дефект токопроводящей поверхности, но и дает представление о виде и характеристиках этого дефекта.

Вихревые токи, зарождающиеся в объектах контроля с различными поверхностными особенностями, отличаются по амплитудам и фазам, которые, в свою очередь, влияют на величины соответствующих составляющих выходного сигнала ВТП. Таким образом, данные измерительные приборы можно классифицировать по методу представления компонент сигнала, наиболее предпочтительными для повышения информативности исследования поверхностного слоя изделий, является использование ВТП, позволяющего получать величины как амплитуды, так и фазы сигнала.

В настоящий момент, приборы для проведения неразрушающего вихретокового контроля производятся как российскими компаниями («Корпус», «Интрон плюс», «ВНИИП Проектсервис-Инжиниринг», «ГлавДиагностика», «НПП Подшипник-СТОМА», «Реновация» и др.), так и зарубежными (США: «TesTex Inc.», «GE Measurement and Control», «Zetec» и др.; Германия: «Rohmann GmbH», «Pruftetechnik», «Karl Deustch» и др.; «Raynar» (Южная Корея), «CMS» (Франция), «Idea-NDT» (Китай) и множество других) [35, 103].

Для достижения наибольшей эффективности вихретокового контроля деталей подшипников необходимо использовать ВТП, позволяющие получать и амплитудную, и фазовую составляющую сигнала, этим требованиям соответствует прибор ПВК-К2М (зарегистрирован в Государственном реестре средств измерений, №26079-03), данное измерительное устройство (рисунок 1.4) разработано инженерами ОАО «Саратовский подшипниковый завод» и ГУНТП «СТОМА» совместно с учеными СГТУ имени Гагарина Ю.А [29, 33, 71]. Помимо вышеперечисленных преимуществ ПВК-К2М также обладает программируемым трёхкоординатным манипулятором, позволяющим контролировать поверхности деталей различных конфигураций и размеров [3]. Одним из основных элементов ПВК-К2М является ЭВМ, это дает возможность легко интегрировать данный измерительный прибор в систему мониторинга технологического процесса и единое информационное пространство предприятия, также наличие ЭВМ в составе вихретокового прибора позволяет внедрять различные высокоуровневые программы для преобразования, анализа, визуализации и т.п. сигнала, получаемого во время контроля. По окончании сканирования устройством ПВК-К2М формируются файлы, содержащие вихретоковые образы (числовые значения) для каждой области поверхности отдельно по амплитудной и фазовой составляющим, каждый файл содержит несколько десятков тысяч значений, зная количество оборотов прохода датчика при сканировании детали (как правило около 20-30) исследователь может считать файлы таким образом, чтобы сформировалась

матрица (от 1000 тысячи отсчетов в строке), характеризующая развертку объекта контроля в виде вихретоковых данных.

Рисунок 1.4 - Прибор вихретокового контроля деталей подшипников ПВК-К2М

Представление результатов в виде больших массивов данных позволяют использовать различные методы и подходы обработки информации для повышения эффективности неразрушающего контроля, что в свою очередь ведет к росту качества выпускаемой продукции.

Таким образом, вихретоковый сигнал может быть достаточно информативным для распознавания дефектов, однако интерпретация такого большого количества данных без использования алгоритмических и программных инструментов затруднительна. Разработка программного обеспечения для повышения качества распознавания дефектов поверхностного слоя деталей является актуальной задачей.

Список литературы диссертационного исследования кандидат наук Игнатьев Максим Алексеевич, 2026 год

СПИСОК ЛИТЕРАТУРЫ

1. Айвазян, С. А. Прикладная статистика: исследование зависимостей / С. А. Айвазян, И. С. Енюков, Л. Д. Мешалкин. - М.: Финансы и статистика, 1985. -487 с.

2. Алгоритмы предварительной обработки вихретоковых сигналов при контроле теплообменных труб парогенераторов АЭС / А. Г. Жданов, Е. Г. Щукис, В. П. Лунин, А. А. Столяров // Дефектоскопия. - 2018. - № 4. - С. 54-64.

3. Александров, А. Г. Совершенствование многозвенного сканирующего манипулятора автоматизированной системы контроля дефектов колец подшипников по критерию управляемости: автореф. дис. ... канд. техн. наук: 05.13.06 / Александров Алексей Геннадьевич. - Саратов, 2002. - 16 с.

4. Анисимова, Э. С. Нечеткая логика: предпосылки возникновения и основные принципы / Э. С. Анисимова // Экономика и социум. - 2015. - № 2-5 (15). - С. 386389.

5. Антонов, А. В. Системный анализ / А. В. Антонов. - М.: Высш. шк., 2006.

- 454 с.

6. Аринчин, С. А. К расчету спектров сигналов в вихретоковой дефектоскопии / С. А. Аринчин, Б. В. Кузнецов // Методы и приборы автоматического неразрушающего контроля. Электромагнитные методы: сб. тр. - Рига: РТИ, 1978.

- Вып. 2. - С. 84-92.

7. Багаев, И. И. Анализ понятий нейронная сеть и сверточная нейронная сеть, обучение сверточной нейросети при помощи модуля TensorFlow / Математическое и программное обеспечение систем в промышленной и социальной сферах. - 2020.

- Т. 8, № 1. - С. 15-22.

8. Бахтеев, А. Р. Совершенствование контроля качества деталей подшипников вихретоковым методом на основе автоматизации распознавания дефектов поверхностей качения с использованием искусственных нейронных сетей: автореф. дисс. ... канд. техн. наук: 05.13.06 / Бахтеев Андрей Ринатович. - Саратов, 2007. -16 с.

9. Васильев, К. К. Дискретный фильтр Винера / К. К. Васильев // Вестник Ульяновского государственного технического университета. - 2016. - № 1 (73). -С. 47-53.

10. Вахидова, К. Л. Автоматизация вихретокового контроля и диагностики дефектов поверхностей деталей подшипников с использованием фрактального анализа и нейронных сетей: автореф. дисс. ... канд. техн. наук: 05.13.06 / Вахидова Карина Лечиевна. - Грозный, 2024. - 20 с.

11. Вахидова, К. Л., Определение фрактальной размерности сигналов вихретокового датчика для распознавания дефектов деталей подшипников / К.Л. Вахидова, А. А. Игнатьев, С. А. Игнатьев // Автоматизация и управление в машино-и приборостроении: сб. науч. тр. - Саратов: СГТУ имени Гагарина Ю.А. - 2020. -С. 6-8.

12. Волосов, С. С. Приборы для автоматического контроля в машиностроении / С. С. Волосов, Е. И. Педь. - М.: Машиностроение, 1975. -380 с.

13. Волынская, О. В. Автоматизация вихретокового контроля неоднородности структуры поверхностного слоя деталей подшипников при мониторинге процесса шлифования: автореф. дисс. ... канд.техн.наук : 05.13.06 / Волынская Ольга Владимировна. - Саратов, 2002. - 16 с.

14. Воронцов, Л. Н. Приборы для автоматического контроля размеров в машиностроении / Л. Н. Воронцов, С. Ф. Корндорф. - М.: Машиностроение, 1988. - 280 с.

15. Воропаева, Н. В. Дискретное преобразование Фурье в обработке сигналов: учеб. пособие / Н. В. Воропаева, С. Я. Новиков, М. Е. Федина. - Самара : Изд-во «Самарский университет», 2015. - 48 с.

16. Ганзен, М. А. Роботизированный вихретоковый контроль деталей ГТД с использованием нейронных сетей / М. А. Ганзен // Вестник РГАТА имени П. А. Соловьева. - 2019. - № 2(49). - С. 65-70.

17. Гарбар, Е. А. Метод и алгоритмы обработки информации в системах оптического контроля для идентификации дефектов поверхности листовых материалов: автореф. дисс. канд.техн.наук.: 2.3.1 / Гарбар Евгений Александрович. - Череповец, 2023. - 23 с.

18. Герасимов, В. Г. Электромагнитное поле вихретокового преобразователя в присутствии изделия произвольной формы / В. Г. Герасимов, Ю. В. Кулаев // Методы и приборы автоматического неразрушающего контроля. Электромагнитные методы: сб. науч. тр. - Рига : РТИ, 1977. - Вып. 1. - С. 5-11.

19. Головина, Д. Е. Измерение сигнальных и шумовых характеристик телевизионного изображения программными средствами / Д. Е. Головина, М. И. Курячий // Электронные средства и системы управления: материалы докл. Междунар. науч.-практ. конф. - 2016. - № 1-2. - С. 134-136

20. Гордиенко, Е. П. Интеграция информационных систем в рамках единого информационного пространства предприятия / Е. П. Гордиенко // Транспорт: наука, образование, производство. - Воронеж, 2020. - С. 62-65.

21. Гришанов, И. А. Анализ процесса резания с использованием фильтра Калмана / И. А. Гришанов, Б. М. Бржозовский // Вестник Саратовского государственного технического университета. - 2015. - Т. 2, № 1 (79). -С. 38-42.

22. Гурвич, А. К. Неразрушающий контроль: практ. пособие. В 5 кн. Кн. 1 / А. К. Гурвич, И. Н. Ермолов, С. Г. Сажин. - М.: Высш. шк., 1992. - 242 с.

23. Дорофеев, А. Л. Электромагнитная дефектоскопия / А. Л. Дорофеев, Ю. Г. Казаманов. - М.: Машиностроение, 1980. - 280 с.

24. Дубров, А. М. Многомерные статистические методы: учебник / А. М. Дубров, В. С. Мхитарян, Л. И. Трошин. - М.: Финансы и статистика, 2000. - 352 с.

25. Евдокимова, К. В. Анализ алгоритмов, построенных на "слабых экспертах" / К. В. Евдокимова, К. Л. Тассов // Вестник РГГУ. Сер.: Информатика. Информ. безопасность. Математика. - 2022. - № 2. - С. 33-47.

26. Егоров, А. В. Вихретоковый контроль металлических материалов с помощью проекционных методов многомерного анализа данных / А. В. Егоров, В. В. Поляков // Дефектоскопия. - 2018. - № 5. - С. 55-62.

27. Егоров, А. В. Многочастотный вихретоковый контроль листов конструкционной стали / А. В. Егоров, В. В. Поляков // Дефектоскопия. - 2024. -№ 11. - С. 46-55.

28. Егоров, А. В. Применение метода главных компонент к вихретоковым измерениям для сталей с диэлектрическими покрытиями / А. В. Егоров, В. В. Поляков, С. В. Кучерявский // Фундаментальные проблемы современного материаловедения. - 2020. - Т. 17, № 3. - С. 396-402.

29. Игнатьев, А. А. Автоматизированная вихретоковая дефектоскопия деталей подшипников / А. А. Игнатьев, А. М. Чистяков, В. В. Горбунов // СТИН. - 2002. -№ 4. - С. 17-19.

30. Игнатьев, А. А. Активный контроль и мониторинг процесса шлифования деталей подшипников / А. А. Игнатьев, В. В. Горбунов, С. А. Игнатьев. - Саратов: СГТУ, 2007. - 104 с.

31. Игнатьев, А. А. Интеллектуализация мониторинга технологического процесса производства подшипников / А. А. Игнатьев, Е. М. Самойлова // Мехатроника, автоматизация, управление. - 2013. - № 4. - С. 50-52.

32. Игнатьев, А. А. Интеллектуальные системы и технологии в машиностроении / А. А. Игнатьев, А. А. Казинский, С. А. Игнатьев // Автоматизация и управление в машино- и приборостроении: сб. науч. тр. - Саратов: СГТУ им. Гагарина Ю. А. -2022. - С. 17-28.

33. Игнатьев, А. А. Мониторинг технологического процесса как элемент системы управления качеством продукции / А. А. Игнатьев, В. В. Горбунов, С. А. Игнатьев. - Саратов: СГТУ, 2009. - 160 с.

34. Игнатьев, А. А. Прикладной системный анализ объектов машиностроения / А. А. Игнатьев, В. А. Добряков, С. А. Игнатьев. - Саратов : СГТУ, 2021. - 160 с.

35. Игнатьев, А. А. Распознавание дефектов поверхностей качения колец подшипников при автоматизированном вихретоковом контроле с применением вейвлет-преобразований: моногр. / А. А. Игнатьев, О. С. Шумарова, С. А. Игнатьев. - Саратов: СГТУ им. Гагарина Ю. А., 2017. - 108 с.

36. Игнатьев, А. А. Системный подход к организации мониторинга технологического процесса / А. А. Игнатьев, В. А. Добряков, С. А. Игнатьев // Актуальные проблемы и пути развития энергетики, техники и технологий: сб. тр. VI Междунар. науч.-практ. конф., Балаково, 23 апр. 2020 г. - Балаково : НИЯУ «МИФИ», 2020. - С. 286-290.

37. Игнатьев, М. А. Автоматизация вихретокового контроля с применением современных методов обработки данных / М. А. Игнатьев, А. А. Игнатьев // Проблемы управления в социально-экономических и технических системах: Материалы XX Международной научно-практической конференции. Сборник научных статей - Саратов: Издательский центр "Наука". - 2024. -С. 608-612.

38. Игнатьев, М. А. Автоматизированная система вихретокового контроля как элемент единого информационного пространства машиностроительного предприятия / М. А. Игнатьев // Вестник Саратовского государственного технического университета. - 2023. - № 4(99). - С. 22-29.

39. Игнатьев, М. А. Анализ теории фракталов для применения в автоматизированной системе контроля качества поверхности подшипников / М. А. Игнатьев, Е. В. Березина, А. А. Игнатьев // Автоматизация и управление в машино-и приборостроении: сб. науч. тр. - Саратов: СГТУ имени Гагарина Ю.А. - 2021. -С. 56-60.

40. Игнатьев, М. А. Информационные потоки в системе мониторинга процесса шлифования колец подшипников / С. А. Игнатьев, М. А. Игнатьев // Вестник Саратовского государственного технического университета. - 2025. - № 2 (105). -С. 18-28.

41. Игнатьев, М. А. Локализация дефекта деталей подшипников по вихретоковому сигналу с применением элементов машинного обучения / М. А. Игнатьев // Автоматизация и управление в машино- и приборостроении: сб. науч ст. - Саратов: СГТУ имени Гагарина Ю.А. - 2023. - С. 58-61.

42. Игнатьев, М. А. Методы идентификации дефектов шлифованных деталей подшипников при автоматизированном вихретоковом контроле с применением интеллектуальных технологий / А. А. Игнатьев, М. А. Игнатьев // Вестник Саратовского государственного технического университета. - 2022. - № 1(92). -С. 19-35.

43. Игнатьев, М. А. Обзор методов анализа вихретокового сигнала для распознавания дефектов поверхностного слоя подшипников / М. А. Игнатьев, А.А. Игнатьев // Автоматизация и управление в машино- и приборостроении: сб. науч. тр. - Саратов: СГТУ имени Гагарина Ю.А. - 2022. - С. 34-42.

44. Игнатьев, М. А. Обзор методов машинного обучения для применения в задаче идентификации вида дефекта по вихретоковому сигналу / М. А. Игнатьев // Вестник Саратовского государственного технического университета. - 2023. -№ 2(97). - С. 19-29.

45. Игнатьев, М. А. Обработка измерительной информации с вихретокового датчика при локализации дефектов поверхностного слоя деталей подшипников / М. А. Игнатьев, А. А. Игнатьев // Инженерный вестник Дона, - 2025. - № 3. -С. 729-746.

46. Игнатьев, М. А. Определение дефектов подшипников на основе фрактального анализа данных / А. А. Игнатьев, М. А. Игнатьев, Е. В. Березина // Современные методы и средства обработки пространственно-временных сигналов: сб. ст. XIX Всеросс. конф. - Пенза: Приволжский Дом знаний. - 2021. - С. 119-123.

47. Игнатьев, М. А. Применение машинного обучения и интеллектуального анализа данных в автоматизированной системе неразрушающего вихретокового контроля поверхностного слоя деталей подшипников / М. А. Игнатьев // Вестник

Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. - 2024. - № 3. - С. 26-34.

48. Игнатьев, М. А. Применение распознавания образов с использованием машинного обучения при вихретоковом контроле колец подшипников / М. А. Игнатьев, А. А. Игнатьев // Вестник Саратовского государственного технического университета. - 2024. - № 3(102). - С. 18-28.

49. Игнатьев, М. А. Распознавание дефектов поверхностного слоя подшипников на основе фрактального анализа вихретокового сигнала / А. А. Игнатьев, М. А. Игнатьев // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. - 2022. - № 2. -С. 7-13.

50. Игнатьев, М. А. Статистический метод «медианная полировка» как инструмент повышения информативности данных вихретокового контроля / М. А. Игнатьев, А. А. Игнатьев // Автоматизация и управление в машино- и приборостроении: сб. науч. тр. - Саратов: СГТУ имени Гагарина Ю.А. -2025. - С. 67-73.

51. Игнатьев, М. А. Управление качеством подшипников по данным вихретокового контроля с применением ансамблевого машинного обучения / М. А. Игнатьев, А. А. Игнатьев // Проблемы управления в социально-экономических и технических системах: Материалы XXI Международной научно-практической конференции в 2-х томах. Сборник научных статей. - Саратов: Издательский центр "Наука". - 2025. - Т. 2. - С. 373-377.

52. Игнатьев, С. А. Обеспечение качества формообразования деталей точного машиностроения на основе мониторинга технологического процесса и оборудования: автореф. дисс. ... докт. техн. наук: 05.13.06, 05.03.01 / Игнатьев Станислав Александрович. - Саратов, 2009. - 36 с.

53. Игнатьева, С. С. Методические аспекты управления факторами качества в производстве подшипников / С. С. Игнатьева, С. А. Игнатьев // Вестник

Саратовского государственного технического университета. - 2015. - №1 (79). - С. 49-52.

54. Искусственный интеллект и интеллектуальные системы управления / И.М. Макаров, В.М. Лохин, С.В. Манько, М.П. Романов. - М.: Наука, 2006. - 333 с.

55. Искусственный интеллект: применение в интегрированных производственных системах / под ред. Э. Кьюсика; пер. с англ. А.П. Фомина. - М.: Машиностроение, 1991. - 544 с.

56. Иудин, Д. И. Фракталы: от простого к сложному: моногр. / Д. И. Иудин, Е. В. Копосов. - Н. Новгород : Изд-во НГАСУ, 2012. - 200 с.

57. Классификация поверхностных дефектов основного металла трубопроводов по результатам комплексной диагностики / Н. П. Алешин, С. В. Скрынников, Н. В. Крысько, Н.А. Щипаков, А.Г. Кусый // Компьютерная оптика. - 2023. - Т. 47, № 1. - С. 170-178.

58. Клюев, В. В. Приборы для неразрушающего контроля материалов и изделий: справочник. В 2 кн. Кн. 2 / В. В. Клюев. - М.: Машиностроение, 1986. - 352 с.

59. Клячкин, В. Н. Выбор метода бинарной классификации при технической диагностике с применением машинного обучения / В. Н. Клячкин, Ю. Е. Кувайскова, Д. А. Жуков // Известия Самарского научного центра РАН. - 2018. -№ 4(3). - С. 494-497.

60. Конев, К. А. Машинное обучение для поддержки принятия решений в сфере качества на промышленном предприятии / К. А. Конев // Экономика. Информатика. - 2023. - № 3. - С. 689-703.

61. Костров, Б. В. Ансамблевые методы в задаче многоклассовой SVM-классификации / Б. В. Костров, А. И. Баранчиков, И. А. Клюева // XXI век: итоги прошлого и проблемы настоящего плюс. - 2021. - Т. 10, № 2(54). - С. 105-108.

62. Кохонен, Т. Ассоциативная память / Т. Кохонен. - М.: Мир, 1980. - 287 с.

63. Кравчук, В. И. Особенности работы фильтра Калмана и его применение / В. И. Кравчук // Вестник магистратуры. - 2016. - № 11-3 (62). - С. 23-26.

64. Крымова, Е. А. Классификация состояний человека по данным МЭГ при выполнении моторных движений / Е. А. Крымова, К. Ашурбекова, В. Ушаков // Сборник трудов 39-й междисциплинарной школы-конференции ИППИ РАН «Информационные технологии и системы 2015», Сочи, 07-11 сент. 2015 г. / Ин-т проблем передачи информации им. А. А. Харкевича РАН. - Сочи: ИППИ РАН, 2015. - С. 755-761.

65. Кувайскова, Ю. Е. Применение ансамблевых методов машинного обучения для прогнозирования технического состояния объекта / Ю. Е. Кувайскова // Известия Самарского научного центра РАН. - 2021. - Т. 23, № 1(99). -С. 111-114.

66. Кулаков, Ю. М. Предотвращение дефектов при шлифовании / Ю. М. Кулаков, В. А. Хрульков, И. В. Дунин-Барковский. - М.: Машиностроение, 1975. - 144 с.

67. Купчинская, Ю. А. PDCA / Ю. А. Купчинская, С. А. Чеховская // Бизнес-образование в экономике знаний. - 2016. - № 3 (5). - С. 36-39.

68. Методы неразрушающего контроля / О. Н. Петров, А. Н. Сокольников, В. И. Верещагин, Д. В. Агровиченко. - Красноярск: Сиб. федер. ун-т, Ин-т нефти и газа, 2021. - 132 с.

69. Митрофанов, Ю. И. Системный анализ / Ю. И. Митрофанов. - Саратов: Научная книга, 2000. - 232 с.

70. Мойзес, Б. Б. Статистические методы контроля качества и обработка экспериментальных данных: учебник для вузов / Б. Б. Мойзес, И. В. Плотникова, Л. А. Редько. - 2-е изд. - М.: Юрайт, 2025. - 118 с.

71. Мониторинг станков и процессов шлифования в подшипниковом производстве / А. А. Игнатьев, В. В. Горбунов, В. А. Добряков и др. - Саратов: Сарат. гос. техн. ун-т, 2004. - 124 с.

72. О реализации средств машинного обучения в интеллектуальных системах реального времени / А. П. Еремеев, А. А. Кожухов, В. В. Голенков, Н. А. Гулякина // Программные продукты и системы. - 2018. - № 2. - С. 239-245.

73. Осовский С. Нейронные сети для обработки информации. // Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2002. 344 с.

74. Перегудов, Ф. И. Введение в системный анализ: учеб. пособие / Ф. И. Перегудов, Ф. П. Тарасенко. - М.: Высш. шк., 1989. - 367 с.

75. Прозрачный искусственный интеллект для медицины / О. Э. Карпов, Д. А. Андриков, В. А. Максименко, А. Е. Храмов // Врач и информационные технологии. - 2022. - № 2. - С. 4-11.

76. Пчелинцев, А. С. Автоматическое распознавание дефектов деталей подшипников при вихретоковом контроле на основе интегральной оценки спектров вейвлет-коэффициентов информационных сигналов: автореф. дисс. . канд. техн. наук: 05.13.06 / Пчелинцев Андрей Сергеевич. - Саратов, 2010. - 19 с.

77. Пчелинцев, Д. О. Автоматизация распознавания локальных дефектов поверхностного слоя колец подшипников с применением вейвлет- преобразований при вихретоковом контроле в системе мониторинга: автореф. дисс. ... канд. техн. наук: 05.13.06 / Пчелинцев Дмитрий Олегович. - Саратов, 2009. - 16 с.

78. Рожков, И. А. Методика распознавания дефектов в деталях подшипников / И. А. Рожков, В. А. Иващенко, А. А. Игнатьев // Вестник Саратовского государственного технического университета. - 2011. - Т. 3, № 2(58). -С. 236-240.

79. Романов, П. С. Системы искусственного интеллекта. Моделирование нейронных сетей в системе МАТЬАВ: лаб. практикум / П. С. Романов, И. П. Романова. - 2-е изд., стер. - СПб.: Лань, 2022. - 140 с.

80. Рудюк, М. Ю. Методы контроля и технологические методы обеспечения качества подшипников качения / М. Ю. Рудюк, А. А. Леонтьев, А. А. Гурьева // Актуальные вопросы современных научных исследований: сб. ст. IX Междунар. науч.-практ. конф., Пенза, 05 февр. 2024 г. - Пенза : Наука и Просвещение, 2024. -С. 118-122.

81. Самойлова, Е. М. Единое информационное пространство как ядро CALS-технологии / Е. М. Самойлова // Современные инструментальные системы,

информационные технологии и инновации: сб. науч. тр. XIII Междунар. науч. -практ. конф. - Курск: ЗАО «Университетская книга», 2018. - С. 168-170.

82. Самойлова, Е. М. Интеллектуальный анализ и обработка данных качества шлифовальной обработки деталей с применением нейросетевых технологий / Е. М. Самойлова // Вестник Брянского государственного технического университета. -2017. - № 1 (54). - С. 178-184.

83. Самойлова, Е. М. Методы и алгоритмы интеллектуализации мониторинга технологических систем на основе автоматизированных станочных модулей интегрированного производства: моногр. В 3 ч. Ч. 3. Гибридная интеллектуальная система. Информационная интеграция на уровне АСУТП / Е. М. Самойлова, А. А. Игнатьев. - Саратов: Изд-во СГТУ, 2019. - 84 с.

84. Самойлова, Е. М. Системный интегрированный подход к управлению качеством продукции на основе интеллектуализации мониторинга в едином информационном пространстве / Е. М. Самойлова // Вестник Пермского национального исследовательского политехнического университета. Сер.: Машиностроение, материаловедение. - 2017. - Т. 19, № 2. - С. 179-195.

85. Сапожников, А. Б. Теоретические основы электромагнитной дефектоскопии металлических тел. - Томск: Изд-во ТГУ, 1980. - 308 с.

86. Сверхминиатюрные вихретоковые преобразователи с сердечниками переменного сечения для современных приборов неразрушающего контроля / В. В. Поляков, С. Ф. Дмитриев, А. В. Ишков и др. // Ползуновский вестник. - 2013. - № 2. - С. 138-142.

87. Семенов, А. В. Математическое моделирование вихретокового неразрушающего контроля стрендовых канатов / А. В. Семенов, Д. А. Слесарев // Контроль. Диагностика. - 2021. - Т. 24, № 12(282). - С. 4-11.

88. Сидоров, В. А. Эксплуатация подшипников качения / В. А. Сидоров, В. А. Сотников. - М. : Спутник+, 2013. - 196 с.

89. Сирота, А. А. Методы и алгоритмы анализа данных и их моделирование в МАТЬАВ / А. А. Сирота. - СПб. : БХВ-Петербург, 2016. - 384 с.

90. Скрябин, А. В. Разработка методов и алгоритмов системы ранней диагностики технического состояния электромеханического рулевого привода летательного аппарата с использованием интеллектуального анализа данных: автореф. дисс. канд. техн. наук: 2.3.1 / Скрябин Алексей Валерьевич. - М.:, 2024. - 23 с.

91. Снопкова, И. А. Исследование эффективности процедуры стекинга при решении задач классификации / И. А. Снопкова, Л. В. Липинский // Актуальные проблемы авиации и космонавтики: сб. материалов VI Междунар. науч.-практ. конф., посвящ. Дню космонавтики. В 3 т. Т. 2 / под общ. ред. Ю. Ю. Логинова. -Красноярск: СибГУ им. М. Ф. Решетнева, 2020. - С. 89-90.

92. Стадник А. В. Использование искусственных нейронных сетей и вейвлет-анализа для повышения эффективности в задачах распознавания и классификации: автореф. дис. ... канд. физ.-мат. наук : 05.13.18 / Стадник Алексей Викторович. — Иваново, 2004. - 18 с.

93. Тимофеев, А. В. Метод выбора гиперпараметров в задачах машинного обучения для классификации стохастических объектов / А. В. Тимофеев // Научно-технический вестник информационных технологий, механики и оптики. - 2020. -Т. 20, № 5. - С. 667-676.

94. Ту, Д. Принципы распознавания образов / Д. Ту, Р. Гонсалес. - М. : Мир, 1978. - 411 с.

95. Тупицын А.Н. Распознавание сигналов и анализ нестационарных точечных процессов с использованием вейвлет-преобразований: автореф. дисс. ... канд. физ.-мат. наук. : 01.04.03 / Тупицына Анатолия Николаевич. - Саратов, 2009. - 15 с.

96. Федосенко, Ю. К. Вихретоковый контроль / Ю. К. Федосенко, П. Н. Шкатов, А. Г. Ефимов. - М.: Спектр, 2011. - 224 с.

97. Федосенко, Ю. К. Вихретоковый контроль: учеб. пособие для подготовки специалистов по неразрушающему контролю и технической диагностике / Ю. К. Федосенко, П. Н. Шкатов, А. Г. Ефимов; под общ. ред. В. В. Клюева. - 2-е изд. -М.: Спектр, 2014. - 224 с.

98. Ферстер, Ф. Неразрушающий контроль методом магнитных полей рассеяния. Теоретические и экспериментальные основы выявления поверхностных дефектов конечной и бесконечной глубины / Ф. Ферстер // Дефектоскопия. - 1982. - № 11. -С. 3-25.

99. Фомин, Я. А. Распознавание образов: теория и применения / Я. А. Фомин. -М.: ФАЗИС, 2012. - 429 с.

100. Хвостов А.А. Повышение достоверности вихретокового контроля путём адаптации к свойствам объекта: автореф. дисс. ...канд. техн. : 05.11.13 / Хвостов Андрей Александрович - М, 2013. - 19 с.

101. Чабан, Л. Н. Теория и алгоритмы распознавания образов : учеб. пособие / Л. Н. Чабан. - М. : Изд-во МИИГАиК, 2004. - 70 с.

102. Шварц, А. Ю. Интеллектуальная система диагностики газоперекачивающих агрегатов компрессорных станций / А. Ю. Шварц, П. Г. Антропов, О. Н. Долинина // Новые технологии в газовой промышленности, Саратов, 21 дек. 2016 г. / ПАО «ВНИПИгаздобыча». - Саратов: ООО «Центр научного сотрудничества «Интерактив плюс», 2016. - С. 135-145.

103. Шубочкин, А. Е. Развитие и современное состояние вихретокового метода неразрушающего контроля: моногр. / А. Е. Шубочкин. - М.: Спектр, 2014. -288 с.

104. Щеголев, С. С. Оценка состояния колец подшипников с применением ультразвукового и виброакустического методов / С. С. Щеголев, А. Г. Мотков, А. А. Игнатьев // Вестник Саратовского государственного технического университета. - 2013. - № 1 (73). - С. 132-135.

105. Щукис, Е. Г. Повышение достоверности вихретокового контроля теплообменных труб парогенераторов АЭС на основе вейвлет-анализа и алгоритмов нечёткой логики: автореф. дисс. канд. техн. наук: 05.11.13 / Щукис Евгения Геннадьевна. - М., 2010. - 24 с.

106. Юрочкин, А. Г. Проблемы машинного обучения / А. Г. Юрочкин, Н. А. Коростелева // Вестник Воронежского института высоких технологий. - 2020. - № 1. - С. 49-51.

107. Ярошек, А. Д. Токовихревой контроль качества деталей машин / А. Д. Ярошек, Г. С. Быструшкин, Б. М. Павлов. - Киев: Наукова думка, 1976. - 124 с.

108. A fuzzy approach for measuring ERP implementation success / K. Subramanian, C. S. Lalwani, S. S. Bhattacharya, L. C. Jain // Information & Management. - 2006. -Vol. 43, No. 7. - P. 890-905.

109. Analysis of contingency tables based on generalized median polish with power transformations and non-additive models / F. Klawonn, J. Balasubramanian, K. Crull, A. Kukita, F. Pressler // Health Information Science and Systems. - 2013. - Vol. 1, No. 1. -DOI: 10.1186/2047-2501-1-11.

110. Automated eddy current data analysis / R. Grimberg, A. Savin, S. Leitoiu, A. Bruma, R. Steigmann, L. Udpa, S. S. Udpa // International Journal of Materials & Product Technology. - 2011. - Vol. 41, Iss. 1-4. - P. 75-88.

111. Automated measurements in process monitoring system in bearing production / A. A. Ignatiev, B. A. Dobryakov, C. A. Ignatiev [et al.] // JOP Conference Series: Metrological Support of Innovative Technologies, Krasnoyarsk, 04 марта 2020 года / Krasnoyarsk Science and Technology City Hall of the Russian Union of Scientific and Engineering Associations. Vol. 1515. - Krasnoyarsk, Russia: Institute of Physics and IOP Publishing Limited, 2020. - P. 52057. - DOI 10.1088/1742-6596/1515/5/052057.

112. Breiman, L. Bagging predictors / L. Breiman // Machine learning. - 1996. - Vol. 24(2). - P. 123-140.

113. Breiman, L. Random Forests / L. Breiman // Machine Learning - 2001 - 45(1). -P. 5-32.

114. Complexity andentropy in physiological signals (ceps): Resonance breathing rate assessed usingmeasures of fractal dimension, heart rate asymmetry and permutation entropy / Mayor D, Steffert T, Datseris G, Firth A, Panday D, Kandel H, et al. // Entropy, 2023. - 25(2):301.

115. Deng, W. Classification and quantitative evaluation of eddy current based on Kernel-PCA and ELM for defects in metal components / W. Deng, B. Ye, J. Bao, G. Huang, J. Wu // Metals. - 2019. - Vol. 9, No. 2.

116. Feder, J. Fractals / J. Feder. - N. Y.: Plenum press, 1988. - 283 p.

117. Freund, Y. A decision-theoretic generalization of on-line learning and an application to boosting / Y. Freund, R. E. Schapire // Journal of computer and system sciences. - 1997. - Vol. 55, No. 1. - P. 119-139.

118. Garcia-Martin, J. Non-Destructive Techniques Based on Eddy Current Testing / J. Garcia-Martin, J. Gomez-Gil, E. Vazquez-Sanchez // Sensors. - 2011. - Vol. 11, Is. 3. -P. 2525-2565.

119. Hoaglin, D. Understanding Robust and Exploratory Data Analysis / D. Hoaglin, F. Mosteller, J. Tukey. - USA : Wiley, 2000. - 480 p.

120. Hoare, C. A. R. Quicksort / C. A. R. Hoare // The Computer Journal. - 1962. - Vol. 5, No. 1. - P. 10-15

121. Ignatev, M. A. Application of fractal theory in recognition of bearing defects by eddy current signal / M. A. Ignatev // Current Trends in History, Culture, Science and Technology, 05-06 June 2023. - Saratov: «KUBiK». - 2023. - P. 32-35.

122. Ignatiev, M. Modeling of absorption of microwave radiation of various frequencies by objects by composite filament / I. Zlobina, N. Bekrenev, M. Ignatiev // The European Physical Journal Conferences. - 2024. - Vol. 318, Issue 4. - DOI: 10.1051/epjconf/202531801001.

123. Linardatos, P. Explainable AI: A Review of Machine Learning Interpretability Methods / P. Linardatos, V. Papastefanopoulos, S. Kotsiantis // Entropy. - 2021. - Vol. 23, No. 18.

124. Median polish with power transformations as an alternative for the analysis of contingency tables with patient data / F. Klawonn, K. Crull, A. Kukita, F. Pessler // Health Information Science: First International Conference / ed. by J. He, X. Liu, E. Krupinski, G. Xu. - Berlin : Springer, 2012. - P. 25-35.

125. Mosteller, F. Data Analysis and Regression / F. Mosteller, J. Tukey. - USA : Addison-Wesley, 1977. - 588 p.

126. Nozza, D. Deep learning and ensemble methods for domain adaptation / D. Nozza, E. Fersini, E. Messina // Proceedings of the 28th IEEE International Conference on Tools with Artificial Intelligence (ICTAI). - 2016. - P. 184-189.

127. Petrosian, A. Kolmogorov Complexity of Finite Sequences and Recognition of Different Predictal EEG Patterns / A. Petrosian // Proceedings of the 8th IEEE Symposium on Computer-Based Medical Systems. - 1995. - P. 212-217.

128. Schroeder, D. J. Astronomical optics / D. J. Schroeder. - 2nd ed. - USA : Academic Press, 1999. - 495 p.

129. Schwab, K. The Fourth Industrial Revolution / K. Schwab. - N. Y. : Crown Business, 2017. - 192 p.

130. Scikit-learn: Accuracy score. - URL: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.accuracy_score.html (date accessed: 04.03.2023).

131. Scikit-learn: Random Forest Classifier. - URL: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html (date accessed: 03.03.2023).

132. Shannon, C. E. A Mathematical Theory of Communication / C. E. Shannon // Bell System Technical Journal. - 1948. - Vol. 27, No. 3. - P. 379-423.

133. Subasi, A. Surface EMG signal classification using TQWT, Bagging and Boosting for hand movement recognition / A. Subasi, S. M. Qaisar // Journal of Ambient Intelligence and Humanized Computing. - 2022. - Vol. 13. - P. 3539-3554.

134. Sun, Y. Functional median polish / Y. Sun, M. G. Genton // Journal of Agricultural, Biological, and Environmental Statistics. - 2012. - Vol. 17, No. 3. - P. 354-376.

135. Tian, G. Y. Wavelet-based PCA defect classification and quantification for pulsed eddy current NDT / G. Y. Tian, A. Sophian, D. Taylor, J. Rudlin // IEE Proceedings -Science, Measurement and Technology. - 2023. - Vol. 152, No. 4. - P. 141-148.

136. Welvaert, M. On the Definition of Signal-To-Noise Ratio and Contrast-To-Noise Ratio for fMRI Data / M. Welvaert, Y. Rosseel // PLOS One. - 2013. - Vol. 8, No. 11. -P. e77089. - DOI: 10.1371/journal.pone.0077089.

137. Xiang, P. Automatic multi-frequency rotating-probe eddy-current data analysis / P. Xiang. - USA : Iowa State University, 2005. - 97 p.

138. Xueyi, L. A comparative analysis of support vector machines and extreme learning machines / L. Xueyi, G. Chuanhou, L. Ping // Neural Networks. - 2012. - Vol. 33. - P. 58-66.

ПРИЛОЖЕНИЯ

ПРИЛОЖЕНИЕ А

Код разработанного объединенного программного обеспечения для обработки, интерпретации и визуализации информационных сигналов вихретокового

преобразователя

import dash

import base64

from dash import dcc, html

from dash.dependencies import Input, Output, State

import plotly.express as px

import pandas as pd

import dash_auth

import numpy as np

import plotly.graph_objects as go

from plotly.subplots import make_subplots

import joblib

data = None data_A = None data_Ph = None data_A_to_reset = None data_Ph_to_reset = None VALID_USERNAME_PASSWORD_PAIRS = { 'maxim': '123',

}

def open_file(file_contents): decoded_data = base64.b64decode(file_contents) txt = decoded_data.decode('windows-1251') txt = txt.split('\n') txt = [line.split("\t") for line in txt] txt = [item for sublist in txt for item in sublist] return txt

def num_surface(data_str):

matches = [i for i, value in enumerate(data_str) if Mn0BepxH0CTb№" in value] return int(len(matches)/2)

def divisors(number): divisors_list = [] for i in range(1, number + 1): if number % i == 0: divisors_list.append(i) return divisors_list

def processing_str(txt, num_surface): global data_A global data_Ph global data_A_to_reset global data_Ph_to_reset

matches = [i for i, value in enumerate(txt) if Mn0BepxH0CTb№" in value] n_mathces = len(matches) if n_mathces == 0:

border = list([0, len(txt) + 1]) else:

border = matches.copy() border.append(len(txt) + 1) i = 2*(num_surface - 1) txt = [i.replace('\r', '') for i in txt] example = txt[border[i] + 1:border[i + 1] - 1] example = list(filter(bool, example)) example = list(map(float, example)) number = len(example) all_divisors = divisors(number) n_col = [abs(a - 1000) for a in all_divisors] n_col = all_divisors[n_col.index(min(n_col))] n_row = number / n_col n_col = int(n_col) n_row = int(n_row)

ex_A = np.matrix(np.reshape(example, (n_col, n_row))).T i_Ph = i + 1

example_Ph = txt[border[i_Ph] + 1:border[i_Ph + 1] - 1]

example_Ph = list(filter(bool, example_Ph))

example_Ph = list(map(float, example_Ph))

ex_Ph = np.matrix(np.reshape(example_Ph, (n_col, n_row))).T

data_A = ex_A

data_Ph = ex_Ph

data_A_to_reset = ex_A.copy()

data_Ph_to_reset = ex_Ph.copy() return ex_A, ex_Ph

def graph(ex, titlel='', flag=True): if flag:

axx = dict( title="number", range=[np.shape(ex)[l], 1]

)

axy = dict( title="round", range=[l, np.shape(ex)[0]]

)

axz = dict( title="value"

)

z = ex

fig = make_subplots(rows=l, cols=l)

fig.add_surface(x=np.arange(l, np.shape(ex)[l] + 1), y=np.arange(l, np.shape(ex)[0] + 1),

z=z,

colorscale='Viridis',

surfacecolor=z,

showscale=False)

fig.update_layout(scene=dict(xaxis=axx, yaxis=axy, zaxis=axz),

annotations=[dict(text=titlel, y=l, x=0.5, xanchor='center',

yanchor='top',

showarrow=False)]

)

return fig.show()

def skan_graph(ex, titlel=''):

fig = go.Figure(data=go.Heatmap(

z=ex,

colorscale='Gray',

))

fig.update_layout( yaxis=dict(autorange='reversed'),

title=title1,

xaxis_title=' Отсчеты', yaxis_title='Обороты'

)

return fig.show()

def plot_by_round(matrix_A, matrix_Ph, n_round=1, ncol_start=0, ncol_end=np.nan): n_round = n_round - 1

array_A = np.squeeze(np.asarray(matrix_A[n_round, :])) array_Ph = np.squeeze(np.asarray(matrix_Ph[n_round, :]))

if np.isnan(ncol_end): ncol_end = len(array_A) - 1

array_A = array_A[ncol_start:ncol_end] array_Ph = array_Ph[ncol_start:ncol_end]

df = pd.DataFrame({ 'Номер значения': np.arange(ncol_start, ncol_end), 'Амплитуда': array_A, 'Фаза': array_Ph

})

return df

def medpolish(x, eps=0.01, maxiter=10, trace_iter=False): z = np.matrix(x) nr = np.shape(z)[0] nc = np.shape(z)[1] t = 0

r = np.zeros(nr) c = np.zeros(nc) oldsum = 0

for iter in range(0, maxiter): rdelta = np.median(z, axis=1) z -= rdelta r = r + rdelta.T

delta = np.median(list(c)) c -= delta t = t + delta

cdelta = np.median(z, axis=0) z -= np.tile(cdelta, (nr, 1)) c = c + cdelta

delta = np.median(list(r)) r -= delta t += delta

newsum = np.sum(np.abs(z))

converged = (newsum == 0) or (np.abs(newsum - oldsum) < eps * newsum) if converged:

break oldsum = newsum

if trace_iter:

print(iter, ": ", newsum)

if converged: if trace_iter:

print("Final: ", newsum)

else:

print(f'medpolish() did not converge in {maxiter} iterations") r_names = np.array(range(1, nr + 1)) c_names = np.array(range(1, nc + 1))

ans = { 'overall': t, 'row': r, 'col': c, 'residuals': z, 'name': str(x),

}

return ans

np.bool = np.bool_

def localization_defect_plotly(data_matrix_A, data_matrix_Ph, amplitude_border=3.314, phase_border=3.38,

sd_ideal_A=29.08808367127178, sd_ideal_Ph=67.67028995271079, len_wind_common=50,

step_by_len_common=1, round_wind_common=3, step_by_round_common=1, return_graph=True):

def rolling_std(data_matrix, len_wind=len_wind_common, step_by_len=step_by_len_common,

round_wind=round_wind_common, step_by_round=step_by_round_common): J = 0

sd_matrix = []

while (J + round_wind) <= data_matrix.shape[0]: n_round_start = J

n_round_end = J + round_wind - 1 i = 0

sd_array = np.array([], dtype='float') while (i + len_wind) <= data_matrix.shape[1]: n_start = i

n_end = i + len_wind - 1

sd = np.std(data_matrix[n_round_start:n_round_end, n_start:n_end]) sd_array = np.append(sd_array, sd) i = i + step_by_len sd_matrix.append(sd_array) J = J + step_by_round sd_matrix = np.matrix(sd_matrix) return sd_matrix

tmp_bool_array = np.array((rolling_std(data_matrix=data_matrix_A) / sd_ideal_A) < amplitude_border,

dtype=np.bool_) * \ np.array((rolling_std(data_matrix=data_matrix_Ph) / sd_ideal_Ph) < phase_border, dtype=np.bool_)

tmp_bool_array = ~(tmp_bool_array)

def duplicate_last_column(array, n=(len_wind_common - step_by_len_common)): last_column = array[:, -1]

duplicated_columns = np.tile(last_column[:, np.newaxis], (1, n)) new_array = np.hstack((array, duplicated_columns)) return new_array

def duplicate_last_row(array, n=(round_wind_common - step_by_round_common)): last_row = array[-1, :] duplicated_rows = np.tile(last_row, (n, 1)) new_array = np.vstack((array, duplicated_rows)) return new_array tmp_bool_array = duplicate_last_column(tmp_bool_array) tmp_bool_array = duplicate_last_row(tmp_bool_array)

tmp_bool_array = tmp_bool_array * 1 fig = px.imshow( tmp_bool_array, aspect='auto', origin='upper',

title='Карта состояния поверхности', color_continuous_scale='YlGnBu_r'

)

fíg.update_coloraxes(colorbar=dict(title='Возможен дефект: 1; Дефекта нет: 0')) if return_graph:

return fig.show() else:

return tmp_bool_array

def final_defect_map(loc_value, ex_med_A, ex_med_Ph): loaded_model =

j oblib.load(мC:/Users/mignatev/Documents/обучение/R_проекты/model_for_defect.j o blib")

def features(numbers_A, numbers_Ph):

def petrosian_fractal_dimension(signal): n = len(signal)

diff_signal = np.diff(np.sign(np.diff(signal))) num_sign_changes = np.sum(diff_signal != 0)

pfd = np.log10(n) / (np.log10(n) + np.log10(n / (n + 0.4 * num_sign_changes))) return pfd

fractal_Ph = petrosian_fractal_dimension(numbers_Ph) correlation_matrix = np.corrcoef(numbers_A, numbers_Ph) correlation_coef = correlation_matrix[0, 1] std_relative_A = np.std(numbers_A) / 29.08808367127178 std_relative_Ph = np.std(numbers_Ph) / 67.67028995271079 fractal_A = petrosian_fractal_dimension(numbers_A)

return pd.DataFrame([fractal_A, fractal_Ph, std_relative_A, std_relative_Ph, correlation_coef])

coordinates = []

for i, row in enumerate(loc_value): indexes = np.where(row == 1)[0]

diffs = np.diff(indexes)

segments = np.split(indexes, np.where(diffs > 3)[0] + 1) for segment in segments: if len(segment) > 4:

coordinates.append((i, segment[0], segment[-1]))

pred_res_list = []

for i in range(len(coordinates)):

row, start_index, end_index = coordinates[i]

seq_A = np.squeeze(np.asarray(ex_med_A[row, :]))[start_index:min(end_index + 1, ex_med_A.shape[1])]

seq_Ph = np.squeeze(np.asarray(ex_med_Ph[row, :]))[start_index:min(end_index + 1, ex_med_Ph.shape[1])]

feature_value = features(seq_A, seq_Ph)

pred_res = loaded_model.predict(np.array(feature_value).reshape(1, -1)) pred_res_list.append(pred_res [0])

rows, cols = ex_med_A.shape

defect_status = np.full((rows, cols), 'нет дефекта', dtype='U100')

for num_coordinate in range(len(coordinates)): row, start_index, end_index = coordinates[num_coordinate] defect_status[row, start_index:end_index + 1] = (end_index + 1 - start_index) * [pred_res_list[num_coordinate]]

unique_defects_name = ['нет дефекта'] + [i for i in np.unique(defect_status) if i != 'нет дефекта']

defect_dict = {j: i for i, j in enumerate(unique_defects_name)}

def replace_defects(value): return defect_dict[value]

encoded_defects = np.vectorize(replace_defects)(defect_status)

fig = px.imshow( encoded_defects, aspect='auto', origin='upper',

title='Карта состояния поверхности', color_continuous_scale='YlGnBu_r',

)

fig.update_coloraxes(colorbar=dict( ticktext=[f{v} = {k}' for k, v in defect_dict.items()], tickvals=list(defect_dict.values())

))

return fig.show() app = dash.Dash(_name_)

auth = dash_auth.BasicAuth(app, VALID_USERNAME_PASSWORD_PAIRS)

app.layout = html.Div([

html.H1("Приложение для анализа данных вихретокового контроля"), dcc.Upload(

id='upload-data', children=html .Div([ html.A('Файл')

]),

style={ 'width': '30%', 'height': '60px', 'lineHeight': '60px', 'borderWidth': '1px', 'borderStyle': 'dashed', 'borderRadius': '5px', 'textAlign': 'center', 'margin': '10px', 'margin-left': 'auto', 'margin-right': 'auto', 'cursor': 'pointer'

},

),

html.Div(id='output-data-upload'), html.Label('Номер поверхности для анализа:', style={'font-size': '20px', 'margin-top':

'1px'}),

dcc.Slider(

id='dynamic-slider',

min=1,

max=5,

step=1,

value=1,

marks={i: str(i) for i in range(0, 5)},

tooltip={"always_visible": True, "placement": "top"}, included = False,

),

html.Div([html.Button('06pa6oTKa данных', id='create_medpolish', n_clicks=0, style={'padding': '5px 10px', 'font-size': '16px',

'margin-right': '12px', 'cursor': 'pointer'}), html.Button('Локализация дефектов', id='create_local', n_clicks=0, style={'padding': '5px 10px', 'font-size': '16px',

'margin-right': '12px', 'cursor': 'pointer'}), htmLButton('Pacn03H0Bame дефектов', id='create_defect', n_clicks=0, style={'padding': '5px 10px', 'font-size': '16px',

'margin-right': '12px', 'cursor': 'pointer'}), html.Button('Зaпись в БД', id='create_DB', n_clicks=0, style={'padding': '5px 10px', 'font-size': '16px',

'margin-right': '12px', 'cursor': 'pointer'}), html.Button('C6poc', id='create_reset', n_clicks=0, style={'padding': '5px 10px', 'font-size': '16px',

'margin-right': '12px', 'cursor': 'pointer'}) ], style={'display': 'flex', 'margin-bottom': '20px'}), html.Label('Cnoco6 визуализации поверхности:', style={'font-size': '17px', 'margin-top': '1px', 'margin-right': '10px'}),

html.Button('Амплитуда BD-график', id='create-button', n_clicks=0, style={'margin-right': '10px', 'cursor': 'pointer'}),

html.Button('Фaзa BD-график', id='create-button_ph', n_clicks=0, style={'margin-right': '10px', 'cursor': 'pointer'}),

html.Button('Скaногрaммa по амплитуде', id='create-button-skan', n_clicks=0, style={'margin-right': '10px', 'cursor': 'pointer'}),

html.Button('Скaногрaммa по фазе', id='create-button_ph-skan', n_clicks=0, style={'margin-right': '10px', 'cursor': 'pointer'}),

html.Button('Грaфик по оборотам', id='create-2d-graph', n_clicks=0, style={'margin-right': '10px', 'cursor': 'pointer'}), dcc.Dropdown(id='dynamic-2d-graph', options=[],

placeholder='Оборот №', value=None, style={'width': '110px'}), dcc.Graph(id='graph'), ])

@app.callback([Output('output-data-upload', 'children'),

Output('dynamic-slider', 'marks'), Output('create-2d-graph', 'n_clicks')], [Input('upload-data', 'contents')]) def parse_contents(contents): global data global data_A global data_Ph global data_A_to_reset global data_Ph_to_reset n_clicks = 0

slider_marks = {i: str(i) for i in range(1, 2)} if contents is not None: data = open_file(contents) num_surfaces = num_surface(data) if num_surfaces > 0:

slider_marks = {i: f№ {i}' for i in range(1, num_surfaces + 1)} data_A = None data_Ph = None data_A_to_reset = None data_Ph_to_reset = None return "", slider_marks, n_clicks return 'Файл не выбран или не соответсвует формату', slider_marks, n_clicks

@app.callback([Output('graph', 'figure'), Output('create-button', 'n_clicks'), Output('create-button_ph', 'n_clicks'), Output('create-button-skan', 'n_clicks'),Output('create-button_ph-skan', 'n_clicks'),

[Input('create-button', 'n_clicks'),Input('create-button_ph', 'n_clicks'), Input('create-button-skan', 'n_clicks'),Input('create-button_ph-skan', 'n_clicks'), Input('dynamic-slider', 'value'),Input('create-2d-graph', 'n_clicks'), Input('dynamic-2d-graph', 'value'),

Input('create_medpolish', 'n_clicks'),

Input('create_local', 'n_clicks') ])

def update_graph(n_clicks, n_clicks_ph, n_clicks_skan, n_clicks_skan_ph, value_marks, n_clicks_round, value_round, n_clicks_medpolish, n_cl_loc): fig = px.line(x=[0, 0], y=[0, 0])

global data_A global data_Ph global data_A_to_reset global data_Ph_to_reset ex_A_flag = False if (data is not None): ex_A, ex_Ph = processing_str(data, value_marks) if (n_clicks_medpolish>0):

ex_A = medpolish(data_A)['residuals'] ex_A_flag = True

ex_Ph = medpolish(data_Ph)['residuals']

data_A = ex_A data_Ph = ex_Ph else:

ex_A, ex_Ph = 0, 0 if n_clicks > 0:

fig = graph(ex_A, title1='Амплитудная составляющая') n_clicks = 0

fig = px.line(x=[0, 0], y=[0, 0]) if n_clicks_ph > 0:

fig = graph(ex_Ph, title1='Фазовая составляющая') n_clicks_ph = 0 fig = px.line(x=[0, 0], y=[0, 0]) if n_clicks_skan > 0:

fig = skan_graph(ex_A, title1='Амплитудная составляющая') n_clicks_skan = 0 fig = px.line(x=[0, 0], y=[0, 0]) if n_clicks_skan_ph > 0:

fig = skan_graph(ex_Ph, title1='Фазовая составляющая') n_clicks_skan_ph = 0 fig = px.line(x=[0, 0], y=[0, 0]) if (n_clicks_round>0):

if (value_round is not None) and (data_A is not None): value_round = int(value_round) if value_round>len(ex_A):

value_round = int(len(ex_A)) df_fig = plot_by_round(matrix_A=ex_A, matrix_Ph=ex_Ph, n_round=value_round)

fig = px.line(x=[0, 0], y=[0, 0])

fig = px.line(df_fig, x='Номер значения', y='Амплитуда', labels={'Амплитуда': 'Значение'}, line_shape='linear', color_discrete_sequence=['red'], render_mode='webgl')

fig.data[0].name = "Амплитуда" fig.update_traces(showlegend=True)

fig = fig.add_scatter(x=df_fíg['Номер значения'], y=df_fig['Фaзa'], mode-lines', name-Фаза', line=dict(color='blue')) n_clicks_reset = 0

return [fig, n_clicks, n_clicks_ph, n_clicks_skan, n_clicks_skan_ph ]

@app.callback(Output('dynamic-2d-graph', 'options'), [Input('create-2d-graph', 'n_clicks'), Input('dynamic-slider', 'value')]) def graph_2d_slader(n_clicks, value_marks): range_values = [] if n_clicks>0:

if (data is not None): ex_A, ex_Ph = processing_str(data, value_marks) len_values = len(ex_A) for i in range(1,len_values+1): range_values.append(i) return range_values

@app.callback(Output(,create_medpolish', 'n_clicks'),

Input('dynamic-slider', 'value'), Input('create_reset', 'n_clicks')) def new_graph(value, n_cl_r): global data_A global data_Ph if value:

return 0 if n_cl_r>0:

data_A = data_A_to_reset data_Ph = data_Ph_to_reset return 0

@app.callback(Output('create_local', 'n_clicks'),

Input('create_local', 'n_clicks')) def local_N_clicks(n_cl_loc): if (n_cl_loc > 0): ex_A = data_A_to_reset ex_Ph = data_Ph_to_reset ex_A = medpolish(data_A)['residuals'] ex_Ph = medpolish(data_Ph)['residuals']

graph_loc = localization_defect_plotly(ex_A, ex_Ph) return 0

@app.callback(Output('create_defect', 'n_clicks'),

Input('create_defect', 'n_clicks')) def defect(n_cl_defect): if (n_cl_defect > 0): ex_A = data_A_to_reset ex_Ph = data_Ph_to_reset ex_A = medpolish(data_A)['residuals'] ex_Ph = medpolish(data_Ph)['residuals']

tmp = localization_defect_plotly(ex_A, ex_Ph, return_graph=False) graph_final = final_defect_map(tmp, ex_A, ex_Ph) return 0

if_name_== '_main_':

app.run_server(debug=True)

ПРИЛОЖЕНИЕ Б

Свидетельства о государственной регистрации программ для ЭВМ

ПРИЛОЖЕНИЕ В

Акты внедрения результатов диссертационной работы

внедрения результатов диссертационной работы Игнатьева Максима Алексеевича на тему «Совершенствование метода и алгоритмов обработки информации для распознавания дефектов при вихретоковом контроле шлифованных

поверхностей на основе интеллектуального анализа данных» по специальности 2.3.1 - Системный анализ, управление и обработка информации, статистика (технические науки)

Разработанные Игнатьевым М.А. метод, алгоритмическое и программное обеспечение обработки информации для распознавания дефектов при вихретоковом контроле шлифованных поверхностей были внедрены в производство приборов вихретокового контроля роликов подшипников.

Использование результатов диссертационной работы Игнатьева М.А. позволяют повысить точность распознавания дефектов поверхности вихретоковым методом контроля.

ООО «Научно-производственный комплекс прецизионного оборудования», г. Саратов.

АКТ

Директор, к.т.н.

/ Сигитов Е.А.

«

/<?» н

м.п.

УТВЕРЖДАЮ

Проректор по науке и инновациям федерального государственного бюджетного образовательного учреждения высшего образования «Саратовский государственный ;нический университет имени ина Ю. А.» н., профессор

^ А.И. Землянухин 2025 г.

АКТ

о внедрении результатов диссертационной работы Игнатьева Максима Алексеевича на тему «Совершенствование метода и алгоритмов обработки информации для распознавания дефектов при вихретоковом контроле шлифованных

поверхностей на основе интеллектуального анализа данных»

Мы ниже подписавшиеся руководитель Учебно-научно производственного центра конструкторско-технологической^поддержки предприятий машиностроительного комплекса (далее «УНПЦ К111»), д.т.н. Бекренев Н.В., руководитель гранта РНФ № 23-79-00039 «Обоснование методологии комплексного модифицирования композиционных материалов для экстремальных условий эксплуатации на основе изучения фазово-структурных превращений под влиянием электрофизических воздействий различного частотного диапазона», к.т.н. Злобина И.В., д/г.н. профессор кафедры «Техническая механика и мехатроника» Игнатьев A.A. и ассистент кафедры «Техническая механика и мехатроника» Игнатьев М.А. составили настоящий акт о том, что результаты диссертационном работы М А Игнатьева, представляемой на соискание ученой степени кандидата технических наук по специальности 2.3.1 - Системный анализ, управление и обработка информации, статистика (технические науки), а именно:

1. Алгоритм интеллектуального анализа данных, основанный на статистических признаках, с применением метода машинного обучения;

2. Метод интеллектуального анализа цифровых данных;

3 Программные модули на языке программирования Python, использующиеся при анализе результатов обучающего эксперимента для формирования моделей в течение 2023-2024 г.г.

использованы в УНПЦ КТП при обработке результатов экспериментальных исследований по влиянию СВЧ электромагнитного поля на повышение

физико-механических свойств объектов ЗЭ-печати из филаментов на основе суперконструкционного полимера (полиэфирэфиркетон), армированного непрерывным углеродным волокном в рамках выполнения раоот по гранту РНФ № 23-79-00039 «Обоснование методологии комплексного модифицирования композиционных материалов для экстремальных условий эксплуатации на основе изучения фазово-структурных превращений под влиянием электрофизических воздействий различного

частотного диапазона». м

Использование разработанных в кандидатской диссертации М А Игнатьева алгоритмов, моделей и программных модулей позволило: ^ выполнить анализ поглощения мощности СВЧ излучения различно« частоты полимерными композиционными материалами получить регрессионное уравнение, позволяющее с точностью не ниже 0,8 рассчитать поглощенную мощность с учетом влияния 5 переменных и, соответственно

определить температуру нагрева объекта;

* получить зависимости поглощенной мощности СВЧ излучения от плотности потока энергии и толщины образца, тангенса угла диэлектрических потерь и диэлектрической проницаемости на частотах

2450 МГц 915 МГц;

- выполнить Фурье-анализ Рамановских спектров монослоев

филаментов, армированных непрерывным углеродным подвергнутых воздействию СВЧ электромагнитного поля;

- на основе метода машинного обучения разработать комплекс из 7 частных моделей, совокупность которых описывает процесс СВЧ упрочняющей обработки изделий из композитов и позволяет установить закономерности влияния размеров изделия, диэлектрических свойств компонентов и параметров армирования на поглощенную мощность СВ 1 излучения, определяющую температуру нагрева, а также связи силы адгезии в контакте компонентов с физико-механическими свойствами объектов

воздействия.

Указанные результаты позволили расширить представление физических закономерностях упрочнения материалов электромагнитном поле и включены в отчетные документы по гранту РНФ № 23-79-00039 за 2023-2024 год, а также планируются к включению в отчет

за 2025 год.