Содержание к диссертации
Введение
Глава 1. Анализ проблемы оценки усталостных разрушений металлоконструкций в процессе их эксплуатации 13
1.1 Описание объекта исследования 13
1.1.1 Анализ и классификация элементов сплава 14
1.1.2 Накопление повреждений в нагруженных материалах 20
1.1.3 Элементы дефектной структуры поверхности металлов и сплавов при циклическом нагружении 25
1.2 Оценка долговечности материала на основе анализа микроструктуры 27
1.3 Описание исходных данных для формирования модели накопления повреждений на микроструктуре поверхности 32
1.4 Методы классификации изображений 35
1.5 Результаты анализа существующих подходов к оценке поврежденности микроструктур 37
1.6 Постановка задач и цели исследования 39
Глава 2. Построение модели накопления повреждений на микроструктуре поверхности металлов и сплавов 41
2.1 Анализ проблемы моделирования процесса накопления повреждений микроструктуры поверхности металлов и сплавов 42
2.2 Разработка модели накопления повреждений на микроструктуре поверхности металлов и сплавов с использованием клеточного автомата 46
2.2.1 Структура клеточного автомата, применяемого для формирования модели накопления повреждений на микроструктуре поверхности 47
2.2.2 Начальная инициализация расчетного поля клеточного автомата 48
2.2.3 Методика расчета нового состояния клетки 50
2.3 Модель накопления повреждений на микроструктуре поверхности с
учетом механизма наращивания грубых полос скольжения и образования
трещин 58
2.3.1 Формирование списка параметров ГПС 59
2.3.2 Формирование правил образования ГПС 60
2.3.3 Формирование правил развития ГПС 62 2.3.4 Формирование правил образования трещины 68
2.3.5 Параметры модели клеточного автомата, характеризующие ГПС и трещины на изображении микроструктуры поверхности 71
2.3.6 Моделирование накопления повреждений на микроструктуре поверхности 77
2.4 Выводы 78
Глава 3. Разработка классификаторов изображений микроструктуры поверхности на основе модели накопления повреждений 80
3.1 Разработка алгоритма классификации по параметрам изображений металлов и сплавов на основе модели накопления повреждений на микроструктуре поверхности 80
3.2 Разработка алгоритма нейросетевой классификации изображений металлов и сплавов на основе модели накопления повреждений на микроструктуре поверхности 83
3.3 Алгоритм совместного использования классификаторов изображений микроструктуры поверхности металлов и сплавов 92
3.4 Методика оценки точности работы классификатора изображений микроструктуры поверхности металлов и сплавов 93
3.5 Выводы 95
Глава 4. Практическая реализация и вычислительные эксперименты 97
4.1 Описание программной реализации 97
4.2 Моделирование процесса накопления повреждений микроструктуры поверхности на базе разработанного программного обеспечения 99
4.2.1 Описание тестовых множеств изображений 100
4.2.2 Моделирование процесса накопления повреждений микроструктуры поверхности металлов и сплавов 103
4.2.3 Анализ результатов моделирования процесса накопления повреждений микроструктуры поверхности 106
4.3 Оценка работы классификатора по параметрам (величине относительной поврежденности) изображений микроструктуры поверхности металлов и сплавов 119
4.4 Оценка работы классификатора по параметрам (относительному изменению затемнения образца) изображений микроструктуры поверхности металлов и сплавов 124
4.5 Оценка работы нейросетевого классификатора изображений микроструктуры поверхности металлов и сплавов 126
4.6 Использование модели накопления повреждений для выявления изменений в условиях проведения испытаний на циклические нагрузки 128
4.7 Использование модели накопления повреждений для оценки остаточного ресурса объекта по изображениям микроструктуры поверхности 131
4.8. Анализ результатов практического применения разработанной модели накопления повреждений на микроструктуре поверхности и алгоритмов работы классификаторов изображений микроструктуры поверхности металлов и сплавов 132
4.9 Выводы 135
Заключение 137
Основные обозначения и термины 140
- Оценка долговечности материала на основе анализа микроструктуры
- Разработка модели накопления повреждений на микроструктуре поверхности металлов и сплавов с использованием клеточного автомата
- Разработка алгоритма нейросетевой классификации изображений металлов и сплавов на основе модели накопления повреждений на микроструктуре поверхности
- Оценка работы классификатора по параметрам (относительному изменению затемнения образца) изображений микроструктуры поверхности металлов и сплавов
Оценка долговечности материала на основе анализа микроструктуры
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы из 97 наименований, а также 4 приложений. Общий объём работы 162 страницы текста, содержащего 60 рисунков и 15 таблиц.
Во введении обосновывается актуальность диссертационной работы, формулируются основные цели и задачи исследования.
В первой главе приводится описание объекта исследования и процесса накопления повреждений на поверхности металлов и сплавов, а так же обзор методов определения количества циклов нагружения на основе исследования процесса накопления повреждений на микроструктуре поверхности металлов и сплавов. Проанализированы существующие методы классификации изображений. Исходя из проведенного анализа, сформулированы цели и задачи исследования.
Во второй главе представлена разработанная модель накопления повреждений на микроструктуре поверхности металлов и сплавов при циклических нагрузках с учетом факторов, влияющих на результаты испытаний. Сформированы основные принципы моделирования накопления повреждений микроструктуры поверхности. Разработана модель накопления повреждений поверхности микроструктур с использованием теории клеточных автоматов. Спроектированы правила работы клеточных автоматов, позволяющие смоделировать накопление повреждений на микроструктуре поверхности металлов и сплавов при циклических нагрузках. Предложен алгоритм добавления в разработанную модель накопления повреждений на микроструктуре поверхности металлов и сплавов механизма образования и развития грубых полос скольжения и формирования правил образования трещины.
В третьей главе представлено решение задачи определения числа циклов нагружения по изображениям микроструктуры поверхности на основе разработанной модели накопления повреждений на микроструктуре поверхности. Разработаны классификаторы, позволяющие оценить число циклов нагружения по изображениям микроструктур поверхности металлов и сплавов и алгоритм оценки погрешности работы классификаторов. Разработано два классификатора. Первый работает на основе расчета параметров изображений микроструктуры поверхности металлов и сплавов, которые используются в качестве критериев классификации (относительное изменение затемнения микроструктуры поверхности образца - 50ТН и относительная величина поврежденности микроструктуры поверхности образца - V). В качестве второго классификатора используется нейронная сеть глубокого обучения с модифицированной архитектурой, а также приводится изменённая разработанная архитектура, полученная путем добавления в нейронную сеть параметров изображений (Ни моменты, SIRF дескрипторы). Предложен алгоритм совместного использования разработанных классификаторов изображений поврежденной микроструктуры поверхности металлов и сплавов, учитывающий стадию эксплуатации, на которой находится объект.
В четвертой главе приведена экспериментальная часть работы, связанная с внедрением разработанного метода моделирования процесса накопления повреждений на микроструктуре поверхности. Проведено моделирование процесса накопления повреждений микроструктуры поверхности на базе разработанного программного обеспечения. Выполнен анализ полученных в ходе моделирования изображений поверхности металлов и сплавов. Классификаторы, разработанные в главе 3 использованы для определения числа циклов нагружения на основе модели накопления повреждений на микроструктуре поверхности.
В заключении формулируются основные результаты, полученные в диссертационной работе
Обеспечение надежной эксплуатации сложных и ответственных деталей машин и конструкций, изготовленных из металлических конструкционных материалов, требует, в том числе, разработки методов количественной оценки степени поврежденности микроструктур. Исследования в этой области направлены на разработку методов, повышающих точность оценки реальных изменений поверхности микроструктур металлоконструкций и определения фактического их состояния в процессе эксплуатации.
В данной главе представлено описание объекта исследования – изображений микроструктуры поверхности металлов и сплавов, полученных в процессе циклических нагружений, а также описание процесса накопления усталостных разрушений, проявляющегося в образовании грубых полос скольжения. Охарактеризованы существующие методы оценки долговечности деталей машин и конструкций, изготовленных из металлов и сплавов на основе анализа изображений микроструктуры их поверхности. Приведены примеры изображений, сделанных на различных стадиях микропластических деформаций объектов исследования, представляющие исходные данные для формирования модели накопления повреждений на микроструктуре поверхности металлов и сплавов.
Проведен анализ существующих подходов к решению задачи классификации изображений с целью оценки степени поврежденности микроструктуры поверхности металлов и сплавов.
Разработка модели накопления повреждений на микроструктуре поверхности металлов и сплавов с использованием клеточного автомата
Введем требования к модели накопления повреждений на микроструктуре поверхности:
1. в каждый момент времени состояние ячейки может быть представлено любым значением в диапазоне от 0 до 255, которое соответствует оттенку серого на изображении микроструктуры поверхности, где 0 представляет черный цвет, а 255, соответственно, белый; 2. с течением времени числовое значение каждой ячейки уменьшается, что моделирует переход данной области изображения микроструктуры от более светлого значения к более темному. Очевидно, что обратный переход невозможен;
3. в начальный момент времени конфигурация расчетного поля КА задаётся изображением микроструктуры поверхности, которое определяется в соответствии с типом сплава. Данное изображение снимается с объекта до начала усталостных нагружений, например, до начала эксперимента по циклическому нагружению;
4. границы зерен на изображении микроструктуры поверхности в ячейках модели КА отмечены наименьшими числовыми значениями и представляют каркас изображения. На протяжении всего времени испытаний каркас фиксирован и не меняет свое положение.
Для формирования процесса усталостного разрушения будем использовать двумерный клеточный автомат с квадратным типом решетки nm и окрестностью Мура. Мощность клеточного автомата C = nm вычисляем исходя из размеров изображения микроструктуры поверхности. Каждый пиксель изображения будем представлять ячейкой КА. Размер расчетного поля вычисляется исходя из размеров изображения, например, для изображения 325 на 255 пикселей мощность составит C = 82875.
Каждая ячейка КА может находиться в одном из 256 состояний, соответствующих оттенку серого на изображении микроструктуры поверхности, в том числе являться каркасом (т.е. границей зерна). Графическая схема применяемого клеточного автомата представлена на рисунке 18. Рисунок 18 – Графическая схема применяемого клеточного автомата В процессе работы КА каждая ячейка клеточного автомата характеризуется своим состоянием – значением из градации серого цвета (от 0 до 255). Такие параметры, как тип сплава, амплитуда нагружения, испытательная среда т.е. параметры, характеризующие работу КА в целом, считаются одинаковыми для всех ячеек.
КА работает дискретно. Каждая итерация КА характеризуется N-ым циклом нагружения образца. Значение ячейки на N+1 цикле нагружения определяется состоянием её соседей из окрестности Мура на N цикле.
Для определения начального состояния расчетного поля используется изображение микроструктуры поверхности объекта до начала усталостных нагружений, или же может использоваться изображение из атласа микроструктур, соответствующее металлу или сплаву, для которого осуществляется моделирование. На заданном изображении, представленном двумерной функцией f(x,y) (где x и y – координаты на плоскости, значение f задается парой координат (x,y) и называется уровнем серого изображения в этой точке [59]), необходимо выделить каркас КА, значения ячеек которого не будут меняться с течением времени, однако будут оказывать влияние на вероятность возникновения разрушения. В работе будем использовать 3 варианта правил выделения ячеек, принадлежащих каркасу, которые приведены ниже.
1. Инициализация каркаса с использованием порога. Функция имеет следующий вид: 1 v yj (255,/(х, у) t; где t значение порога (0 t 255), т.е. параметр модели, который задаётся на этапе настройки. Таким образом, можно говорить о том, что исходное изображение приводится к бинарному виду, при этом ячейки, содержащие нулевые значения, помечаются как каркасные, а все остальные устанавливаются в значение 255.
2. Инициализация каркаса с использованием тройного порога. В данном случае из исходного изображения выделяют каркас, содержащий ячейки трёх типов - FltF2l F3 . Для выделения областей вводится список пороговых значений, для которых справедливо: tx t2 t3 . Функция описывается следующим образом: „г F2,U fix,у) t2; nX y) = F3,t2 f(x,y) t3; { 2SS,f(x,y) t3; где t±, t2 ,t3 пороговые значения, аналогичные порогу при инициализации каркаса с использованием единичного порога.
3. Инициализация каркаса с помощью неполной пороговой обработки. К клеткам, яркость которых ниже заданного порога, добавляется идентификатор каркаса F. Каркас формируется путём разделения всех ячеек КА на 2 типа: принадлежащих и не принадлежащих каркасу. Яркость ячеек, принадлежащих каркасу, используется в качестве индекса, который присваивается каркасу. Таким образом, каркас формируется по аналогии с инициализацией каркаса с использованием тройного порога, однако с той разницей, что увеличится количество типов ячеек. Каждая ячейка, принадлежащая каркасу, имеет индекс, соответствующий уровню яркости исходного изображения. Значения ячеек, яркость которых выше порога, отмечаются как 255 и не включаются в каркас. Данный подход позволяет сохранить и перенести на каркас детали исходного изображения, отделив их от фона. Функция выделения каркаса описывается следующим образом: (Ff{x,y),f{x,y) t; f (x,y) 2SS,f(x,y) t; где t значение порога (0 t 255) - параметр модели, который задаётся на этапе настройки. В результате инициализации расчетного поля получен массив ячеек, принадлежащих каркасу КА, представляющего границы зёрен микроструктуры поверхности исходного изображения. После очередного цикла нагружения получаем новое значение расчетного поля, отражающего динамику накопления повреждений на микроструктуре поверхности. Схема, реализующая один цикл нагружения моделируемого усталостного разрушения, представлена на рисунке 19.
Разработка алгоритма нейросетевой классификации изображений металлов и сплавов на основе модели накопления повреждений на микроструктуре поверхности
Расчет фрактальной размерности DM по изображениям микроструктуры поверхности металлов и сплавов.
Отметим, что различают топологическую размерность множества, т.е. для линии она равна 1, для квадрата - 2, для куба - 3 [71, 72] и фрактальную (дробную) размерность, характеризующую коэффициент изменения множества с изменением масштаба [73, 94].
Рассчитаем фрактальную размерность DM полученных перколяционных кластеров на ячейках, принадлежащих ГПС и трещинам (отмеченных символами S и С), используя соотношение, представленное в [74]: N= p(R/R0)DM, N оо, (4) где R - радиус кластера, 0 - радиус структурных единиц, из которых состоит кластер, - число структурных единиц, входящих в состав кластера, - плотность структурных единиц в кластере.
Плотность p зависит от того, как упакованы структурные единицы в кластере. Фрактальная размерность кластера служит количественной характеристикой того, как кластер заполняет занимаемое им пространство [74, 96].
Следует отметить, что процессы агрегации, ограниченной диффузией, порождают кластеры с фрактальной размерностью (2) = 1,71 [74]. Однако, в нашем случае, фрактальная размерность рассчитывается для кластеров, построенных на ячейках, принадлежащих трещине (отмеченных как C), маркировка которых происходит в соответствии с правилами образования трещины на реальных объектах, а значит, их фрактальная размерность может отличаться от полученного в [74] значения.
В процессе расчёта значения фрактальной размерности изображения (модельные и реальные), содержащие накопленную за определенное количество циклов нагружения поврежденность, последовательно накрываются сетками с квадратными ячейками с различным размером стороны квадрата. Проводится подсчет числа ячеек и определение процентного соотношения площадей, занятых поврежденной и неповрежденной полосами скольжения микроструктуры поверхности. Сопоставление числа поврежденных и неповрежденных ячеек с размером стороны ячейки сетки, при котором эти числа были получены, позволяет получить однотипные по характеру зависимости, которые будем использовать для проведения анализа.
Характер этих зависимостей качественно можно описать следующим образом - при уменьшении размера сетки, накладываемой на изображение микроструктуры поверхности, количество ячеек сетки, накрывших поврежденные участки увеличивается. При этом, если мы фиксируем число ячеек, попадающих на изображение неповрежденной полосами скольжения микроструктуры поверхности, то их число при переходе от одного изображения к другому (при увеличении числа циклов нагружения) сокращается. Если мы фиксируем число ячеек, попадающих на поврежденные области микроструктуры поверхности (области полос скольжения на микроструктуре поверхности), то их число будет возрастать по мере увеличения числа циклов нагружения.
Чтобы исследовать изменение числа ячеек обоих типов (соответствующих элементам поврежденной и неповрежденной микроструктуры поверхности) для разного числа циклов нагружения в зависимости от размеров стороны ячейки сетки, введём относительную величину поврежденности V (value of damage): v =о (5) где фнеповр – число ячеек, попадающих на неповрежденные элементы микроструктуры поверхности, @общ - число ячеек, попадающих на все изображение микроструктуры поверхности. Очевидно, что Снеповр + Сповр = Собщ , где (?повр - число ячеек , попадающих на поврежденные элементы микроструктуры поверхности. Полагаем, что до начала циклического нагружения на изображении микроструктуры поверхности полос скольжения не наблюдаем и тогда можно приять, что @общ = фнеповр.
Фактически, относительная величина поврежденности V может рассматриваться как некий аналог степени поврежденности микроструктуры поверхности Ф. Действительно, в начальный период циклических испытаний (при небольшом числе циклов нагружения) эта величина близка к своему минимальному значению (0). В этом случае поврежденность поверхности минимальна. На конечных стадиях усталостных испытаний (при большом числе проведённых циклов нагружения) параметр V достигает своего максимального значения (1). Заметим, что на практике эти предельные значения (0 и 1 для параметра V), недостижимы.
Этапы, описанные в пунктах 2.3.1 – 2.3.5, используются при моделировании процесса накопления повреждений микроструктуры поверхности металлов и сплавов с учетом механизма образования и развития ГПС, а так же формирования трещины (рисунок 29). По мере накопления повреждений посредством работы правил клеточного автомата, а так же образования и развития в модели грубых полос скольжения, проверяется наличие схем зарождения трещин, а так же условий, позволяющих определить, что на изображении была сформирована трещина.
Оценка работы классификатора по параметрам (относительному изменению затемнения образца) изображений микроструктуры поверхности металлов и сплавов
Значение угла наклона для прямых V(tg), аппроксимирующих результаты обработки изображений микроструктуры поверхности изменилось, подтверждая изменение совокупности действующих факторов. Полученный результат соответствует исходным данным об условиях испытаний. С другой стороны, предполагая, например, что при исследовании изображения поврежденной микроструктуры не были предоставлены сведения о существенном изменении совокупности действующих факторов, пользуясь свойствами зависимости V(tg) и анализируя получаемые экспериментально изображения микроструктуры можно выявить факт смены совокупности действующих факторов. Предположим, что для изображения (п. 4 из таблицы 14) ошибочно предполагается сохранение совокупности условий испытаний на усталость такое же, как и для изображений (п.п.1 и 2 из таблицы 14). Обработка полученного изображения и совместное рассмотрение параметров зависимости V(tg) показывает существенную смену тангенса угла наклона зависимости (с 2,8 на 2,606), заставляя предположить смену совокупности условий проведения испытаний (циклического нагружения). Необходимо отметить, что данный способ определения смены совокупности действующих условий (факторов) позволяет определить лишь факт изменения всей совокупности факторов, действующих при циклическом нагружении.
Зависимости, полученные в 4.2 являются аналогом зависимости поврежденности поверхности от числа циклов нагружения. Учитывая их можно: во-первых, «сдерживать» нарастание числа ГПС в разработанной модели накопления повреждений микроструктуры поверхности для учёта их реального поведения в системах при циклическом нагружении, а во-вторых, оценить число циклов нагружения по изображению микроструктуры поверхности.
Использование трехмерной зависимости начальной ординаты величины относительной поврежденности V от тангенса угла наклона и числа циклов нагружения N позволяет реализовать процедуру прогнозирования критического числа циклов нагружения, после которого целесообразно делать вывод о необходимости снятия объекта с эксплуатации. На представленном ниже рисунке показана зависимость V(tg), полученная по результатам обработки изображений микроструктуры поверхности для тестового множества изображений №2. Дополнительно на ней показаны группы точек (результатов обработки изображений), соответствующих характерным значениям чисел циклов нагружения образцов. Кроме этого каждое число циклов нагружения, характеризующее выбранные группы точек было отнесено к числу циклов нагружения при котором на микроструктуре поверхности образца образовались макротрещины длиной порядка 1 мм, после чего образцы считались разрушенными и снимались с испытательного стенда. Как видно из рисунка, по мере того, как образец испытывает все большее число циклов нагружения и их количество становится все ближе к критическому значению, точка, соответствующая результатам обработки микроструктуры поверхности перемещается по зависимости V(tg) вправо и вверх, приближаясь к своему критическому значению. По степени близости результатов обработки изображения микроструктуры поверхности на этой зависимости к критическому значению можно судить о том, на сколько исследуемый образец близок к критическому значению поврежденности микроструктуры поверхности и, соответственно, насколько исчерпан ресурс образца или детали (рисунок 60).
Анализ результатов практического применения разработанной модели накопления повреждений на микроструктуре поверхности и алгоритмов работы классификаторов изображений микроструктуры поверхности металлов и сплавов
Разработанная в настоящей работе модель накопления повреждений на микроструктуре поверхности при циклическом нагружении металлов и сплавов, а также алгоритмы работы классификатора по параметрам и нейросетевого классификатора изображений микроструктуры поверхности позволяют решать следующие практические задачи различного уровня сложности: - моделировать процесс накопления повреждений на микроструктуре поверхности металлов и сплавов при циклическом нагружении, рассматривая в качестве элементов дефектной структуры грубые полосы скольжения и трещины; - генерировать модельные изображения микроструктуры поверхности металлов и сплавов, поврежденной грубыми полосами скольжения при циклическом нагружении в соответствии с заданным числом циклов нагружения; - определять число циклов нагружения, которые испытал объект по имеющемуся изображению микроструктуры поверхности, поврежденной при циклическом нагружении грубыми полосами скольжения и трещинами; - определять факт смены совокупности факторов (условий) проведения испытаний на усталость образцов и деталей, основываясь на анализе набора изображений микроструктуры поверхности металлов и сплавов, поврежденных грубыми полосами скольжения и трещинами при циклическом нагружении; - прогнозировать остаточный ресурс образца или детали на основе анализа динамики изменения степени поврежденности микроструктуры поверхности металлов и сплавов при циклическом нагружении на основе изображений микроструктуры.
Сопоставление результатов применения разработанной модели накопления повреждений на микроструктуре поверхности и алгоритмов работы классификаторов изображений микроструктуры поверхности металлов и сплавов с результатами экспериментального исследования процессов накопления повреждений на микроструктуре поверхности металлов и сплавов при циклическом нагружении позволяет оценить точность сделанных прогнозов и оценок.