Статья опубликована в журнале «Инженерный вестник Дона». Лопатки турбин имеют сложную геометрическую форму с аэродинамической поверхностью. Сегодня их полировка происходит на специальных станках или с помощью роботизированного манипулятора. Деталь устанавливают в устройство и через программу задается базовая траектория движения полировального инструмента. Но после обработки оператор-контролер должен визуально тщательно исследовать всю поверхность на поиск царапин и различных дефектных следов. Осмотреть ее со всех углов человеку крайне сложно и неудобно. Это занимает много времени и в случае недосмотра существует риск попадания детали с браком на следующий этап производства.
Ученые разработали комплексную нейросетевую модель с видеоаналитикой, которая объединяет эти процессы в один этап – новая система сочетает в себе обработку лопатки и контроль дефектов в одном автоматизированном цикле. Это значительно повышает точность и скорость производства ключевых компонентов авиационных и промышленных двигателей.
— В основе нашего программного обеспечения лежит искусственный интеллект, способный распознавать различные виды дефектов. Система представляет собой комплекс аппаратных и программных решений: специальная видеокамера закреплена на руке промышленного робота-манипулятора, выполняющего полировку. По заранее рассчитанной траектории происходит ее движение и осмотр лопатки со всех необходимых ракурсов, даже в труднодоступных местах.
Далее в реальном времени мощный вычислительный комплекс обрабатывает видеопоток с помощью обученной нейросети. Все малейшие аномалии – царапины, сколы, неровности полировки – фиксируются, и по окончании сканирования о них формируется детальный отчет для оператора. Он в свою очередь может запустить дополнительную полировку именно тех участков, где необходимо устранить изъян, — объясняет Даниил Курушин, доцент кафедры информационных технологий и автоматизированных систем ПНИПУ, кандидат технических наук.
Для анализа видеопотока ученые выбрали и адаптировали одну из самых современных архитектур нейронных сетей — YOLO11. Ее обучение проводили на обширной базе данных — более 1500 изображений лопаток разных форм и с различными типами дефектов, снятых под несколькими углами и в условиях специальной ультрафиолетовой подсветки.
Уже разработан прототип интерфейса программы. После закрепления лопатки в рабочей зоне, оператору нужно только выбрать тип лопатки в системе – ему уже соответствует своя математическая модель и программа движений робота. После запуска на экран в удобной форме выводится поле с найденными дефектными объектами и полный отчет о проведенном анализе.
— Съемка эталонных дефектов для обучения нейронной сети и тестирование прототипа проводились непосредственно на производственной площадке моторостроительного предприятия. Это обеспечило высокую практическую значимость и соответствие системы реальным производственным задачам. Точность распознавания составила 96%, что говорит о высокой способности модели правильно классифицировать состояние полировки. А полнота – 94%, что указывает на способность выявлять большинство дефектов, — поделился Алексей Духанин, аспирант кафедры информационных технологий и автоматизированных систем ПНИПУ.
Новая интеллектуальная система, основанная на глубоком машинном обучении и компьютерном зрении, оптимизирует процесс полировки лопаток турбины с учетом их геометрии и свойств материала. Технология позволяет в реальном времени обнаруживать микроскопические дефекты поверхности, что значительно повышает качество и эффективность производства критически важных компонентов. Сейчас идут обсуждения о внедрении технологии на одно из промышленных предприятий.
В дальнейшем коллектив разработчиков планирует расширить базу данных для повышения точности распознавания, добавить 3D-модели лопаток для создания более информативных отчетов, а также масштабировать архитектуру системы, расширить область ее применения и интегрировать с новыми передовыми технологиями. Это оптимизирует производственные процессы и повысит конкурентоспособность на рынке.
Внедрение технологии ученых Пермского Политеха на предприятия авиационного и энергетического машиностроения увеличит качество продукции за счет стопроцентного автоматизированного управления и исключения человеческого фактора, сократит время контроля по сравнению с традиционными методами визуального осмотра и снизит затраты на брак и доработку изделий.