Метод сканирования тонких поверхностей при выполнении ремонта лопаток газотурбинных двигателей


Цитировать

Полный текст

Аннотация

Повышение эффективности ремонта лопаток газотурбинного двигателя методом наплавки за счёт разработки и внедрения метода сканирования сложнопрофильных криволинейных поверхностей лопаток газотурбинного двигателя непосредственно на оборудовании для осуществления наплавки является целью данного исследования. Предлагается подход к сканированию системой технического зрения детали, установленной на том же оборудовании, на котором выполняется ремонт наплавкой, рядом с соплом. Система технического зрения состоит из триангуляционного лазерного датчика (2D-профилометра) и камеры. Предложенный алгоритм обладает адаптивностью к механическому состоянию оборудования, на котором выполняется сканирование и наплавка. Полученные с системы технического зрения 3D-сканы обладают точностью свыше 0,05 мм в 67,56% случаев, и точностью свыше 0,1 мм в 95,75% случаев, что при пятне лазера от 0,5 до 1,0 мм достаточно для дальнейшего использования полученных сканов в задаче ремонта лопаток газотурбинных двигателей. Предложенный подход позволяет ускорить подготовку технологических программ наплавки в 10 раз по сравнению с ручным методом сканирования.

Об авторах

Д. И. Котляр

Рыбинский государственный авиационный технический университет имени П.А. Соловьева

Автор, ответственный за переписку.
Email: dm.kotlyar@yandex.ru

аспирант кафедры электротехники и промышленной электроники

Россия

А. Н. Ломанов

Рыбинский государственный авиационный технический университет имени П.А. Соловьева

Email: lepss@yandex.ru

кандидат технических наук, доцент, директор института информационных технологий и систем управления

Россия

Список литературы

  1. Безъязычный В.Ф., Смирнов А.В. Анализ и направления совершенствования технологических и организационных проблем ремонта газотурбинных авиационных двигателей // Наукоёмкие технологии в машиностроении. 2020. № 8 (110). С. 42-48. doi: 10.30987/2223-4608-2020-8-42-48
  2. Леонтьев В.А., Зиличихис С.Д., Кондратюк Э.В., Замковой В.Е. Восстановление работоспособности ГТД с применением новых технологий и материалов // Вестник двигателестроения. 2006. № 4. С. 99-103.
  3. Бессуднов И.А. Совершенствование технологий ремонта газотурбинных авиационных двигателей с использованием ресурсосберегающих технологий. Дис. … канд. техн. наук. Рыбинск, 2014. 208 с.
  4. Galantucci L.M., Piperi E., Lavecchia F., Zhavo A. Semi-automatic low cost 3D laser scanning systems for reverse engineering // Procedia CIRP. 2015. V. 28. P. 94-99. doi: 10.1016/j.procir.2015.04.016
  5. Ahmadi S.A., Mohammadzadeh A., Hosseininaveh A. Introduction of a domestic scanner for 3D object modeling and its evaluation // 1st National Conference on Geospatial Information Technology (January, 19-20 января, 2016, Tehran, Iran).
  6. Salehi V., Wang S. Using point cloud technology for process simulation in the context of digital factory based on a systems engineering integrated approach // Proceedings of the 21st International Conference on Engineering Design, ICED17 (August, 21-25, 2017, Vancouver, Canada). V. 3. P. 11-20.
  7. Mutilba U., Gomez-Acedo E., Kortaberria G., Olarra A., Yagüe-Fabra J.A. Traceability of on-machine tool measurement: a review // Sensors. 2017. V. 17, Iss. 17. doi: 10.3390/s17071605
  8. Horst J., Hedberg T., Feeney A.B. On-machine measurement use cases and information for machining operations. Report no. 400-1. Gaithersburg, MD: National Institute of Standards and Technology, 2019. 61 p. doi: 10.6028/NIST.AMS.400-1
  9. Logee S. Quality in manufacturing. On-machine measurement. http://www.toolingandproduction.com/qim/1004on-machine.aspx
  10. Дорожкин И.Н., Дорожкина О.К., Шинкевич И.А. Особенности внедрения цифрового производства на основе автоматизации процессов производственного и операционного менеджмента на промышленном предприятии // Вестник МГТУ «Станкин». 2018. № 2 (45). С. 112-116.
  11. Srinivasan H., Harrysson O., Wysk R. Automatic part localization in a CNC machine coordinate system by means of 3D scans // The International Journal of Advanced Manufacturing Technology. 2015. V. 81. P. 1127-1138. doi: 10.1007/s00170-015-7178-z
  12. Зеленский А.А., Франц В.А., Семенищев Е.А. Алгоритм планирования траектории рабочего органа манипулятора для привязки базисных систем координат с использованием технического зрения // Вестник машиностроения. 2019. № 10. С. 3-7.
  13. Xiong X.H., Chen J.L., Quan D.M. Directly manufacturing mouse mold by plasma deposition manufacturing // Advanced Materials Research. 2014. V. 941-944. P. 2190-2193. doi: 10.4028/ href='www.scientific.net/AMR.941-944.2190' target='_blank'>www.scientific.net/AMR.941-944.2190
  14. Skotheim O., Lind M., Ystgaard P., Fjerdingen S.A. A flexible 3D object localization system for industrial part handling // IEEE/RSJ International Conference on Intelligent Robots and Systems (October, 07-12, 2012, Vilamoura-Algarve, Portugal). doi: 10.1109/IROS.2012.6385508
  15. Okarma K., Grudzinski M. The 3D scanning system for the machine vision based positioning of workpieces on the CNC machine tools // Proceedings of the 17th International Conference on Methods & Models in Automation & Robotics (MMAR) (August, 27-30, 2012, Miedzyzdroje, Poland). doi: 10.1109/MMAR.2012.6347906
  16. Xu X., Zhu D., Zhang H., Yan S., Ding H. TCP-based calibration in robot-assisted belt grinding of aero-engine blades using scanner measurements // The International Journal of Advanced Manufacturing Technology. 2017. V. 90. P. 635-647. doi: 10.1007/s00170-016-9331-8
  17. Burghardt A., Szybicki D., Gierlak P., Kurc K., Muszyñska M. Robotic grinding process of turboprop engine compressor blades with active selection of contact force // Technical Gazette. 2022. V. 29, no. 1. С. 15-22. doi: 10.17559/TV-20190710141137
  18. Kurc K., Burghardt A., Gierlak P., Muszyñska M., Szybicki D., Ornat A., Uliasz M. Application of a 3D scanner in robotic measurement of aviation components // Electronics. 2022. V. 11, Iss. 19. doi: 10.3390/electronics11193216
  19. Diao S., Chen X., Luo J. Development and experimental evaluation of a 3D vision system for grinding robot // Sensors. 2018. V. 18, Iss. 9. doi: 10.3390/s18093078
  20. Xu J., Xu L., Li Y., Sun Y. Shape-adaptive CNC milling for complex contours on deformed thin-walled revolution surface parts // Journal of Manufacturing Processes. 2020. V. 59. P. 760-771. doi: 10.1016/j.jmapro.2020.10.001
  21. Афонин В.Л., Смоленцев А.Н., Яковлев М.Г. Интеллектуальные робототехнические комплексы для финишной обработки сложных поверхностей // Труды Международной научно-технической конференции «Экстремальная робототехника» (7-8 июня 2018 г., Санкт-Петербург). СПб.: Политехника Сервис, 2018. С. 161-170.
  22. Шадрин М.В. Лазерный триангуляционный 3D метод и устройство для прототипирования и изготовления сложных изделий. Дис. … канд. техн. наук. Рязань, 2020, 194 с.
  23. Franca J.G.D.M., Gazziro M.A., Ide A.N., Saito J.H. A 3D scanning system based on laser triangulation and variable field of view // Proceedings of the IEEE International Conference on Image Processing 2005 (September, 14, 2005, Genova). doi: 10.1109/ICIP.2005.1529778
  24. Петров М.А., Эльдиб И.С.А. Получение 3D-моделей листовых и объёмных деталей, изготовленных методами холодного деформирования, при помощи оптического сканирования // Известия Тульского государственного университета. Технические науки. 2019. № 9. С. 471-479.
  25. Алонцева Д.Л., Красавин А.Л., Шадрин Г.К., Кадыролдина А.Т., Құсайын-Мұрат Т. Разработка системы управления промышленным роботом-манипулятором для трёхмерного сканирования поверхностей // Вестник Восточно-Казахстанского государственного технического университета им. Д. Серикбаева. 2019. № 1. С. 81-87.
  26. Бусурин В.И., Чжэ Л., Кудрявцев П.С. Управление бесконтактным профилометром при сканировании поверхностей сложного профиля // Мехатроника, автоматизация, управление. 2022. Т. 23, № 10. С. 529-535. doi: 10.17587/mau.23.529-535
  27. Лосев Е.Д., Свинарев А.А., Мишуров С.В., Белкина А.В., Степина А.С. Автоматизация восстановления рабочего колеса братской ГЭС // Механики XXI веку. 2018. № 17. С. 169-174.
  28. Мельцер-Йокиш Т., Томаидис Д., Вилькенхенер Р. Способ автоматизированного ремонта детали машин: патент РФ № 2499657; опубл. 27.11.2013; бюл. № 33.
  29. Wang X., Deng D., Hu Y., Ning F., Wang H., Cong W., Zhang H. Overhang structure and accuracy in laser engineered net shaping of Fe-Cr steel // Optics & Laser Technology. 2018. V. 106. P. 357-365. doi: 10.1016/j.optlastec.2018.04.015
  30. Горбачёв В.А., Криворотов И.А., Маркелов А.О., Котлярова Е.В. Семантическая сегментация спутниковых снимков аэропортов с помощью свёрточных нейронных сетей // Компьютерная оптика. 2020. Т. 44, № 4. С. 636-645. doi: 10.18287/2412-6179-CO-636

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Вестник Самарского университета. Аэрокосмическая техника, технологии и машиностроение, 2023

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-ShareAlike 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».