Изображение непровара в корне сварного шва	Изображение типичного годного шва (для сравнения)
Снимок телевизионной камерой	Снимок телевизионной камерой
Снимок с лазерно-голографической сеткой	Снимок с лазерно-голографической сеткой

В процессе контроля телевизионная камера с лазерным зондом перемещается вдоль контролируемой поверхности (сварного шва) с шагом 7…12 град с записью отснятых кадров в цифровом виде в базу данных контроля. При обследовании сварных стыков контролируется как сам стык, так и околошовная зона (зона термического влияния) шириной от 20 до 25 мм по обе стороны от шва в зависимости от толщины стенки свариваемых элементов. Минимальный размер выявляемого дефекта – не менее 0,5 мм.
Выявление отклонений может происходит на стадии анализа результатов контроля путем просмотра накопленного архива снимков, так и в режиме реального времени. Таким образом, возможна работа в двух режимах – ручном (контролер) и автоматическом (программмное обеспечение).
Выявление отклонений контролером при проведении визуального и измерительного контроля – поиск поверхностных отклонений (непроваров, трещин, раковин, задиров, царапин, коррозионных язв и т.д.) осуществляется путем просмотра на мониторе последовательности телевизионных изображений, полученных в результате записи массива элементов разложения в процессе контроля. Если на изображении выявлено отклонение, контролер приостанавливает просмотр и отмечает кадр с выявленным отклонением. Измерив размер выявленного отклонения и произведя идентификацию дефекта, контролер записывает информацию об обнаруженном отклонении в протокол контроля. Далее выбирается следующий раздел архива и повторяются предыдущие операции. При необходимости возможен повторный выход на выявленные отклонения для детального анализа. Результаты обработки результатов заносятся на электронный носитель информации. 
В автоматическом режиме системы технического зрения измерение геометрических размеров выявленных отклонений производится с помощью математических и программных алгоритмов. Измерение геометрических размеров в плоскости XY производится по изображениям, записанным телевизионной камерой, измерение глубины – по изображениям, записанным с использованием лазерно-голографического зонда в статическом режиме контроля (Рисунок 2).

Дефекты в трубах порождают уникальные сигналы, поэтому задача обнаружения полезных сигналов сводится к применению следующих методов применяемых при обработки изображения:
1. Бинаризация – перевод полноцветного или в градациях серого изображения в монохромное, где присутствуют только два типа пикселей – темные и светлые, которые соответствуют фону и объекту;
2. Разметка связных областей; 
3. Спектральный анализ контуров; 
4. Низкочастотная и пороговая фильтрация;
5. Нормализация спектра.
Как и в любой другой системе технического зрения, большое внимание стоит уделить проблеме шумовых сигналов, к которым можно отнести:
1. Аномалии продольного шва – это шумовой сигнал, возникающий из-за ошибки измерения магнитного поля по причине отхода датчиков от стенки трубы на продольных сварных швах.
2. Аппаратный сбой, связанный с нарушениями в работе бортового оборудования.
3. Изменение толщины стенки трубы.
4. Магнитная аномалия – неоднородная магнитная проницаемость, обусловленная технологией ее производства.
5. Программная ошибка.
В данной статье был рассмотрен ряд методов бесконтактного контроля дефектов трубопроводов. Дана характеристика существующих методов и рекомендации по области применения каждого из них.

Современные системы наблюдения в основном делятся на два типа: аналоговые и цифровые, каждая из которых имеет свои достоинства и недостатки. Немаловажную роль при выборе системы мониторинга играет цена. Аналоговые системы обычно включают в себя несколько относительно недорогих камер, но для полноценной работы системы необходимы дорогие платы для регистрации и оцифровки полученных данных. Цифровые камеры стоят дороже, что объясняется наличием в самой камере уже встроенной схемы оцифровки, регистрации и прочее. Однако дополнительных опций, такие как возможность сохранения фотографий на флеш-накопитель, автономные датчики движения, возможность подключения нескольких камер и т.д., еще увеличивают общую стоимость оборудования.

Сложность проблемы распознавания изображений может быть объяснена отсутствием единой общепризнанной методики разработки алгоритмов в области технического зрения. В настоящее время известно несколько основных алгоритмических подходов используемых при разработке практических систем анализа изображений. Это гистограммные преобразования, анализ проекций, линейная и нелинейная фильтрация изображений, яркостная и текстурная сегментация, корреляционное обнаружение и согласованная фильтрация, морфологический подход Ю.П. Пытьева, математическая морфология Серра, метод «нормализации фона», преобразование Хаффа, структурно-лингвистический подход и ряд других [2].

Объект системы технического зрения – это тот или иной объект внешнего мира, информация о котором представляет интерес для использования в практической задаче. Такими объектами могут выступать как технические объекты (например, объекты инфраструктуры железной дороги или орбитальная космическая станция), так и объекты пищевой и медицинской промышленности: жидкости, порошки, поверхности тканей. Масштаб и размеры объектов интереса могут быть самыми разными, как может разниться и та информация, которую требуется извлечь с помощью технического зрения.

Проработки вопроса нахождения оптимальных технических средств для автоматизированной системы бесконтактного определения параметров материалов недостаточно. Для достижения обеспечения полного функционала системы необходимо особое внимание уделить разработке алгоритмов обработки информации и программному обеспечению. В данной статье представлены результаты опробования автоматизированной системы бесконтактного определения параметров материалов в среде визуального программирования LabVIEW с библиотекой обработки и анализа изображений IMAQ Vision фирмы National Instruments (США).

В качестве входных данных для анализа в автоматизированной системе бесконтактного определения параметров материалов используются два вида изображений: вид сбоку и вид сверху. Данные изображения получаются путем реализации следующих действий: предварительная обработка изображений с устранением помех и «шумов», а также  сложного текстурированного фона и оптических искажений, оцифровка видеоизображений с камер с помощью стандартизированной библиотеки функциональных блоков LabVIEW для работы USB веб-камерами, преобразование оцифрованных изображений в модель типа RGB (тип кодировки U8)

Анализ полученных на входе системы изображений выполняется с помощью методов яркостно-геометрического анализа растровых изображений, результатом которого является предварительное определение границ исследуемой области, позволяющее в векторной форме сформировать описание объекта визуального контроля [3]. Сформированное на данном этапе векторное описание объекта визуального контроля позволяет определить вес материалов, предварительно рассчитав значение объема и насыпную плотность.

Тестирование работоспособности системы показало адекватность предложенного алгоритма (максимальная относительная погрешность при определении веса материалов в процессе экспериментов не превысила 7%) и эффективность применения данных алгоритмов в автоматизированной системе бесконтактного определения параметров материалов.

Описанный алгоритм был реализован в специализированном программном продукте. Для большей наглядности осуществляется построение 3D модели поверхности материала, программная реализация выполняется по средствам графического индикатора 3D-поверхности, предназначенного для отображения двумерных данных в виде поверхности на трехмерном графике. Таким образом, интерфейс программы в конечном виде представлен на рисунке 1.

Рисунок 1 – Внешний вид программы с 3D моделью исследуемого объекта

В результате выполнения данной работы было выполнены следующие действия:

1. Разработана структура автоматизированной системы бесконтактного определения параметров материалов

2. Разработаны алгоритмы определения веса материалов и доказана адекватность и эффективность применения данных алгоритмов в системе в процессе экспериментов.

Таким образом, автоматизированная система бесконтактного определения параметров материалов может быть внедрена в реальных производственных условиях.

Рисунок 1 – Сопоставление опытных данных убыли веса при нагреве сухой шихты и данные по обжигу шихты при тех же условиях сгенерированные в модели.

Рисунок 2 – Сопоставление экспериментальных данных по скорости тепловыделения с результатами моделирования полученными в результате решения уравнений математической модели, с найденными значениями кинетических параметров.

На рисунке 2 видно три выраженных пика теплопотребления в процессе обжига. Первый обусловлен испарением кристаллогидратной влаги, второй разложением MgCO₃, третий декарбонизацией карбоната кальция.
В результате обработки данных определены параметры для реакций, протекающих по длине трубчатой вращающейся печи:
Сопоставление расчетных и экспериментальных данных по всей длине кривой показывает удовлетворительное совпадение, за исключением последнего участка. На этом участке расхождение может быть объяснено тем фактом, что в условиях эксперимента происходило плавление образца, что приводило к поглощению теплоты плавления за счет тепловыделения экзотермических процессов при спекании.

В рамках лаборатории по изучению автоматизированных систем управления технологическими процессами распределения газа было создано пять типов рабочих мест для обучения специалистов данной отрасли: стенд по управлению газорегуляторным пунктом, шкафным газорегуляторным пунктом, станцией катодной защиты, крановым узлом, газорегуляторным пунктом, работающим в условиях отсутствия электроснабжения.

Используя данное оборудование специалистами кафедры Автоматизации технологических процессов и производств были созданы обучающие методики, позволяющие демонстрировать особенности эксплуатации систем автоматизации на примере оборудования нескольких производителей.

На момент запуска оборудования в учебный процесс схема лаборатории по изучению автоматизированных систем управления технологическими процессами распределения газа представляла собой пятнадцать локальных стендов пяти выше обозначенных типов. В рамках курсов повышения квалификации данное оборудование использовалось при изучении следующих тем: «Порядок проведения пуско-наладочных работ систем телеметрии и телемеханики», «Основы интеграции систем автоматизации», «Контрольно-измерительные приборы и оборудование для оснащения объектов газораспределительных сетей», «Программируемые логические контроллеры», «Основы применения SCADA-систем для управления технологическими процессами объектов газораспределительных сетей», «Основы применения ОРС-сервера в структуре автоматизированных систем управления  объектами газораспределительных сетей» и пр. В процессе проведения практических занятий слушатели курсов локально работали на каждом из стендов отрабатывая на практике полученные теоретические навыки. При этом, работая одновременно на оборудовании различных производителей, специалисты изучали общие подходы при эксплуатации обслуживаемых ими объектов, не привязываясь к особенностям оборудования или программного обеспечения тех или иных производителей. Учитывая этот факт дополнительно изучались пути унификации процессов автоматизации данных объектов.

Для совершенствования процесса обучения и получения информации о качестве проведения кусов повышения квалификации Центр дополнительного профессионального образования использует специальный опросный лист. В данном опросном листе слушатели курсов повышения квалификации оценивают качество проведения занятий с указанием процента полезности в работе и интересности темы рассматриваемых в процессе обучения, объем материала и мастерство лектора. Также в опросном листе слушатели фиксируют темы необходимые для углубленного изучения, темы не нужные для рассмотрения на курсах и оставляют комментарии и отзывы о прослушанном материале или организации учебного процесса. Данный опросный лист заполняется слушателями ежедневно в процессе проведения курсов повышения квалификации. Анализ информации из опросных листов помогает усовершенствовать процессы проведения и организации курсов повышения квалификации [3].

За период функционирования программно-технических комплексов были проведены занятия для более чем 200 специалистов различных видов деятельности по более чем десяти программам повышения квалификации.

В опросных листах слушатели курсов повышения квалификации достаточно высоко оценивали качество проведения занятий, однако при этом указывали ряд замечаний или недостатков, выявленных ими в процессе обучения.

Одним из основных недостатков указывалось недостаточная визуализация связи данного оборудования с реально действующими технологическими объектами. Причиной этого недостатка лабораторного комплекса являлось то, что на стендах состояние объекта управления менялось при помощи специализированного пульта с тумблерами, имитирующего различные состояния дискретных и аналоговых сигналов. Для устранения данного недостатка специалистами и студентами кафедры была создана модель объектов управления и подключена к симулятору с прорисовкой внешнего вида данного объекта в среде 3D визуализации (рисунок 1).

Рисунок 1 – Внешний вид программно-технического комплекса для повышения квалификации специалистов в области газораспределения

Вторым недостатком, выявленным в процессе работы с данным оборудованием, являлось отсутствие связи рабочего места преподавателя с рабочим местом обучающегося и необходимость расширения функционала данного оборудования путем создания системы верхнего уровня, объединяющую локально представленное лабораторное оборудование в единую комплексную систему. Для устранения этого недостатка была создана комплексная система управления лабораторным оборудованием (рисунок 2).

Рисунок 2 – Комплексная система управления лабораторным оборудованием

Представленная на рисунке система обладает следующим функционалом и преимуществами:

- отслеживание преподавателем хода выполнения работ;

- фиксация результатов и основных ошибок, допускаемых слушателями (контроль за усвоением лекционного материала);

- визуализация в среде виртуальной реальности реакции и состояния объектов управления при работе с какой-либо из структурных компонент автоматизированной системы;

- создание различных сценариев, имитирующих поведение объектов в процессе эксплуатации, для совершенствования процесса обучения;

- возможность использование данной системы при организации дистанционного обучения.

В данный момент специалисты горного университета находятся на стадии завершения работ по созданию первого этапа разработки и внедрения данной системы. При этом данная система проектируется таким образом, чтобы она была готова к новым модернизациям, наращиванию функциональных возможностей и усовершенствованиями согласно новым пожеланиям обучающихся. Все это позволяет улучшить качество подготовки специалистов, осуществляющих свою профессиональную деятельность в области газоснабжения и в смежных областях, используемых подобное оборудование.

В национальном минерально-сырьевом университете «Горный» на кафедре автоматизации технологических процессов и производств готовят специалистов для разных отраслей промышленности, в частности для нефтеперерабатывающей отрасли. В процессе подготовки таких специалистов университет тесно сотрудничает с крупнейшими промышленными предприятиями. Данное сотрудничество предполагает выполнение совместных научно-исследовательских работ, подготовку высококвалифицированных специалистов и иные виды взаимодействия. В рамках такого сотрудничества студенты Горного университета уже с первого курса имеют возможность проходить практику на промышленных предприятиях (где они знакомятся с будущей специальностью в реальных условиях), а также обучаться по учебным программам, составленным преподавателями университета совместно с ведущими специалистами промышленных предприятий.  Такая двухсторонняя программа безусловно наполнена актуальным для предприятий контентом и является дополнительным гарантом однонаправленности взглядов двух сторон, заинтересованных в подготовке высококвалифицированных специалистов отрасли. Однако несмотря на столь тесное сотрудничество, как показывает практика, данных мероприятий недостаточно и эффективность подготовки специалистов может быть повышена. Повышение эффективности может произойти прежде всего путем внедрения новых методов обучения, в частности комплексных имитационных тренажеров. Однако процесс внедрения подобных технологий очень наукоемкий и длительный, поэтому к разработке данных образовательных средств необходимо применять комплексные подходы [2]. В противном случае работы, направленные на создание подобных комплексов в лучшем случае будут способны решать лишь локальные образовательные задачи (в рамках одной кафедры, подготовки одной специальности или даже в реализации задач учебной программы одной дисциплины), а в худшем случае будут проделаны впустую.

Одним из этапов разработки комплексного имитационного тренажера является интеграция среды 3D визуализации [3] и SCADA-системы [4]. Среда 3D визуализации – это специальное программное обеспечение, используемое для отображения основных технологических процессов и оборудования в среде виртуальной реальности.  SCADA-система – это специальное программное обеспечение для реализаций функций контроля и управления технологическими процессами в режиме реального времени. Таким образом исходя из представленных определений целью проведения процесса объединения этого программного обеспечение является реализации функции визуализации в среде виртуальной реальности действий оператора по управлению технологических процессов и их последствий на дальнейшее функционирование объектов. При внедрении дополнительных аналитических моделей система в процессе тестирования знаний студента выдаст оценку предпринятых действий и визуализирует последствия принятий неверных решений, а в процессе обучение кроме этого также предложит обучающемуся визуализации оптимального решения данной задачи. На рисунке 1 представлена схема интеграции среды 3D визуализации и SCADA-системы, используемая при разработке комплексного имитационного тренажера.

Рисунок 1 – схема интеграции среды 3D визуализации и SCADA-системы, используемая при разработке комплексного имитационного тренажера

На рисунке 1 показано, что процесс интеграции специализированного программного обеспечения как минимум подразумевает под собой дополнительную разработку моделей формирования методик обучения и анализа и оценки результатов обучения. Данные аналитические модули значительно расширят функционал каждого из интегрируемых программных продуктов. При этом функции, реализация которых возможна только после проведения интеграции среды 3D визуализации и SCADA-системы, достаточно разнообразны, однако среди них особенно следует выделить следующие:

• Отображение в среде виртуальный реальности действий оператора на изменения хода течения технологических процессов, реализованных внутри SCADA-системы, и наоборот.
• Отображение состояния технологического процесса в среде виртуальный реальности с масштабируемой детализацией
• Отображение внешнего вида элементов мнемосхем SCADA-системы в среде виртуальной реальности
• Моделирование и визуализаций изменений хода течения технологических процессов при отработке различных обучающих сценариев.

Таким образом, комплексный имитационный тренажер является эффективным средством повышения качества предоставляемых образовательных услуг при подготовке специалистов для нефтеперерабатывающей отрасли промышленности. При его использовании студенты значительно быстрее усваивают необходимый материал, а также значительно быстрее находят практическое применение полученным в рамках изучения дисциплины теоретических знаний. Переход к созданию комплексного тренажера позволил расширить ряд задач подготовки специалистов для нефтеперерабатывающей промышленности и повысить качество процесса предоставления образовательных услуг.

Использование принципов функциональной диагностики с переходом на систему мониторинга технического состояния электропривода даст возможность планировать проведение ремонтов, технического обслуживания, экономически оправданное продление срока службы оборудования, что в свою очередь позволит повысить ресурсоэффективность эксплуатации. Оптимальное прогнозирование снизит трудозатраты на ремонт,  расход запасных частей, простои и дополнительные потери, связанные с перегрузкой и работой изношенного оборудования.   Проведение технического обслуживания в этом случае производится только тогда, когда это необходимо в связи с наступлением высокой вероятности отказа оборудования. Тем самым не нарушается работа исправного механизма из-за вмешательства человека. Для того чтобы оперативно определять  состояние оборудования, контролировать и прогнозировать его работу необходимо наличие нескольких подсистем, которые должны быть объединены в интегрированную информационно аналитическую систему (ИИАС). Процесс разработки, внедрения и интеграция с систем такого рода c ERP является длительным и дорогостоящим, поэтому целесообразно реализовывать её модульно. Каждый модуль является законченной самостоятельной системой реализующей определенную функцию и отключение или вывод из работы других модулей не должен влиять на работу остальных.

Стационарные системы диагностики эффективны для крупных объектов с однотипными приводами, которые имеют постоянную загрузку и скорость вращения. В настоящее время нет готовых систем, которые были бы  унифицированы и могли применятся для различных производств [3]. В основном такие системы специализированны для конкретных машин и оборудования и основаны на вибрационном анализе. Однако для оборудования, которое работает в «тяжелых» условиях при наличии множества паразитных вибраций, а также зачастую невозможность получить доступа к оборудованию применение таких систем не является возможным [1].

При формировании требований к системе необходимо выбрать:  виды диагностики, методы обработки данных и  средства сбора информации, которые позволят реализовать систему при наименьших затратах, максимально используя оборудование и системы, которые уже есть на предприятии. На настоящий момент нет безошибочного метода контроля и диагностики, поскольку могут встречаться нештатные условия эксплуатации электропривода, переходные процессы, обусловленные случайным характером нагрузки и изменением управляющего воздействия, поэтому применяемые диагностические методы должны быть избыточны по физической сути и набору диагностических параметров[2]. В связи с этим входные данные для ИИАС (рисунок 1) можно разбить на ON-Line параметры и Off-Line.

ON-Line параметры необходимы для оперативного контроля и прогнозирования на небольшой промежуток времени достаточного для удовлетворения непрерывности технологического процесса и своевременного обнаружения возможности развития аварии. На основании обработки данных ИИАС сможет заблаговременно сигнализировать о возможной аварии и остановить оборудование в случае необходимости.  В ON-Line входят параметры:

окружающей среды (температура, загазованность, влажность и.т.д.);

двигателя (ток, напряжение, скорость, температура, вибрации, гармонический состав тока и.т.д.);

питающей сети (несимметрия напряжений, отклонение напряжения, отклонение частоты, коэффициенты гармонических составляющих и.т.д.);

технологического процесса (загрузка, положение, время работы и.т.д.).

Off-Line параметры необходимы для последующего моделирования и прогнозирования как на короткий, так и на длительный интервал времени, что, в свою очередь, позволит оптимально организовать плановые ремонты, вывод оборудования из работы и заказ запасных частей. Помимо основных параметров, которые снимаются в  ON-Line режиме для системы необходимы данные о проведенных ремонтах, данные об авариях, данные полученные в результате комплексной и экспресс диагностики. На основании совокупности входных данных ИИАС формирует отчет об износе отдельных узлов электропривода и о вероятности выхода их из строя. На следующем этапе определяются причины износа и  их вклад в износ определенного узла электропривода. На основании этих знаний принимается решение об управлении нагрузкой и о заказе запасных частей, износ которых превышает пороговое значение. Отдельный модуль ИИАС осуществляет расчет дополнительных потерь, которые возникают в электроприводе в результате значительного износа деталей, неудовлетворительном качестве питающего напряжения, перегреве или не оптимальной работы электропривода, по этим данным выдаются рекомендации по энергосбережению.

Рисунок 1. Структурная схема ИИАС контроля, диагностики и оценки остаточного ресурса электропривода.

В результате обработки данных представленная модульная система делает заключение об общем состояние электропривода и прогноз на заданный промежуток времени, на основании которых принимается решение о выводе оборудования в плановый ремонт или проведении комплексной диагностики. Представленная ИИАС контроля, диагностики и оценки остаточного ресурса электропривода, позволит  полностью перейти от системы планово-предупредительных ремонтов к системе обслуживания по фактическому состоянию, а также на основе кратковременных прогнозов предупреждать возникновение серьезных аварий в результате внезапного выхода из строя оборудования.