Цифровизация неразрушающего контроля
Уже на примере традиционных средств неразрушающего контроля (НК) видно, что цифровые технологии интегрируются в применяемые многие десятилетия устройства и позволяют сделать их более эффективными.
Цифровые инновации органично вплетаются в проверенные временем методы диагностики, значительно повышая их эффективность и точность. Современные ультразвуковые дефектоскопы, толщиномеры и другие приборы для НК оснащаются передовыми цифровыми модулями, которые позволяют получать более качественную информацию о состоянии объектов контроля.
Однако, вооружившись арсеналом передовых технологий, специалисты отрасли создают и принципиально новые решения для дефектоскопии. Рассмотрим последние цифровые технологии в области НК, которые уже сегодня меняют подход к диагностике и контролю качества.
Компьютерное зрение в НК
Процессы дефектоскопии значительно меняются с применением машинного зрения и об этом говорят множество примеров. В частности, директор по развитию инжиниринговой компании АО «Интехком» Александр Кирюшкин отметил три фактора, согласно которым эта технология занимает значимое место в НК.
1. Фоточувствительные сенсоры, камеры в УФ или ИК спектре, 3D-сканеры и ПО позволяют выявлять дефекты на ранних этапах. Это важно для металлургических предприятий.
2. Компьютерное зрение обеспечивает круглосуточный, безостановочный контроль качества со стопроцентной концентрацией. Одна система может заменить нескольких сотрудников-операторов, что является существенным аргументом для бизнеса.
3. Один из ключевых этапов внедрения систем на основе компьютерного зрения — это создание базы образцов и дефектов для обучения. Можно использовать как реальные объекты, так и визуализации, если, например, какой-то вид дефектов на производстве давно уже не встречался, но в принципе возможен.
В 2022 году АО «Интехком» реализовало проект на основе компьютерного зрения на участке стана горячей прокатки металлургического предприятия. Задача заключалась в том, чтобы снять нагрузку с оператора, который отслеживал и вручную исправлял некоторые процессы в условиях сильной жары.
Кроме того, на этом участке раскалённые рулоны металла неправильно сматывались из-за износа оборудования. Это приводило к необходимости ручной корректировки и увеличению брака.
Чтобы решить эту задачу, специалисты «Интехком» совместно с «Вирсайн Инновации» установили на участке маячки и 11 камер HikVision для отслеживания положения рулонов, а также лазерный 2D-сканер «Рифтек» для определения контура рулона, оценки плотности рулона и ровности намотки.
В виртуальной реальности создали горячий цех с этим участком прокатного стана и смоделировали разные ситуации для обучения двух систем. Первая автоматически корректировала работу конвейера, а вторая сигнализировала о качестве рулонов. Оператору предоставлялась видеозапись для анализа.
Проект позволил ускорить процесс принятия решений и их качество, а за счёт исключения человеческого фактора проверка на дефекты стала точнее.
ИИ ищет дефекты
В 2024 году в Иркутском национальном исследовательском техническом университете (ИРНИТУ) создали софт на основе ИИ. Во главе разработки стоит доцент лаборатории сетевых систем и ИТ-инфраструктуры Владимир Мироненко, который использовал нейросети для поиска дефектов в авиационных деталях.
В результате он разработал программу, для функционирования которой достаточно обычной видеокамеры и компьютера. При наведении камеры на объект система автоматически определяет местоположение, тип и количество дефектов. Если деталь в порядке, система отображает это с помощью зелёного индикатора. А в случае обнаружения проблемы, оператор увидит красную сигнальную метку.
Программу испытали на настоящих авиационных компонентах. Чтобы получить более достоверные результаты специалисты провели тщательную дефектоскопия. Для этого демонстрировали детали без дефектов.
Предполагается, что технология будет особенно полезна на машиностроительных предприятиях, однако г-н Мироненко считает, что сфера её применения гораздо шире.
Ещё больше ИИ в машинном обучении
Помимо внедрения традиционных средств дефектоскопии в цифровые системы и автоматизированные устройства, в НК постепенно интегрируют искусственный интеллект (ИИ).
В последние годы такие случаи стали встречаться всё чаще. Например, в 2025-м о внедрении ИИ в процессы дефектоскопии заявила компания «Газстройпром». Систему искусственного анализа (СИА), в основе которой лежит эта технология, разработали специалисты Университета Иннополис. Она способна распознавать дефекты от 0,1 мм с точностью не менее 98%.
СИА уже работает как опытный диагност на газопроводе «Белогорск-Хабаровск». Там она не только обнаруживает дефекты в режиме реального времени, но и классифицирует их, а также определяет геометрические параметры.
Беспилотник с нейросетью
Учёные Московского авиационного института (МАИ) научили нейросеть считывать данные, полученные умной камерой беспилотника с промышленных приборов.
Решение разработали для облегчения контроля за исправностью оборудования на крупных промышленных объектах. Раньше этим занимались специалисты, однако такой анализ занимал много времени, а некоторые участки и вовсе были опасны для человека. Поэтому предприятия начали использовать беспилотные летательные аппараты с умными камерами. Эти устройства позволяют в автоматическом режиме отслеживать состояние инфраструктуры и получать данные с самых разных приборов — как электронных, так и механических.
В МАИ реализовали похожий проект для теплоэлектростанции. Речь идёт о беспилотнике, который не только считывает показания, но и обнаруживает дефекты в трубах.
По словам одного из разработчиков, для обучения нейросети учёные подготовили искусственный набор данных о манометре, так как реальных данных было недостаточно.
Нейросети мониторят дефекты на трубопроводах и ЛЭП
Специалисты Пермского национального исследовательского политехнического университета создали программный комплекс для дефектоскопии на основе ИИ.
Для анализа дефектов на протяжённых объектах учёные предложили также использовать беспилотник с умной камерой, которая делает снимки каждого участка. Эти изображения передаются на компьютер, где их анализирует нейросеть, предварительно обученная на большом объёме данных.
Для того, чтобы исключить возможные ошибки, в программу добавили специальный фильтр-анализ для сравнения изображений. В результате оператору осталось только оценить те изображения, на которых нейросеть обнаружила дефекты, а также те, которые она не смогла отнести к определённой группе.
