Система идентификации состояния рельсовых путей грузоподъемных кранов

Введение. Обследование крановых путей мостовых кранов в производственных цехах и складских помещениях является сложной задачей, сопряженной с риском для экспертов и специалистов по диагностике и обследованию подъемных сооружений. В настоящее время обследование крановых путей мостовых кранов проводится согласно приказу Ростехнадзора от 26.11.2020 № 461 «Об утверждении федеральных норм и правил в области промышленной безопасности «Правила безопасности опасных производственных объектов, на которых используются подъемные сооружения³ в форме визуально-измерительного контроля путем непосредственного осмотра по всей их длине, а также в форме контроля геометрических параметров в ходе планово-высотной съемки при помощи специальных приборов — тахеометров и теодолитов. Опасность при таком обследовании обусловлена нахождением крановых путей на значительной высоте, как правило, не менее 3–5 метров. В отдельных случаях высота их может превышать 20 метров.

Мостовые краны по способу опоры на крановые пути бывают двух типов: опорные и подвесные. В опорной конструкции на подкрановую балку (чаще всего двутавровую) прикреплены с помощью сварки или болтовых соединений рельсы, которые и подвергаются износу более всего. При установке кранов большой грузоподъемности для обследования опорных крановых путей могут быть организованы проходные галереи. Однако при грузоподъемности менее 10 тонн проходные галереи могут отсутствовать. При подвесной конструкции кранов (когда крановые пути выполнены в виде двутавровых балок) проходных галерей тоже, как правило, не бывает. В этом случае осмотр проводится с ремонтных площадок, а также с помощью передвижных вышек-тур. Это многократно увеличивает трудоемкость и продолжительность обследования, а также риски падения с высоты. Следовательно, существует потребность в разработке методов обследования, которые не требуют подъема специалистов и экспертов на высоту и обеспечивают при этом точность обнаружения и оценки дефектов. Кроме того, существует задача разработки более быстрых и эффективных методов контроля, чем непосредственный визуальный осмотр.

В научной литературе уже описаны возможности искусственного интеллекта для обеспечения производственной безопасности. Известна цифровая платформа видеоконтроля [1], которая осуществляет круглосуточное наблюдение за эксплуатацией кранов, за работами при погрузке и разгрузке, а также контролирует использование рабочими специальной одежды и средств индивидуальной защиты, нахождение работников в опасной зоне при перемещении грузов, зоны рельсовых путей (отсутствие или наличие посторонних лиц, оборудования), состояние съемных грузозахватных приспособлений (СГП), а также позиционирование перемещаемого груза и соблюдение правил складирования. В основе системы лежит видеоаналитика, полученная с IP-камер и обработанная с помощью искусственного интеллекта, переданная потом ответственным специалистам и руководителям. Следует отметить достоинства данного метода, позволяющего осуществлять многомерный контроль за работой кранов, действиями и экипировкой персонала. Данный метод основан на видеоданных от стационарно установленных IP-камер, каждая из которых охватывает достаточно большой сектор обзора (в [1] не указан точный размер), и это позволяет осуществлять заложенные в данном методе функции. Однако он неприменим для крановых путей мостовых кранов, так как для выявления местных дефектов видео должно охватывать всю длину путей, иметь высокое разрешение, при этом съемка должна осуществляться в стереоформате с получением данных о глубине всей конструкции и дефектах.

Разработан и применяется метод оценки СГП на основе алгоритмов компьютерного зрения, обученных с помощью платформы Roboflow [2]. Метод позволяет оценить состояние СГП, расположенного на стенде хранения, в результате обработки фото- и видеоматериалов, получаемых веб-камерой. Ограничение данного метода — он применим только для СГП. Здесь веб-камера устанавливается стационарно на специальном стенде для хранения СГП, то есть не может получать данные на значительном расстоянии от стенда. При этом обучение нейронной сети было проведено на дефектах, относящихся исключительно к СГП. Следовательно, данный метод не может быть применен для крановых путей мостовых кранов.

В зарубежных исследованиях [3] нейронные сети компьютерного зрения на базе предобученной модели YOLOv8 [4] и комплексного анализа данных большой языковой модели GPT-3.5 Turbo [5] применялись для организации безопасной работы башенных кранов. Авторами была разработана специализированная база знаний о безопасности, которая затем была сопоставлена с GPT-3.5, позволяющей рассуждать о безопасности в контексте. Предложенная в работе [6] модель выдает практические рекомендации о действиях по повышению безопасности при эксплуатации башенных кранов в высокорисковой строительной отрасли. Авторы [7] утверждают, что компьютерное зрение может обеспечивать пространственную осведомленность в режиме реального времени, динамически определяя положение работников, перемещение оборудования и близость к опасным зонам. Положительной стороной данного исследования является акцент на безопасности персонала и рекомендациях по дальнейшему повышению ее средствами ИИ. Но компьютерное зрение охватывает участки рабочей зоны крана, без детализации возможных локальных дефектов конструкции, что не позволяет применять данный метод для выявления дефектов крановых путей мостовых кранов.

Известно, что беспилотные летательные аппараты (БПЛА) проводят визуальный осмотр труднодоступных участков конструкции башенных кранов [8]. Это дает возможность выявлять дефекты и повреждения, предотвращать аварии. При всех достоинствах данного метода обследования нельзя не отметить, что БПЛА, используемые в данном случае, предназначены только для использования на открытом воздухе, поскольку их позиционирование основано на протоколах GPS-навигации. Крановые пути мостовых кранов расположены, как правило, внутри помещений (цехов). Следовательно, данный метод невозможно применять для их обследования.

Авторы [9] используют методы компьютерного зрения для определения степени износа деталей, коррозии и остаточного ресурса машин.

Известны исследования об интегральной оценке риска эксплуатации стальных канатов при помощи технологий компьютерного зрения [10]. На основе анализа возможных дефектов стальных канатов [11] была обучена нейросетевая модель компьютерного зрения [12] и создана интеллектуальная система поддержки принятия решений (ИСППР — IDSS [13]), использующая методы искусственного интеллекта. Данная разработка обладает рядом достоинств, и ее принципы могут быть использованы для разработки методов обследования крановых путей мостовых кранов. В ходе этой разработки была создана база данных о дефектах канатов путем их искусственного нанесения на 1500 отрезков каната с последующим протягиванием под камерами на горизонтально-фрезерном станке. Продукт, созданный в результате этой работы, представляет собой стационарное устройство, охватывающее канаты лифта (или один канат канатной дороги) с тремя веб-камерами и источником света внутри устройства. Канаты перемещаются внутри устройства под непрерывным всесторонним обзором камер. Для обследования крановых путей мостовых кранов подобный принцип работы не пригоден.

Существует ряд БПЛА, разработанных целенаправленно для работы в помещениях и замкнутых пространствах [14]. Они могут оснащаться камерами различных типов и спектральных диапазонов работы, а также лидарами для создания облака точек обследуемых объектов [15]. Положительное свойство данных БПЛА — независимость от GPS-навигации. Однако на текущий момент методы на основе данных БПЛА применяются для обследования труднодоступных замкнутых пространств, например, заблокированных участков шахт или завалов разрушенных зданий, для корректировки спасательных операций. Применение искусственного интеллекта для автоматизированного распознавания дефектов крановых путей мостовых кранов в данных исследованиях не затрагивается. Но некоторые идеи могут быть использованы при разработке метода обследования крановых путей мостовых кранов.

Анализ опубликованных результатов подобных исследований показал наличие пробела в научном знании — отсутствие метода обследования, применимого к крановым путям, расположенным на высоте внутри производственных помещений. Такой метод должен выявлять дефекты крановых путей с достаточно высокими точностью и скоростью обследования при обеспечении безопасности персонала. Этот метод может быть основан на интеграции научных знаний, изложенных в анализе уже проведенных исследований, с добавлением уникальных и необходимых компонентов.

Цель данного исследования — разработать метод дистанционного обследования крановых путей мостовых кранов, расположенных на высоте в производственных помещениях, который позволит минимизировать воздействие опасных и вредных производственных факторов на технический персонал и обеспечит точность, скорость и достоверность полученных результатов.

Для достижения этой цели необходимо решить следующие задачи:

1. Создать трехмерное облако точек, охватывающее рельсы, подкрановые балки, опоры, с фиксацией мест расположения опор подкрановой балки по осям обоих рельсов (далее — рельс оси А и рельс оси Б). При этом модель должна давать целостную картину взаимного расположения элементов путей по этим осям.
2. Добавить трехмерное облако точек высокой плотности для рельсов оси А и оси Б с целью выявления отклонений элементов крановых путей от проектного положения в плане и профиле (планово-высотная съемка), а также обнаружения дефектов крановых путей.
3. Создать трехмерную модель надземного рельсового кранового пути с последующей автоматизированной оценкой (измерением) отклонений геометрии крановых путей, износов и локальных дефектов и привязкой их к створам (сечениям) и осям колонн.

Материалы и методы. В качестве базовой информации использовались данные о дефектах на рельсовых путях мостовых кранов. Они получены при обследовании мостовых кранов в рамках проведения экспертного контроля за грузоподъемными кранами на машиностроительных предприятиях. Обследование проводилось в 2024 году, в ходе его было осмотрено 352 надземных крановых пути общей протяженностью 14 километров. Методическая часть исследования основана на ГОСТ Р 56944–2016⁴. Нейронные сети компьютерного зрения обучали на основе открытых библиотек для языка Python. Для распознавания дефектов использовалась модернизированная предобученная нейронная сеть YOLOv8. Ее архитектура представляет собой трехчастную систему, состоящую из экстрактора признаков (программного модуля CSPDarknet53), комбинатора признаков (модуля C2f) и выходного предсказывающего блока (модуля decoupled head). YOLOv8 разработана компанией Ultralytics и обладает открытым исходным кодом, доступным для дальнейшей модернизации под нужды конкретного проекта.

Аппаратной основой платформы служила летающая мобильная система с модульной архитектурой (рис. 1).

Авторами предложена собственная конструкция беспилотного летательного аппарата (квадрокоптера), собранная из компонентов, произведенных в Китае и доступных для покупки у дистрибьюторов подобного оборудования.

Для позиционирования БПЛА относительно базовых станций и так называемых анкеров применены датчик DWM1000 — поддержка позиционирования TWR (Two-Way Ranging — метод определения расстояния между двумя устройствами с помощью обмена сигналами) и датчик TDOA (Time Difference of Arrival — метод позиционирования, который определяет местоположение объекта, измеряя разницу во времени прихода его сигнала на несколько приёмных станций (анкеров) с известными координатами).

Сенсорный комплекс включает в себя три ключевых типа датчиков:

— средства пространственного зондирования (мультилинзовый лидар Livox MID-40, камера глубины Orbbec Gemini 2);

— средства визуального восприятия (комплект DJIO3 AirUnit — цифровая FPV-система, включающая в себя компактную RGB камеру 4K и передатчик);

— системы позиционирования и стабилизации (датчики DWM1000, инерциальные модули NAV40, системы ближнего обнаружения на базе прошивки ArduPilot, резервные методы навигации — визуальная одометрия и оптическая навигация на базе лидара и камер).

Вычислительная подсистема построена на процессорном модуле Aocoda-RC F765 V2 с графическим ускорением, поддерживающим исполнение алгоритмов компьютерного зрения, нейросетевой обработки и слияния данных.

Методика обследования надземного рельсового кранового пути опорной конструкции с применением беспилотного летательного аппарата осуществлялась в соответствии со следующим алгоритмом (рис. 2):

1. Проверить состояние и установить заряженный аккумулятор БПЛА.
2. Провести калибровку средств пространственного и визуального восприятия.
3. Осуществить пробный полет с проверкой работы систем навигации и систем захвата и передачи облака точек 3dмодели.

4. Выполнить первичное сканирование (рис. 3, поз. 1) для создания целостного трехмерного облака точек, охватывающего рельсы, подкрановые балки, опоры, с фиксацией мест расположения опор подкрановой балки по осям обоих рельсов. При этом для обеспечения целостности модели сканирование может охватывать пол помещения или элемент конструкции, связывающий подкрановые балки оси А и Б. Расстояние пролета составляет около одного метра от сканируемых элементов. Скорость — 5 м/с. Плотность точек сканирования — 2000 шт/м².
5. Выполнить точное сканирование рельсов осей А и Б для добавления трехмерного облака точек высокой плотности (рис. 3, поз. 2). При этом пролет осуществляется на расстоянии около 0,2 метра от сканируемых элементов. Скорость — 1 м/с. Плотность точек сканирования — 40000 шт/м².

6. Создание 3D модели из захваченного облака точек в приложении Geomagic Wrap.
7. Обработка 3D модели с применением искусственного интеллекта. При этом выявляются следующие элементы модели: рельсы, подкрановые балки, опоры, места расположения створов. Обработка выполняется с использованием собственного приложения на основе модернизированной модели YOLOv8.
8. Определение по модели отклонений размеров и планово-высотного положения рельсовых путей от предельных значений ГОСТ Р 56 944–2016 «Краны грузоподъемные. Пути рельсовые крановые надземные. Общие технические условия»⁵.
9. Выявление локальных дефектов крановых путей на модели.

В пунктах алгоритма 8 и 9 точность выявленных отклонений и дефектов на стадии испытаний способа верифицируется путем сравнения с результатами визуально-измерительного контроля. После завершения испытаний способа параметры его точности будут указаны в нормативно-технической документации.

Результаты исследования. Разработан метод дефектации надземных крановых путей с применением беспилотных летательных аппаратов. Выявлены локальные дефекты крановых путей. Данные получены при обследовании мостовых кранов в рамках проведения экспертного обследования грузоподъемных кранов на машиностроительных предприятиях.

В частности, решены следующие поставленные авторами задачи:

1. Создано трехмерное облако точек (рис. 4), охватывающее рельсы, подкрановые балки, опоры, с фиксацией мест расположения опор подкрановой балки по осям обоих рельсов (рельс оси А и рельс оси Б). При этом модель дает целостную картину взаимного расположения элементов путей по осям А и Б.

На рис. 4 представлена модель однобалочного мостового крана с крановыми путями, полученная из трехмерного облака точек, указаны оси рельсов А и Б, а также номера створов — колонн со средней линией между ними.

2. Получено трехмерное облако точек высокой плотности для рельсов оси А и оси Б с целью выявления отклонений элементов крановых путей от проектного положения в плане и профиле (планово-высотная съемка), а также обнаружения дефектов крановых путей (рис. 5–10).

Фотографии дефектов на рис. 5–10 были получены в цехах промышленного предприятия в ходе реального обследования при имеющихся освещенности и оптической прозрачности воздуха.

Оценка дефектов выполнена с помощью обученной нейронной сети компьютерного зрения.

На рис. 5 показан дефект стыка двутавровой балки с некачественной приваркой фиксирующей накладки.

На рис. 6 продемонстрирован дефект перфорации двутавровой балки подвесного мостового крана (в области сварного шва).

На рис. 7 приведен пример износа рельса с выкрашиванием боковых кромок и раковинами на рабочей поверхности.

На рис. 8 виден результат истирания двутавровой балки колесом подвесного мостового крана. Дефект может появиться в результате изгиба балки либо неисправности конструкций крана.

На рис. 9 виден износ рельса в результате буксования колеса опорного крана.

На рис. 10 — дефект теплового стыка двутавровой балки с отсутствием нижней накладки.

3. Созданная трехмерная модель надземного рельсового кранового пути позволяет проводить автоматизированную оценку отклонений геометрии крановых путей, износов и локальных дефектов с привязкой их к створам (сечениям) и осям колонн (рис. 4).

Оценка геометрии крановых путей, представленных в виде модели на рис. 4, дала следующие результаты, они показаны на рис. 11.

Допускаемая разность отметок рельсов в одном поперечном сечении по оси симметрии [P₁] равна 40 мм, допускаемая разность отметок рельсов на соседних колоннах [P₂] равна 10 мм (согласно ГОСТ Р 56 944–2016)⁶. Сравнив данные на рис. 11 с допускаемыми значениями, можно сделать вывод, что отклонения геометрии на рассматриваемой модели крановых путей лежат в пределах допуска.

Данный метод дефектации дает возможность получать данные фото-видеофиксации для оценки размеров дефектов с точностью до одного миллиметра.

Обсуждение. Полученные в ходе применения разработанного авторами метода результаты полностью удовлетворяют и поставленной цели исследования, и задачам по ее реализации. Достижению точных и четких показателей способствовал большой объем проведенных обследований надземных крановых путей, который позволил получить разнообразные и многочисленные образцы дефектов геометрии крановых путей, а также локальных дефектов. Обработка данных дала возможность обучить нейронные сети компьютерного зрения и получить полнофункциональные трехмерные модели, позволяющие выявлять и оценивать дефекты в автоматизированном режиме.

Сравнение полученных результатов с литературными данными, теориями, другими разработками позволяет сделать вывод об уникальности данного исследования, поскольку в отношении надземных крановых путей подобный метод ранее не разрабатывался.

На текущий момент главным недостатком разработанного метода является ограничение работы беспилотного летательного аппарата по времени из-за нехватки заряда аккумуляторов. При этом нет возможности установить аккумуляторы большей емкости, так как это потребует увеличения размеров самого беспилотного летательного аппарата. Предельный размер беспилотного летательного аппарата поэтому может составлять не более 0,5 метра, это обусловлено стесненными условиями полета в закрытых помещениях, а время полета — не более 20 минут (в зависимости от нагрузки от оборудования).

Полученные результаты исследования следует интерпретировать как положительные, метод следует развивать и внедрять в технологию обследования надземных крановых путей. На практике метод позволяет:

— производить осмотр крановых путей по всей длине с близкого расстояния;

— оценивать размер локальных дефектов по результатам фото-видеофиксации через программное обеспечение комплекса;

— построить 3D модель кранового пути методом фотограмметрии с последующей оценкой отклонений от прямолинейности в продольной и поперечной плоскости;

— снизить трудоемкость и продолжительность обследования не менее чем в два раза.

Заключение. В заключение следует отметить, что работа, проведенная авторами, имеет значимые результаты, главный из которых — разработка метода дистанционного обследования крановых путей мостовых кранов, расположенных на высоте. В ходе исследования были обучены нейронные сети поиска дефектов и разработан алгоритм обследования крановых путей с созданием трехмерной модели, позволяющей оценивать геометрические отклонения рельсов в продольной и поперечной плоскости. Главное положительное свойство метода — обеспечение безопасности экспертов и специалистов, обследующих подъемные сооружения. Кроме того, метод позволяет рассматривать труднодоступные участки крановых путей, выявлять дефекты, которые могли быть не замечены ранее, что снижает вероятность возникновения аварийных ситуаций.

В дальнейших планах исследований рельсовых путей грузоподъемных кранов — разработка дополнения ксистеме идентификации их состояния: система должна в автоматическом режиме проводить обследование крановых путей, а также анализировать состояние металлоконструкций кранов и выявлять наличие в них дефектов.