Науковий вісник НГУ

Оцінка перебігу процесу ультразвукового очищення

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №3 2021

Останнє оновлення: 25 червня 2021

Опубліковано: 30 листопада -0001

Перегляди: 3339

Authors:

В. С. Моркун, orcid.org/0000-0003-1506-9759, Криворізький національний університет, м. Кривий Ріг, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О. М. Кравченко, orcid.org/0000-0003-0667-2695, Криворізький національний університет, м. Кривий Ріг, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2021, (3): 117 - 123

https://doi.org/10.33271/nvngu/2021-3/117

Abstract:

Мета. Виявити залежність між інтенсивністю перебігу стану ультразвукового очищення та ультразвуковим відгуком, що буде зафіксований датчиком у заданій позиції. Встановити вплив забрудненості рідини на цей сигнал. Виявити параметри ультразвукового сигналу, за якими можна оцінити перебіг процесу очищення заданої ділянки тіла. Виявити граничні значення, що вказують на доцільність зупинення процесу очищення.

Методика. Дослідження за допомогою засобу симуляції розповсюдження ультразвукових хвиль у гетерогенному просторі з наступним аналізом сигналів за допомогою комп’ютерних програм.

Результати. Виявлені залежності, що дозволяють за параметрами ультразвукового відгуку сформувати оцінку перебігу процесу очищення. Встановлено, що на ультразвукових відгук, отриманий датчиком у заданій точці при ультразвуковому очищенні, впливає як стан тіла, так і стан рідини. При високій забрудненості (>30 %) стан рідини стає вирішальним фактором, що формує сигнал ультразвукового відгуку. При цьому спостерігається різке скорочення часу надходження порогового сигналу та збільшення головної амплітуди, що має бути одним із маркерів переривання процесу очищення, як неефективного. За нижчої забрудненості зважені частинки забруднення лише дещо корегують сигнал, не спотворюючи його. Простежується залежність між зменшенням забруднення, часом надходження порогового значення сигналу та значенням основної амплітуди й коефіцієнтів нелінійності 2-го та 3-го порядку. Основним параметром, що визначає інтенсивність очищення, тобто зменшення товщини забрудненості, є час надходження порогового значення сигналу. А товщина наявного забруднення визначається за значенням основної амплітуди сигналу та коефіцієнтів нелінійності 2-го та 3-го порядку.

Наукова новизна. Уперше розроблена методика оцінювання перебігу процесу ультразвукового очищення шляхом аналізу ультразвукових відгуків у заданій точці.

Практична значимість. Для врахування просторової розподіленості процесу ультразвукового очищення керування ним має формуватися на основі оцінки стану забрудненості тіла в декількох заданих точках. Для практичної реалізації цього був встановлений характер залежностей між зміною забрудненості ділянки тіла та параметрами зафіксованого ультразвукового відгуку. Ураховано вплив зважених частинок забруднення в рідині на сигнал, що аналізується. Відстеженні залежності стануть основою для побудови просторово розподіленого управління процесом ультразвукового очищення з урахуванням стану очищувального тіла.

Ключові слова: ультразвукове очищення, забруднення рідини, нелінійні коефіцієнти, моделювання

References.

1. Xu, H., Tu, J., Niu, F., & Yang, P. (2016). Cavitation dose in an ultrasonic cleaner and its dependence on experimental parameters. Applied Acoustics, 101, 179–184. https://doi.org/10.1016/j.apacoust.2015.08.020.

2. Saalbach, K.-A., Twiefel, J., & Wallaschek, J. (2019). Self-sensing cavitation detection in ultrasound-induced acoustic cavitation. Ultrasonics, 94, 401-410. https://doi.org/10.1016/j.ultras.2018.06.016.

3. Yamashita, T., & Ando, K. (2019). Low-intensity ultrasound induced cavitation and streaming in oxygen-supersaturated water: Role of cavitation bubbles as physical cleaning agents. Ultrasonics Sonochemistry, 52(1), 268-279. https://doi.org/10.1016/j.ultsonch.2018.11.025.

4. Duran, F., & Teke, M. (2018). Design and implementation of an intelligent ultrasonic cleaning device. Intelligent Automation and Soft Computing, 1-10. https://doi.org/10.31209/2018.11006161.

5. Tangsopha, W., & Thongsri, J. (2020). A Novel Ultrasonic Cleaning Tank Developed by Harmonic Response Analysis and Computational Fluid Dynamics. Metals, 10(3), 335. https://doi.org/10.3390/met10030335.

6. Nigmetzyanov, R.I., Kazantsev, V.F., Prikhod’ko, V.M., Sundukov, S.K., & Fatyukhin, D. S. (2019). Improvement in Ultrasound Liquid Machining by Activating Cavitational Clusters. Russian Engineering Research, 8, 699-702. https://doi.org/10.3103/S1068798X19080112.

7. Zhang, X., Fu, Z.-Q., Li, S.-Y., Zou, T., & Wang, B. (2017). A time/space separation based 3D fuzzy modeling approach for nonlinear spatially distributed systems. International Journal of Automation and Computing, (15), 52-65. https://doi.org/10.1007/s11633-017-1080-0.

8. Morkun, V., & Kravchenko, O. (2020). Adaptive control over ultrasonic cleaning of mining equipment. E3S Web of Conferences, (2020), 01005. https://doi.org/10.1051/e3sconf/202020101005.

9. Rajani, C., Klami, A., Salmi, A., Rauhala, T., Hæggström, E., & Myllymäki, P. (2018). Detecting industrial fouling by monotonicity during ultrasonic cleaning. Aalborg: IEEE 28 ^th International Workshop on Machine Learning for Signal Processing (MLSP), 1-6. https://doi.org/10.1109/MLSP.2018.8517080.

10. Simeone, A., Woolley, E., Escrig, J., & Watson, N.J. (2020). Intelligent Industrial Cleaning: A Multi-Sensor Approach Utilising Machine Learning-Based Regression. Sensors 2020, 20, 3642. https://doi.org/10.3390/s20133642.

11. Papa, I., Lopresto, V., & Langella, A. (2021). Ultrasonic inspection of composites materials: Application to detect. International Journal of Lightweight Materials and Manufacture, 4(1), 37-42. https://doi.org/10.1016/j.ijlmm.2020.04.002.

12. Majhi, S., Mukherjee, A., George, N., Karaganov, V., & Uy, B. (2021). Corrosion Monitoring in Steel Bars using Laser Ultrasonic Guided Waves and Advanced Signal Processing. Mechanical Systems and Signal Processing, 149, 107176. https://doi.org/10.1016/j.ymssp.2020.107176.

13. Liao, Z., Zhang, X., Liu, T., Jia, J., & Tu, S.T. (2020). Characteristics of high-temperature equipment monitoring using dry-coupled ultrasonic waveguide transducers. Ultrasonics, 108, 106236. https://doi.org/10.1016/j.ultras.2020.106236.

14. Porkuian, O., Morkun, V., & Morkun, N. (2020). Measurement of the ferromagnetic component content in the ore suspension solid phase, Ultrasonics, 105, 106103. https://doi.org/10.1016/j.ultras.2020.106103.

15. Yang, Z.-F., Tian, Y., Zhou, H.-Q., Xu, Y., Zhang W.-B., & Li, J.-M. (2016). Nonlinear Ultrasonic Response of TATB-Based Polymer. 19 ^th World Conference on Non-Destructive Testing 2016, 1-8.

16. Yang, Z., Tian, Y., Li, W., Zhou, H., Zhang, W., & Li, J. (2017). Experimental Investigation of the Acoustic Nonlinear Behavior in Granular Polymer Bonded Explosives with Progressive Fatigue Damage. Materials, 10, 660. https://doi.org/10.3390/ma10060660.

17. Morkun, V., Morkun, N., & Pikilniak, A. (2019). The Propagation of Ultrasonic Waves in Gas-containing SuspensionsCambridge. Scholars Publishing. ISBN: 1-5275-1814-0.

• < Попередня
• Наступна >