Автоматичне зварювання, 2026, №03

2026 №03 (03)

DOI of Article
10.37434/as2026.03.04

2026 №03 (05)

Журнал «Автоматичне зварювання», № 3, 2026, с. 23-33

Застосування візуально-оптичного методу контролю якості зварних з’єднань металевих конструкцій

О.С. Костеневич, А.С. Новодранов

ІЕЗ ім. Є.О. Патона НАН України. 03150, м. Київ, вул Казимира Малевича, 11. E-mail: artur19940731@gmail.com

Контроль якості зварних з’єднань є одним із основних чинників забезпечення надійності та довговічності зварних конструкцій. Наявність навіть незначних дефектів у зварному шві може спричинити втрату несучої здатності конструкції. Враховуючи залежність якості ручного зварювання від кваліфікації зварника, доцільним виглядає перехід до роботизованого зварювального виробництва. Проте такий підхід вимагає автоматизації відповідних систем неруйнівного контролю. При проведенні автоматизованого візуально-оптичного контролю якості зварних з’єднань ступінь небезпечності виявленого дефекту визначається відповідно до діючих стандартів. Також допустимі розміри поверхневих дефектів у зварних з’єднаннях певної конструкції можуть визначатись розрахунковими методами з урахуванням відповідних умов експлуатаційного навантаження. У роботі проведено співставлення цих двох підходів, а також сформовані вимоги до візуально-оптичного методу НК зварної бокової рами візка залізничного вантажного вагону на основі розрахункового визначених допустимих розмірів дефектів. Візуально-оптичний метод контролю зварних з’єднань спроможний виявляти лише поверхневі дефекти, які можна консервативно розглянути як поверхневі еліптичні тріщини та оцінити їхню допустимість методами механіки руйнування. За результатами дослідження доведено, що візуально-оптичний метод НК є ефективним інструментом для первинної діагностики зварних конструкцій відповідального призначення. Бібліогр. 17, табл. 5, рис. 10.
Ключові слова: зварні з’єднання, зварні конструкції, візок вантажного вагона, бокова рама, напружено-деформований стан, спектр навантажень, математичне моделювання, опір втомі, допустимі розміри дефектів, візуально-оптичний контроль

Отримано 22.02.2026
Отримано у переглянутому вигляді 10.04.2026
Підписано до друку 14.05.2026
Оприлюднено 20.05.2026

Список літератури

1. Martyniuk, R.T. (2025) Main defects of welded joints. Oil and Gas Power Engineering, 1(43), 109-116. https://doi.org/10.31471/1993-9868-2025-1(43)-109-116
2. Махненко В.И. (2006) Ресурс безопасной эксплуатации сварных соединений и узлов современных конструкций. Киев, Наукова думка.
3. IIW XIII-1539-96/XV-845-96. Recommendations for Fatigue Design of Welded Joints and Components.
4. Makhnenko, V.I., Pochinok, V.E. (2006) Strength calculation of welded joints with crack-like imperfections. PWI.
5. Лобанов Л.М., Махненко О.В., Книш В.В., Соловей С.А., Павловський В.І. (2020) Розробка зварної конструкції бічної рами візка вантажного вагону підвищеної надійності. Автоматичне зварювання, 3, 22–28. https://doi.org/10.37434/tpwj2020.03.02
6. ДСТУ 7598:2014. Вагони вантажні. Загальні вимоги до розрахунків та проектування нових і модернізованих вагонів колії 1520 мм (несамохідних).ents for calculations and design of new and modernized 1520 mm gauge (non-self-propelled) wagons [in Ukrainian].
7. Ren, Z., Fang, F., Yan, N. et al. (2022) State of the art in defect detection based on machine vision. Int. J. of Precis. Eng. and Manuf.-Green Tech, 9, 661-691. https://doi.org/10.1007/s40684-021-00343-6
8. Diaz-Cano I, Morgado-Estevez A, Rodríguez Corral JM et al. (2025) Automated fillet weld inspection based on deep learning from 2D images. Applied Sciences, 15(2), 889. https://doi.org/10.3390/app15020899
9. Elhendawy, G.A., El-Taybany, Y. (2025) Machine vision-assisted welding defect detection system with convolutional neural networks. Int. J. Precis. Eng. Manuf., 26, 3185-3194. https://doi.org/10.1007/s12541-025-01281-y
10. Chou, P.-H., Wang, C.-C., Mao, W.-L. (2024) YOLO-based defect detection for metal sheets. 2024 IEEE Int. Conf. on Imaging Systems and Techniques (IST), 1-5. https://doi.org/10.1109/IST63414.2024.10759237
11. Yun J., Shin W., Koo G., Kim M., Lee C., Lee S. (2020) Automated defect inspection system for metal surfaces based on deep learning and data augmentation. J. of Manufacturing Systems, 55, 317-324. https://doi.org/10.1016/j.jmsy.2020.03.009
12. Hou, C., Kang, Y., Qiao, T. (2025) Multi-camera hierarchical calibration and three-dimensional reconstruction method for bulk material transportation system. Sensors, 25(7), 2111. https://doi.org/10.3390/s25072111
13. Carnegie Mellon University. Camera Matrix and Projection, Course Notes 2017. https://www.cs.cmu.edu/~16385/s17/ Slides/11.1_Camera_matrix.pdf
14. ДСТУ EN ISO 5817:2022. Зварювання. Зварні шви під час зварювання плавленням сталі, нікелю, титану та інших сплавів (крім променевого зварювання). Рівні якості залежно від дефектів (EN ISO 5817:2014, IDT; ISO 5817:2014, IDT).
15. Hobbacher, A. (1994) Stress intensity factors of welded joints. Eng. Fracture Mech., 46(2), 173-182. https://doi.org/10.1016/0013-7944(93)90278-Z
16. Саврух М.П. (1988) Механика разрушения и прочность материалов: Справочное пособие. Т.2. Коэффициенты интенсивности напряжений в те6лах с трещинами. Под общ. ред. В.В. Панасюка. Киев, Наукова думка.
17. МР-125-01-90. Расчет коэффициентов интенсивности напряжений и коэффициентов ослаблений сечений для дефектов в сварных соединениях. Киев.

Ця стаття у відкритому доступі за Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.