Máy làm nóng mang lớn
Khi thử nghiệm trong điều kiện môi trường khắc nghiệt như nhiệt độ cao, tiếng ồn cao, bụi, rung động, vv, nó sẽ không chỉ gây ra tác hại lớn đến thể chất và tâm lý của thanh tra, nhưng cũng làm cho thanh tra thường không thể làm việc bình thường. Do đó, nghiên cứu về phát hiện các Khuyết tật bề mặt của vòng bi của lò sưởi mang lớn đã trở thành một điểm nóng trong những năm gần đây. Dựa trên công nghệ xử lý hình ảnh kỹ thuật số, bộ phận của chúng tôi đã tiến hành nghiên cứu về việc phát hiện các Khuyết tật bề mặt của vòng bi của lò sưởi mang lớn. Các nội dung chính là như sau:
1. điển hình loại hiệu suất và phân tích khu vực Khuyết tật của các khiếm khuyết bề mặt của vòng bi của lò sưởi mang lớn.
2. phân tích các thuật toán phát hiện cạnh hình ảnh. Một loạt các nhà khai thác phát hiện cạnh cổ điển được sử dụng để so sánh và phát hiện các hình ảnh lỗi bề mặt của vòng bi của lò sưởi mang lớn, và một nhà điều hành phát hiện cạnh Sobel cải tiến được đề xuất.
3. khai thác và lựa chọn các tính năng lỗi. Hu Khuyết tật tính năng bất biến, tính năng hình Thái, và các tính năng kết cấu được chiết xuất từ ảnh khiếm khuyết, và phân tích hệ thống và trình diễn được thực hiện để xác định các tính năng thời điểm bất biến Hu cần thiết để công nhận phân loại.
4. nghiên cứu về phân loại và các thuật toán công nhận dựa trên mạng lưới thần kinh BP.
Nghiên cứu về phương pháp chẩn đoán âm thanh mang lỗi mang nóng
(1) tín hiệu âm thanh của vòng bi mang nóng chứa thông tin quan trọng về tình trạng hoạt động của nó. Bằng cách phân tích thông tin này, chẩn đoán lỗi của vòng bi mang nóng có thể được thực hiện hiệu quả, và tín hiệu âm thanh có thể được thu thập trong một kiểu không liên hệ, thuận tiện để sử dụng và lợi thế chi phí thấp.
(2) theo lợi thế rằng tất cả các thông số trong các rời rạc ẩn Markov Model (DHMM) là các giá trị rời rạc, chúng tôi đề xuất một phương pháp mới để chẩn đoán âm thanh của các lỗi mang dựa trên DHMM, trong đó có mô hình đơn giản, tốc độ tính toán nhanh và độ chính xác chẩn đoán tính năng nâng cao.
(3) vì hàm lượng mật độ Gaussian liên tục có thể được sử dụng để mô tả xác suất đầu ra hợp lý hơn, giấy đề xuất một phương pháp mới mang lỗi chẩn đoán âm thanh dựa trên mật độ hỗn hợp Gaussian liên tục HMM (Contlnuous Gaussian hỗn hợp mô hình Markov ẩn, CGHMM). Đồng thời, thuật toán đào tạo và chẩn đoán được cải thiện bằng cách sử dụng phương pháp khởi chạy tham số mô hình nhóm dựa trên và hệ số hiệu chuẩn thuật toán chuyển tiếp-lùi.
(4) tiến hành phân tích so sánh các kết quả xét nghiệm chẩn đoán của các phương pháp DHMM và CGHMM. Thuật toán DHMM là tốt hơn so với thuật toán CGHMM chung về tốc độ, nhưng độ chính xác chẩn đoán thấp hơn thuật toán CGHMM.