Duża grzałka łożysk
Podczas testowania w trudnych warunkach środowiskowych, takich jak wysoka temperatura, wysoki hałas, kurz, wibracje itp., Spowoduje to nie tylko duże szkody fizyczne i psychiczne inspektora, ale także sprawi, że inspektor często nie będzie mógł normalnie pracować. Dlatego badania nad wykrywaniem defektów powierzchniowych pierścieni łożyskowych dużych grzejników łożyskowych stały się gorącym punktem w ostatnich latach. W oparciu o technologię cyfrowego przetwarzania obrazu, nasz dział przeprowadził badania nad wykryciem wad powierzchniowych pierścieni łożyskowych dużych grzejników łożyskowych. Główne treści są następujące:
1. Typowy typ wydajności i analiza powierzchni defektów defektów powierzchniowych pierścieni łożyskowych dużych grzejników łożyskowych.
2. Analiza algorytmu wykrywania krawędzi obrazu. Do porównywania i wykrywania obrazów wad powierzchniowych pierścieni łożyskowych dużych grzejników łożyskowych stosuje się szereg klasycznych operatorów wykrywania krawędzi. Proponowany jest ulepszony operator wykrywania krawędzi Sobel.
3. Wyodrębnianie i wybór cech wad. Niezmienne cechy wady Hu, cechy morfologiczne i cechy tekstury zostały wyodrębnione z obrazu wady, i przeprowadzono systematyczną analizę i demonstrację w celu określenia cech niezmienności momentu Hu wymaganych do rozpoznania klasyfikacji.
4. Badanie algorytmu klasyfikacji i rozpoznawania opartego na sieci neuronowej BP.
Badanie metody diagnostyki dźwiękowej uszkodzenia łożyska nagrzewnicy
(1) Sygnał dźwiękowy łożyska grzałki łożyska zawiera ważne informacje o jego stanie roboczym. Analizując te informacje, można skutecznie przeprowadzić diagnostykę uszkodzeń łożyska nagrzewnicy łożyska, a sygnał audio można zebrać w sposób bezdotykowy, co jest wygodne w użyciu i ma niską cenę.
(2) Zgodnie z tą zaletą, że wszystkie parametry w dyskretnym ukrytym modelu Markowa (DHMM) są dyskretnymi wartościami, proponujemy nową metodę diagnostyki dźwiękowej uszkodzeń łożysk w oparciu o DHMM, która ma proste modelowanie, szybką prędkość obliczeniową i dokładność diagnostyczna Zaawansowane funkcje.
(3) Ponieważ ciągła funkcja gęstości mieszanki Gaussa może być użyta do bardziej racjonalnego opisania prawdopodobieństwa wyjściowego, w artykule zaproponowano nową metodę diagnostyki audio uszkodzenia łożyska opartą na ciągłej gęstości mieszanki Gaussa HMM (Contlnuous Gaussian Mixture Hidden Markov Model, CGHMM). Jednocześnie algorytm szkolenia i diagnozy został ulepszony dzięki zastosowaniu metody inicjalizacji parametrów modelu opartego na parametrach klastra i algorytmie kalibracji współczynnika kalibracji do przodu i do tyłu.
(4) przeprowadził analizę porównawczą wyników testów diagnostycznych metod DHMM i CGHMM. Algorytm DHMM jest lepszy od ogólnego algorytmu CGHMM pod względem prędkości, ale dokładność diagnostyczna jest niższa niż algorytmu CGHMM.