Stor lagervarmer
Når man tester under barske miljøforhold som høj temperatur, høj støj, støv, vibrationer osv., Vil det ikke kun skade inspektørens fysiske og psykologiske skade, men også gøre inspektøren ofte ude af stand til at arbejde normalt. Derfor er forskningen på påvisning af overfladefejl i lejeringe fra store lejeværker blevet et hot spot i de senere år. Baseret på digital billedbehandlingsteknologi har vores afdeling foretaget forskning på påvisning af overfladefejl i lejeringe fra store lejeværker. Hovedindholdet er som følger:
1. Typisk ydeevne type og analyse af defektarealer af overfladefejl på lejeringe af store lejeovner.
2. Analyse af algoritme til detektering af billedkant. En række klassiske kantdetekteringsoperatører bruges til at sammenligne og detektere overfladedefektbilleder af lejeringe fra store lejeopvarmere, og en forbedret Sobel-kantdetekteringsoperatør foreslås.
3. Ekstraktion og valg af defektfunktioner. Hu-defekt invariante træk, morfologiske træk og teksturegenskaber blev ekstraheret fra defektbilledet, og der blev udført systematisk analyse og demonstration for at bestemme Hu-moment invariante funktioner, der kræves til klassificeringsgenkendelse.
4. Forskning i klassificerings- og genkendelsesalgoritme baseret på BP neuralt netværk.
Undersøgelse af lyddiagnosemetode til at bære fejl i varmeapparatet
(1) Lydsignalet fra lejet til varmeapparatet indeholder vigtige oplysninger om dets kørselsstatus. Ved at analysere denne information kan fejldiagnosen af lejet til opvarmningsopvarmning udføres effektivt, og audiosignalet kan opsamles på en ikke-kontakt måde, hvilket er praktisk at bruge og en lav omkostningsfordel.
(2) I overensstemmelse med fordelen ved, at alle parametre i den diskrete skjulte markovmodel (DHMM) er diskrete værdier, foreslår vi en ny metode til lyddiagnosticering af bærefejl baseret på DHMM, som har enkel modellering, hurtig beregningshastighed og diagnostisk nøjagtighed Avancerede funktioner.
(3) Da den kontinuerlige Gaussiske blandingstæthedsfunktion kan bruges til at beskrive udgangssandsynligheden mere med rimelighed, foreslår papiret en ny metode til at bære fejlsignaldiagnostik baseret på den kontinuerlige Gaussiske blandingstæthed HMM (Contlnuous Gaussian Mixture Hidden Markov Model, CGHMM). Samtidig forbedres trænings- og diagnosealgoritmen ved hjælp af den klyngeparameterbaserede modelparameterinitieringsmetode og kalibreringskoefficienten fremad-bagud algoritmen.
(4) udførte en sammenlignende analyse af de diagnostiske testresultater af DHMM- og CGHMM-metoder. DHMM-algoritmen er bedre end den generelle CGHMM-algoritme i hastighed, men den diagnostiske nøjagtighed er lavere end CGHMM-algoritmen.