Velké ložiskové topení
Při testování v náročných podmínkách prostředí, jako je vysoká teplota, vysoký hluk, prach, vibrace atd., nejen že způsobí velké poškození fyzické a psychologické kontrolory, ale také inspektor často nebude schopen normálně pracovat. Proto se výzkum detekce povrchových vad ložiskových kroužků velkých ložiskových ohřívačů stal v posledních letech horkým bodem. Na základě technologie digitálního zpracování obrazu provedlo naše oddělení výzkum detekce povrchových vad ložiskových kroužků velkých ložiskových ohřívačů. Hlavní obsah je následující:
1. Typická analýza typu výkonu a oblasti defektů povrchových vad ložiskových kroužků velkých ložiskových ohřívačů.
2. Analýza algoritmu detekce okrajů obrazu. Pro porovnání a detekci povrchových defektů ložiskových kroužků velkých nosných těles se používají různé klasické operátory detekce hran a je navržen vylepšený operátor detekce hran Sobel.
3. Extrakce a výběr defektních vlastností. Z defektního invariantního rysu, morfologických vlastností a texturových rysů byly extrahovány z defektního obrazu a byla provedena systematická analýza a demonstrace k určení invariantních vlastností Hu momentu požadovaných pro rozpoznávání klasifikace.
4. Výzkum algoritmu klasifikace a rozpoznávání založený na neuronové síti BP.
Studie o metodě diagnostiky zvuku poruchy ložiskového ohřívače
(1) Zvukový signál ložiska ložiska ložiska ložiska ložiska obsahuje důležité informace o jeho provozním stavu. Analýzou těchto informací lze účinně provádět diagnostiku poruch ložiska ložiska ohřívače ložiska a zvukový signál lze shromažďovat bezkontaktním způsobem, což je vhodné pro použití a nízkou nákladovou výhodu.
(2) Podle výhody, že všechny parametry v diskrétním skrytém Markov modelu (DHMM) jsou diskrétní hodnoty, navrhujeme novou metodu pro zvukovou diagnostiku poruch ložisek na základě DHMM, která má jednoduché modelování, rychlé výpočetní otáčky a diagnostickou přesnost Pokročilé funkce.
(3) Vzhledem k tomu, že kontinuální Gaussova funkce hustoty směsi může být použita k popisu pravděpodobnosti výstupu rozumněji, dokument navrhuje novou metodu diagnostiky zvuku poruchy ložiska založenou na kontinuální gaussovské hustotě směsi HMM (Contlnuous Gaussova směs Hidden Markov Model, CGHMM). Současně je vylepšen algoritmus trénování a diagnostiky pomocí metody inicializace parametru modelu založené na parametrech clusteru a algoritmu s koeficientem zpětného postupu kalibrace.
4) provedla srovnávací analýzu výsledků diagnostických testů metod DHMM a CGHMM. Algoritmus DHMM je lepší než obecný algoritmus CGHMM v rychlosti, ale diagnostika přesnost je nižší než algoritmus CGHMM.