Stor lagervarmer
Når du tester under tøffe miljøforhold som høy temperatur, høy støy, støv, vibrasjoner osv., Vil det ikke bare forårsake stor skade på det fysiske og psykologiske til inspektøren, men også gjøre at inspektøren ofte ikke kan arbeide normalt. Derfor har forskningen på påvisning av overflatedefekter av lagerringer av store lagervarmer blitt et hett sted de siste årene. Basert på digital bildebehandlingsteknologi har vår avdeling forsket på påvisning av overflatedefekter av lagerringer av store lagervarmer. Hovedinnholdet er som følger:
1. Typisk ytelsestype og defektareanalyse av overflatedefekter på lagerringer av store lageroppvarmere.
2. Analyse av algoritmen for deteksjon av bildekanter. En rekke klassiske operatører for kantdeteksjon blir brukt til å sammenligne og oppdage overflatedefektbilder av lagerringer av store lageroppvarmere, og en forbedret Sobel-kantdeteksjonsoperatør foreslås.
3. Utvinning og valg av mangelfunksjoner. Hu defekt invariant funksjoner, morfologiske funksjoner og tekstur funksjoner ble trukket ut fra defekt bildet, og systematisk analyse og demonstrasjon ble utført for å bestemme Hu moment invariant funksjoner som kreves for klassifisering anerkjennelse.
4. Forskning på klassifiserings- og gjenkjenningsalgoritme basert på BP nevrale nettverk.
Studie om lyddiagnosemetode for peiling av varmeovn
(1) Lydsignalet til peilingvarmerlageret inneholder viktig informasjon om driftsstatus. Ved å analysere denne informasjonen kan feildiagnosen til lageroppvarmingslageret utføres effektivt, og lydsignalet kan samles på en ikke-kontakt måte, noe som er praktisk å bruke og har en lav kostnadsfordel.
(2) I henhold til fordelen med at alle parametere i den diskrete skjulte markovmodellen (DHMM) er diskrete verdier, foreslår vi en ny metode for lyddiagnose av bærefeil basert på DHMM, som har enkel modellering, rask beregningshastighet og diagnostisk nøyaktighet Avanserte funksjoner.
(3) Siden den kontinuerlige Gaussiske blandingstetthetsfunksjonen kan brukes til å beskrive output sannsynligheten mer rimelig, foreslår papiret en ny metode for å bære feillyddiagnose basert på den kontinuerlige Gaussiske blandingstettheten HMM (Contlnuous Gaussian Mixture Hidden Markov Modell, CGHMM). Samtidig forbedres opplærings- og diagnosealgoritmen ved å bruke den klyngeparameterbaserte modellparameterinitieringsmetoden og kalibreringskoeffisienten fremover-bakover algoritmen.
(4) foretok en komparativ analyse av de diagnostiske testresultatene til DHMM og CGHMM-metodene. DHMM-algoritmen er bedre enn den generelle CGHMM-algoritmen i hastighet, men den diagnostiske nøyaktigheten er lavere enn CGHMM-algoritmen.