Pemanas bantalan besar
Ketika pengujian di bawah kondisi lingkungan yang keras seperti suhu tinggi, kebisingan tinggi, debu, getaran, dll, itu tidak hanya akan menyebabkan kerugian besar bagi fisik dan psikologis inspektur, tetapi juga membuat Inspektur sering tidak mampu bekerja secara normal. Oleh karena itu, penelitian tentang deteksi Cacat permukaan bantalan cincin pemanas bantalan besar telah menjadi Hot Spot dalam beberapa tahun terakhir. Berdasarkan teknologi pengolahan citra digital, Departemen kami telah melakukan penelitian tentang deteksi Cacat permukaan bantalan cincin pemanas bantalan besar. Isi utama adalah sebagai berikut:
1. tipikal kinerja jenis dan kerusakan daerah analisis Cacat permukaan bantalan cincin pemanas bantalan besar.
2. analisis algoritma deteksi tepi gambar. Berbagai operator pendeteksian tepi klasik digunakan untuk membandingkan dan mendeteksi gambar Cacat permukaan bantalan cincin pemanas bantalan besar, dan operator deteksi tepi Sobel ditingkatkan diusulkan.
3. ekstraksi dan pemilihan fitur Cacat. Hu Cacat fitur invarian, morfologi fitur, dan fitur tekstur yang diekstrak dari gambar Cacat, dan analisis sistematis dan demonstrasi dilakukan untuk menentukan momen Hu invarian fitur yang diperlukan untuk pengakuan klasifikasi.
4. penelitian algoritma klasifikasi dan pengakuan berdasarkan jaringan saraf BP.
Studi pada metode audio diagnosis bantalan pemanas bantalan kesalahan
(1) sinyal audio bantalan pemanas bantalan berisi informasi penting pada statusnya berjalan. Dengan menganalisis informasi ini, diagnosis kesalahan bantalan pemanas bantalan dapat dilakukan secara efektif, dan sinyal audio dapat dikumpulkan dalam cara non-kontak, yang nyaman untuk digunakan dan rendah dalam keuntungan biaya.
(2) menurut keuntungan bahwa semua parameter dalam model Markov tersembunyi diskrit (DHMM) adalah nilai diskrit, kami mengusulkan metode baru untuk diagnosis audio bantalan kesalahan berdasarkan DHMM, yang memiliki pemodelan sederhana, kecepatan perhitungan cepat dan akurasi diagnostik fitur lanjutan.
(3) sejak fungsi kepadatan campuran Gaussian terus menerus dapat digunakan untuk menggambarkan probabilitas output lebih masuk akal, kertas mengusulkan metode baru bantalan diagnosis audio kesalahan berdasarkan pada campuran Gaussian kontinu kepadatan HMM (Contlnuous Gaussian campuran tersembunyi Markov model, CGHMM). Pada saat yang sama, pelatihan dan diagnosis algoritma ditingkatkan dengan menggunakan parameter berbasis parameter model inisialisasi metode dan kalibrasi koefisien maju-mundur algoritma.
(4) melakukan analisis komparatif dari hasil uji diagnostik DHMM dan metode CGHMM. Algoritma DHMM lebih baik daripada algoritma CGHMM umum dalam kecepatan, tetapi akurasi diagnostik lebih rendah dari algoritma CGHMM.