Veliki grijač ležaja
Prilikom ispitivanja u otežanim uvjetima okoline kao što su visoka temperatura, visoka buka, prašina, vibracije itd., To će ne samo nanijeti veliku štetu fizičkom i psihičkom pogledu inspektora, već će i inspektora često učiniti nesposobnim za normalan rad. Stoga je istraživanje o otkrivanju površinskih oštećenja ležajnih prstenova velikih ležajnih grijača postalo žarište posljednjih godina. Na temelju tehnologije digitalne obrade slike, naš odjel proveo je istraživanje o otkrivanju površinskih oštećenja ležajnih prstenova velikih grijaćih ležajeva. Glavni su sadržaji sljedeći:
1. Uobičajena analiza performansi i područja kvarova površinskih oštećenja ležajnih prstenova velikih grijaćih ležajeva.
2. Analiza algoritma otkrivanja ruba slike. Koriste se različiti klasični operateri za otkrivanje ruba kako bi se uspoređivale i otkrivale slike oštećenja na površini ležajnih prstenova velikih grijaćih ležajeva, a predložen je i poboljšani Sobel operator za otkrivanje ruba.
3. Vađenje i odabir značajki oštećenja. Hu oštećenja invariantnih svojstava, morfološka svojstva i teksture izvučene su iz slike defekta, a provedene su sustavne analize i demonstracije kako bi se odredile Hu-invariantne značajke potrebne za prepoznavanje klasifikacije.
4. Istraživanje algoritma za razvrstavanje i prepoznavanje na temelju neuronske mreže BP.
Proučite metodu zvučne dijagnoze greške ležaja grijača
(1) Zvučni signal ležaja grijača sadrži važne podatke o njegovom radnom stanju. Analizom ovih podataka dijagnoza grešaka ležaja grijača može se učinkovito provesti, a zvučni signal može se sakupljati na beskontaktni način, što je prikladno za korištenje i s niskom troškovnom prednošću.
(2) Prema prednosti što su svi parametri u diskretnom modelu skrivenog Markova (DHMM) diskretne vrijednosti, predlažemo novu metodu za audio dijagnostiku grešaka ležaja koja se temelji na DHMM-u, a koja ima jednostavno modeliranje, brzu proračunsku brzinu i dijagnostička točnost Napredne značajke.
(3) Budući da se funkcija kontinuirane gustoće Gaussove smjese može koristiti za razumniji opis izlazne vjerojatnosti, u radu se predlaže nova metoda dijagnosticiranja zvuka dijagnostike grešaka koja se temelji na kontinuiranoj gustoći Gaussove smjese HMM (kontinuirana Gaussova smjesa, skriveni Markov Model, CGHMM). Istodobno se poboljšava algoritam treninga i dijagnoze primjenom metode inicijalizacije parametara modela zasnovanog na klasteru i algoritmom kalibracijskog koeficijenta naprijed-nazad.
(4) proveli su komparativnu analizu rezultata dijagnostičkih ispitivanja DHMM i CGHMM metoda. DHMM algoritam je bolji od općeg CGHMM algoritma u brzini, ali dijagnostička točnost je niža od CGHMM algoritma.