Stor lagervärmare
Vid testning under svåra miljöförhållanden som hög temperatur, högt ljud, damm, vibrationer etc. kommer det inte bara att orsaka stor skada på inspektörens fysiska och psykologiska, utan också göra inspektören ofta oförmögen att arbeta normalt. Därför har forskningen om upptäckt av ytdefekter hos lagerringar hos stora lagervärmare blivit en het plats de senaste åren. Baserat på digital bildbehandlingsteknik har vår avdelning forskat på upptäckt av ytdefekter hos lagerringar hos stora lagervärmare. Huvudinnehållet är följande:
1. Typisk prestanda typ och analys av defektområden av ytdefekter hos lagerringar hos stora lagervärmare.
2. Analys av algoritmen för detektering av bildkanter. En mängd klassiska operatörer för kantdetektering används för att jämföra och upptäcka ytfelbilder av lagerringar hos stora lagervärmare, och en förbättrad Sobel-kantdetekteringsoperatör föreslås.
3. Extraktion och val av felfunktioner. Hu-defekta invarianta funktioner, morfologiska särdrag och texturfunktioner extraherades från defektbilden, och systematisk analys och demonstration genomfördes för att bestämma Hu-moment-invarianta funktioner som krävs för klassificeringsigenkänning.
4. Forskning om klassificerings- och igenkänningsalgoritm baserad på BP neurala nätverk.
Studie om ljuddiagnosmetod för lagring av värmebärare
(1) Ljudsignalen från lagringsvärmebäraren innehåller viktig information om dess status. Genom att analysera denna information kan feldiagnosen för lageruppvärmningslagret utföras effektivt och ljudsignalen kan samlas in på ett icke-kontakt sätt, vilket är bekvämt att använda och låg kostnadsfördel.
(2) Enligt fördelen att alla parametrar i den diskreta dolda markovmodellen (DHMM) är diskreta värden föreslår vi en ny metod för ljuddiagnos av bärfel baserad på DHMM, som har enkel modellering, snabb beräkningshastighet och diagnostisk noggrannhet Avancerade funktioner.
(3) Eftersom den kontinuerliga Gaussian-blandningstäthetsfunktionen kan användas för att beskriva utgångssannolikheten mer rimligt, föreslår papperet en ny metod för att bära felljuddiagnos baserad på den kontinuerliga Gaussiska blandningstätheten HMM (Contlnuous Gaussian Mixture Hidden Markov Modell, CGHMM). Samtidigt förbättras utbildnings- och diagnosalgoritmen genom att använda den klusterparametrar-baserade modellparameterinitieringsmetoden och kalibreringskoefficienten framåt-bakåt-algoritmen.
(4) genomförde en jämförande analys av de diagnostiska testresultaten för DHMM och CGHMM-metoder. DHMM-algoritmen är bättre än den allmänna CGHMM-algoritmen i hastighet, men den diagnostiska noggrannheten är lägre än CGHMM-algoritmen.