Veľký ohrievač ložiska
Pri testovaní v drsných podmienkach prostredia, ako je vysoká teplota, vysoký hluk, prach, vibrácie, atď, to bude nielen spôsobiť veľké škody na fyzickú a psychickú inšpektora, ale tiež, aby inšpektor často schopný pracovať normálne. Preto sa výskum detekcie povrchových defektov ložiskových krúžkov veľkých ložiskových ohrievačov stal horúcim miestom v posledných rokoch. Na základe technológie digitálneho spracovania obrazu naše oddelenie vykonalo výskum na detekciu povrchových defektov ložiskových krúžkov veľkých ložiskových ohrievačov. Hlavný obsah je nasledovný:
1. typický typ výkonu a porucha oblasti analýzy povrchových defektov ložiskových krúžkov veľkých ložiskových ohrievačov.
2. analýza algoritmu detekcie okrajov obrazu. Rad klasických operátorov detekcie okrajov sa používajú na porovnávanie a detekciu obrazov povrchových defektu ložiskových krúžkov veľkých ložiskových ohrievačov a navrhuje sa vylepšený operátor detekcie okrajov.
3. extrakcia a výber defektných prvkov. Hu vady invariantné rysy, morfologické rysy, a textúry prvky boli extrahované z defektu obrazu, a systematická analýza a demonštrácie boli vykonané na určenie hu moment invariantné funkcie potrebné pre klasifikáciu uznanie.
4. výskum klasifikácie a uznávania algoritmus založený na neurónové siete BP.
Štúdia o metóde diagnostiky zvuku ložiskového kúrenia ložiska
(1) zvukový signál ložiska telesa ložiska obsahuje dôležité informácie o jeho stave chodu. Analýzou týchto informácií môže byť porucha diagnózy ložiskového ohrievača vykonávaná efektívne a zvukový signál sa môže zhromažďovať v nekontaktnom spôsobe, ktorý je vhodný na používanie a nízku nákladovú výhodu.
(2) podľa výhody, že všetky parametre v diskrétnom skrytý model Markov (DHMM) sú diskrétne hodnoty, navrhujeme novú metódu pre zvukovú diagnostiku ložiskových porúch založených na DHMM, ktorý má jednoduché modelovanie, rýchle výpočty rýchlosti a diagnostické presnosť pokročilé funkcie.
(3) Vzhľadom k tomu, kontinuálne Gaussova zmes hustota funkcia môže byť použitá na opis výstupnej pravdepodobnosti rozumnejšie, papier navrhuje nový spôsob ložiska chyba zvuku s diagnózou na základe kontinuálnej Gaussova hustota zmesi HMM (Contlnuous Gaussova zmes skrytý Markov model, CGHMM). Súčasne, školenie a diagnostika algoritmus sa zlepší pomocou parametra metóda inicializácie modelu klastra parameter a kalibračný koeficient vpred-spätne algoritmus.
(4) vykonala porovnávaciu analýzu výsledkov diagnostických skúšok metód DHMM a CGHMM. Algoritmus DHMM je lepší ako všeobecný algoritmus CGHMM v rýchlosti, ale diagnostická presnosť je nižšia ako algoritmus CGHMM.