Grand réchauffeur de roulement
Lors de tests dans des conditions environnementales difficiles telles que des températures élevées, un bruit élevé, de la poussière, des vibrations, etc., cela causera non seulement de grands dommages physiques et psychologiques à l'inspecteur, mais rendra également l'inspecteur souvent incapable de travailler normalement. Par conséquent, la recherche sur la détection des défauts de surface des bagues de roulements des gros réchauffeurs de roulements est devenue un point chaud ces dernières années. Sur la base de la technologie de traitement d'image numérique, notre département a mené des recherches sur la détection des défauts de surface des bagues de roulements de grands réchauffeurs de roulements. Le contenu principal est le suivant:
1. Type de performance typique et analyse de la zone de défaut des défauts de surface des bagues de roulement des gros réchauffeurs de roulement.
2. Analyse de l'algorithme de détection de bord d'image. Une variété d'opérateurs de détection de bord classiques sont utilisés pour comparer et détecter les images de défauts de surface des bagues de roulement de grands réchauffeurs de roulement, et un opérateur de détection de bord Sobel amélioré est proposé.
3. Extraction et sélection des caractéristiques des défauts. Les caractéristiques invariantes des défauts Hu, les caractéristiques morphologiques et les caractéristiques de texture ont été extraites de l'image du défaut, et une analyse et une démonstration systématiques ont été effectuées pour déterminer les caractéristiques invariantes du moment Hu requises pour la reconnaissance de la classification.
4. Recherche sur l'algorithme de classification et de reconnaissance basé sur le réseau neuronal BP.
Étude sur la méthode de diagnostic audio du défaut de palier du réchauffeur de palier
(1) Le signal audio du roulement du réchauffeur de roulement contient des informations importantes sur son état de fonctionnement. En analysant ces informations, le diagnostic de défaut du palier de chauffage de palier peut être effectué efficacement et le signal audio peut être collecté sans contact, ce qui est pratique à utiliser et à faible coût.
(2) Selon l'avantage que tous les paramètres du modèle discret de Markov caché (DHMM) sont des valeurs discrètes, nous proposons une nouvelle méthode de diagnostic audio des défauts de roulement basée sur DHMM, qui a une modélisation simple, une vitesse de calcul rapide et précision du diagnostic Fonctionnalités avancées.
(3) Étant donné que la fonction de densité de mélange gaussienne continue peut être utilisée pour décrire la probabilité de sortie de façon plus raisonnable, l'article propose une nouvelle méthode de diagnostic audio des défauts basée sur la densité de mélange gaussienne continue HMM (Contlnuous Gaussian Mixture Hidden Markov Modèle, CGHMM). Dans le même temps, l'algorithme d'apprentissage et de diagnostic est amélioré en utilisant la méthode d'initialisation des paramètres du modèle basé sur les paramètres du cluster et l'algorithme de coefficient d'étalonnage avant-arrière.
(4) a effectué une analyse comparative des résultats des tests de diagnostic des méthodes DHMM et CGHMM. L'algorithme DHMM est meilleur que l'algorithme CGHMM général en vitesse, mais la précision de diagnostic est inférieure à l'algorithme CGHMM.