Büyük rulman ısıtıcı

Apr 23, 2020

Mesaj bırakın

Büyük rulman ısıtıcı


Yüksek sıcaklık, yüksek gürültü, toz, titreşim, vb gibi sert çevre koşullarında test ederken, sadece müfettişin fiziksel ve psikolojik büyük zarar değil, aynı zamanda müfettiş genellikle normal çalışamaz hale getirecek. Bu nedenle, büyük yatak Lı ısıtıcıların rulman halkalarının yüzey kusurlarının tespiti üzerine yapılan araştırmalar son yıllarda sıcak bir nokta haline gelmiştir. Bölümümüz, dijital görüntü işleme teknolojisine dayanarak, büyük rulman ısıtıcılarının rulman halkalarının yüzey kusurlarının tespiti üzerine araştırmalar yürütmüştür. Ana içeriği aşağıdaki gibidir:


1. Büyük rulman ısıtıcılarının rulman halkalarının yüzey kusurlarının tipik performans tipi ve kusur alanı analizi.


2. Görüntü kenarı algılama algoritmasının analizi. Büyük rulman ısıtıcılarının rulman halkalarının yüzey defekti görüntülerini karşılaştırmak ve tespit etmek için çeşitli klasik kenar algılama operatörleri kullanılır ve geliştirilmiş bir Sobel kenar algılama operatörü önerilmiştir.


3. Kusur özelliklerinin çıkarılması ve seçilmesi. Hu defekti değişmez özellikleri, morfolojik özellikleri ve doku özellikleri kusur görüntüsünden çıkarılmış ve sınıflandırma tanıma için gerekli Hu momentin değişmez özelliklerini belirlemek için sistematik analiz ve gösteri yapılmıştır.


4. BP sinir ağına dayalı sınıflandırma ve tanıma algoritması üzerine araştırma.


Isıtıcı rulman fay yatak ses tanı yöntemi üzerinde çalışma


(1) Rulman ısıtıcısının ses sinyali, çalışma durumu hakkında önemli bilgiler içerir. Bu bilgiler analiz edilerek, rulman ısıtıcısının arıza tanısı etkin bir şekilde gerçekleştirilebilir ve ses sinyali temassız bir şekilde toplanabilir, bu da kullanım alabilen ve maliyet avantajının düşük olduğu bir şekilde.


(2) Ayrık Gizli Markov Modelindeki (DHMM) tüm parametrelerin ayrık değerler olduğu avantajına göre, basit modelleme, hızlı hesaplama hızı ve tanısal doğruluk Gelişmiş özelliklere sahip DHMM'ye dayalı rulman hatalarının ses tanısı için yeni bir yöntem öneriyoruz.


(3) Sürekli Gaussian karışım yoğunluğu fonksiyonu çıkış olasılığını daha makul bir şekilde tanımlamak için kullanılabildiğinden, kağıt sürekli Gaussian karışım yoğunluğu HMM (Contlnuous Gaussian Mix Hidden Markov Model, CGHMM) dayalı fay ses tanısı rulman yeni bir yöntem önerir. Aynı zamanda, küme parametre tabanlı model parametre başlatma yöntemi ve kalibrasyon katsayısı ileri-geri algoritması kullanılarak eğitim ve tanı algoritması geliştirilir.


(4) DHMM ve CGHMM yöntemlerinin tanısal test sonuçlarının karşılaştırmalı analizini yaptı. DHMM algoritması hız genel CGHMM algoritması daha iyidir, ancak tanılama doğruluğu CGHMM algoritması daha düşüktür.