เครื่องทำความร้อนแบริ่งขนาดใหญ่
เมื่อทำการทดสอบภายใต้สภาพแวดล้อมที่รุนแรงเช่นอุณหภูมิสูงเสียงสูงฝุ่นละอองการสั่นสะเทือน ฯลฯ มันจะไม่เพียง แต่ก่อให้เกิดอันตรายอย่างมากต่อร่างกายและจิตใจของผู้ตรวจสอบ แต่ยังทำให้ผู้ตรวจสอบไม่สามารถทำงานได้ตามปกติ ดังนั้นการวิจัยเกี่ยวกับการตรวจสอบข้อบกพร่องที่พื้นผิวของแหวนแบริ่งของเครื่องทำความร้อนแบริ่งขนาดใหญ่ได้กลายเป็นจุดร้อนในปีที่ผ่านมา แผนกเทคโนโลยีของเราได้ทำการวิจัยเกี่ยวกับการตรวจหาข้อบกพร่องที่พื้นผิวของวงแหวนแบริ่งของเครื่องทำความร้อนตลับลูกปืนขนาดใหญ่ด้วยเทคโนโลยีการประมวลผลภาพดิจิตอล เนื้อหาหลักมีดังนี้:
1 ประเภทประสิทธิภาพทั่วไปและการวิเคราะห์พื้นที่บกพร่องของข้อบกพร่องพื้นผิวของวงแหวนแบริ่งของเครื่องทำความร้อนแบริ่งขนาดใหญ่
2 การวิเคราะห์อัลกอริธึมการตรวจจับขอบภาพ ตัวดำเนินการตรวจจับขอบแบบคลาสสิกที่หลากหลายถูกนำมาใช้ในการเปรียบเทียบและตรวจจับภาพข้อบกพร่องพื้นผิวของวงแหวนแบริ่งของตัวทำความร้อนแบริ่งขนาดใหญ่และเสนอตัวดำเนินการตรวจจับขอบ Sobel ที่ปรับปรุงใหม่
3 การสกัดและการเลือกคุณสมบัติข้อบกพร่อง คุณสมบัติคงที่ของข้อบกพร่องหูคุณสมบัติทางสัณฐานวิทยาและคุณสมบัติพื้นผิวถูกดึงออกมาจากภาพข้อบกพร่องและทำการวิเคราะห์และสาธิตระบบอย่างเป็นระบบเพื่อกำหนดคุณสมบัติช่วงเวลาคงที่หูที่จำเป็นสำหรับการจำแนกประเภท
4 งานวิจัยเกี่ยวกับการจำแนกและอัลกอริธึมการจดจำบนเครือข่ายนิวรัลบีพี
การศึกษาวิธีวิเคราะห์เสียงของข้อบกพร่องตลับลูกปืนฮีตเตอร์
(1) สัญญาณเสียงของตลับลูกปืนฮีทเตอร์มีข้อมูลสำคัญเกี่ยวกับสถานะการทำงาน โดยการวิเคราะห์ข้อมูลนี้การวินิจฉัยข้อผิดพลาดของตลับลูกปืนฮีทเตอร์สามารถทำได้อย่างมีประสิทธิภาพและสามารถรวบรวมสัญญาณเสียงในลักษณะที่ไม่ต้องสัมผัสซึ่งสะดวกต่อการใช้งานและได้เปรียบด้านต้นทุนต่ำ
(2) ตามข้อได้เปรียบที่ว่าพารามิเตอร์ทั้งหมดใน Discrete Hidden Markov Model (DHMM) เป็นค่าที่ไม่ต่อเนื่องเราเสนอวิธีการใหม่สำหรับการวินิจฉัยเสียงของตลับลูกปืนที่ผิดปกติตาม DHMM ซึ่งมีการสร้างแบบจำลองอย่างง่ายความเร็วในการคำนวณที่รวดเร็ว และความแม่นยำในการวินิจฉัยคุณสมบัติขั้นสูง
(3) เนื่องจากฟังก์ชันความหนาแน่นของการผสมแบบเกาส์ต่อเนื่องสามารถใช้เพื่ออธิบายความน่าจะเป็นผลลัพธ์ได้อย่างมีเหตุผลมากขึ้นกระดาษจึงเสนอวิธีการใหม่ในการวินิจฉัยข้อผิดพลาดทางเสียงที่มีการแบกบนพื้นฐานของความหนาแน่น รุ่น CGHMM) ในเวลาเดียวกันอัลกอริธึมการฝึกอบรมและการวินิจฉัยได้รับการปรับปรุงโดยใช้วิธีการกำหนดค่าเริ่มต้นพารามิเตอร์พารามิเตอร์แบบคลัสเตอร์และอัลกอริทึมสัมประสิทธิ์การสอบเทียบไปข้างหน้า
(4) ทำการวิเคราะห์เปรียบเทียบผลการทดสอบการวินิจฉัยของวิธีการ DHMM และ CGHMM อัลกอริทึม DHMM ดีกว่าอัลกอริทึม CGHMM ทั่วไปในความเร็ว แต่ความแม่นยำในการวินิจฉัยต่ำกว่าอัลกอริทึม CGHMM