Suuri laakeri lämmitin
Kun testataan vaikeissa ympäristöolosuhteissa, kuten korkeassa lämpötilassa, korkeassa melussa, pölyssä, tärinässä jne., Se ei vain aiheuta suurta vahinkoa tarkastajan fyysiselle ja psyykkiselle toiminnalle, vaan myös tekee tarkastajasta usein kyvyttömän toimimaan normaalisti. Siksi suurten laakereiden lämmittimien laakerirenkaiden pintavikojen havaitsemista koskevasta tutkimuksesta on tullut kuuma kohta viime vuosina. Digitaaliseen kuvankäsittelytekniikkaan perustuva osasto on suorittanut tutkimuksen suurten laakereiden lämmittimien laakerirenkaiden pintavikojen havaitsemiseksi. Pääsisältö on seuraava:
1. Tyypillinen suurten laakereiden lämmittimien laakerirenkaiden pintavirheiden suorituskyky- ja vika-alueanalyysi.
2. Kuvan reunan tunnistusalgoritmin analyysi. Suurten laakereiden lämmittimien laakerirenkaiden pintakuvien vertailuun ja havaitsemiseen käytetään useita erilaisia klassisia reunanilmaisimia, ja parannettua Sobel-reunan havaitsemisoperaattoria ehdotetaan.
3. Vian ominaisuuksien poisto ja valinta. Hu-vian muuttumattomat piirteet, morfologiset piirteet ja pintaominaisuudet erotettiin virhekuvasta, ja järjestelmällinen analyysi ja demonstrointi suoritettiin luokituksen tunnistukseen tarvittavien Hu-hetken muuttumattomien piirteiden määrittämiseksi.
4. BP-hermoverkkoon perustuvan luokittelu- ja tunnistusalgoritmin tutkimus.
Laakerin lämmittimen laakerivirheen audiotutkimusmenetelmää koskeva tutkimus
(1) Lämmittimen laakerin äänisignaali sisältää tärkeitä tietoja sen käyntitilasta. Analysoimalla nämä tiedot voidaan laakerin lämmittimen laakerin vianmääritys suorittaa tehokkaasti, ja audiosignaali voidaan kerätä kosketuksettomalla tavalla, mikä on kätevä käyttää ja alhainen kustannusetu.
(2) Sen etunäkökohtana, että kaikki diskreetin piilotetun Markov-mallin (DHMM) parametrit ovat erillisiä arvoja, ehdotamme uutta menetelmää laakerivarojen äänidiagnostiikkaan perustuen DHMM: ään, jolla on yksinkertainen mallintaminen, nopea laskenopeus ja diagnoosin tarkkuus Lisäominaisuudet.
(3) Koska jatkuvaa Gaussin seostiheysfunktiota voidaan käyttää lähdön todennäköisyyden kuvaamiseksi järkevämmin, artikkelissa ehdotetaan uutta menetelmää vikaäänidiagnostiikan määrittämiseksi, joka perustuu jatkuvaan Gaussin seostiheyteen HMM (jatkuva Gaussin sekoitus piilotettu Markov Malli, CGHMM). Samalla koulutus- ja diagnoosialgoritmia parannetaan käyttämällä klusteriparametripohjaista malliparametrin alustusmenetelmää ja kalibrointikerrointa eteenpäin-taaksepäin -algoritmia.
(4) suoritti vertailevan analyysin DHMM- ja CGHMM-menetelmien diagnostisten testituloksista. DHMM-algoritmi on nopeutta parempi kuin yleinen CGHMM-algoritmi, mutta diagnoosin tarkkuus on alhaisempi kuin CGHMM-algoritmi.