بخاری بزرگ یاطاقان
هنگام آزمایش در شرایط سخت محیطی مانند درجه حرارت بالا ، سر و صدای زیاد ، گرد و غبار ، لرزش و غیره ، نه تنها آسیب جسمی و جسمی بازرس را وارد می کند بلکه بازرس را غالباً قادر به کار عادی نمی کند. بنابراین ، تحقیقات در مورد تشخیص نقص سطح حلقه های بلبرینگ بخاری های بلبرینگ بزرگ در سال های اخیر به یک نقطه داغ تبدیل شده است. براساس فن آوری پردازش دیجیتال ، بخش ما تحقیقاتی در مورد تشخیص نقص سطح حلقه های بلبرینگ بخاری های بلبرینگ بزرگ انجام داده است. مطالب اصلی به شرح زیر است:
{0}. نوع عملکرد معمولی و تحلیل سطح نقص نقص سطح حلقه های تحمل بخاری های بلبرینگ بزرگ.
{0}. تجزیه و تحلیل الگوریتم تشخیص لبه تصویر. انواع اپراتورهای ردیابی لبه کلاسیک برای مقایسه و تشخیص تصاویر نقص سطح حلقه های تحمل بخاری های بلبرینگ بزرگ استفاده می شود و یک عملگر تشخیص لبه Sobel بهبود یافته پیشنهاد می شود.
{0}. استخراج و انتخاب ویژگی های نقص. ویژگی های ثابت نقص هو ، ویژگی های مورفولوژیکی و ویژگی های بافت از نقص استخراج شده و تجزیه و تحلیل سیستماتیک و تظاهرات برای تعیین ویژگی های تغییر ناپذیر لحظه هو مورد نیاز برای تشخیص طبقه بندی انجام شده است.
{0}. تحقیق در مورد الگوریتم طبقه بندی و تشخیص بر اساس شبکه عصبی BP.
مطالعه روش تشخیص صوتی گسل تحمل بخاری
(1) سیگنال صوتی بلبرینگ بلبرینگ حاوی اطلاعات مهمی در مورد وضعیت عملکرد آن است. با تجزیه و تحلیل این اطلاعات ، تشخیص عیب یاتاقانهای گرم کننده یاتاقان می تواند به صورت مؤثر انجام شود و می توان سیگنال صوتی را به صورت غیر تماسی جمع کرد ، که برای استفاده راحت و کم هزینه است.
(2) با توجه به این مزیت که کلیه پارامترهای موجود در Discrete Hidden Markov Model (DHMM) مقادیر گسسته ای هستند ، ما یک روش جدید برای تشخیص صوتی گسل های تحمل بر اساس DHMM پیشنهاد می کنیم که دارای مدل سازی ساده ، سرعت محاسبه سریع است و دقت تشخیصی ویژگی های پیشرفته.
(3) از آنجا که می توان از تابع چگالی مخلوط گاویایی مداوم برای توصیف احتمال خروجی به طور معقول تر استفاده کرد ، مقاله روش جدیدی از تحمل تشخیص صوتی گسل را بر اساس تراکم مخلوط گاوسی مداوم HMM (مخلوط گاوسی مخلوط مخفی مارکوف) پیشنهاد می کند. مدل ، CGHMM). در عین حال ، الگوریتم آموزش و تشخیص با استفاده از روش اولیه سازی پارامتر مدل مبتنی بر پارامتر خوشهای و الگوریتم ضریب کالیبراسیون به جلو-عقب بهبود می یابد.
({{0}) تجزیه و تحلیل مقایسه ای از نتایج آزمون تشخیصی از روش DHMM و CGHMM انجام داد. الگوریتم DHMM بهتر از الگوریتم عمومی CGHMM در سرعت است اما دقت تشخیصی از الگوریتم CGHMM پایین تر است.