Suur laager kütteseade
Kui testimine rasketes keskkonnatingimustes nagu kõrge temperatuur, kõrge müra, tolm, vibratsioon jne, see ei põhjusta mitte ainult suurt kahju inspektor füüsilist ja psühholoogilist, vaid ka muuta inspektor sageli ei tööta normaalselt. Seetõttu on viimaste aastate jooksul muutunud kuum koht uurimistööd suurte kandvate kütteseadmete pinna defektide avastamiseks. Digitaalse kujutise töötlemise tehnoloogia põhjal on meie osakond läbi viinud uuringud suurte kandvate kütteseadmete kanderõngaste pinna defektide avastamiseks. Peamine sisu on järgmine:
1. tüüpiline jõudluse tüüp ja defekti pindala analüüsi pinna defektid kanderõngad suurte kandvate küttekehad.
2. pildi serva tuvastamise algoritmi analüüs. Erinevaid klassikalise serva avastamise operaatorid kasutatakse võrrelda ja avastada pinna defektide kujutised laager rõngad suurte laager küttekehad, ja täiustatud Sobel serva avastamise operaator on välja pakutud.
3. ekstraktimise ja valiku defektid. HU defekti muutumatu funktsioone, morfoloogilised omadused ja tekstuuri funktsioone kaevandati defekt pilt, ja süstemaatilist analüüsi ja demonstratsiooni tehti, et kindlaks määrata HU hetke muutumatu funktsioone, mida on vaja klassifitseerimise tunnustamiseks.
4. uuring, mis käsitleb klassifitseerimise ja tunnustamise algoritmi BP närvi võrgus.
Uuring audio diagnoosimise meetod kandva kütteseadme rike
(1) kandva kütteseadme helisignaal sisaldab tähtsat teavet selle töökorras oleku kohta. Seda teavet analüüsides võib kandekütteseadme rike diagnoosida tõhusalt ja helisignaali saab koguda mitte-kontakti viisil, mis on mugav kasutada ja madal kulueelis.
(2) vastavalt eelis, et kõik parameetrid diskreetne varjatud Markov mudel (DHMM) on diskreetne väärtused, pakume uue meetodi audio diagnoosi laager vead põhineb DHMM, mis on lihtne modelleerimine, Kiire arvutamise kiirus ja diagnostika täpsus täiustatud funktsioone.
(3) Kuna pidev Gaussian segu tihedus funktsiooni saab kasutada, et kirjeldada väljund tõenäosus mõistlikult, paber pakub uut meetodit, mis kannavad süü audio Diagnoos põhineb pidev Gaussian segu tihedus HMM (Contlnuous Gaussian segu varjatud Markov mudel, CGHMM). Samal ajal täiustatud koolitus ja diagnostika algoritmi abil klastri parameeter põhinev mudel parameeter lähtestamine meetod ja kalibreerimistegur edasi-tagasi algoritmi.
(4) viidi läbi DHMMI ja CGHMM meetodite diagnostiliste testide tulemuste võrdlev analüüs. DHMM algoritmi on parem kui üldine CGHMM algoritm kiirus, kuid diagnostika täpsus on madalam kui CGHMM algoritmi.