Calentador de rodamientos grande
Cuando se realiza una prueba en condiciones ambientales adversas, como alta temperatura, alto ruido, polvo, vibración, etc., no sólo causará un gran daño a lo físico y psicológico del inspector, sino que también hará que el inspector a menudo no pueda trabajar normalmente. Por lo tanto, la investigación sobre la detección de defectos superficiales de los anillos de rodamientos de calentadores de rodamientos grandes se ha convertido en un punto caliente en los últimos años. Basado en la tecnología de procesamiento de imágenes digitales, nuestro departamento ha llevado a cabo investigaciones sobre la detección de defectos superficiales de anillos de rodamientos de calentadores de rodamientos grandes. Los contenidos principales son los siguientes:
1. Tipo de rendimiento típico y análisis de área de defecto de defectos superficiales de los anillos de rodamientos de calentadores de rodamientos grandes.
2. Análisis del algoritmo de detección de bordes de imagen. Se utiliza una variedad de operadores clásicos de detección de bordes para comparar y detectar las imágenes de defectos de superficie de los anillos de rodamientos de calentadores de rodamientos grandes, y se propone un operador mejorado de detección de bordes Sobel.
3. Extracción y selección de características de defecto. Las características invariables del defecto de Hu, las características morfológicas y las características de textura se extrajeron de la imagen del defecto, y se llevaron a cabo análisis y demostraciones sistemáticos para determinar las características invariables del momento de Hu necesarias para el reconocimiento de clasificación.
4. Investigación sobre clasificación y algoritmo de reconocimiento basado en la red neuronal BP.
Estudio sobre el método de diagnóstico de audio de la falla del cojinete del calentador de rodamientos
(1) La señal de audio del rodamiento del calentador de rodamientos contiene información importante sobre su estado de funcionamiento. Mediante el análisis de esta información, el diagnóstico de fallas del rodamiento del calentador de rodamientos se puede realizar de manera eficaz, y la señal de audio se puede recopilar de una manera sin contacto, lo que es conveniente de usar y de baja ventaja en costos.
(2) De acuerdo con la ventaja de que todos los parámetros del Modelo Discreto Markov Oculto (DHMM) son valores discretos, proponemos un nuevo método para el diagnóstico de audio de fallas de rodamientos basado en DHMM, que tiene modelado simple, velocidad de cálculo rápida y precisión de diagnóstico Características avanzadas.
(3) Dado que la función continua de densidad de mezcla gaussiana se puede utilizar para describir la probabilidad de salida de manera más razonable, el documento propone un nuevo método de diagnóstico de audio de falla según el mismo basado en la densidad de mezcla gaussiana continua HMM (Contlnuous Gaussian Mixture Hidden Markov Model, CGHMM). Al mismo tiempo, el algoritmo de entrenamiento y diagnóstico se mejora mediante el método de inicialización de parámetros de modelo basado en parámetros de clúster y el algoritmo de avance y retroceso del coeficiente de calibración.
(4) realizó un análisis comparativo de los resultados de las pruebas diagnósticas de los métodos DHMM y CGHMM. El algoritmo DHMM es mejor que el algoritmo CGHMM general en velocidad, pero la precisión de diagnóstico es menor que el algoritmo CGHMM.