Pemanas galas besar
Semasa melakukan ujian dalam keadaan persekitaran yang keras seperti suhu tinggi, kebisingan tinggi, debu, getaran, dan lain-lain, ia bukan sahaja akan mendatangkan bahaya besar kepada fizikal dan psikologi pemeriksa, tetapi juga membuat pemeriksa sering tidak dapat bekerja dengan normal. Oleh itu, penyelidikan mengenai pengesanan kecacatan permukaan cincin galas pemanas galas besar telah menjadi titik panas dalam beberapa tahun kebelakangan ini. Berdasarkan teknologi pemprosesan imej digital, jabatan kami telah menjalankan penyelidikan mengenai pengesanan kecacatan permukaan cincin galas pemanas galas besar. Kandungan utamanya adalah seperti berikut:
1. Jenis prestasi khas dan analisis kawasan kecacatan kecacatan permukaan cincin galas pemanas galas besar.
2. Analisis algoritma pengesanan tepi gambar. Pelbagai pengendali pengesanan tepi klasik digunakan untuk membandingkan dan mengesan gambar kecacatan permukaan cincin galas pemanas galas besar, dan operator pengesanan tepi Sobel yang lebih baik dicadangkan.
3. Pengekstrakan dan pemilihan ciri kecacatan. Ciri invariant defect Hu, ciri morfologi, dan ciri tekstur diambil dari gambar defect, dan analisis dan demonstrasi sistematik dilakukan untuk menentukan ciri invarian momentum Hu yang diperlukan untuk pengenalan klasifikasi.
4. Penyelidikan algoritma klasifikasi dan pengiktirafan berdasarkan rangkaian saraf BP.
Mengkaji kaedah diagnosis audio mengenai kerosakan galas pemanas
(1) Isyarat audio galas pemanas galas mengandungi maklumat penting mengenai status berjalannya. Dengan menganalisis maklumat ini, diagnosis kesalahan bantalan pemanas bantalan dapat dilakukan dengan berkesan, dan isyarat audio dapat dikumpulkan dengan cara tidak bersentuhan, yang mudah digunakan dan kelebihan biaya rendah.
(2) Menurut kelebihan bahwa semua parameter dalam Model Discrete Hidden Markov (DHMM) adalah nilai diskrit, kami mencadangkan kaedah baru untuk diagnosis audio kesalahan galat berdasarkan DHMM, yang memiliki pemodelan sederhana, kecepatan pengiraan cepat dan ketepatan diagnostik Ciri canggih.
(3) Oleh kerana fungsi ketumpatan campuran Gaussian berterusan dapat digunakan untuk menggambarkan kebarangkalian output dengan lebih munasabah, makalah ini mencadangkan kaedah baru untuk mendiagnosis kesalahan audio berdasarkan kepadatan campuran Gaussian berterusan HMM (Contlnuous Gaussian Mixture Hidden Markov Model, CGHMM). Pada masa yang sama, algoritma latihan dan diagnosis diperbaiki dengan menggunakan kaedah inisialisasi parameter model berasaskan kluster dan algoritma maju-mundur pekali penentukuran.
(4) melakukan analisis perbandingan hasil ujian diagnostik kaedah DHMM dan CGHMM. Algoritma DHMM lebih baik daripada algoritma CGHMM umum dalam kelajuan, tetapi ketepatan diagnostik lebih rendah daripada algoritma CGHMM.