大きい軸受けヒーター
高温・高騒音・塵・振動等の過酷な環境条件下で試験を行うと、検査員の身体的・心理的な被害を招くだけでなく、検査員が正常に作業できなくなることが多い。そのため、近年、大型ベアリングヒーターのベアリングリングの表面欠陥の検出に関する研究がホットスポットとなっている。デジタル画像処理技術をベースに、大型ベアリングヒーターのベアリングリングの表面欠陥の検出に関する研究を行っています。主な内容は以下の通りです。
1.大きなベアリングヒーターのベアリングリングの表面欠陥の典型的な性能タイプと欠陥領域分析。
2. 画像エッジ検出アルゴリズムの解析大型ベアリングヒーターのベアリングリングの表面欠陥画像を比較・検出するために、さまざまな古典的なエッジ検出演算子が使用され、改良されたSobelエッジ検出オペレータが提案されています。
3. 欠陥特徴の抽出と選択。欠陥画像からHu欠陥不変態特徴、形態学的特徴、およびテクスチャ特徴を抽出し、分類認識に必要なHuモーメント不変性特徴を決定するために系統的な解析および実証を行った。
BPニューラルネットワークに基づく分類と認識アルゴリズムに関する研究
ベアリングヒーターベアリング故障の音声診断方法に関する研究
(1) ベアリングヒーター軸受の音声信号には、その走行状態に関する重要な情報が含まれています。この情報を解析することで、軸受ヒータ軸受の故障診断を効果的に行うことができるため、非接触方式で音声信号を収集することができ、使用が便利でコスト面でのメリットが低い。
(2)離散隠マルコフモデル(DHMM)のすべてのパラメータが離散値であるという利点に応じて、単純なモデリング、高速計算速度、診断精度高度な機能を備えたDHMMに基づくベアリング障害のオーディオ診断のための新しい方法を提案する。
(3)連続ガウス混合密度関数は、より合理的に出力確率を記述するために使用することができるので、論文は、連続ガウス混合密度HMM(コントルニュガウス混合カンデコフモデル、CGHMM)に基づいて断層オーディオ診断を持つ新しい方法を提案する。同時に、クラスターパラメータベースのモデルパラメータ初期化方法とキャリブレーション係数の前方逆方向アルゴリズムを使用することで、トレーニングと診断アルゴリズムが向上します。
(4)DHMM法とCGHMM法の診断試験結果の比較分析を行った。DHMM アルゴリズムは、一般的な CGHMM アルゴリズムよりも速度が優れていますが、診断精度は CGHMM アルゴリズムよりも低くなります。