當(dāng)需要在高溫,高噪音、粉塵、振動等惡劣環(huán)境條件下進(jìn)行檢測時,不僅會對檢測人員的身體和心理會造成極大傷害,還會使檢測人員往往無法正常工作。因此大型軸承加熱器軸承套圈表面缺陷檢測的研究成為近年來人們研究的熱點(diǎn)。我們科依據(jù)數(shù)字圖像處理技術(shù)對大型軸承加熱器軸承套圈表面缺陷檢測進(jìn)行了研究,主要內(nèi)容如下：

　　1.大型軸承加熱器軸承套圈表面缺陷的典型表現(xiàn)類型與缺陷區(qū)域分析。

　　2.圖像邊緣檢測算法的分析。采用多種經(jīng)典邊緣檢測算子對大型軸承加熱器軸承套圈表面缺陷圖像進(jìn)行對比檢測,提出了一種改進(jìn)的Sobel邊緣檢測算子。

　　3.缺陷特征的提取與選擇。對缺陷圖像提取了Hu不變矩特征,形態(tài)特征,紋理特征,并進(jìn)行了系統(tǒng)的分析與論證,確定了分類識別所需要的Hu不變矩特征。

　　4.基于BP神經(jīng)網(wǎng)絡(luò)分類識別算法的研究。

　　軸承作為軸承加熱器中重要的旋轉(zhuǎn)零件和機(jī)械設(shè)備的重要故障源之一，每年由于軸承故障造成的設(shè)備故障數(shù)以千萬計，造成的經(jīng)濟(jì)損失巨大，因此有效的滾動軸承故障診斷方法在實際工作中就顯得越來越重要。我們對軸承故障診斷技術(shù)及其在工業(yè)中的應(yīng)用進(jìn)行了深入、系統(tǒng)地研究。根據(jù)軸承加熱器軸承故障診斷的方法和機(jī)理的不同，分別對振動診斷技術(shù)、油液診斷技術(shù)、熱診斷(熱成像診斷和溫度診斷)技術(shù)、聲學(xué)診斷技術(shù)、油膜電阻診斷技術(shù)、光纖診斷技術(shù)、人工智能和專家系統(tǒng)的故障診斷技術(shù)、綜合故障診斷系統(tǒng)等八種不同的軸承故障診斷方法進(jìn)行回顧。后對軸承加熱器軸承振動診斷技術(shù)中的振動低頻和幅值參數(shù)指標(biāo)分析法、振動平穩(wěn)信號的診斷技術(shù)、振動循環(huán)平穩(wěn)信號的診斷技術(shù)、振動非平穩(wěn)信號的診斷技術(shù)等做了詳細(xì)的介紹和方法舉例。

　　軸承加熱器軸承故障音頻診斷方法研究

　　(1)軸承加熱器軸承音頻信號包含其運(yùn)行狀態(tài)的重要信息，通過分析這些信息就能對軸承加熱器軸承進(jìn)行有效的故障診斷，而且音頻信號能夠非接觸式采集，具有使用方便、成本低廉等優(yōu)點(diǎn)。

　　(2)根據(jù)離散HMM模型(Discrete Hidden Markov Model.DHMM)中的所有參數(shù)均為離散值的優(yōu)點(diǎn)，我們提出了基于DHMM的軸承故障音頻診斷新方法，具有建模簡單、運(yùn)算速度快和診斷精度高等特點(diǎn)。

　　(3)由于采用連續(xù)高斯混合密度函數(shù)可以更合理地描述輸出概率，論文提出了基于連續(xù)高斯混合密度HMM(Contlnuous GaussianMixture Hidden Markov Model，CGHMM)的軸承故障音頻診斷新方法。同時，利用基于聚類算法的模型參數(shù)初始化方法和標(biāo)定系數(shù)的前向-后向算法對訓(xùn)練和診斷算法加以改進(jìn)。

　　(4)對DHMM和CGHMM方法的診斷實驗結(jié)果進(jìn)行了對比分析。DHMM算法在速度上優(yōu)于一般的CGHMM算法，診斷精度卻低于CGHMM算法。