Ħiter li jġorr ħafna

Ħiter li jġorr ħafna

Meta l-ittestjar ikun taħt kundizzjonijiet ambjentali ħorox bħal temperatura għolja, storbju għoli, trab, vibrazzjonijiet, eċċ., mhux biss jikkawża ħsara kbira lill-ispettur fiżiku u psikoloġiku, iżda wkoll jagħmel l-ispettur li spiss ma jkunx jista ' jaħdem b ' mod normali. Għalhekk, ir-ri ċerka dwar l-iskoperta ta ' difetti fil-wi ċċ ta ' ċrieki tal-berings ta ' ħiters b ' berings kbar saret f ' post jaħraq f ' dawn l-a ħħar snin. Ibbażat fuq it-Teknolo ġija tal-ippro ċessar tal-imma ġni diġitali, id-Dipartiment tagħna wettaq riċerka dwar l-iskoperta ta ' difetti fil-wi ċċ ta ' ċrieki tal-berings ta ' ħiters b ' berings kbar. Il-kontenut prinċipali huwa kif ġej:

1. tip tipiku ta ' prestazzjoni u l-anali Żi tal-erja tad-difett tad-difetti fil-wi ċċ taċ-ċrieki tal-berings ta ' ħiters b ' berings kbar.

2. analiżi tal-algoritmu ta ' skoperta tal-imma ġni edge. Varjetà ta ' operaturi ta ' skoperta tax-xifer klassika jintużaw biex iqabblu u jikxfu l-imma ġnijiet ta ' difett fil-wi ċċ ta ' ċrieki tal-berings ta ' ħiters li jġorru l-kbar, u huwa propost operatur imtejjeb ta ' detezzjoni tat-tarf tax-xifer.

3. estrazzjoni u għażla ta ' karatteristiċi ta ' difett. Hu difett, karatteristiċi morfoloġiċi, u karatteristiċi ta ' nisġa ġew estratti mill-imma ġni tad-difett, u saru analiżi u dimostrazzjoni sistematiċi biex jiġi determinat il-mument li ma jinbitax il-karatteristi ċi meħtieġa għar-rikonoxximent tal-klassifikazzjoni.

4. riċerka dwar il-klassifikazzjoni u l-algoritmu ta ' rikonoxximent ibbażat fuq BP network newrali.

Studju dwar id-dijanjo Żi tal-metodu tal-bering li jkollu difett li jerfa ' l-ħiter

(1) is-sinjal awdjo tal-bering tal-bering fih informazzjoni importanti dwar l-istatus ta ' tħaddim tiegħu. Billi tanalizza din l-informazzjoni, id-dijanjo Żi tal-ħsara tal-bering tal-bering tista ' ssir b ' mod effettiv, u s-sinjal tal-awdjo jista ' jinġabar b ' mod mhux ta ' kuntatt, li huwa konvenjenti għall-użu u baxx fil-vanta ġġ tal-ispejje ż.

(2) skont il-vanta ġġ li l-parametri kollha fil-mudell ta ' Markov moħbi (DHMM) huma valuri diskreti, aħna nipproponu metodu ġdid għad-dijanjożi tal-awdjo ta ' ħsarat tal-bering ibbażati fuq DHMM, li għandha immudellar sempliċi, veloċità tal-kalkolu veloċi u karatteristiċi avvanzati ta ' preċiżjoni dijanjostika.

(3) peress li l-funzjoni ta ' densità ta ' taħlita ta ' Gaussan kontinwu tista ' tintuża biex tiddeskrivi l-probabbiltà tal-output b ' mod aktar raġonevoli, id-dokument jipproponi metodu ġdid ta ' effett tad-dijanjosi tal-awdjo tal-ħsara bbażat fuq id-densità kontinwa ta ' taħlita ta ' Gaussan (il-mudell ta ' Markov). Fl-istess ħin, l-algoritmu tat-ta ħriġ u d-dijanjo Żi jittejjeb billi jintuża l-metodu tal-inizjalizzazzjoni tal-parametru tal-mudell ibbażat fuq il-parametri tal-Cluster u l-algoritmu ta ' kalibrazzjoni ' l quddiem.

(4) wettaq analiżi komparattiva tar-ri żultati tat-testijiet dijanjostiċi tal-metodi DHMM u CGHMM. L-algoritmu DHMM huwa aħjar mill-algoritmu ġenerali CGHMM fil-velo ċità, iżda l-pre ċiżjoni dijanjostika huwa inqas mill-algoritmu CGHMM.