基于支持向量机和方差的管道内表面粗糙度等级识别

针对管道内表面粗糙度等级的非接触式检测问题 ,提出了一种新的基于支持向量机 (SVM)和方差的组合分类方法 .SVM是近年发展起来的具备较高分类性能和容噪能力的机器学习方法 ,但当输入数据量大时 ,SVM分类的时间耗费太大 ,系统难以实用化 .故本方法首先根据统计方差对待测管道的内表面粗糙度进行分类 ,再利用 SVM进行细分 .这样就有效利用了支持向量机识别率高、容噪能力强和统计方差速度快的优点 .实验表明本方法具有较好的识别精度、效率和容噪性能 .如适当调整参数 ,本方法还可用于其它物体表面的粗糙度检测 ,具备良好的推广性 .

基于同态滤波和深度卷积模型的低照度工件表面粗糙度等级识别

为解决低照度下工件表面粗糙度等级识别正确率低的问题,提出一种基于同态滤波和深度卷积模型的低照度工件表面粗糙度等级识别的方法。该方法通过对不同照度下工件表面粗糙度图像进行等级识别,确定了同态滤波器的最优参数值,再将图像从RGB空间转换到HSV空间,在对V(亮度)分量进行同态滤波处理后,再将图像转回RGB空间并通过设计好的深度卷积模型对图像进行识别。实验结果表明:图像的亮度对比度得到了改善,图像的纹理细节更加显著;该方法简单、有效,对低照度工件表面粗糙度等级识别有很好的效果,识别正确率达到95%以上。

基于卷积神经网络的工件表面粗糙度等级识别

为解决零件表面粗糙度等级识别困难的问题。构建一套显微镜CCD图像采集系统,获取了不同表面加工类型和不同粗糙度值的零件表面图像。设计用于粗糙度等级识别的深度卷积神经网络,采用已知粗糙度等级的图像及其对应的粗糙度标签对网络进行训练。通过车削、平铣、立铣、平磨、磨外圆、研磨6种表面加工工艺来验证该方法。并且研究了不同放大倍数和不同光照强度对于识别结果的影响,确定了每种加工方式适宜的放大倍数和光照强度。实验证明所提出的粗糙度测量模型能以较高的准确率识别出零件表面粗糙度等级。

MAINTENANCE LEVEL DECISION OF AERO-ENGINE BASED ON VPRS THEORY

An aero-engine is a typically repairable and complex system and its maintenance level has a close relationship with the maintenance cost. The inaccurate measurement for the maintenance level of an aero-engine can induce higher overhaul maintenance costs. Variable precision rough set （VPRS） theory is used to determine the maintenance level of an aero-engine. According to the relationship between condition information and performance parameters of aero-engine modules, decision rules are established for reflecting the real condition of an aeroengine when its maintenance level needs to be determined. Finally, the CF6 engine is used as an example to illustrate the method to be effective.

基于中点弦测法的车载式车轮不圆度测量

列车车轮不圆度是影响列车运行平稳性的重要因素,目前静态检测设备均需抬轮的准备工作,极大降低了检测效率,接触式传感器测量易发生损耗,导致测量发生误差,为提高检测效率以及避免检测误差,采用中点弦测法结合逆滤波器实现对车轮不圆度的车载式测量。检测时列车以低速运行,通过激光位移传感器实现非接触式测量,并同时利用3个激光位移传感器的具体位置关系和测量值得到弦测值作为逆滤波器的输入,构造逆滤波器的频率响应函数使一定波长范围内的不圆度数据得到还原,最后再构造低通滤波器以及进行离散傅里叶变换该车轮各个阶次多边形磨耗的粗糙度等级。通过实验测量数据验证,采用中点弦测法测得的车轮不圆度数据与真实不圆度数值的误差较小,可以实现车轮不圆度数据的车载式测量,各个阶次的粗糙度等级也可反映被测车轮目前的磨损状态。