双目视觉和机器学习的拆回电能表微颗粒清洗系统

传统拆回电能表清洗采用人工、毛刷或离子吹风方式,导致污渍识别准确率不高,清洗效果不佳,因此,采用双目视觉和机器学习的方法对其进行改进。该系统以控制中心为核心,通过通信协议连接识别模块和清洗服务子系统,构建系统框架。建立双目视觉系统,对双目摄像机进行神经网络标定后采集拆回电能表图像信息,通过坐标转换和视差计算完成污渍定位。将定位结果输入卷积神经网络,通过网格划分、特征映射等操作完成拆回电能表污渍识别。在清洗服务子系统中设计清洗装置,依据污渍识别结果针对性清洗拆回电能表,完成清洗系统设计。以清洗500只电能表为例进行测试,结果表明:文中方法耗时22 min,识别误差约为10%,而且清洗后的电能表的检定效果由原来的70%提高到97%。

超高压清洗技术的应用

叙述了采用常压喷淋清洗模式,容易在玻璃表面形成很薄的水膜,因此降低清洗效率,且用水量巨大的问题以及开发出的超高压喷淋清洗装置,不但可以提高清洗效率,也大幅降低DI(去离子)水的使用量。

激光等离子体冲击波清洗中的颗粒弹出移除

针对激光等离子体冲击波清洗颗粒技术中的滚动移除机制缺陷,提出一种基于颗粒弹性形变的弹出移除模型。从冲击波与颗粒相互作用出发,考虑冲击波波后气体分子与颗粒的碰撞,结合颗粒弹性储能机制,得到弹出所需要的最小弹性形变高度。根据颗粒弹出所需最低速度和冲击波基本关系式得到满足颗粒弹出要求的冲击波马赫数,结合冲击波波后压强分布特点给出了颗粒弹出所需的外部条件。清洗实验证实了颗粒弹出移除机制的正确性。