5篇关于轴承的计算机毕业论文

今天分享的是关于轴承的5篇计算机毕业论文范文, 如果你的论文涉及到轴承等主题,本文能够帮助到你

基于B/S的轴承知识管理系统设计与实现

这是一篇关于B/S,轴承,知识管理,系统设计,软件开发的论文, 主要内容为基于B/S的轴承知识管理系统是通过研究轴承压装工艺方案设计过程中相关的知识管理活动,而设计开发的一款浏览器/服务器结构的知识库系统。针对轴承知识管理系统开发过程中知识的隐性特征引入了可拓基元来构建知识库,并结合开放信息模型中的统一建模语言UML及开源集合jQueryEasyUI来搭构知识库系统的框架,最终利用Java编程语言完成轴承知识管理系统的软件开发。首先,针对轴承知识管理系统的应用背景给出了开发流程,通过对企业及用户在实际科研和生产中现状的研究,分析并指出了本知识库系统需要满足的需求,并基于需求分析给出了系统概要设计和详细设计。其次,针对轴承知识管理系统中知识的显性和隐性特征,通过对可拓理论中基元建模的物元模型、事元模型、关系元模型、复合元模型及其蕴含性和可拓性的研究,提出了一种基元建模的方法来指导轴承知识库的构建,挖掘出轴承知识管理中某一知识点的部分或全部知识信息,构建了较为全面的知识单元。然后,针对轴承知识管理系统在进行代码实现过程中的框架搭构,提出采用UML建模来规划本知识库系统的业务流程,并利用jQueryEasyUI中已有的技术框架快速开发出友好可用的功能架构,实现本知识库系统中知识信息单元的技术框架。最后,针对轴承知识管理系统中各模块的具体需求及其算法流程给出本知识库系统的总体框架,并采用Java语言和MyEclipse平台,利用Tomcat、Oracle Database、JSP等计算机信息技术开发出基于B/S的轴承知识管理系统。

基于机器视觉的轴承表面缺陷检测系统研究

这是一篇关于轴承,表面缺陷,机器视觉,图像预处理,缺陷识别的论文, 主要内容为轴承是一种降低转动零件之间摩擦的关键部件。在轴承的实际生产过程中,由于各种因素的影响,会导致其出现各种表面缺陷,进而加速轴承的损坏,导致设备故障。现有的轴承表面缺陷检测多以人工目测为主,这种方式效率低下且存在较高的误检率,难以满足国家对高质量轴承类产品的要求。因此,亟需开发出一套具有检测速度快、自动化程度高的轴承表面缺陷检测系统,本文结合机器视觉技术,围绕轴承表面自动化检测技术及其系统研发展开研究,主要的研究内容如下:针对轴承表面缺陷检测的实际应用需求,设计了一套基于机器视觉的轴承表面缺陷检测系统。该检测系统确定了检测模块的机械结构、机器人视觉设备及轴承的固定安装方式;对该检测系统进行了整体电路分析和局部硬件设计,完成了检测系统的控制电路设计,并基于X-Sight软件开发了检测系统的控制软件。针对轴承表面缺陷定位准确性较差的问题,提出了基于图像识别的缺陷边缘特征提取方法。利用图像灰度化和滤波处理方法对轴承缺陷图像进行预处理,在滤波处理过程中,通过对比Sobel算子和Canny算子的边缘检测效果,提出了一种非极大值来抑制插值的方法,并基于迭代法选取高阈值和择优选取低阈值对Canny算子边缘检测进行了优化,提高了缺陷定位的准确性。针对轴承表面缺陷类型的识别和分割问题,完成了多种类型的轴承表面缺陷检测和识别。通过提取缺陷区域的ROI,对图像进行了二值化和形态学处理,实现了轴承表面缺陷的定位;针对轴承黑皮类缺陷,提出了基于加权类间方差的Otsu算法进行图像分割,该方法提高了获取阈值的准确性和检测效率,获得了更好的图像分割效果;针对磕碰伤类缺陷,采用了局部阈值分割中的动态阈值法实现了缺陷分割,实验结果满足相关要求。最后对分割图像运用形态学方法,实现了缺陷区域的处理和不同特征的提取。最后,基于X-Sight软件开发了检测系统的控制软件。研究了机器人运动轨迹的控制方法,完成了轴承表面缺陷的识别和分拣,并设计了相关实验验证系统的性能,相比于人工检测,该系统有效提高了缺陷检测的准确率和可靠性。

基于LSTM-ORELM的轴承故障预测方法及应用研究

这是一篇关于轴承,信号分解,故障特征提取,故障预测的论文, 主要内容为轴承作为机械设备中关键和重要的基础零部件,广泛应用于现代工业的各个领域,若轴承出现故障,将严重影响机械设备的运行,甚至给国家和社会造成巨大的损失。轴承故障预测技术能够在轴承故障初始阶段及时发现问题,进行预知维修,消除安全隐患,降低机械设备的维护和使用成本。因此,对轴承进行故障预测研究是非常有必要的。传统轴承故障预测方法无法结合轴承振动信号中的时序信息进行预测,且忽略了信号残差中的有效信息,往往导致预测结果准确度较低。为进一步提高轴承故障预测的准确度,本文提出一种基于LSTM-ORELM的轴承故障预测方法,主要内容如下:(1)结合VMD和改进SCA的轴承振动信号分解方法。针对轴承振动信号波动性、随机性的特点,采用VMD方法分解轴承振动信号,为确定VMD分解的最优参数组合,结合SCA算法进行参数寻优,并从小波变异、惯性权重调整和非线性控制参数三个方面对SCA算法进行改进,提高VMD分解振动信号的速度和精度。(2)基于SVD-TEO的轴承故障特征提取方法。为降低轴承振动信号分解后残留噪声对轴承故障特征提取的影响,提出采用降噪效果显著的SVD方法对轴承振动信号进行降噪,并采用K-L散度确定SVD方法的有效阶次,有效抑制噪声干扰。进而采用TEO对降噪信号进行解调,增强轴承故障特征,解决轴承微弱故障难以提取的问题。(3)基于LSTM-ORELM的轴承故障预测方法。综合轴承振动信号及残差时序性的特点,以LSTM网络预测振动信号的发展趋势来推测轴承的运行状态,为避免超参数设置带来的预测误差,采用BO算法计算LSTM网络的最优超参数组合。为进一步提高预测的准确度,利用ORELM网络进行残差值预测,根据残差预测值修正预测结果,得到最终轴承故障预测结果。(4)轴承健康管理系统的设计与开发。结合本文的研究内容,利用Matlab GUI平台设计一种轴承健康管理系统,实现轴承振动信号预处理、轴承故障预测和轴承维护建议三项功能,为轴承的日常维护和管理提供有效依据,减少机器停工时间并降低设备维修成本。

基于图像识别的列车轴承内圈外表面缺陷检测与分类研究

这是一篇关于轴承,机器视觉,缺陷检测,边缘检测,分类识别的论文, 主要内容为轴承是铁路列车的关键传动零部件,其质量的好坏直接影响着列车的行车安全。圆锥滚子轴承内圈外表面具有复杂曲面的特征,本文将采用机器视觉技术和图像处理技术实现对圆锥滚子轴承内圈外表面缺陷的精准检测与分类,具体工作内容如下:(1)通过对列车圆锥滚子轴承结构特点深入分析,完成对工业相机、光源等关键零部件进行选型和照明方式的方案设计,并根据检测要求设计了一套针对列车圆锥滚子轴承内圈外表面缺陷进行自动采集和缺陷检测的机器视觉设备。(2)图像的预处理。采用加权平均法对采集的图像进行灰度变换。通过计算并统计所采集的轴承图像的标准差来初步判断其是否含有缺陷。在图像降噪方面,通过改变标准自适应中值滤波器的运算逻辑,对其进行了算法优化,完成对图像滤除噪声的操作,改善图像的整体效果。(3)缺陷图像的边缘检测。针对含有缺陷图像需要提取出边缘信息,提出一种改进的Canny算子,在Canny算子中拓展多方向梯度模板计算图像的幅值,使用最大类间方差法自适应获得最佳分割阈值,进一步提高算法的适应性,还构造了一种新型多尺度多结构的形态学边缘检测算子,根据两种方法检测到的子图像的信息熵权进行图像融合,获得最终的边缘检测图像。实验结果表明,本文融合算法对比单一的使用其他边缘检测算法可以有效地减少伪边缘的出现,并且有着较好的自适应性和检测性能。(4)图像分类识别。本研究采用卷积神经网络对列车圆锥滚子轴承内圈外表面缺陷图像进行分类,选用了Google Net、Res Net50、Dense Net121三种网络模型并分别进行多次迭代训练,记录它们在训验集上的准确率,其中Dense Net121网络模型有着最高的准确率。为了进一步提升该网络模型的分类性能,通过在Dense Net121的主体结构上添加融合的CBAM注意力机制模块,加入Drop Block层进行网络正则化,防止网络在训练过程中出现过拟合,并将Dense block中的激活函数全部替换为Leaky Re LU函数。通过对比训练集、验证集的准确率和损失率都取得了较好的效果,同时基于混淆矩阵对测试集进行验证,最后计算出CBAM-Dense Net网络模型的综合准确率高达95.67%,验证了改进的CBAM-Dense Net模型的优越性和可行性。