CN116148069B - 一种轴承拉伸强度检测装置及检测方法 - Google Patents

一种轴承拉伸强度检测装置及检测方法 Download PDF

Info

Publication number
CN116148069B
CN116148069B CN202310428559.3A CN202310428559A CN116148069B CN 116148069 B CN116148069 B CN 116148069B CN 202310428559 A CN202310428559 A CN 202310428559A CN 116148069 B CN116148069 B CN 116148069B
Authority
CN
China
Prior art keywords
sequence
bearing assembly
detected
layer
bearing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310428559.3A
Other languages
English (en)
Other versions
CN116148069A (zh
Inventor
李岳芬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Yitaike Bearing Co ltd
Original Assignee
Hebei Yitaike Bearing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hebei Yitaike Bearing Co ltd filed Critical Hebei Yitaike Bearing Co ltd
Priority to CN202310428559.3A priority Critical patent/CN116148069B/zh
Publication of CN116148069A publication Critical patent/CN116148069A/zh
Application granted granted Critical
Publication of CN116148069B publication Critical patent/CN116148069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/0014—Type of force applied
    • G01N2203/0016—Tensile or compressive
    • G01N2203/0017—Tensile
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

一种轴承拉伸强度检测装置及检测方法，属于人工智能拉抻强度测量技术领域。检测装置中，特征提取单元根据两个摄像头获取序列图像提取序列特征信息；神经网络根据序列特征信息提取待检测轴承组件的序列信息；计算单元根据组件被拉伸时序列信息计算组件被拉伸时序列视差图像，根据视差图像计算组件序列参数；根据序列参数计算待组件的序列变形量；图像处理单元根据序列图像推断出组件的序列光泽度变化率；已训练的自竞争神经网络根据对组件进行拉伸时的序列拉力值、序列变形量、环境温度及序列光泽度变化率推断出该组件的拉伸强度。本发明不需要对待检测组件进行破坏性试验，就可推断出待检测轴承组件的拉伸强度。

Description

一种轴承拉伸强度检测装置及检测方法
技术领域
本发明涉及一种轴承拉伸强度检测装置及检测方法，属于人工智能拉伸强度测量技术领域。
背景技术
轴承组件拉伸强度检测就是在一个轴向力的作用下，缓慢拉动一个轴承组件试样，同时记录拉伸力值，直至其发生断裂，根据发生断裂时的拉伸力及变形量计算轴承拉组件的拉伸强度。
现有技术提供的轴承组件拉伸强度检测方法，需要对待检测试样进行破坏性试验，如此浪费成本，且没有考虑温度、试样的光泽度等因素对拉伸力的影响。
发明内容
本发明的发明目的是提供一种轴承拉伸强度检测装置及检测方法，其不需要对轴承组件进行破坏性试验，如此节约检测成本。
为实现所述发明目的，本发明一方面提供一种轴承拉伸强度检测装置，其特征在于，包括对待检测轴承组件进行拉伸的拉伸装置、第一摄像头、第二摄像头、温度计和处理器，其中，所述拉伸装置中设置有测力计，所述测力计用于测量对待检测轴承组件进行拉伸时的序列拉力值；所述温度计用于测量对待测轴承组件进行拉伸到的环境温度值；所述第一摄像头和第二摄像头相距设定距离布置 ，第一摄像头被配置为获取包含待检测轴承组件被拉伸时第一序列图像；第二摄像头被配置为获取包含待检测轴承组件被拉伸时的第二序列图像；处理器包括：第一特征提取单元、第二特征提取单元、第一预处理单元、第二预处理单元、计算单元、图像处理单元和已训练的神经网络，其中，所述第一特征提取单元根据第一序列图像提取第一序列特征信息；所述第一预处理单元根据第一序列特征信息提取待检测轴承组件的第一序列信息；所述第二特征提取单元根据第二图像提取第二特征信息；所述第二预处理单元根据第二特征信息提取待检测轴承组件的第二序列信息；计算单元根据待检测轴承组件被拉伸时第一序列信息和二序列信息计算待检测轴承组件被拉伸时序列视差图像，根据待检测轴承组件被拉伸时序列视差图像计算待检测轴承组件序列参数；根据待检测轴承组件序列参数计算待检测轴承组件的序列变形量；图像处理单元根据第一或第二序列信息计算出待检测轴承组件的序列光泽度变化率；已训练的自竞争神经网络根据对待检测轴承组件进行拉伸时的序列拉力值、序列变形量、环境温度及序列光泽度变化率推断出该待检测轴承组件的拉伸强度。
为实现所述发明目的，本发明还提供一种轴承拉伸强度检测方法，其特征在于，包括如下步骤：
步骤1：通过拉伸装置对待检测轴承组件进行拉伸，通过测力计记录下对待检测轴承组件进行拉伸时的序列拉力值；
步骤2：通过第一摄像头被配置为获取包含待检测轴承组件被拉伸时第一序列图像；通过第二摄像头被配置为获取包含待检测轴承组件被拉伸时的第二序列图像，所述第一摄像头和第二摄像头相距设定距离；
步骤3：通过温度计测量环境温度；
步骤4：通过处理器根据对待检测轴承组件进行拉伸时的序列拉力值、包含待检测轴承组件被拉伸时第一序列图像、包含待检测轴承组件被拉伸时的第二序列图像和环境温度推断出该待检测轴承组件的拉伸强度，其中，处理器包括：第一特征提取单元、第二特征提取单元、第一预处理单元、第二预处理单元、计算单元、图像处理单元和已训练的自竞争神经网络，其中，所述第一特征提取单元根据第一序列图像提取第一序列特征信息；所述第一预处理单元根据第一序列特征信息提取待检测轴承组件的第一序列信息；所述第二特征提取单元根据第二图像提取第二特征信息；所述第二预处理单元根据第二特征信息提取待检测轴承组件的第二序列信息；计算单元根据待检测轴承组件被拉伸时第一序列信息和二序列信息计算待检测轴承组件被拉伸时序列视差图像，根据待检测轴承组件被拉伸时序列视差图像计算待检测轴承组件序列参数；根据待检测轴承组件序列参数计算待检测轴承组件的序列变形量；图像处理单元根据第一或第二序列信息计算出待检测轴承组件的序列光泽度变化率；已训练的自竞争神经网络根据对待检测轴承组件进行拉伸时的序列拉力值、序列变形量、环境温度及序列光泽度变化率推断出该待检测轴承组件的拉伸强度。
优选地，已训练的自竞争神经网络包括多层神经元，其输入层输入待测轴承组件的序列拉力值、序列变形量、环境温度及序列光泽度变化率，输出层输出该待测轴承组件的拉伸强度；已训练的自竞争神经网络事先将轴承组件拉伸力值随环境温度变化的拉伸力温度曲线F=f 1(t)学习到中间层的第1子层中,式中，F为拉伸力，t为环境温度，f 1为拉伸力随环境温度变化的函数关系；将每个环境温度区间拉伸力值随待测轴承组件光泽度变化率变化的拉伸力光泽度变化率曲线F=f 2(l)学习到中间层的第2子层中,F为拉伸力,l为光泽度变化率,f 2为拉伸力随光泽度变化率变化的函数关系；在每个光泽度变化率区间下拉伸力值随待测轴承组件变形量变化的拉伸力变形量曲线F=f 3(d)学习到中间层的第3子层中, 式中F为拉伸力，d为轴承组件变形量，f3为拉伸力随轴承组件变形量变化的函数关系；当将待检测的轴承组件的序列拉力值、环境温度、序列光泽度变化率及序列变形量输入到已学习的自竞争神经网络的输入层时，分别与中间层的第1子层的神经元进行第一聚类，根据第一聚类结果与中间层的第2子层的神经元进行第二聚类，根据第二聚类结果与中间屋的第3子层聚类，欧拉距离最小的第3子层的拉伸力变形量曲线视同待测轴承组件的拉伸力变形量曲线，输出层根据该拉伸力变形量曲线确定该待测轴承组件的拉伸强度。
优选地，第一预处理单元和第二预处理单元均包括卷积神经网络、第一特征图选择单元、第二特征图选择单元和合成单元，所卷积神经网络将特征提取单元输入的特征信息转换成分辨率从高到低的第1,…q,…,Q级特征图；第一特征图选择单元使用第Q级特征图生成第一特征图像；第二特征图选择单元选择第q级特征图生成第二特征图像,所述q大于或等于2小于Q；合成单元在第一特征图像中获取轴承组件的边界线，校正边界线的图像，使得边界线的图像对应于第二特征图像的分辨率，使得边界线的图像之间和图像对应于第一级特征图像的分辨率。
优选地，中间层的每层神经元组成二维神经网络；中间层第2子层的神经元组成区域的面积为第1子层的神经元组成面积的N倍，N为[Cmax/c]上取整，式中，Cmax为环境温度变化最大区间；c为温度间隔；中间层第3子层的神经元组成区域的面积为第3子层的神经元组成面积的K倍，所述K为[Lmax/l]上取整，式中,Lmax为轴承组件光泽度变化率最大区间；l为光泽度变化率间隔。
优选地，第1子层的拉伸力温度曲线以温度间隔c抽样得到N个抽样值；中间层第2子层的神经元组成的区域划分成N个第2层子区域，每个子区域对应第1子层的拉伸力温度曲线F=f 1(t)一个温度区间，每个第2层子区域学习了对应不同温度区间的1条拉伸力光泽度变化率曲线F=f 2(l)；中间层第3子层的神经元组成的区域划分成N×K个第3层子区域，每个第3层子区域对应一个第2层子区域中的一条拉伸力光泽度变化率曲线F=f 2(l)一个光泽度变化率区间，每个第3层子区域学习了对应不同瘟度区间不同光泽度变化区间的1条拉伸力变形量曲线F=f 3(d)。
与现有技术相比，本发明提供的轴承拉伸强度检测装置及检测方法通过上述技术方案事先将拉伸力随环境温度、光泽度变化率及变形量分别学习到中间层的三个子层中，在检测轴承组件的拉伸强度时，分别先用等检测轴承的拉伸力和环境温度与自竞争神经网络的中间层的第1子层聚类，欧拉距离最小的第1子层的上的拉伸力温度曲线F=f 1(t)上的抽样点所在区间作为从第2子层聚类的基础，用待检测轴承的拉伸力和光泽度变化率与自竞争神经网络的中间层的第2子层的对应于该抽样点的区域聚类，欧拉距离最小的第2子层区域的上的拉伸力光泽度变化率曲线曲线F=f 2(l)上的抽样点作为从第3子层聚类的基础，欧拉距离最小的第3子层的对应于的光泽度变化率曲线F=f 2(l)上的抽样点的第3子层的区域的拉伸力变形量变化曲线F=f 3(d)视同该轴承检测组件的拉伸力变理变形量变化曲线，根据该曲线的突变点对应的拉伸力和待检测轴承组件的变形量计算待检测轴承组件的抗拉强度。如此，只要对待检测组件进行有限次拉伸，并测量相应的数据，拍摄相应的序列图像，而不必对待检测组件进行破坏就可推断出其抗拉强度。
附图说明
图1是本发明提供的轴承拉伸强度检测装置的组成框图；
图2是本发明提供的预处理单元的组成框图；
图3是本发明提供的神经网络的组成示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
本发明中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应作广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
第一实施例
图1是本发明提供的轴承拉伸强度检测装置的组成框图，如图1所示，本发明第一实施例提供的轴承拉伸强度检测装置包括对待检测轴承组件进行拉伸的拉伸装置、第一摄像头、第二摄像头、温度计和处理器，其中，所述拉伸装置中设置有测力计，所述测力计用于测量对待检测轴承组件进行拉伸时的序列拉力值；所述温度计用于测量对待测轴承组件进行拉伸到的环境温度值；所述第一摄像头和第二摄像头相距设定距离布置 ，第一摄像头被配置为获取包含待检测轴承组件被拉伸时第一序列图像；第二摄像头被配置为获取包含待检测轴承组件被拉伸时的第二序列图像；处理器包括：第一特征提取单元、第二特征提取单元、第一预处理单元、第二预处理单元、计算单元、图像处理单元和已训练的自竞争神经网络，其中，所述第一特征提取单元根据第一序列图像提取第一序列特征信息，所述特征信息例如包颜色直方图，所述颜色直方图包括灰度直方图、Red、Green、Blue各个通道的直方图；所述第一预处理单元根据第一序列特征信息提取待检测轴承组件的第一序列信息；所述第二特征提取单元根据第二图像提取第二特征信息，所述特征信息例如包颜色直方图；所述第二预处理单元根据第二特征信息提取待检测轴承组件的第二序列信息；计算单元根据待检测轴承组件被拉伸时第一序列信息和二序列信息计算待检测轴承组件被拉伸时序列视差图像，根据待检测轴承组件被拉伸时序列视差图像计算待检测轴承组件序列参数，本发明中通过视差计算待检测轴承组件的参数可以采用现有技术中提供的任何方式，所述参数包括长、宽、高、半径、直径、厚度、面积和体积等；根据待检测轴承组件序列参数计算待检测轴承组件的序列变形量；图像处理单元根据第一或第二序列信息计算出待检测轴承组件的序列光泽度变化率；已训练的自竞争神经网络根据对待检测轴承组件进行拉伸时的序列拉力值、序列变形量、环境温度及序列光泽度变化率推断出该待检测轴承组件的拉伸强度。
第一实施例通过上述技术方案只需要对待检测组件进行有限次拉伸，得到有限次的拉伸力和有限次的图像序列而不需要对轴承组件进行拉断，即进行破坏性试验，就可推断出轴承组件的拉伸强度。
图2是本发明提供的预处理单元的组成框图，如图2所示，第一预处理单元和第二预处理单元均包括卷积神经网络、第一特征图选择单元、第二特征图选择单元和合成单元，所卷积神经网络将输入的特征信息将特征提取单元输入的特征信息转换成分辨率从高到低的第1,…q,…,Q级特征图；第一特征图选择单元使用第Q级特征图生成第一特征图像；第二特征图选择单元选择第级特征图生成第二特征图像,所述q大于或等于2小于Q；合成单元在第一特征图像中获取轴承组件的边界线，校正边界的图像，使得边界线的图像对应于第二特征图像的分辨率，使得边界线的图像之间和图像对应于第一特征图像的分辨率。卷积神经网络包括卷积层、池化层和全连接层。
第一实施例中，通过预处理单元对特征提取单元输入的信息进行预处理可以使轴承组件的边界图像的分辨高，使边界之间的图像分辨率低，计算单元根据第一和第二预处理单元提供的信息进行视差计算，根据视差计算轴承组件的参数时，可以得到较为详细的轴承组件参数。图像处理单元根据第一或第二预处理单元提供的序列信息计算轴承组件的光泽度变化率时仅处理分辨率低的图像，如此可提高计算速度。
图3是本发明提供的神经网络的组成示意图，如图3所示，已训练的自竞争神经网络包括多层神经元，其输入层输入待测轴承组件的序列拉力值、序列变形量、环境温度及序列光泽度变化率，输出层输出该待测轴承组件的拉伸强度；已训练的自竞争神经网络事先将轴承组件拉伸力值随环境温度变化的拉伸力温度曲线F=f 1(t)学习到中间层的第1子层中,式中，F为拉伸力，t为环境温度，f 1为拉伸力随环境温度变化的函数关系；将每个环境温度区间拉伸力值随待测轴承组件光泽度变化率变化的拉伸力光泽度变化率曲线F=f 2(l)学习到中间层的第2子层中,F为拉伸力,l为光泽度变化率,f 2为拉伸力随光泽度变化率变化的函数关系；在每个光泽度变化率区间下拉伸力值随待测轴承组件变形量变化的拉伸力变形量曲线F=f 3(d)学习到中间层的第3子层中, 式中F为拉伸力，d为轴承组件变形量，f3为拉伸力随轴承组件变形量变化的函数关系；当将待检测的轴承组件的序列拉力值、环境温度、序列光泽度变化率及序列变形量输入到已学习的自竞争神经网络的输入层时，分别与中间层的第1子层的神经元进行第一聚类，根据第一聚类结果与中间层的第2子层的神经元进行第二聚类，根据第二聚类结果与中间屋的第3子层聚类，欧拉距离最小的第3子层的拉伸力变形量曲线视同待测轴承组件的拉伸力变形量曲线，输出层根据该拉伸力变形量曲线确定该待测轴承组件的拉伸强度。
第一实施例中，自竞争神经网络在训练时，拉伸力随环境温度变化的拉伸力温度曲线F=f 1(t)可以事先由实验得到，也可以由仿真软件模拟得到，该曲线F=f 1(t)的自变量t的取值区间足够大，从而能够全面反应拉伸力随环境温度变化的关系。设定环境温度下拉伸力值随待测轴承组件光泽度变化率变化拉伸力光泽度变化率曲线F=f 2(l)可以事先由实验得到，也可以由仿真软件模拟得到，该曲线F=f 2(l)的自变量l的取值区间足够大，从而能够全面反应拉伸力随光泽度变化率变化的关系。设定温度区间设定光泽度变化率区间下拉伸力值随待测轴承组件变形量变化的拉伸力变形量曲线F=f 3(d)可以事先由实验得到，也可以由仿真软件模拟得到，该曲线F=f 3(d)变量d的取值区间足够大，从而能够全面反应拉伸力随轴承组件变形量变化的关系，根据该曲线F=f 3(d)的突变点对应的拉伸力和该突变点对应的拉伸前的面积可以计算得到拉伸强度。
第一实施例中，中间层的每层神经元组成二维神经网络；中间层第2子层的神经元组成区域的面积为第1子层的神经元组成面积的N倍，所述N为[Cmax/c]上取整，式中, Cmax为环境温度变化最大区间；c为温度间隔；中间层第3子层的神经元组成区域的面积为第3子层的神经元组成面积的K倍，所述K为[Lmax/l]上取整上取整，式中，Lmax为轴承组件光泽度变化率最大区间；l为光泽度变化率间隔。
第一实施例中，第1子层的拉伸力温度曲线以温度间隔c抽样得到N个抽样值；中间层第2子层的神经元组成的区域划分成N个第2层子区域，每个子区域对应第1子层的拉伸力温度曲线F=f 1(t)一个温度区间，每个第2层子区域学习了对应不同温度区间的1条拉伸力光泽度变化率曲线F=f 2(l),中间层第3子层的神经元组成的区域划分成N×K个第3层子区域，每个第3层子区域对应一个第2层子区域中的一条拉伸力光泽度变化率曲线F=f 2(l)一个光泽度变化率区间，每个第3层子区域学习了对应不同瘟度区间不同光泽度变化区间的1条拉伸力变形量曲线曲线F=f 3(d)。
第一实施例通过上述技术方案事先将拉伸力随环境温度、光泽度变化率及变形量分别学习到中间层的三个子层中，在检测轴承组件的拉伸强度时，分别先用等检测轴承的拉伸力和环境温度与自竞争神经网络的中间层的第1子层聚类，欧拉距离最小的第1子层的上的拉伸力温度曲线F=f 1(t)上的抽样点所在区间作为从第2子层聚类的基础，用待检测轴承的拉伸力和光泽度变化率与自竞争神经网络的中间层的第2子层的对应于该抽样点的区域聚类，欧拉距离最小的第2子层区域的上的拉伸力光泽度变化率曲线曲线F=f 2(l)上的抽样点作为从第3子层聚类的基础，欧拉距离最小的第3子层的对应于的光泽度变化率曲线F=f 2(l)上的抽样点的第3子层的区域的拉伸力变形量变化曲线F=f 3(d)视同该轴承检测组件的拉伸力变理变形量变化曲线，根据该曲线的突变点对应的拉伸力和待检测轴承组件的变形量计算待检测轴承组件的抗拉强度。如此，只要对待检测组件进行有限次拉伸，并测量相应的数据，拍摄相应的序列图像，而不必对待检测组件进行破坏就可推断出其抗拉强度。
第二实施例
本发明第二实施例提供一种利用第一实施例提供的轴承拉伸强度检测装置检测轴承拉伸强度检测方法，其包括如下步骤：
步骤1：通过拉伸装置对待检测轴承组件进行拉伸，通过测力计记录下对待检测轴承组件进行拉伸时的序列拉力值；
步骤2：通过第一摄像头被配置为获取包含待检测轴承组件被拉伸时第一序列图像；通过第二摄像头被配置为获取包含待检测轴承组件被拉伸时的第二序列图像，所述第一摄像头和第二摄像头相距设定距离；
步骤3：通过温度计测量环境温度；
步骤4：通过处理器根据对待检测轴承组件进行拉伸时的序列拉力值、包含待检测轴承组件被拉伸时第一序列图像、包含待检测轴承组件被拉伸时的第二序列图像和环境温度推断出该待检测轴承组件的拉伸强度，其中，处理器包括：第一特征提取单元、第二特征提取单元、第一预处理单元、第二预处理单元、计算单元、图像处理单元和已训练的自竞争神经网络，其中，所述第一特征提取单元根据第一序列图像提取第一序列特征信息；所述第一预处理单元根据第一序列特征信息提取待检测轴承组件的第一序列信息；所述第二特征提取单元根据第二图像提取第二特征信息；所述第二预处理单元根据第二特征信息提取待检测轴承组件的第二序列信息；计算单元根据待检测轴承组件被拉伸时第一序列信息和二序列信息计算待检测轴承组件被拉伸时序列视差图像，根据待检测轴承组件被拉伸时序列视差图像计算待检测轴承组件序列参数；根据待检测轴承组件序列参数计算待检测轴承组件的序列变形量；图像处理单元根据第一或第二序列信息计算出待检测轴承组件的序列光泽度变化率；已训练的自竞争神经网络根据对待检测轴承组件进行拉伸时的序列拉力值、序列变形量、环境温度及序列光泽度变化率推断出该待检测轴承组件的拉伸强度。
另外，本发明还可以提供一种计算机存储介质，所述计算机存储介质用于存储计算机程序代码，该计算机程序代码被处理器执行以实施第一实施例或第二实施例中所涉及的方法。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种轴承拉伸强度检测装置，其特征在于，包括对待检测轴承组件进行拉伸的拉伸装置、第一摄像头、第二摄像头、温度计和处理器，其中，所述拉伸装置中设置有测力计，所述测力计用于测量对待检测轴承组件进行拉伸时的序列拉力值；所述温度计用于测量对待测轴承组件进行拉伸时的环境温度值；所述第一摄像头和第二摄像头相距设定距离布置 ，第一摄像头被配置为获取包含待检测轴承组件被拉伸时的第一序列图像；第二摄像头被配置为获取包含待检测轴承组件被拉伸时的第二序列图像；处理器包括：第一特征提取单元、第二特征提取单元、第一预处理单元、第二预处理单元、计算单元、图像处理单元和已训练的自竞争神经网络，其中，所述第一特征提取单元根据第一序列图像提取第一序列特征信息；所述第一预处理单元根据第一序列特征信息提取待检测轴承组件的第一序列信息；所述第二特征提取单元根据第二图像提取第二特征信息；所述第二预处理单元根据第二特征信息提取待检测轴承组件的第二序列信息；计算单元根据待检测轴承组件被拉伸时第一序列信息和二序列信息计算待检测轴承组件被拉伸时序列视差图像，根据待检测轴承组件被拉伸时的序列视差图像计算待检测轴承组件的序列参数；根据待检测轴承组件的序列参数计算待检测轴承组件的序列变形量；图像处理单元根据第一或第二序列信息计算出待检测轴承组件的序列光泽度变化率；已训练的自竞争神经网络根据对待检测轴承组件进行拉伸时的序列拉力值、序列变形量、环境温度及序列光泽度变化率推断出该待检测轴承组件的拉伸强度。
2.根据权利要求1所述的轴承拉伸强度检测装置，其特征在于，已训练的自竞争神经网络包括多层神经元，其输入层输入待测轴承组件的序列拉力值、序列变形量、环境温度及序列光泽度变化率，输出层输出该待测轴承组件的拉伸强度；已训练的自竞争神经网络事先将轴承组件拉伸力值随环境温度变化的拉伸力温度曲线F=f 1(t)学习到中间层的第1子层中,式中，F为拉伸力，t为环境温度，f 1为拉伸力随环境温度变化的函数关系；将每个环境温度区间拉伸力值随待测轴承组件光泽度变化率变化的拉伸力光泽度变化率曲线F=f 2(l)学习到中间层的第2子层中,F为拉伸力,l为光泽度变化率,f 2为拉伸力随光泽度变化率变化的函数关系；在每个光泽度变化率区间下拉伸力值随待测轴承组件变形量变化的拉伸力变形量曲线F=f 3(d)学习到中间层的第3子层中, 式中F为拉伸力，d为轴承组件变形量，ｆ 3 为拉伸力随轴承组件变形量变化的函数关系；当将待检测的轴承组件的序列拉力值、环境温度、序列光泽度变化率及序列变形量输入到已学习的自竞争神经网络的输入层时，分别与中间层的第1子层的神经元进行第一聚类，根据第一聚类结果与中间层的第2子层的神经元进行第二聚类，根据第二聚类结果与中间层的第3子层聚类，欧拉距离最小的第3子层的拉伸力变形量曲线视同待测轴承组件的拉伸力变形量曲线，输出层根据该拉伸力变形量曲线确定该待测轴承组件的拉伸强度。
3.根据权利要求2所述的轴承拉伸强度检测装置，其特征在于，第一预处理单元和第二预处理单元均包括卷积神经网络、第一特征图选择单元、第二特征图选择单元和合成单元，所卷积神经网络将特征提取单元输入的特征信息转换成分辨率从高到低的第1,…q,…,Q级特征图；第一特征图选择单元使用第Q级特征图生成第一特征图像；第二特征图选择单元选择第q级特征图生成第二特征图像,所述q大于或等于2小于Q；合成单元在第一特征图像中获取轴承组件的边界线，校正边界线的图像，使得边界线的图像对应于第二特征图像的分辨率，使得边界线的图像之间和图像对应于第一级特征图像的分辨率。
4.根据权利要求3所述的轴承拉伸强度检测装置，其特征在于，中间层的每层神经元组成二维神经网络；中间层第2子层的神经元组成区域的面积为第1子层的神经元组成面积的N倍，所述N为[Cmax/c]上取整，式中，Cmax为环境温度最高值，c为温度间隔；中间层第3子层的神经元组成区域的面积为第3子层的神经元组成面积的K倍，所述K为[Lmax/l]上取整，式中，Lmax为轴承组件光泽度变化率最大值；ｌ为光泽度变化率间隔。
5.根据权利要求4所述的轴承拉伸强度检测装置，其特征在于，第1子层的拉伸力温度曲线以温度间隔c抽样得到N个抽样值；中间层第2子层的神经元组成的区域划分成N个第2层子区域，每个子区域对应第1子层的拉伸力温度曲线F=f 1(t)一个温度区间，每个第2层子区域学习了对应不同温度区间的1条拉伸力光泽度变化率曲线F=f 2(l)；中间层第3子层的神经元组成的区域划分成N×K个第3层子区域，每个第3层子区域对应一个第2层子区域中的一条拉伸力光泽度变化率曲线F=f 2(l)一个光泽度变化率区间，每个第3层子区域学习了对应不同瘟度区间不同光泽度变化区间的1条拉伸力变形量曲线F=f 3(d)。
6.一种轴承拉伸强度检测方法，其特征在于，包括如下步骤：
步骤1：通过拉伸装置对待检测轴承组件进行拉伸，通过测力计记录下对待检测轴承组件进行拉伸时的序列拉力值；
步骤2：通过第一摄像头被配置为获取包含待检测轴承组件被拉伸时第一序列图像；通过第二摄像头被配置为获取包含待检测轴承组件被拉伸时的第二序列图像，所述第一摄像头和第二摄像头相距设定距离；
步骤3：通过温度计测量环境温度；
步骤4：通过处理器根据对待检测轴承组件进行拉伸时的序列拉力值、包含待检测轴承组件被拉伸时第一序列图像、包含待检测轴承组件被拉伸时的第二序列图像和环境温度推断出该待检测轴承组件的拉伸强度，其中，处理器包括：第一特征提取单元、第二特征提取单元、第一预处理单元、第二预处理单元、计算单元、图像处理单元和已训练的自竞争神经网络，其中，所述第一特征提取单元根据第一序列图像提取第一序列特征信息；所述第一预处理单元根据第一序列特征信息提取待检测轴承组件的第一序列信息；所述第二特征提取单元根据第二图像提取第二特征信息；所述第二预处理单元根据第二特征信息提取待检测轴承组件的第二序列信息；计算单元根据待检测轴承组件被拉伸时第一序列信息和二序列信息计算待检测轴承组件被拉伸时的序列视差图像，根据待检测轴承组件被拉伸时的序列视差图像计算待检测轴承组件的序列参数；根据待检测轴承组件的序列参数计算待检测轴承组件的序列变形量；图像处理单元根据第一或第二序列信息计算出待检测轴承组件的序列光泽度变化率；已训练的自竞争神经网络根据对待检测轴承组件进行拉伸时的序列拉力值、序列变形量、环境温度及序列光泽度变化率推断出该待检测轴承组件的拉伸强度。
7.根据权利要求6所述的轴承拉伸强度检测方法，其特征在于，已训练的自竞争神经网络包括多层神经元，其输入层输入待测轴承组件的序列拉力值、序列变形量、环境温度及序列光泽度变化率，输出层输出该待测轴承组件的拉伸强度；已训练的自竞争神经网络事先将轴承组件拉伸力值随环境温度变化的拉伸力温度曲线F=f 1(t)学习到中间层的第1子层中,式中，F为拉伸力，t为环境温度，f 1为拉伸力随环境温度变化的函数关系；将每个环境温度区间拉伸力值随待测轴承组件光泽度变化率变化的拉伸力光泽度变化率曲线F=f 2(l)学习到中间层的第2子层中,F为拉伸力,l为光泽度变化率,f 2为拉伸力随光泽度变化率变化的函数关系；在每个光泽度变化率区间下拉伸力值随待测轴承组件变形量变化的拉伸力变形量曲线F=f 3(d)学习到中间层的第3子层中, 式中F为拉伸力，d为轴承组件变形量，f3为拉伸力随轴承组件变形量变化的函数关系；当将待检测的轴承组件的序列拉力值、环境温度、序列光泽度变化率及序列变形量输入到已学习的自竞争神经网络的输入层时，分别与中间层的第1子层的神经元进行第一聚类，根据第一聚类结果与中间层的第2子层的神经元进行第二聚类，根据第二聚类结果与中间层的第3子层聚类，欧拉距离最小的第3子层的拉伸力变形量曲线视同待测轴承组件的拉伸力变形量曲线，输出层根据该拉伸力变形量曲线确定该待测轴承组件的拉伸强度。
8.根据权利要求7所述的轴承拉伸强度检测方法，其特征在于，第一预处理单元和第二预处理单元均包括卷积神经网络、第一特征图选择单元、第二特征图选择单元和合成单元，所卷积神经网络将特征提取单元输入的特征信息转换成分辨率从高到低的第1,…q,…,Q级特征图；第一特征图选择单元使用第Q级特征图生成第一特征图像；第二特征图选择单元选择第q级特征图生成第二特征图像,所述q大于或等于2小于Q；合成单元在第一特征图像中获取轴承组件的边界线，校正边界线的图像，使得边界线的图像对应于第二特征图像的分辨率，使得边界线的图像之间和图像对应于第一级特征图像的分辨率。
9.根据权利要求8所述的轴承拉伸强度检测方法，其特征在于，中间层的每层神经元组成二维神经网络；中间层第2子层的神经元组成区域的面积为第1子层的神经元组成面积的N倍，所述N为[Cmax/c]上取整，式中，Cmax为环境温度最高值，c为温度间隔；中间层第3子层的神经元组成区域的面积为第3子层的神经元组成面积的K倍，所述K为[Lmax/l]上取整，式中，Lmax为轴承组件光泽度变化率最大值；l为光泽度变化率间隔。
10.根据权利要求9所述的轴承拉伸强度检测方法，其特征在于，第1子层的拉伸力温度曲线以温度间隔c抽样得到N个抽样值；中间层第2子层的神经元组成的区域划分成N个第2层子区域，每个子区域对应第1子层的拉伸力温度曲线F=f 1(t)一个温度区间，每个第2层子区域学习了对应不同温度区间的1条拉伸力光泽度变化率曲线F=f 2(l)；中间层第3子层的神经元组成的区域划分成N×K个第3层子区域，每个第3层子区域对应一个第2层子区域中的一条拉伸力光泽度变化率曲线F=f 2(l)一个光泽度变化率区间，每个第3层子区域学习了对应不同瘟度区间不同光泽度变化区间的1条拉伸力变形量曲线F=f 3(d)。
CN202310428559.3A 2023-04-20 2023-04-20 一种轴承拉伸强度检测装置及检测方法 Active CN116148069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310428559.3A CN116148069B (zh) 2023-04-20 2023-04-20 一种轴承拉伸强度检测装置及检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310428559.3A CN116148069B (zh) 2023-04-20 2023-04-20 一种轴承拉伸强度检测装置及检测方法

Publications (2)

Publication Number Publication Date
CN116148069A CN116148069A (zh) 2023-05-23
CN116148069B true CN116148069B (zh) 2023-06-27

Family

ID=86354717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310428559.3A Active CN116148069B (zh) 2023-04-20 2023-04-20 一种轴承拉伸强度检测装置及检测方法

Country Status (1)

Country Link
CN (1) CN116148069B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118150327A (zh) * 2023-10-19 2024-06-07 贵州安大航空锻造有限责任公司 高温合金环锻件坯料拉伸性能的智能检测方法、装置
CN118092294B (zh) * 2024-04-29 2024-06-21 海能未来技术集团股份有限公司 微波消解仪的智能控制系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242835A (zh) * 2018-08-24 2019-01-18 深圳市兆泰云智能科技有限公司 基于人工智能的车底缺陷检测方法、装置、设备及系统
JP2019012037A (ja) * 2017-06-30 2019-01-24 Ｊｆｅスチール株式会社 材料特性推定装置及び材料特性推定方法
CN110261223A (zh) * 2019-06-13 2019-09-20 暨南大学 蠕墨铸铁抗拉强度的检测方法、装置、介质和设备
CN110472349A (zh) * 2019-08-20 2019-11-19 武汉科技大学 一种基于eemd和深度卷积网络的热轧钢性能预测方法
CN111008738A (zh) * 2019-12-04 2020-04-14 云南锡业集团（控股）有限责任公司研发中心 基于多模态深度学习的Sn-Bi合金延伸率和抗拉强度的预测方法
CN114580292A (zh) * 2022-03-10 2022-06-03 北京航空航天大学 一种滚动轴承的塑性变形的可靠性和灵敏度分析方法
CN115038965A (zh) * 2020-01-29 2022-09-09 杰富意钢铁株式会社 金相组织的相的分类方法、金相组织的相的分类装置、金相组织的相的学习方法、金相组织的相的学习装置、金属材料的材料特性预测方法和金属材料的材料特性预测装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019012037A (ja) * 2017-06-30 2019-01-24 Ｊｆｅスチール株式会社 材料特性推定装置及び材料特性推定方法
CN109242835A (zh) * 2018-08-24 2019-01-18 深圳市兆泰云智能科技有限公司 基于人工智能的车底缺陷检测方法、装置、设备及系统
CN110261223A (zh) * 2019-06-13 2019-09-20 暨南大学 蠕墨铸铁抗拉强度的检测方法、装置、介质和设备
CN110472349A (zh) * 2019-08-20 2019-11-19 武汉科技大学 一种基于eemd和深度卷积网络的热轧钢性能预测方法
CN111008738A (zh) * 2019-12-04 2020-04-14 云南锡业集团（控股）有限责任公司研发中心 基于多模态深度学习的Sn-Bi合金延伸率和抗拉强度的预测方法
CN115038965A (zh) * 2020-01-29 2022-09-09 杰富意钢铁株式会社 金相组织的相的分类方法、金相组织的相的分类装置、金相组织的相的学习方法、金相组织的相的学习装置、金属材料的材料特性预测方法和金属材料的材料特性预测装置
CN114580292A (zh) * 2022-03-10 2022-06-03 北京航空航天大学 一种滚动轴承的塑性变形的可靠性和灵敏度分析方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A modified firefly algorithm-artificial neural network expert system for predicting compressive and tensile strength of high-performance concrete;Dac-Khuong Bui. et al;Construction and Building Materials;第180卷;第320-333页 *
Invasive Weed Optimization Technique-Based ANN to the Prediction of Rock Tensile Strength;Lei Huang. et al;applied sciences;第1-18页 *
多目标机器学习钢的四种力学性能;魏清华等;中国科学: 技术科学;第51卷(第6期);第722-736页 *
针刺Ｃ/Ｃ复合材料拉伸强度预测 的深度学习模型;成博等;固体火箭技术;第45卷(第6期);第851-859页 *

Also Published As

Publication number Publication date
CN116148069A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN116148069B (zh) 一种轴承拉伸强度检测装置及检测方法
CN109858352B (zh) 一种基于压缩感知与改进多尺度网络的故障诊断方法
CN112304614B (zh) 采用多注意力机制的端到端滚动轴承智能故障诊断方法
CN104484658A (zh) 一种基于多通道卷积神经网络的人脸性别识别方法及装置
CN114612714B (zh) 基于课程学习的无参考图像质量评价方法
CN111539456B (zh) 一种目标识别方法及设备
CN111860447A (zh) 一种准确识别随机相移卫星遥测时序数据模式的方法
CN113420173A (zh) 基于四元组深度学习的少数民族服饰图像检索方法
CN111079348B (zh) 一种缓变信号检测方法和装置
CN108694375B (zh) 一种可用于多电子鼻平台的图像化白酒识别方法
CN111310837A (zh) 车辆改装识别方法、装置、系统、介质和设备
CN112598666B (zh) 一种基于卷积神经网络的电缆隧道异常检测方法
CN116994295B (zh) 基于灰度样本自适应选择门的野生动物类别识别方法
CN114330430A (zh) 一种基于大数据特征分析的电梯故障判断方法及系统
GB2604706A (en) System and method for diagnosing small bowel cleanliness
CN112700425B (zh) 一种用于电力设备x射线图像质量的判定方法
CN112508946B (zh) 一种基于对抗神经网络的电缆隧道异常检测方法
CN112488125B (zh) 一种基于高速视觉诊断和bp神经网络的重建方法及系统
CN111881922B (zh) 一种基于显著性特征的绝缘子图像识别方法及系统
CN114529969A (zh) 一种表情识别方法及系统
CN113762131A (zh) 高含硫气田的油套管双层管柱形变位置检测方法及终端
CN111310907A (zh) 一种微波组件故障诊断方法、装置及设备
CN117491357B (zh) 一种涂料的质量监测方法及系统
CN114383846B (zh) 基于故障标签信息向量的轴承复合故障诊断方法
CN118035873B (zh) 一种并行卷积改进三元组网络的故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant