针对现有带钢表面缺陷检测方法准确率低、特征泛化性不强、参数多、识别速度慢等缺陷,基于卷积神经网络,采用DenseNet网络的密集连接算法解决梯度消失和梯度爆炸问题,堆叠式空洞卷积扩大卷积核感受野,深度可分离卷积减少网络参数量,提出一种用于带钢表面陷检测的深度神经网络模型Ds-DenseNet算法。以NEU带钢表面缺陷数据集为基础缺陷样本,加入正样本,并对其进行数据增强操作,创建AUG-NEU数据集,本算法在AUG-NEU数据集上的测试精度高达99.38%,参数量为117958,仅占DenseNet121和ResNet50参数量的1.7%和0.5%,识别速度高达1.3ms/frame,分别是DenseNet121、ResNet50识别速度的2.3倍和2倍,完全可以满足带钢生产线实时检测的需求。

超声无损检测中数据采集和与电脑之间的数据传输是人机交互进行的，对数据文件的分析也常是在检测之后。为了实现超声数据采集和缺陷类型智能识别的同步，采用了VC＋＋和MATLAB混合编程的方法对采集的超声数据进行实时处理。该方法结合了VC＋＋能直接与计算机硬件交互数据和MATLAB有强大运算能力的优势，对采集的超声数据进行实时分析。并结合小波分析和神经网络进行了实验，证明该方法能实现超声实时检测和缺陷智能识别。

针对现有油缸检测系统检测手段和技术落后及检测精度低等缺点,提出把测试项目模块化后,将模块有机组织在液压缸运行过程中来完成油缸检测的控制策略。运用PLC(programmable logic controller,可编程控制器)控制、CoDeSys组态软件和Visual Basic 6.0技术设计了一套油缸实时检测系统。试验结果表明,新的测试系统实现了实时检测、试验数据和曲线以及试验报告的输出和打印,提高了检测效率。

简要叙述了液压系统中产生液压油污染的原因与危害,阐述了目前普遍应用的静态取样检测液压油清洁度等级方法及其局限性与实时检测液压油清洁度等级的必要性。针对某型装备循环清洗过程中无法实时检测液压油清洁度等级的现状,分析研究三种设计改进方案,在不影响装备原有功能与性能的基础上进行设计改进,通过设计接头、管路布局,增加外接颗粒度分析仪接口,解决无法实时检测液压油清洁度等级问题,通过相应实验验证表明,设计改进方案合理可行,装备交付客户使用后口碑良好。