针对列车滚子轴承内圈外表面缺陷人工检测方法的不足,提出了一种基于机器视觉的表面缺陷检测方法,通过对缺陷图像的处理和分析,快速、准确地实现了轴承表面缺陷的分类识别。这里使用工业内窥镜进行轴承图像的获取,通过对图像的灰度直方图分析,判断其是否为缺陷轴承;对缺陷图像分别进行二值化处理、形态学滤波和图像标记,以准确获得图像的缺陷区域;对缺陷区域进行特征提取后,利用缺陷分类决策树完成缺陷类型的识别。实验表明,该方法实时性好、运算速度快,可有效检测出列车滚子轴承表面缺陷。

为探究内齿轮数控磨齿机磨削头振动特性,以磨齿机磨削头为研究对象,建立其三维实体模型,并基于有限元仿真软件ANSYS进行预应力下的动态特性分析,获得磨削头各阶固有频率及对应振型,并对其薄弱环节进行了优化设计,使磨削头性能得到了提高。搭建磨削头结构振动特性试验平台,利用试验测试其振动特性,采集不同工况下磨削头的振动信号,采用时域信号和频域信号的对比分析法,探究磨削头振动机制。试验结果表明:磨削头低频振动幅度较大,而且多为主轴转速接近于磨削头固有频率引起的振动。最后为降低磨削头振动提出了合理的建议。

将深度学习Faster R-CNN应用于列车轴承图像的表面缺陷检测。建立人工数据库BSD,通过对图像增广弥补数据不足的缺陷;采用Faster R-CNN算法进行目标检测和识别,卷积神经网络采用ZF Net模型,对BSD数据集训练,得到检测结果;并与传统检测方法Canny算法的检测结果进行比较。试验结果表明:和传统Canny算法比较,基于Faster R-CNN算法的轴承缺陷的检测精度为93.03%、检测时间为0.29 s,相比传统Canny算法检测精度提升21.73%、检测时间减少2.21 s,同时准确率大幅度提高,能够实现轴承表面缺陷的精确检测和识别,满足铁路部门对轴承检修的需求。

应用2D-VMD算法对图像信号进行去噪,以提升图像质量。采用2D-VMD技术对含有噪声的轴承缺陷图像进行分解,将其分解为有限个固有模态函数(IMF)分量;利用模糊线性指数和标准差筛选各IMF分量,剔除噪声项,实现图像去噪。对比2D-VMD去噪算法和均值滤波、中值滤波的去噪效果,使用均方差和峰值信噪比对去噪后的图像进行客观评价。结果表明:使用2D-VMD算法去噪效果更好,去噪后的图像能保留更多有效信息、图像质量更好,能够满足铁路部门对轴承检修的需求。