-
题名基于多视数据重构损失标定的叶片型面光学检测
- 1
-
-
作者
罗瑛
朱杨洋
王宗平
殷国富
-
机构
成都工业学院
四川大学机械工程学院
-
出处
《中国测试》
CAS
北大核心
2024年第8期118-124,共7页
-
基金
四川省智能制造专项经费项目(2018CD00225)。
-
文摘
航发叶片型面检测是保证叶片加工质量、工作性能和使用寿命的关键环节。对此,该文开发一套基于线激光器的叶片型面检测平台;在完成线激光器与叶片相对位姿校准及Z向测量基准建立基础上,实现叶片型面特定截面处型线数据的多视采集;提出一种基于多视数据重构损失标定回转中心的型线重构方法。以两种典型燃气轮机导向叶片为检测对象,所提出方法获取的检测数据与三坐标测量机检测数据的对比结果表明,轮廓度检测平均绝对偏差在0.022 mm以内,最大标准偏差为0.0186 mm,最大RMS估计为0.0251 mm;特征参数检测最大偏差为0.0401mm。实验结果验证了所提出方法面向叶片型面检测的可行性。
-
关键词
叶片型面检测
线激光器
回转中心
多视数据重构损失
-
Keywords
blade profile measurement
laser scanning sensor
rotational center
multi-view data reconstruction loss
-
分类号
TB9
[机械工程—测试计量技术及仪器]
TH741
[机械工程—光学工程]
-
-
题名基于卷积神经网络和模态转换的磁瓦内部缺陷检测方法
- 2
-
-
作者
卢后洪
谢罗峰
朱杨洋
殷鸣
杜波
殷国富
-
机构
四川大学机械工程学院
四川省特种设备检验研究院
-
出处
《中国测试》
CAS
北大核心
2024年第2期22-27,共6页
-
基金
中央高校基本业务费(2021SCU12146)。
-
文摘
针对人工检测磁瓦内部缺陷过程中需要成熟的经验知识,检测过程不稳定且效率较低等问题,设计一套智能化检测系统。受人工检测的启发,提出一种基于卷积神经网络和模态转换的磁瓦内部缺陷检测方法。将时域信号转换为时-频域语谱图,利用卷积神经对语谱图提取特征并分类。为更精准地强调重要信息而抑制无关信息,将坐标注意力机制引入到卷积神经网络中。提出的基于卷积神经网络和模态转换的预测模型的准确率达到98.4%,证明提出的检测方法对于磁瓦内部缺陷检方法是有效的。实验结果表明,模态转换和坐标注意力机制能提升模型的性能。
-
关键词
磁瓦
卷积神经网络(CNN)
内部缺陷
模态转换
注意力机制
-
Keywords
magnetic tile
convolutional neural network(CNN)
internal defect
modal transformation
attention mechanism
-
分类号
TB9
[机械工程—测试计量技术及仪器]
TP391.4
[自动化与计算机技术—计算机应用技术]
TP23
[自动化与计算机技术—检测技术与自动化装置]
-
