激光焊接等离子体温度场测量及数据处理

应用光谱分析法测量激光焊接光致等离子体的温度场是激光焊接光致等离子体测量技术中的难点.采用基于快速傅里叶变换(FFT)和汉克耳变换的阿贝尔逆变换数值方法,研究出一种等离子体二维温度场分布的数据处理方法,并进行了计算精度分析.利用该数据处理方法,在取样点为41个的时候,得到的标准误差e大约为3.23×10-2.同时,进行了焊接试验,采用多通道光谱仪观测孔外光致等离子体,利用所提出的新方法实现了试验数据的处理,获得激光焊接孔外等离子体的温度场.计算得出的温度场呈相对于光束中心的四周低中间高的趋势.     

等离子体温度分布测量方法的研究

测量激光深熔焊接小孔的温度分布是研究小孔形成机理的重要手段之一。为了获得非对称情况下的等离子体温度的二维分布,通过变量分离方法将光谱测量的一维信息分离为对称和非对称两部分,在阿贝尔变换的基础上,利用数值方法计算出对称部分的平面二维分布,从而获得非对称情况下的平面二维分布。通过假想的非对称分布函数进行了模拟计算和误差分析,结果证明算法的整体误差小,对研究激光焊接形成小孔的机理具有十分重要的意义。     

基于ADAMS与MATLAB的精密隔振平台虚拟样机仿真分析

对LQG控制策略下的主动隔振系统运用了ADAMS与MATLAB联合仿真的方法。此方法是在AD-AMS中建立系统的动力学仿真样机,以隔振平台加速度、系统动挠度和底座动位移作为性能指标,用MAT-LAB建立主动隔振系统LQG控制器,将ADAMS中的样机导入MATLAB中进行控制。实例仿真结果表明LQG控制能明显的增强主动隔振系统的隔振效果,同时ADAMS和MATLAB的联合仿真方法简化了仿真过程,仿真结果准确性好、可靠性高,为主动隔振系统乃至更复杂的系统动力学研究提供了一种方法。     

中外机械工程专业本科课程体系比较分析与启示——以澳大利亚JCU大学与三峡大学比较为例

本文分析了澳大利亚James Cook University(JCU)机械工程专业培养方案的课程体系,发现国外的课程体系设置较粗,但目标明确,教学内容比较科学和实用,发挥空间大,更利于培养学生工程应用能力.通过与三峡大学同专业的课程设置比较,指出了三峡大学同专业课程设置中存在的若干问题,并提出了相关的解决方法,为完善三峡大学机械设计制造及其自动化特色专业人才培养方案提供理论参考.     

新型凸轮减速器设计与模态分析

提出一种新型凸轮减速器, 用有限元方法分析了这种新型凸轮减速器的力学特性。     

基于PCA和SVM的微铣刀磨损状态识别

刀具磨损的状态识别精度对机床加工的质量和生产效率至关重要,为了提高刀具磨损状态的识别度,提出了一种能够有效识别微铣刀磨损状态的方法.首先对采集到的振动信号进行时域和频域分析,提取多个时域特征和频域特征,然后应用主成分分析法对提取的特征进行信息融合,再以融合后的特征向量作为支持向量机的样本输入,避免由于支持向量机初始参数...     

半闭式模锻工艺的研究与应用

目前,随着汽车工业的飞速发展,与之配套的零部件锻造行业也在不停的增长,且锻件结构也趋于复杂化。但是,近年来锻造行业产能严重过剩,市场竞争压力非常巨大,各锻造企业只有降低制造成本,提升产品的成本优势和盈利空间才能提升企业的竞争能力和市场的适应能力。因此,加强工艺研究,实现工艺技术创新、工艺改进、加强新技术的消化吸收推广应用以降低制造成本的重要性显得更加迫切。     

基于单片机C8051F的除铁器控制系统

结合煤矿生产中的需要,设计了基于单片机的除铁器控制及监控系统,对比现有的基于PLC的除铁器系统,在保持可靠性的基础上,大大降低了成本,完善了功能,其操作简单直观,具有很好的工业应用前景.     

微铣削刀具磨损状态监测方法研究

为提高金属微铣削过程中刀具磨损状态在线监测系统的预测效率与精度,提出一种基于线性判别分析与改进型BP神经网络模型识别刀具磨损的方法;该方法通过传感器与数据采集系统采集微铣削过程振动信号,提取其时域和频域特征并通过线性判别方法进行降维约简;将降维后的特征输入经灰狼优化改进的BP神经网络模型,从而实现微铣刀磨损状态特征的分类;结果表明,提出的微铣刀在线监测方法能够准确识别微铣刀的各种磨损状态;此外,和其它分类算法相比,提出的基于灰狼优化算法的BP神经网络模型在分类精度和计算效率方面具有综合优势;这对实际生产过程中微铣刀的磨损状态监测具有非常重要的实际意义.     

针对恶意用户的安全聚合协议设计与实现

安全聚合协议在过去的二十年里得到了深入广泛的研究,此类协议的基本设置由多方与一个聚合器协调组成,该聚合器的目标是计算各方输入的总和,而不会泄露除聚合值本身之外的任何有关各方私有输入的信息。在现有文献中有许多安全聚合解决方案,这些解决方案主要关注数据隐私问题,即在使聚合器能够计算和显示输入总和的同时,对各方的个人输入保密;另一方面,在输入的正确性和完整性方面,假定所有涉及聚合协议的各方都是完全可信的,虽然很少有解决方案将聚合器视为潜在的恶意对手,但在本文中,考虑了恶意方的存在,他们可以发送虚假的输入,从而导致计算无用。针对恶意用户可以在不被检测到的情况下生成模型中毒或后门注入攻击,本文提出一个将用户视为潜在恶意的安全聚合协议,这种新协议允许以隐私保护的方式正确计算聚合结果。为了实现该解决方案,作者开发了一个机器学习模型的构造,在这个模型中,多方使用他们的私有局部模型参数协作来训练模型,而不向包括聚合器在内的其他各方透露这些参数,并使用了一个新设计的可编程伪随机函数,在存在潜在后门注入攻击的联邦学习场景下,将解决方案作为概念证明进行了验证,实验结果表明,所提议的安全聚合协议确实可以帮助检测后门攻击,并通过与现有的安全聚合协议比较,所拟议的安全聚合协议是目前性能较好的聚合协议,在网络安全应用中,安全聚合协议用作异常检测是可以值得信赖的。