大功率光纤激光焊匙孔形态频域分析

匙孔是激光焊接熔池形态的一个重要特征,与焊接的质量和焊接的状态有着密切的关系。本文以10kW大功率光纤激光焊接304不锈钢板为试验对象,应用近红外高速摄像机摄取焊接过程中的熔池图像,以匙孔面积和匙孔宽度作为匙孔形态特征参数,激光束与焊缝中心的偏差来反映焊接的稳定性。在频域内运用高斯高通滤波、高频加强滤波、灰度阈值分割、Canny边缘检测等方法获取匙孔特征参数。通过分析匙孔特征参数的变化,发现匙孔形态与焊接状态之间存在联系。试验结果表明,匙孔面积和匙孔宽度参数可有效反映大功率光纤激光焊接过程的稳定性。     

大功率盘形激光焊多特征参数同步检测

以大功率盘形激光焊接304不锈钢为研究对象,分别使用近红外波段高速摄像机、紫外波段和可见光波段高速摄像机同时摄取焊接过程匙孔、金属蒸汽和飞溅瞬态图像。定义匙孔、金属蒸汽以及飞溅为焊接过程特征参数,并将其动态特征作为神经网络的输入参数,以焊缝宽度作为衡量焊接状态的参数和神经网络的输出参数,建立多特征参数同步采集的盘形激光焊接过程检测模型。与单一特征参数检测试验对比发现,多特征参数同步检测方法能够更好地反映大功率盘形激光焊接状态。     

超高总剂量辐射下SOI MOS器件特性研究

在超高总剂量辐射下,界面电荷的改变对MOS器件的阈值电压影响将越来越显著,甚至会引起NMOS的阈值电压增加,即所谓的“反弹”现象。文章研究的SOI NMOS的阈值电压并没有出现文献中所述的“反弹”,原因可能和具体的工艺有关。另外,通过工艺器件仿真和辐射试验验证,SOI器件在超高总剂量辐射后的漏电不仅仅来自于闽值电压漂移所导致的背栅甚至前栅的漏电流,而是主要来自于前栅的界面态的影响。这样,单纯的对埋层SiO2进行加固来减少总剂量辐射后埋层SiO2中的陷阱正电荷,并不能有效提高SOI MOS器件的抗超高总剂量辐射性能。     

抗辐射数字电路加固技术研究

文章对电路抗辐射的机理进行了研究,提出了几种提高数字电路抗辐射能力的方法:通过工艺控制减小辐射后的背栅阈值电压漂移,通过版图增加体接触、采用环型栅等结构提高单元的抗辐射能力,通过对电路关键节点的加固提高整体电路的抗辐射能力。为了验证加固方法的可靠性,设计了一款电路进行抗总剂量、抗瞬态剂量率、抗中子辐射、抗单粒子辐射等多种试验。通过辐照试验结果可以看到,采用抗辐照方法设计的电路具有较强的抗辐照能力,为今后抗辐照电路的研制和开发奠定了坚实的基础。     

熔池图像质心算法的焊缝位置测量模型

建立了一种基于熔池图像质心的焊缝位置测量模型,通过视觉传感器获取焊接区熔池图像,选择熔池前端为处理区域,对该区域进行中值滤波与图像灰度变换,并计算该区域的熔池图像质心值及相对应的焊缝偏差.在不同的焊接条件下,获取多组熔池图像及对应的样本数据,应用最小二乘法建立熔池图像质心与焊缝偏差之间的关系,得到基于熔池图像质心的焊缝位置测量数学表达式.在此基础上,通过分析比较各数学表达式之间的关系,建立焊缝位置测量数学模型.计算机仿真及焊接工艺试验结果表明,该模型可有效地检测焊缝位置.     

人工神经网络GTAW建模及控制

给出一种用于钨极气体保护电弧焊（ＧＴＡＷ）建及控制的人工神经网络（ＡＮＮ），重点论述利用ＡＮＮ建立焊接参数模型的方法以及在熔深控制方面的应用，通过实验证明，所提出的智能方法具有良好的系统控制性能。     

旋转磁场下焊接缺陷磁光成像检测与强分类研究

焊接缺陷的准确检测与分类对保证焊接产品质量十分重要。研究一种旋转磁场激励下焊接缺陷的磁光成像无损检测方法。分析基于法拉第磁光效应的焊接缺陷磁光成像机理,使用有限元法对焊接缺陷的磁场分布进行数值模拟与分析,并获得磁光图像采集的最佳提离度。分析旋转磁场形成机理,使用交叉磁轭产生旋转磁场激励焊件,通过磁光成像传感器获取焊接缺陷磁光图像。采用主成分分析法(Principal component analysis, PCA)对采集的磁光图像列像素灰度特征进行提取与降维,使用AdaBoost算法结合误差反向传播(Back propagation, BP)神经网络建立BP-AdaBoost焊接缺陷强分类模型。试验结果表明,所提出的方法可有效提高45钢焊接缺陷(弧形裂纹、线形裂纹、凹坑、未熔透)的分类精度,焊接缺陷强分类模型的整体识别率达到98.88%,有效实现焊接缺陷的检测与分类。     

有限集A包含于R^n→有限集B包含于R的高阶神经网络实现

随着人工神经网络（ＡＮＮ）理论和技术的不断发展，人们加深对高阶神经网络映射能力的。本文对高阶神经网络实现有限集Ａ包含于Ｒ＾ｎ→有限集Ｂ包含于Ｒ的函数逼近问题进行了上的研究，得出了高阶神经网络可以实现有限集到有限集函数逼近的结论。     

铁路货车轮对自动检测系统的研制

系统地介绍了铁路货车轮对参数自动检测系统的结构，并对其中一些检测技术作了较详细的分析。     

基于相关分析和神经网络的激光焊接稳态识别

为了准确识别激光焊接的稳态类型, 采用了图像处理、相关分析和神经网络的方法, 增加对准稳态的研究, 以信号特征的相关系数作为神经网络模型的输入, 进行了理论分析和实验验证, 得出了光学、视觉信号的相关性对激光焊接稳态类型的影响规律。结果表明, 匙孔面积和金属蒸汽面积的相关性区分稳态类型的效果最好, 其相关系数为0.2~0.3时为稳态, 0.4~0.5时为准稳态, 0.6~0.7时为非稳态; 训练完成的神经网络模型在测试集上达到了98.76%的预测准确率, 可满足准确识别焊缝稳态类型的需求。该研究为自动化生产中预防出现激光焊接缺陷提供了参考。