一种基于机器视觉的表面缺陷快速检测方法

实际生产过程中,产品表面会不同程度地留下污渍和印记,这对基于机器视觉的表面缺陷识别带来严重干扰.基于图案统计分析的识别方法速度虽快,但抗干扰能力弱,出现较高的误判率.基于深度学习的人工智能识别方法计算量巨大,速度慢,难以满足生产实际的高速要求.因此介绍一种改进SIFT算法,并给出了相关参数的设置方法和经验公式,通过实际表面缺陷的检测,对比验证了SIFT算法较强的鲁棒性和抗干扰能力,以及相关参数设置方法的正确性和可行性.实验数据表明,SIFT算法在凹陷类和斑点类缺陷的检出率上具有明显优越性,在裂纹类的误检率上也具有较大优势.特别是在有噪声图像干扰情况下,检出率比神经网络提升了20％,误检率降低了3％.     

5×5棒束通道内流动转捩特性研究

棒束通道的特殊结构导致其内部流动转捩情况较为复杂，探究其内部流动转捩规律具有重要意义。本文针对棒束通道内的流动转捩特性开展实验与CFD模拟研究，通过实验获得了棒束通道内沿程阻力系数的变化规律；采用不同湍流模型进行了数值模拟。结果表明，SST k-ω模型能较好地反映实验结果。进一步对比了不同雷诺数工况下通道内不同位置的沿程阻力系数与湍流强度，发现对于不同子通道，中心子通道湍流强度与沿程阻力系数高于边角子通道；对于同一子通道，子通道中心处湍流强度与壁面切应力高于子通道边缘处。这一结果说明，受壁面影响，棒束内湍流强度、壁面切应力、阻力特性具有不均匀性，这些空间上的不均匀性相互作用会引起总体上棒束转捩点不明显。     

基于时间序列汽车轮毂尺寸偏差趋势预测

文章选用指数平滑法和ARIMA法两种典型的时间序列算法作为预测模型,对流水线生产的汽车轮毂倒锥大尺寸值偏差趋势进行预测。以MATLAB作为工具进行实验计算,依据预测数据和实际观察值的RMSE和期望误差的对比来比较这两种模型的预测效果,得出在预测汽车轮毂倒锥大尺寸值偏差趋势时,二次指数平滑法的预测效果更好,所以最终采用此模型,从而为宏观调控刀具补偿值提供有力的依据。     

横向间断肋条湍流减阻大涡模拟分析

目的 通过改变肋条结构，提高传统肋条的减阻效果。方法 基于Walsh肋条减阻实验，利用LES理论的WALE模型以及PISO算法，对传统连续肋条及新型间断肋条进行了仿真模拟计算，其中梯度求解基于Green-Gauss节点格式，压力求解采用二阶格式，动量方程求解采用中心差分格式，时间离散采用二阶隐式格式。通过对比分析两种不同肋条结构流场湍流流动的细节及肋条的减阻率，探究新型肋条结构的减阻作用和机理。结果 LES方法准确地再现了Wlash实验的流场细节及计算结果，相同计算条件下，传统连续肋条表面摩擦减阻率和黏性减阻率均为4.641%，而新型间断肋条表面摩擦减阻与黏性减阻率高达9.317%和6.306%。结论 新型间断肋条相较于传统连续肋条的表面摩擦减阻率和黏性减阻率皆得到了较大的提升。新型间断肋条具有较高的减阻率是由于横向肋条阻断作用使得大涡旋受到抑制而分裂成较小的涡旋，降低了近壁面流体的流速，减弱了湍流扰动对流体的影响，使低速流体更加稳定的发展。     

基于动态模态分解的缸内流场演变及动能分析

采用高速粒子图像测速技术(particle image velocimetry,PIV)测量了一台直喷式光学发动机的缸内流场,利用动态模态分解(dynamic mode decomposition,DMD)算法,提取了发动机从进气冲程早期到压缩冲程后期中出现的多尺度涡团结构,量化了涡团的比动能在整个冲程阶段的衰减程度。结果表明:从进气冲程早期开始,缸内流场主要由低阶DMD模态表现的大尺度流场结构和高阶DMD模态表现的小尺度涡团结构组成;DMD模态的比动能变化可清楚地反映从大尺度流场结构到小尺度涡团的能量级联和耗散过程。同时还发现,与压缩冲程相比,进气冲程期间的流场可形成更多小尺度的涡团结构,并表现出更快的能量衰减特征,且该阶段流场能量衰减现象对发动机转速更加敏感。