汽车悬架球头拉杆冷成形技术

为提高生产效率、改变原来通过车削加工汽车悬架球头拉杆的方式,提出了一种球头拉杆的多工位冷镦成形工艺。基于DEFORM-3D软件建立了有限元模型,对球头拉杆的塑性成形过程进行了仿真,研究了预成形凸模入模角α、预成形凹模圆角R1、终成形凹模圆角R2以及终成形凹模入模角β等工艺参数对球头拉杆成形的影响,并进行了正交试验,以模具在球头拉杆成形过程中所受载荷及工件损伤值为优化目标,获得了合理的工艺参数组合。结果表明:在保证工件成形质量及模具寿命的前提下,当预成形凸模入模角α为30°、预成形凹模圆角R1为12 mm、终成形凹模圆角R2为3 mm、终成形凹模入模角β为60°时,模具载荷及工件损伤有显著的降低。采用优化后的参数进行试模生产,工件成形质量较好,验证了模拟结果的可信性,能够有效地指导工艺设计人员的设计工作。     

基于强化学习单元匹配循环神经网络的滚动轴承状态趋势预测

为了解决当前人工智能预测方法在滚动轴承状态趋势预测中预测精度较差、计算效率较低的问题,提出基于强化学习单元匹配循环神经网络(RLUMRNN)的滚动轴承状态趋势预测新方法。先采用滑动平均奇异谱熵作为滚动轴承状态退化特征,再将该特征作为RLUMRNN的输入完成滚动轴承状态趋势预测。在RLUMRNN中,利用最小二乘线性回归法构造单调趋势识别器,将轴承整体的状态退化趋势分为上升、下降、平稳3种单调趋势单元,并通过强化学习为每一种单调趋势单元选择一个隐层数和隐层节点数与其相适应的循环神经网络,从而改善了RLUMRNN的非线性逼近能力和泛化性能;用3种单调趋势单元和不同隐层数、隐层节点数分别表示Q值表的状态和动作,并构造关于循环神经网络输出误差的新型奖励函数,以明确强化学习的目标,从而减小循环神经网络的输出误差,避免在Q值表更新过程中使Agent(即决策函数)盲目搜索,提高了RLUMRNN的收敛速度。通过双列滚子轴承状态趋势预测实例验证了该方法具有较高的预测精度和计算效率。     

2.5 GHz城市环境电磁态势的计算与补偿

复杂城市空间的电磁态势分布可以通过电磁场数值计算的方法进行预测。文章使用矩量法(MOM)结合一致性几何绕射理论(UTD)的方法对2.5 GHz频率下某小区环境中的电磁态势进行了仿真计算以及实际测量。场景中的树木结构在此频率下显示出比较强烈的波动性,对电磁仿真计算结果产生了不可忽略的影响,文中将其对仿真计算结果的影响进行了单独建模仿真,给出其产生影响的经验值,对仿真结果进行修正。修正结果与测量结果对比证明该经验值在该频率下可以有效补偿计算结果的缺失。     

弯道模式下FSAE赛车后轮随动转向特性研究

通过理论分析建立后轮瞬态随动转向系统数学模型,分析得出摆臂旋转角度及摆臂与车身连接衬套刚度是影响随动转向的主要因素;为验证理论模型的正确性,用ADAMS软件建立包含后轮随动转向特性的FSAE整车模型,后轮随动悬架模型设计为扭力梁悬架,衬套刚度通过动静刚度试验机获取,柔性扭转梁通过ABAQUS输出模态中性文件获取;反向车轮激振仿真表明:左右车轮中心可以获取随动转向位移,与理论数模模型对比,误差仅为1.7%;整车弯道仿真表明:车辆入弯时为过渡转向,出弯时为不足转向,整车兼顾平顺与操稳性;扭力梁安装位置C值变动时,随着C值的增加,不足转向特性趋势减小,整车稳定性便能变差;衬套安装角度θ增加时不足转向特性趋势减小,整车稳定性能提升。     

分段校深方法研究

由于在出图过程中受图纸拉伸速度的影响,在校深过程中常会遇到单一校正值无法满足取值条件,需分井段取得校正值的情况。本文针对常见分段取值井进行分类和阐述,通过对采取合并对比层、扩展/缩小对比层、调整对比层、重新划分对比层的非常规方法针对校正值变化大的井进行分析,从而判断校正值变化趋势,并最终确定校正值的过程进行了论述。     

面向舰船目标检测的单通道复值SAR图像统计建模方法研究

合成孔径雷达(SAR)成像模式丰富、覆盖范围广、分辨率高，可以长期、动态、宏观地对海洋进行监测。在完全发展的相干斑假设条件下，传统单通道SAR图像舰船目标检测方法主要研究幅度信息。然而，其部分假设条件在高分辨率情形下并非严格成立，因此无法有效利用单通道SAR图像的相位或复值信息。该文面向舰船目标检测应用，将单通道复值SAR图像统计建模方法划分为幅度、相位和复值统计建模3个部分，首先简要综述了单通道SAR图像幅度统计建模方法，然后详细阐述了单通道SAR图像相位和复值统计建模方法，并重点介绍了其建模过程和参数估计方法。在此基础上，该文给出了作者研究小组在基于复值统计信息的单通道SAR图像舰船目标检测方面的部分最新研究结果，并分析展望了下一步研究方向。      

基于机器视觉的白色衣物脏污程度分析方法研究

随着生活水平的提高,衣服的干净整洁已经是基本要求,智能衣物洗护已经渗透到我们生活中,了解污渍的脏污程度对于洗衣机和洗涤剂行业显得尤为重要.计算机机器视觉分析快速,结果客观、准确,可重复性强,目前应用广泛.影响污渍脏污程度评价的因素有面积、颜色、纹理等,为了简化研究,本文提出一种基于计算机机器视觉的图像分析技术对白色衣物脏污程度分析的方法,通过图像采集系统得到污渍的图像,对其进行灰度化处理,得到图像的灰度值,进而对污渍脏污程度进行分析判断.结果表明,图像的灰度值可以用来表征白色衣物污渍的脏污程度,且判断结果与主观目视结果具有较高的一致性.