基于熔融沉积成型技术的熔铸炸药增材制造装置研发与应用

为了满足高新武器装备对复杂异型异质结构炸药装药的迫切需求,基于熔融沉积成型技术,利用熔铸炸药高温熔融、低温凝固的性质,设计并研发了熔铸炸药增材制造装置。该装置可实现配方原材料加料、熔融混合、挤出成型全流程的自动化操作,同时还配备有视频/红外在线监测系统,确保打印过程的安全控制。以石蜡、热熔胶、碳酸钙为配方原料,配制出与HMX/TNT基熔铸炸药流变特性相似的代料,验证了增材制造装置的可靠性;通过开展熔铸炸药真料打印试验,成功实现了超细HMX/TNT(HMX固含量为50%)基熔铸炸药打印成型,打印药柱内部密实,无明显缩孔、缺陷;打印样品平均表面粗糙度为6.47μm;打印样品平均密度为1.76 g/cm³,达到98.79%TMD;平均抗压强度达33.69 MPa,综合性能优异。     

基于温度场的熔融沉积成型过程质量监控

对熔融沉积成型打印过程中常见的喷头堵塞的故障类型进行研究,共设计了三种形状的产品,每组都通过改变喷嘴温度进行正常打印和非正常打印两组实验。在分析非正常打印的五种状态的基础上,采用基于定性趋势分析方法的过程质量监控技术,利用红外热像仪获取产品每一层的温度图形并提取特征值的变化值和变化率,然后分析不同温度特征值与打印状态转变的关系。实验结果表明:通过定性趋势分析方法能够准确提取不同打印状态之间的分段点,且提取的变化值和变化率的趋势相同;在实际打印过程中可以通过特征值的监测来判断产品质量,提高产品表面精度。     

熔融沉积快速成型的支撑优化工艺方法研究

熔融沉积成型技术(Fused deposition modeling,FDM)近年来在多个领域得到了广泛的应用,但制造过程中的悬空结构需要通过添加支撑用来支持悬空部分使成型过程顺利进行。而支撑结构不仅浪费成型材料,降低成型效率,最后在去除支撑结构时也会破坏制件的表面质量。因此从FDM技术的工艺特点出发,以减少使用支撑结构为目标,通过优化过程规划的工艺参数,提出一种针对熔融沉积成型技术的自适应支撑优化工艺方法。结果表明该方法有效地减少了支撑的使用量。     

基于机器视觉的熔融沉积成型几何质量在线检测方法

几何尺寸精度是影响工件质量的关键因素。针对熔融沉积成型连续制造过程,提出了一种基于机器视觉技术的几何质量在线检测方法。利用CCD图像传感器构建了熔融沉积成型过程图像采集系统;采用图像处理技术获取工件轮廓信息,完成以像素为单位的几何尺寸测量。通过尺寸标定将图像尺寸转化为工件的实际物理尺寸,从而可以与设计模型的理论尺寸进行比较,计算制造误差,为生产者判断熔融沉积成型工件几何质量是否满足要求提供了新的思路。     

熔融沉积成型中对自适应分层方法的改进及实验研究

目前,熔融沉积成型技术中提出了各种自适应分层算法来改善成型效率和成型精度无法兼顾的缺点。其中,基于STL模型三角面片法向量的自适应分层算法存在以下问题:如果三角面片法向量与分层方向间的夹角过大或过小,这一算法无法实现层厚随着法向量与分层方向之间夹角的变化而自适应变化。为此,本文应用归一化的方法对其进行改进,将模型等厚分层后再根据归一化的原理确定每一层的自适应层厚值;其次基于MATLAB对这一自适应分层算法及其改进算法进行仿真;最后在熔融沉积实验平台上对其进行实验验证。实验结果表明,相对于原始算法,改进算法的自适应分层效果显著提高,且零件成型效率上升了22%,成型精度上升了29%,切实有效。     

熔融沉积技术中成型环境温度对质量精度的影响研究

熔融沉积快速成型技术是当代先进的制造技术之一,针对其成型件的成型精度问题,在分析成型工艺参数的基础上研究了成型环境温度对快速成型技术质量精度的影响。通过建立模型及网格划分进行有限元分析,合理地描述出熔融沉积快速成型过程,分析模拟结果并且对比在不同成型环境温度下的成型件的应力分布。实验模拟结果表明:在成型过程中选择合理的成型环境温度可以有效降低成型件的翘曲变形和受力情况,而且成型环境温度因素可以导致试件在结构较为复杂的部位出现应力集中现象。     

基于熔融沉积成型的一种近无支撑分体打印方法的研究

研究一种模型分解方法,以解决熔融沉积成型(Fused Deposition Modeling,FDM)过程中由于需要生成额外的支撑结构,从而导致打印物体表面质量不佳、材料浪费和打印时间长等问题.利用三自由度单喷头FDM打印机对选定的3种模型(人头、六面锥体和树袋熊)进行分体打印,验证了该模型分解方法的可行性.通过与传统整体打印工艺进行对比,基于该模型分解方法的分体打印工艺实现了近无支撑彩色打印,并且打印材料大幅减少,表面质量较传统整体打印工艺有很大改善.分体打印工艺对FDM技术真正实现高质量无支撑打印多悬垂结构物体具有极强的指导意义和参考价值.     

基于MPA-ANN的冷喷增材制造沉积建模与预测

针对冷喷增材制造(CSAM)过程中沉积形貌的几何描述与模拟,提出一种基于海洋捕食者算法(MPA)的人工神经网络(ANN)预测模型,以实现CSAM加工沉积层轮廓的几何控制。首先,构建双坐标系,描述喷枪与零件的三维特征,综合分析粒径分布和射流分布等因素对沉积形态的影响,建立沉积剖面分布模型;其次,应用灰色关联度模型对输入层参数进行关键影响因子筛选,以详细轮廓点为输入变量,采用MPA优化ANN模型的关键参数,构建基于海洋捕食者算法的人工神经网络(MPA-ANN)模型;最后,将所提模型的预测结果与FNN、Gauss、PSO-ANN和BP模型进行对比,得到其平均绝对误差为0.014 3 mm,相关系数为0.998 6,相关数据均优于其他模型,结果表明基于MPA-ANN的冷喷涂沉积建模与预测具有更好的稳定性和预测精度。     

基于BOHB-BP的增材制造成型件质量预测方法EI北大核心

表面粗糙度和拉伸强度是衡量熔融沉积制造(FDM)成型件质量的重要指标,但由于FDM工艺参数众多,且与FDM成型件质量之间呈现非线性关系,因此传统方法难以准确预测这两项指标。为此,提出一种贝叶斯超频道优化算法(BOHB)与BP神经网络相结合的FDM 3D打印成型件质量预测方法以提高预测精度与稳定性。将层厚、扫描次数和填充间隔这三个工艺参数作为模型的输入;利用BOHB算法对BP神经网络的超参数进行优化得到BOHB-BP模型;使用中心复合实验获取表面粗糙度和拉伸强度的实验数据,在以上两种数据集上根据留一法验证模型的精度与稳定性;将模型BOHB-BP与模型GA-BP和BP的预测情况进行对比实验,证明了所提方法在不同数据集上均有更好的预测精度与稳定性。     

基于支持向量机和深度信念网络的短期光伏发电预测方法CSCD

为了提高光伏发电预测的精度,提出基于支持向量机和深度信念网络的光伏发电预测方法。利用改进的相似日算法选择相似日训练样本,分别构建以线性核函数、多项式核函数、高斯径向基核函数为核函数的支持向量机预测模型作为组合预测模型中的单项模型,再将三种单项模型的预测结果作为深度信念网络的输入,利用深度信念网络对三种单项模型的预测结果进行组合优化输出,根据实际输出与期望输出的误差动态调整组合权值,从而获得更高的预测精度。最后以澳大利亚沙漠太阳能研究中心的实测数据进行仿真验证,仿真结果表明,所提方法相较于其他方法具有较高的预测精度。     

基于深度学习LSTM⁃DBN的水轮机振动故障预测方法

深度学习算法具有强大的时间序列预测能力以及可实时处理大数据海量样本的优势。针对水轮机系统振动故障诊断存在精度低、漏诊及难预测等问题,提出了一种基于深度学习长短时记忆（long short time memory, 简称LSTM）网络结合深度置信网络（deep belief networks,简称DBN）的水轮机系统故障预测方法。将小波包能量带与时频域指标信息相结合,提取高维故障统计特征,利用DBN深层网络的自适应特征提取能力对原始故障数据进行高维特征表示,准确地判断故障种类,并凭借LSTM对时序信号强大的预测能力,预测出未来系统可能发生的振动故障。工程实验验证了该算法的有效性。