基于组合代理模型的零件表面形貌构建

针对当前零件表面形貌建模存在模型构建准确度低、需要测量点数量多的问题,提出一种基于组合代理模型的零件表面形貌构建方法。在模型构建方面,分别提出基于克里金模型和径向基函数模型的表面形貌构建方法,给出组合两种代理模型的整体思路,并引入交叉验证策略建立组合代理模型权重因子的确定方法。在实验方面,采用组合代理模型分别针对仿真数据和实际测量数据进行拟合,并以均方根误差、均方根标准预测误差为指标对组合代理模型进行评价。实验验证结果表明所提方法相对单一模型在零件表面形貌建模问题上模型精度更高,所需要测量点数更少。     

高尿酸细胞模型研究进展

高尿酸模型分为动物模型和细胞模型,其构建对研究高尿酸血症和筛选药物十分重要。高尿酸动物模型已经较成熟,但动物与人的种间差距较大,仍存在不足之处。而高尿酸细胞模型研究周期短,操作简单,是一种更接近人类高尿酸血症的模型,但对其却鲜有报道。本文对常用于构建高尿酸模型的造模细胞进行简单罗列,并按照增加尿酸合成、减少尿酸排泄两个造模原理对高尿酸细胞模型的构建方法进行概述,为开展高尿酸血症相关研究提供参考。     

面向大规模定制的制造业领域数据溯源模型研究

数据溯源技术与大规模定制生产模式的融合是实现数据质量提高和技术创新发展的基础。基于订单随机性、产品种类多、批量少给数据质量带来的一系列的机遇和挑战,提出一种基于开放溯源模型的数据溯源模型。结合大规模定制中数据生命周期的特点,从海量的数据中寻找源头数据及记录数据在传播过程中的变化来对其进行管理,构建大规模定制下制造业领域的数据溯源信息交换模型。建立供应链开放溯源模型、产品属性开放溯源模型和生产阶段开放溯源模型,从而解决大规模定制中企业之间或企业内部的信息交换问题,实现数据追踪功能和数据质量的控制与提升。     

基于数字孪生的液压支架姿态监测

针对液压支架姿态监测中的远程监测图像质量差、监测结果的可靠性不强等问题，提出一种用于液压支架姿态监测的数字孪生模型的构建方法。以液压支架运动学模型、环境数据以及同步控制信号构建物理模型；以液压支架姿态的历史数据以及实时监测数据构建数据驱动模型；以物理模型和数据驱动模型的数据通过长短期记忆网络处理生成用于液压支架姿态监测的数字孪生模型数据；并以数字孪生模型的数据为基础驱动液压支架姿态监测的虚拟模型。实验表明：所提出的基于数字孪生的液压支架姿态监测方法在提高了监测可靠性的同时，实现了支架异常姿态的准确预警。研究结果为数字孪生模型的构建以及推动数字孪生技术在液压支架姿态监测的应用提供参考。     

随机截尾数据下的液压泵故障分布的两参数威布尔分布模型

液压泵在使用阶段的可靠性能最真实地反映产品的实际可靠性水平和薄弱环节,其可靠性数据具有随机截尾特性,因此其可靠性数据分析面临着诸多困难。首先提出了一种基于随机截尾数据的两参数威布尔分布的建模方法,并将其应用于某型液压泵的可靠性数据分析,最后进行了仿真试验研究。仿真试验结果表明,基于平均秩次法的液压泵两参数威布尔分布模型比基于残存比率法的两参数威布尔分布模型更为精确,同时验证了威布尔分布的优越性。研究成果为基于随机截尾数据的液压泵提供了一种更为精确的可靠性分析方法。     

临床纵向数据缺失的随机效应模式混合模型及SAS实现

目的: 临床纵向研究经常发生数据缺失,但处理起来较为棘手。本研究欲阐明一种随机效应模式混合模型用于纵向数据缺失的分析方法。方法: 介绍随机效应模式混合模型的原理,给出构建缺失模式变量的方法,借助一个临床试验实例介绍方法的应用和SAS实现过程,并与随机效应模型方法进行比较。结果: 随机效应模式混合模型引入缺失模式变量,考虑了缺失的发生特点,其拟合效果优于随机效应模型。结论: 随机效应模式混合模型可灵活、有效处理具有缺失数据的纵向研究数据,为敏感性分析提供了新的方法学支持。     

ARMA模型和Holt-Winters指数平滑模型在企业用电量预测中的应用与分析

本文通过对时间序列的研究分析,提出基于ARMA模型和基于Holt-Winters指数平滑模型进行企业用电量预测的方法.对采集的中山市某企业用电量数据样本分别用上述两种模型建模和后续30天的用电量数据预测,分析样本数量对预测准确度的影响、用累计短期高频数据预测中长期数据的效果,比较两种模型的预测准确度.结果显示:基于AR...     

重构模型精度的评定和产品改进

以叶片CT 扫描后的数据点云为研究对象,对其进行数据预处理、曲线拟合以及重构模型.针对重构模型采用了两种方式评定重构模型质量,第一种方式是以叶片重构模型与其CAD模型的均方误差、平均误差以及最大误差来评定总体重构精度.另一种方式就是以重构模型上的截面曲线与CAD模型上的对应理论曲线的均方误差、平均误差、最大误差、截面曲线周长和截面面积来评定重构模型局部重构质量.此外,在重构模型的过程中,对拟合的曲线进行等比例缩放,从而改进产品模型,得到一系列形状相同,尺寸不同的产品族.     

基于YOLOv5的换向器表面缺陷检测算法研究

在零部件制造和使用过程中,可能会在零部件表面出现缺损现象,而零部件在反复使用过程中其微小缺陷可能扩大甚至使损坏零部件,进而导致零部件所在系统发生故障。以工业用典型零部件换向器为研究对象,提出了基于深度学习算法的零部件缺陷检测方法。研究中,基于KolektorSDD数据集,首先采用Mosaic数据增强方法对换向器缺陷数据集中的数据进行旋转、裁剪等处理,对数据集进行扩充,构建数据集。其次,将构建的数据集划分为训练集和测试集。采用构建的训练数据集,搭建深度学习框架并采用YOLOv5卷积神经网络训练模型,建立换向器表面缺陷识别模型。最后,采用构建的识别模型对测试集中的数据进行测试。结果表明,训练模型性能评价指标平均精确率均值(mAP)及正样本召回率(Recall)均高达95%以上,采用深度学习中YOLOv5目标检测算法对换向器表面缺陷的检测精度可高达90%。     

汽轮机转子轮槽精铣刀磨损状态监测技术研究

为实现汽轮机转子轮槽精刀磨损状态的在线监测,提出一种ARIMA与SVR相结合的刀具磨损量在线监测模型。构建基于ARIMA的信号特征预测模型,根据收集的历史信号数据预测刀具继续加工的信号特征;构建基于SVR的刀具磨损量监测模型,以信号特征为输入得到当前时刻精刀磨损量;将两个模型相结合,可以预测精刀加工下一条轮槽时的磨损量,对精刀下一时刻的状态做出准确判定。基于上述模型,可以为企业换刀时机的选择提供技术支持,最终提高加工质量与加工效率,实现最大经济效益。     

基于EASY5的防反转阀的动力学建模与仿真

根据挖掘机液压系统中使用的防反转阀的工作原理,建立其动力学方程,在EASY5中构建其仿真模型并对仿真模型进行测试检验。在有无防反转阀两种情况下,对某液压挖掘机的回转回路进行仿真。仿真结果表明,防反转阀能够有效抑制回转装置的往复摆动。     

基于LSTM与ARIMA组合模型的高炉煤气产生量预测

通过分析煤气产生量的数据特点,采用LSTM循环神经网络和ARIMA两种预测模型建立钢铁企业高炉煤气产生量预测模型,经验证LSTM模型性能明显优于BP神经网络,但是其预测结果值比真实值普遍偏低,而ARIMA模型的预测结果值比真实值普遍偏高。基于上述现象,提出了一种基于LSTM与ARIMA组合预测模型,将两种模型的预测结果采用CRITIC方法进行融合处理。结果表明,组合模型明显改善了两种模型在预测特性上的弊端,将预测结果的均方根误差减小为2.325,更贴近真实值,提高了预测精度。     

基于一维卷积迁移学习的跨工况机床轴承故障诊断

滚动轴承作为机床的重要核心零件,对保证机床的正常运转至关重要。然而在实际工作中,机床的工况经常根据不同的工作要求产生相应的变化,对机床轴承的转速以及负载产生一定的影响,从而导致轴承的机械振动信号呈现出非平稳性、非线性和非周期性等特点。目前基于深度学习的轴承故障诊断方法对数据具有一定的依赖性,要求训练（源域）和测试（目标域）数据集具有相同的数据特征且存在足够多的带有故障信息的标签数据。然而,由于机床常在非平稳工况下运行,因此在某一工况上建立的训练模型无法直接用于其他工况。为了解决这一问题,基于迁移学习（TL）技术,设计一维卷积神经网络（1-DCNN）与迁移学习相结合的模型。该模型利用一维卷积网络直接从原始振动信号中提取故障特征信息,并利用对抗策略迁移技术提取两域的公共特征。利用域分布差异度量拉近两域的特征分布,实现轴承跨工况迁移故障诊断。最后通过构建的12组迁移任务对比实验,验证所设计模型的优越性。结果表明：设计的基于一维卷积的迁移学习神经网络模型可直接实现对机床轴承故障的实时监测;设计的模型通过结合对抗策略迁移与度量域分布差异两种迁移策略,大大提高了迁移故障诊断性能,可更好地提取源域与目标域的公共特征;在实验构建的12组迁移任务中优于其余两种迁移策略,能完美完成迁移故障诊断任务。     

K-means聚类精简点云驱动PointNet++的行星齿轮故障诊断

复杂装备的三维模型点云数据具有非结构化、无序性、离散性的特点，数据精简策略和深度神经网络模型构建被视为点云数据驱动的机械设备故障诊断关键技术难点。提出了一种K-means聚类(K均值聚类算法)精简点云驱动PointNet++的行星齿轮故障诊断方法。首先，提出了基于K-means的点云数据精简策略实现了在充分保留细节特征的前提下，精简84%的冗余数据；其次，构建了简度、速度、精度的精简效果三维评价指标体系并对精简算法进行评价；最后，构建了能够提取局部特征的PointNet++故障诊断模型。实验结果表明，相比于点云数据直接驱动PointNet++,K-means聚类精简点云驱动PointNet++的行星齿轮故障诊断的准确率提升了6.9%,表明了所提方法的有效性。     

基于神经网络模型的海南变电站接地网Q235钢腐蚀率预测

运用MATLAB软件在土壤腐蚀等级评价指标上随机生成了2 000组训练样本和200组测试样本来增强网络的鲁棒性(抗变换性)和样本识别准确性,找出了适合BP和RBF神经网络模型的结构参数,构建出了性能和稳定性都较好的BP和RBF神经网络模型。用现场采集的海南省变电站土壤腐蚀相关数据分别对已建并训练的BP和RBF神经网络模型进行检验,并用这两种模型对变电站接地网普遍使用的Q235钢的腐蚀速率进行了预测。结果表明:两种模型预测的准确率均在95%以上;BP神经网络模型在结构和运算方面比RBF神经网络模型好,但需要设定的参数多、较繁琐,而RBF神经网络模型只需设定Spread值,较简单,且RBF神经网络模型在训练精度和泛化能力方面均优于BP神经网络模型。     

基于系统仿真的发动机装配线工艺设计研究

文章主要研究系统仿真技术在发动机装配线工艺设计中的研究与应用。根据产品的3D模型、工艺设计方案的逻辑模型以及实际的生产数据构建出产品工艺设计仿真模型,即"仿真模型=3D模型+逻辑+数据";通过对仿真模型运行,对产品的实际生产过程进行仿真验证;从而对工艺设计方案进行评价与优化,改善设备的利用率,优化生产节拍,提高产能。结合某汽车厂商的发动机装配线,根据其生产线3D模型、工艺设计方案、工厂的实际生产节拍,构建生产线的仿真模型,利用系统仿真对发动机装配线的工艺设计方案进行仿真优化。     

电液伺服Stewart平台激振系统仿真研究

对电液伺服Stewart平台用于低频、重载工况下的空间多自由度振动激励进行了仿真研究.设计了伺服液压缸,构建了液压Stewart平台的CAD模型.由平台单通道电液位置伺服系统的数学模型建立了其仿真模型,根据选定的系统参数,确定了控制策略,对其响应特性进行了分析.在Simulink环境下构建了Stewart平台激振系统的整体仿真模型,对激振系统进行了单自由度加载和多自由度加载两种工况下的仿真试验,对激励波形复现精度进行了分析.     

基于计算机技术镁/铝合金FSW接头寿命预测

采用不同的摩擦头搅拌速度、焊接速度和单位长度上的旋转次数进行AZ91D镁合金和6061铝合金的搅拌摩擦焊,获得表征焊接接头寿命的指标数据；并将其作为计算机预测模型的训练样本和验证样本,构建了两种预测模型进行试验.结果表明,3×12×2三层结构模型的训练误差过大无法满足试验要求,3×12×8×2四层结构预测模型的训练误差和预测误差均较小,预测精度较高,具有较大的实用价值.     

基于遗传算法和神经网络的复杂对象的建模与优化

针对复杂对象全局优化结果较多,难以选取最佳参数组合的问题,提出了一种新适应度函数,其特点是使用了目标函数关于其影响参数的梯度之和。结合提出的新适应度函数,首先进行已知模型的遗传算法寻优,然后对神经网络构建的模型进行遗传算法寻优。两次试验结果都表明,搜索到的最佳性能目标对应的参数组合具有较强的鲁棒性。     

Apriori算法及神经网络在数控机床中应用研究

数控机床加工精度受到机床零部件、外部环境等因素的影响，从而需要添加适当的补偿参数确保加工精度的稳定性，另外，不同车床不同时刻的补偿参数实时变化。为此，提出一种基于关联规则及神经网络方法的智能误差补偿模型。以实际生产中产生的数据集为基础，通过Apriori算法对数据集进行筛选；对各个特征值与补偿参数进行归一化处理，以提高数据的收敛速度；利用神经网络模型为不同情形下的车床搜寻最佳补偿参数模型，从而构建起最佳的智能误差补偿模型；经过智能误差补偿后,对生产的物件进行图像识别，分析其是否符合精度要求。仿真测试结果表明:针对训练集数据和测试集数据，车床稳定性分别提高了0.695和0.713。实测结果显示:利用上述方法，对30个产品进行雕刻，精度均符合要求。因此，智能误差补偿模型能够提高车床加工稳定性，提升产品合格率。