产品设计过程描述语言(PDL)的研究与开发

为了实现复杂产品全生命周期产品数据和过程数据的建模和管理,采用设计结构矩阵(DSM)工具对流程模型进行了可视化建模,并定义了一套产品过程描述语言(PDL)对整个流程模型进行描述,以便工作流引擎的识别,从而实现了产品数据和过程数据的共同演进.     

与软测量建模相结合的过失误差侦破新方法

软测量模型建立前对建模数据进行过失误差侦破与剔除,是确保数据质量、成功建立软测量模型的先决条件.针对软测量建模过程中建模数据过失误差侦破的特殊性,提出了一种适用于软测量数据的中心欧氏距离聚类算法(CED),这种新方法依据各数据点到数据中心的欧氏距离来判定过失误差,脱离了传统过失误差侦破方法依赖于机理模型的束缚,更好地适应了软测量的特点.针对单纯使用聚类算法实现过失误差侦破的不足,将其与软测量建模过程相结合,将建模误差作为过失误差侦破过程的指导,使其克服了由于单纯基于数据而存在的缺陷,并且在完成过失误差侦破的同时建立了软测量模型.实验表明这种与软测量建模相结合的基于聚类分析的过失误差侦破方法具有很好的效果.     

基于贝叶斯网络的轴裂纹故障诊断模型

介绍了基于贝叶斯网络的建模方法,并讨论各种贝叶斯网络建模方法的优缺点.以故障模拟器作为研究对象,通过对轴裂纹故障数据的采集、整理,采用4种不同的贝叶斯网络建模方法分别对数据集合的训练集建立模型;最后通过测试集对各模型精度进行验证,从而得出轴裂纹故障诊断的最优模型.     

基于改进串联混合建模方法的发酵过程菌体浓度软测量

发酵过程中菌体浓度难以在线实时测量,给控制与优化带来困难.针对这一问题,本文利用软测量技术来实现菌体浓度的在线估计,并提出了一种改进的串联混合建模方法用以建立菌体浓度软测量模型.改进的串联混合建模方法,克服了现有方法需要利用插值所得的数据进行软测量模型构建的不足,从而保证了建模数据的可靠性.利用诺西肽发酵过程生产数据进行仿真研究,仿真结果表明,基于改进串联混合建模方法的软测量模型是有效的,比基于现有方法的软测量模型具有更好的估计性能.     

基于Teamcenter和UG的炼钢高炉设计研究与应用

针对复杂实体建模中模型文件数据管理混乱和实体建模装配设计效率低问题,在集成UG的Teamcenter环境下,使用一种自顶向下的装配设计方式,充分利用各个零部件尺寸和相对空间位置,对炼钢高炉进行数字化建模,实现了高炉模型文件数据的有效管理和协同设计,缩短了高炉设计时间,为实体建模和协同数据管理提供了一种思路.     

基于平衡流形的涡扇发动机建模仿真

考虑到发动机正常工作状态基本位于其平衡流形的附近,因此采用平衡流形非线性动态建模方法对涡扇发动机慢车以上工况进行建模,以便研究平衡流形附近系统特性.该建模方法可通过动静两步法加以实现,并针对具体参数给出了建模的步骤和算法.最后通过数值仿真将试验数据的输出与模型的输出进行对比,用另外一组试验数据对模型进行校核.仿真结果表明,该模型达到了工程精度要求.     

时序分析在机床上的应用技术讲座第三讲建模(一)

建模,就是对观测时序拟合出适用的ARMA模型。这是时序方法的关键,因为任何实际应用的成功都建立在模型正确的基础上。建模工作主要包括数据的采处、模型参数的估计和模型阶数的确定,其中最关键的是参数估计。 一、数据的采集与预处理 数据的采集主要是指对连续信号进行离散采样     

自主PDM数据建模方法及CAD集成

在国产工业软件崛起的大趋势下,中国舰船研究设计中心研发了自主PDM软件（海云PDM）。文中在海云PDM内核基础上提出了一套数据建模方法,并研发了图形化数据建模管理工具,通过与Rational Rose集成,使数据建模符合UML建模规范。同时,对海云PDM与国产三维CAD设计软件SPD进行了数据集成,分析了SPD各专业的数据层次结构及数据关系,实现了三维模型数据的存储与管理。     

基于实验数据的航空发动机稳态模型建模

针对基于部件级航空发动机稳态建模过程中完整、准确的航空发动机部件特性数据往往难以获取,建模时间长等现象,提出使用实验数据进行辨识建模的方法;为了建立航空发动机的稳态模型,通过对某轻型飞机实验台的飞行实验数据进行分析整理,提出使用BP神经网络对发动机重要参数进行建模,同时使用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络的权值和阈值进行优化。最后,使用改进粒子群优化算法(Improved particle swarm optimization algorithm,IPSO)对传统粒子群优化算法进行改进,仿真结果表明IPSO-BP网络建立的发动机模型精度更高,稳定性更好。     

实验数据RBF神经网络模型中噪声的处理方法

实验数据的非线性建模,是对各种仪器、设备的性能进行校正和补偿的基础.讨论了神经网络非线性建模时数据中的噪声成分造成的过拟合现象以及对模型精度的影响,针对RBF网络给出了2种提高建模精度的方法建模数据预处理法和网络参数优化法.在数据预处理方法中,根据建模样本的特点,分别采用滑动平均法和灰色模型法对原始建模数据进行修正,并分析了它们的适用场合;对于后一种方法,选择径向基函数分布宽度和学习目标进行优化.以精密平台为例进行了实验,通过对其定位误差的测量、建模和预测,证明了上述各种方法的有效性,特别是后一种方法,可以得到非常高的建模精度.     

寄生式时栅传感器动态测量误差的贝叶斯建模

为了提高寄生式时栅传感器的测量精度,分析了它的工作原理和动态误差组成,得到其主要误差分量为常值误差、周期误差和随机误差等。针对寄生式时栅误差特点,建立了寄生式时栅动态误差高精度预测模型,并与其他建模方法进行了比较。选用插入标准值的贝叶斯预测模型,以实际测量的传感器第一个对极动态误差数据进行建模,在后续对极特定位置插入部分实际误差测量数据,建立误差预测模型,预测了传感器后83个对极的动态误差。另选用三次样条插值和BP神经网络建模方法对寄生式时栅整圈动态误差建模,并与建立的误差模型进行了对比。验证实验表明,三次样条插值建模时间最短(0.62s),但其建模精度不高(16.050 0″);贝叶斯动态模型建模时间(0.86s)略长于三次样条插值,但建模精度最高(0.415 3″);BP神经网络建模时间最长(32min),但建模精度最低(19.680 2″)。同时贝叶斯插入标准值建模方法所需数据点(69395个)远少于三次样条和BP神经网络建模数据点(235526个),节省了大量的标定时间和建模数据量,因此可用于寄生式时栅传感器的动态测量误差高精度建模修正。     

Modeling of a hydraulic excavator based on bond graph method and its parameter estimation

This paper focuses on two problems occurring in modeling a hydraulic excavator. The first problem arises in the modeling process. Because a hydraulic excavator has a very complex structure, the modeling process requires considerable time and is prone to errors. This problem is solved by conceptually modeling an excavator system using bond graph methods, the top-down and bottom-up methods, and the modeling software developed by the authors, and then, automatically deriving the nonlinear symbolic mathematical model from the conceptual model by using the modeling software. The other problem arises in obtaining parameters of the model. It is difficult to obtain the specification data for hydraulic components provided by manufacturers in general and to obtain the experimental data for estimating unique parameters. To solve this problem, an estimation method is devised for estimating parameters based on the experimental data that can be easily obtained. These methods enable easy and efficient modeling of an excavator system. In addition, the established model is verified through the comparison between the simulation and the experimental results. Also, this paper provides a good example of modeling of the large complex system.     

基于面向对象的模具零部件建模方法研究

针对模具行业人员在进行模具设计时,需要对模具一些重要零部件建模,由于是按照零部件的特征进行的,因此需要花费大量的时间,而且按特征建模还存在设计风险,因为它并不能控制零部件之问数据关联.本文提出在进行模具零部件的建模设计时,引进面向对象技术(OOP),把零部件从原来的单独建模发展为统一建模,并且把零部件之间的数据关联也自...     

参数化模型数据库的建立及应用

针对SFE CONCEPT^TM参数化建模设计软件的传统建模方式,存在建模速度慢、上手难度高、通用率低的特点。在白车身早期开发阶段,引入SFE参数化模型数据库概念。对跨平台多款车型数据调研,并结合白车身早期概念设计流程,制定SFE参数化模型数据库建模标准,并严格按照标准建立数据库以及对其应用。结果表明:达到了缩短建模时间、降低建模难度与模型通用率高的预期要求。     

并行环境下基于层次与特征技术的设备资源模型研究

将层次建模技术及特征建模技术有机地结合起来,对设备资源数据进行了分析与抽象,并应用面向对象技术,提出了设备资源特征的面向对象表达策略,建立了设备资源的层次模型和特征模型,为不同应用环境提供了不同层次的设备资源信息。     

协同设计环境下的产品造型系统

协同设计对于传统的产品造型系统有了更进一步的要求。本文总结了协同设计环境下的产品造型系统的特点,提出了一个协同产品造型系统的框架,对系统的造型方法以及产品模型的表示方法作了讨论,并对系统如何使产品模型具有动态的结构及表示以满足不同设计小组的需求作了说明。最后,文章对造型系统中约束的处理以及我们目前和今后所做的工作进行了简要的阐述。     

灰色系统模型在机床热误差建模中的应用

提出了采用灰色系统模型进行机床热误差建模的基本原理及方法，以及其在机床热误差补偿建模中的应用。论述了如何利用实测的热误差序列，通过对全数据GM（1，1）模型、新信息GM（1，1）模型和新陈代谢GM（1，1）模型进行机床热误差建模和预报，得出了新陈代谢GM（1，1）模型是机床热误差补偿建模最理想模型的结论。     

复杂型面逆向建模中的精度控制技术研究及应用

逆向建模得到的原型和实物样件之间的误差，直接影响了逆向产品的性能和质量。本文基于逆向工程原理，通过对应用3D激光测量、Surface软件进行叶片逆向建模过程的研究，分析了影响逆向建模精度的因素，提出了在逆向建模过程中控制精度的方法。     

基于粒子群优化算法的磁流变阻尼器多项式动力学建模方法

为提高磁流变阻尼器（MRD）多项式动力学模型精度,提出了基于粒子群优化（PSO）算法的多项式模型建模方法。搭建了MRD试验平台,利用测得的力学特性数据,辨识并对比分析了传统多项式与Chebyshev多项式模型;运用PSO算法,结合Lagrange插值方程和实测数据优化插值节点,经MATLAB Simplify函数化简,构建了多项式动力学模型;研究优化插值节点的PSO算法流程及主要步骤,分析比较PSO算法与Chebyshev模型的12阶多项式建模平均累积相对误差。研究表明,在正弦激励频率1 Hz、振幅15 mm、电流0~1.5 A工况下,PSO多项式建模方法比Chebyshev多项式模型相对误差下降了47.0%,能较好地反映MRD动力学特性,满足实际工程应用需要。     

Bayesian nonlinear structural equation modeling for hierarchical validation of dynamical systems

This paper presents a new Bayesian nonlinear structural equation modeling approach to hierarchical model assessment of dynamic systems, considering uncertainty in both predicted and measured time series data. A generalized structural equation modeling with nonlinear latent variables is presented to model two sets of relationships in multivariate hierarchical model assessment, namely, the computational model to system-level data, and low-level data to system-level data. A hierarchical Bayesian network with Markov Chain Monte Carlo simulation and Gibbs sampling is developed to represent the two relationships and estimate the influencing factors between them. A Bayesian interval hypothesis testing-based method is employed to quantify the confidence in the predictive model at various levels. The effect of low-level data on the model assessment at the system level is identified by Bayesian inference and factor analysis. The proposed methodology is implemented for hierarchical model validation of three dynamic system problems.