基于SDT的平面尺寸公差模型研究及应用

公差建模是在CAD系统中进行准确无误的公差表述,并对其语义作出正确合理的解释.为了在CAD系统中表示出公差的工程语义,提出一种基于SDT(small displacement torsor)的平面尺寸公差建模方法.根据约束条件将平面尺寸公差分为2类,研究了不同类型尺寸公差的约束关系,建立相应的尺寸公差数学模型,完整地表示出尺寸公差的工程语义.最后用此模型对公差综合进行验证,在满足装配要求的条件下,给出SDT中各个分量,得出平面尺寸的公差值,结果表明该方法合理有效.     

金属增材制造技术发展趋势综述

近年来金属增材制造技术的快速发展,使其在航空航天、医疗行业、汽车制造等领域得到了大量应用.本文简要介绍了金属增材制造的典型工艺、金属粉末和金属丝材的制备方法以及基于文献统计的方法分析金属增材制造目前的研究热点和发展趋势.结果 表明,金属增材制造技术在仿真设计、制造工艺、过程监控、质量评估、后续处理等领域还没有形成完善的...     

三线结构光光条中心的提取方法

三线结构光三维测量中,结构光图像光条中心点提取的精度直接影响系统最终测量精度.提出一种三线结构光光条中心的亚像素级提取的融合方法,该方法融合了自适应中值滤波法、阈值法、均方灰度梯度法和加权灰度重心法.采用自适应中值滤波法对光条图像进行去噪、用阈值法初步提取光条中心,采用均方灰度梯度法求光条法线方向,在法线方向上应用加权灰度重心法获得亚像素级光条中心.实验结果表明:该方法可以精确快速地提取光条中心,达到亚像素级的精度.     

圆柱度误差评价方法研究

建立了圆柱度误差评价的最小区域法、最小二乘法、最小外接圆柱法和最大内接圆柱法的数学模型,将一种含收敛因子的粒子群优化算法应用于圆柱度误差的目标函数的优化问题.通过实例的分析与计算,比较了各种模型的计算精度.     

PEEK/CCF复材增材制造多重分形谱表面形貌评定方法

随着航空事业的发展，增材制造(AM)被用于连续碳纤维增强聚醚醚酮(PEEK/CCF)复材的成型制造中，其中AM工艺参数对PEEK/CCF复材加工形貌有较大影响。基于此提出了一种基于多重分形谱表面形貌评定方法，通过PEEK/CCF复合材料在AM中的成型速度(v)、成型厚度(s)、成型角度(θ)与加工表面粗糙度和表面形貌之间的关系设计了单因素试验，研究了PEEK/CCF复合材料在AM中的v,s,θ与表面形貌之间的关系，结合成型材料表面多重分形谱的方式，评定AM中所选工艺参数对表面形貌的影响，得到了加工表面粗糙度和表面形貌随v,s,θ的变化特点。结果表明，v,s对材料表面形貌有明显影响，θ对表面形貌影响较小，通过试验验证了PEEK/CCF复合材料表面形貌有较好的分形特征，多重分形谱谱差ΔD(α)表征表面波峰波谷的占比，其值越大，材料表面形貌越复杂，分形谱的宽度Δα表征表面起伏程度，定性表征了形貌特征，最终工艺参数组合为v=20 mm/s,s=0.2 mm,θ=30°。     

面向智能装配的工艺知识管理方法EI北大核心

针对机电产品装配过程中智能化程度不高、工艺知识量大且繁琐的问题,提出了面向智能装配的装配工艺知识管理方法。研究了基于本体的工艺知识建模方法,利用本体描述语言(OWL)对知识本体进行编码。分析了装配过程涉及的工艺知识的特征,根据知识的类型构建了对应的装配工艺知识库,提出了产品全生命周期装配工艺知识管理方法;设计了基于本体的语义相似度和逻辑推理相结合的工艺知识智能推理流程,结合制造执行系统(MES)和闭环控制思想,提出了装配工艺评价与优化方法。以继电器为对象,验证了机电产品工艺知识管理方法的有效性,开发的工艺管理系统应用在某航天电子企业。     

连续与短切CF增强PA6复合材料双喷头3D打印工艺参数优化

为提升连续碳纤维(CF)和短切CF增强尼龙6复合材料3D打印制件的力学性能、优化3D打印基础工艺参数，基于熔融沉积型3D打印工艺，通过自主搭建的双喷头3D打印实验平台制备打印制件，并以此为研究对象，设计4因素3水平正交试验，研究连续CF隔层数、连续CF打印间距、打印温度、打印速度四种工艺参数对打印制件拉伸强度和弯曲强度的影响。采用极差分析法得到最佳工艺参数组合，验证正交试验结果。使用扫描电子显微镜观察拉伸制件和弯曲制件的断裂面微观形貌，进一步探究了打印制件的层间断裂形貌特性和层内丝材分布规律。结果表明，当连续CF隔层数为1、连续CF打印间距为0.5 mm、打印温度为250℃、打印速度为900 mm/s时，打印制件的层内沉积线之间孔隙较少，层间结合效果较好，其拉伸强度和弯曲强度达到最高，分别为109.73 MPa和119.14 MPa，与短切CF增强尼龙6复合材料相比，拉伸强度提升了249%，弯曲强度提升了286%。     

基于注意力机制的滚动轴承故障诊断方法

针对传统故障诊断方法无法自适应选择特征以及难以应对负载变动、噪声干扰的问题，提出一种基于注意力机制的端对端故障诊断方法，通过卷积神经网络(CNN)对原始振动信号进行空间特征提取，基于双向长短时记忆网络(BiLSTM)提取时序特征，利用注意力机制判断BiLSTM各时刻隐藏层状态的重要性并赋予相应的权重，对所有时刻的隐藏层状态进行加权求和，并以Softmax层作为分类器进行故障诊断。利用VALENIAN-PT500实验台采集的数据和公开数据进行实验验证，结果表明，所提方法诊断精度高、泛化性强，在变负载和噪声干扰条件下能保持良好的故障诊断性能。