超声振动改善深孔镗削加工质量

深孔加工在航空发动机制造过程中广泛存在,由于其刚性弱,静态让刀量大,导致加工颤振和刀具磨损严重,使得其加工质量难以得到保证。超声振动切削作为一种特种切削加工手段,具有降低切削力,提高系统刚性和抑制加工颤振等优势。将超声振动应用于深孔镗削,进行了断屑条件验证,孔径误差测量,已加工表面粗糙度测量以及表面形貌观测等试验。试验结果表明,超声振动镗削能够有效缓解深孔镗削过程中的堵屑问题,减小孔径误差和表面粗糙度,抑制切削颤振,从而改善深孔镗削加工质量。     

高速超声振动切削钛合金可行性研究

钛合金由于其出色的机械性能广泛的应用于航空航天结构组件中。但较低的机械加工性使得钛合金切削速度低,即使在使用先进的切削刀具时,也因切削高温而难以进行高速切削加工。断续切削是一种有效地降低切削温度和改善切削质量的方法,作为典型的断续切削方法,传统超声振动切削（Traditional ultrasonic vibration cutting,UVC）和椭圆超声振动切削（elliptical ultrasonic vibration cutting,EUVC）已取得了显著的加工优势。但振动切削临界速度限制了它们的应用仅在低速切削场合。因此一种新的超声振动切削方法被提出,即高速超声振动切削（High-speed ultrasonic vibration cutting,HUVC）,此时刀具的振动方向与进给方向平行。当切削速度远远超过UVC和EUVC方法的临界速度时,刀具和工件依旧可以在一定的条件下实现分离。从而HUVC方法实现了宏观上的高速切削和微观上的断续切削,提升了钛合金的切削加工性。首先,HUVC方法的原理在文中给出,随后通过一系列使用普通切削（Conventional cutting CC）方法和HUVC方法的高速切削Ti-6Al-4V合金的对比试验来验证HUVC方法的可行性。试验结果表明,因刀具磨损的显著下降,HUVC方法的刀具寿命可最大提升300%。此外,相比CC方法,HUVC方法的切削效率可以显著提升90%,切削力最大下降50%并在连续的切削加工过程中获得更佳的表面质量。     

超声振动切削技术发展简述

超声振动切削作为一种特种加工方式,在金属切削、脆性材料与复合材料加工领域中有着广泛的运用。一维超声振动切削和椭圆超声振动切削是超声振动切削加工的两种常见形式,能有效地降低切削力、切削热,并提高刀具寿命和加工表面质量。高速超声振动切削作为一种新方法被提出,打破了前二者的临界切削速度,并在TC4钛合金切削实验中保持了超声振动切削的传统优势,同时实现了200~400 m/min的高速切削,将超声振动切削推入了高速化发展阶段。     

薄壁盘类零件超声振动车削实验研究

薄壁盘是典型的弱刚度轻量化零件,其壁厚很薄(最薄处仅0.3 mm),型面面积较大,故刚性较差。在切削过程中,切削力导致的型面变形是薄壁盘类零件加工的主要难题,传统加工方法很难得到高精度和高质量的产品。利用超声振动切削技术尝试进行弱刚度薄壁盘加工,在自行搭建的实验平台上对超声振动车削和普通车削加工薄壁盘进行对比实验。结果表明:与普通车削相比,超声振动车削可显著减小切削力和切削变形,大幅提高加工质量,同时具有断屑特性,是加工薄壁盘类零件的有效方法。     

基于GAN-Cross的工控系统类不平衡数据异常检测

工业控制系统异常检测存在类不平衡问题,导致通用分类器很难实现异常数据的精准识别。目前,针对类不平衡数据,常用采样方法实现各类数据的平衡,以提高分类器性能。但传统采样方法对数据集特征敏感,采样效果稳定性差,异常检测精度波动大。文章基于生成式对抗网络（Generative Adversarial Network,GAN）,提出一种GAN-Cross采样模型,该模型可以学习目标数据的概率分布,并生成相似概率分布的数据,从而改善数据的平衡性。同时,文章在生成器和判别器中增加了交叉层,从而更好地实现特征提取。最后文章将该模型与随机森林、K-近邻、高斯朴素贝叶斯和支持向量机4种经典分类器进行组合,在4个公开类不平衡数据集上与其他4种常规采样方法进行比较。实验结果表明,与传统采样方法相比,该模型能够显著提高分类器对类不平衡数据的异常检测能力。     

面向ICS不平衡数据的重叠区混合采样方法

工业控制系统异常检测面临着数据不平衡问题,其中,不平衡数据存在的类重叠现象加剧了分类器的检测难度。基于数据类别平衡或数据重叠检测的应对策略较常被采用,但这些策略方法存在着模型稳定性差或重叠识别率低等问题。对此,提出了一种面向重叠区域的混合采样方法：OverlapRHS。该方法利用支持向量数据描述分别在多数类和少数类样本上构建重叠检测模型,并通过将合成少数类与邻域清洗进行组合,对重叠数据区域内的样本施以混合采样。最后该方法与4种经典分类器结合,在4个公开的不平衡数据集上进行了测试,并与其他4种处理不平衡问题的采样方法进行了比较。实验结果表明,所提方法能够有效检测出不平衡数据集中的重叠数据,并通过高效且针对性强的数据混合采样改善了分类器的训练效果,提高了分类器对不平衡数据的异常检测性能,展现了较之于其他采样方法在不平衡数据处理上的显著优势。