共查询到10条相似文献,搜索用时 46 毫秒
1.
激光焊接是一种能量密度高、热影响区窄、工件变形小的高效焊接方法,但单激光焊接仍存在很多的问题,如冷却速度较快,易产生裂纹、气孔等缺陷。加入合适的气场或采用摆动激光可有效抑制飞溅和气孔等缺陷;采用电弧辅助激光焊接可有效提高焊接过程稳定性,减少接头缺陷;通过超声波场、磁场、电场辅助激光焊接能够细化晶粒、降低元素偏析和裂纹敏感性,提升接头性能。分别从工艺优化、加入辅助热源、加入辅助能场3个角度对激光焊接研究现状进行了总结;最后对目前能场辅助激光焊接研究中存在的问题进行分析,并对其发展前景进行展望。 相似文献
2.
针对齿轮、轴承故障,提出了基于冲击特征提取胶囊网络的旋转机械智能故障诊断模型。在胶囊网络的构架基础上,将原始故障振动信号作为输入,通过构造首层小波核卷积层,针对性提取冲击故障特征,提高深度学习网络特征提取的可解释性。在小波核卷积层之后扩展一层卷积层,强化首层小波核卷积层提取的特征,将强化的特征经初级胶囊层、数字胶囊层输出分类结果,从而构造了“端到端”的小波卷积胶囊网络模型。通过对各层提取的特征可视化分析,证明了该模型对故障振动信号的冲击特征具有良好的提取能力。3个不同实验平台的数据集验证结果表明不同故障类型、不同故障程度的齿轮及轴承的识别精度最高可达到100%,并具有良好的泛化能力。 相似文献
3.
Shuili Gong Li Chen Wei Yao 《航空制造技术》2004,(Z1):42-47
针对2.5 mm厚BT20钛合金进行了CO2激光焊和YAG激光焊研究,结果表明由于激光特性不同,形成的焊缝几何特征不同,当焊接工艺适当,可保证焊接过程的稳定性和焊接接头的质量.在激光自熔焊时主要的焊缝缺陷是咬边,这是由于钛合金物理性能和激光高能束流焊特性所致.这种咬边缺陷不利于焊接接头性能,尤其是接头的疲劳性能和断裂韧性.采用活性剂和填丝焊,以及激光旋扫焊可以改善焊缝咬边缺陷,提高钛合金激光焊接头的力学性能. 相似文献
4.
5.
基于IRCMNDE和NNCHC的滚动轴承故障诊断 总被引:1,自引:1,他引:0
针对多尺度散布熵(MDE)在粗粒化过程中易发生信息丢失、产生虚假信息,难以全面提取轴承故障信息的问题,提出了基于改进的精细复合多尺度归一化散布熵(IRCMNDE)和最近邻凸包分类(NNCHC)的滚动轴承故障诊断方法。引入精细复合多尺度散布熵(RCMDE),将其粗粒化过程中平均值替换为最大值来表示数据段信息,以克服传统粗粒化过程的不足并突出故障特征。通过归一化操作减弱熵值计算时不同参数选择导致的熵值波动幅度,得到IRCMNDE。将IRCMNDE作为故障特征,使用NNCHC分类器对故障特征进行分类。经实验验证,该方法可达到98.98%的故障识别准确率,相比基于MDE(故障识别准确率为95.99%)和RCMDE(故障识别准确率为97.60%)的方法,能够更准确地提取滚动轴承的故障特征信息,提高承故障分类的准确性。 相似文献
6.
多任务学习(MTL)可以在训练中联合利用多个任务的监督信号,并通过共享多个相关任务之间的有用信息来提升模型性能。本文从目标分类识别应用角度,全面梳理和分析了多任务学习的机制及其主流方法。首先,对多任务学习的定义、原理和方法进行阐述。其次,以应用较为广泛、具有代表性且具有共性特点的细粒度分类和目标重识别为例,重点介绍多任务学习机制在目标分类和识别任务应用的2类方法:基于任务层的多任务学习和基于特征层的多任务学习,并针对每种类型进一步分类分析不同的多任务学习算法的设计思想和优缺点。接着,对本文综述的各种多任务学习算法在通用数据集上开展性能对比。最后,对面向目标分类和识别任务的多任务学习方法的未来趋势进行展望。 相似文献
7.
数值仿真是研究激光增材制造过程中各类物理现象、揭示零件缺陷形成机理、优化增材制造工艺参数的重要手段,该领域学者针对增材制造过程中的热分析、金属粉末颗粒性质分析、微观结构分析、质量缺陷成因分析等方面,开展了大量研究,提出了相应的数学模型和方法。激光增材制造过程的数值仿真是一个在空间和时间上均跨越多个尺度的复杂问题,微观、介观、宏观尺度下数值仿真所关注的对象和所使用的方法各不相同;多数研究聚焦于某一尺度下的过程仿真,另一部分研究则基于不同模型的数据关系建立模型间的耦合关系,实现热-相、热-力的综合分析。对现阶段激光增材制造数值仿真领域的主要技术进行了综述,在梳理数值仿真基本流程的基础上,对其中涉及的热源模型,粉末模型,力学模型以及微观结构模型进行了介绍,讨论了其特点和适用性;结合相关技术领域的发展,探讨了激光增材制造数值仿真技术的发展方向,旨在为本领域的技术研究与发展提供参考。 相似文献
8.
针对传统的数据特征提取方法难以提取航空发动机滑油监测数据有效特征的缺陷,提出了一种基于多尺度卷积神经网络(Multi-scales convolutional neural network,MSCNN)、长短期记忆(Long short-term memory,LSTM)神经网络和BP网络的单通道网络模型MSCNN-LSTM-BP。将多尺度学习融入CNN,MSCNN和LSTM以串行方式提取数据在空间维度和时间维度的二维特征。实验结果表明:3尺度的MSCNN-LSTM-BP对数据样本的分类准确率达到98.2%,单组电容数据采集测试时间仅为2.1986ms,综合分类率F1达到98.57%,总体性能优于CNN,LSTM和传统的多尺度特征提取方法。MSCNN-LSTM-BP满足航空发动机滑油监测对于实时性和准确性的要求,具有良好的适用性。 相似文献
9.