60天实验志：另一支队伍的形成!

他们对着国旗庄严宣誓,他们在志愿者精神的大红幅上签下自己的名字。从那一刻起,他们不仅是孩子的爸爸、爸爸的儿子、妻子的丈夫,他们还成为了一诺千金的战士!他们要遵守的不仅是一个成熟男人的信义,更要承担一项伟大事业参与者的责任。无论身体有多么苦痛,无论日子有多么难熬,承诺,这背后的道德基石和品质力量让他们在自我控制和调节中顽强坚守。这是一场隐忍的战斗,没有刀光剑影,没有战火硝烟,而他们的敌人在他们的心里,在漫长的枯燥时光里,时刻准备着突击。他们相互鼓励,相互打气,让心中的爱,心里存满的挂念化作勇气和力量。你会相信:在和平或战争的年代,他们都是一支精锐之师。     

固体火箭发动机封头界面粘接相控阵超声检测技术可行性研究

固体火箭发动机封头部分的界面粘接状态目前还没有有效的检测方法,采用相控阵超声自动电子聚焦技术为该结构的检测提供了新思路.根据声线理论,研究等厚、不等厚壳体的界面粘接相控聚焦检测方式,得出相控聚焦具有较高的检测分辨率,同时也能解决不等厚壳体构件的界面粘接检测;对固体火箭发动机封头构件的粘接状态进行仿真分析,结果显示相控阵超声能很好地检测出构件的脱粘区域和大小,表明该检测方式在界面粘接检测方面具有广泛的应用前景.     

超声疲劳研究

超声疲劳试验方法省时、节能,适用于材料的长寿命疲劳和低速率裂纹扩展研究。近年来该试验技术和理论研究日益发展成熟。超声疲劳不仅属于疲劳学和断裂力学的基础研究,而且其成果已应用于航空、航天等工业领域。着重介绍超声疲劳研究的进展。     

单激励超声椭圆振动车削薄壁筒实验研究

通过对普通夹心式超声椭圆振动换能器结构的研究,设计了一种能够在单一纵向激励的情况下产生椭圆振动的换能器结构,利用有限元分析工具对换能器的结构进行分析,并且利用光纤测振仪对单一纵向激励换能器进行了测量,验证了可以通过单向激励产生椭圆振动。利用这种结构研制了一套单激励超声椭圆振动车削系统,采用PCD刀具对LY12实心件和薄壁筒工件进行了精密切削实验,实验结果表明椭圆振动切削可以大幅度降低切削力,明显改善薄壁工件的形状精度,同时工件还具有较好的表面粗糙度。     

超声振动切削中的自动调谐技术研究

在超声振动切削中,由于系统的发热及加工负载的变化,机械谐振系统的谐振频率会在较大范围内发生变化.若超声波电源的工作频率不能自动跟踪机械系统的谐振频率,超声振动切削就无法持续稳定地进行.为了解决上述问题,分析了超声振动切削系统的组成,剖析了系统中超声换能器的电阻抗特性,提出了根据换能器中电压和电流的相位差来调整超声波电源工作频率的自动调谐方法,并设计了相应的自动调谐系统.试验结果表明:该自动调谐方法在加工条件变化的情况下能使切削系统始终工作在谐振状态,实现连续稳定的振动切削.      

一种新颖的宽带窄脉冲超声波发生电路

介绍了一种新颖的无变压器直流高压发生电路,可用于超声波发生电路,具有体积小、调节方便等优点。     

超声疲劳试样设计

介绍了超声疲劳试样的设计计算方法,给出了谐振状态下不同形式、尺寸试样中沿其谐振长度方向的位移、应力分布。结果表明:狗骨形试样中,中间等截面段尺寸对试样中应力的大小、分布影响很大。分析狗骨形试样应力放大系数表明,应力放大系数随着试样中间等截面段直径的减少会有显著增加,随着试样中间段长度的增加,应力放大系数也相应降低。     

基于深度学习的焊缝PAUT数据智能化分析方法

超声相控阵检测技术(PAUT)凭借其突出的技术优势被广泛应用在船舶、铁路、石油石化和航空航天等诸多领域。在焊缝超声相控阵检测(PAUT)中，对检测数据缺陷的识别定位目前多采用传统的人工判读方式，判读效率较低，对检测人员的判读经验有较高要求，难以满足自动化超声检测的要求。基于深度学习中的目标检测和跟踪算法构建智能识别模型，通过对焊缝超声相控阵检测的S、B扫图特征进行融合，并结合焊缝的三维结构信息，识别并定位出缺陷在焊缝中的三维空间位置。实验结果显示: 缺陷框的平均三维IOU(预测三维缺陷框和实际三维缺陷框的平均交并比)达到0.644 9，较为接近缺陷的真实空间位置，可以实现焊缝超声相控阵检测成像结果智能识别和定位。      

超细晶硬质合金加工机理及加工性能

围绕超细晶硬质合金精密磨削加工、在线电解修整磨削加工、电火花加工、超声复合加工、激光复合加工等加工方法,系统综述了超细晶硬质合金的加工机理和加工性能,并展望了超细晶硬质合金高效精密加工未来的研究重点。     

AHPSO-SVM预测超声内圆磨削ZTA陶瓷的边界损伤

为解决普通加工方式易出现工程陶瓷边缘碎裂的问题,本文对超声内圆磨削工程陶瓷边界损伤预测系统进行了研究。在35 kHz轴向超声磨削与普通磨削两种条件下独立进行试验,运用支持向量机研究工艺参数与边界损伤影响规律,采用改进的粒子群算法优化支持向量机,建立采用混合核函数的AHPSO-SVM预测模型。研究结果表明,超声激励下试件边界损伤降幅为10.05%～21.23%,AHPSO-SVM预测模型MSE为0.378 4、平均相对误差为1.369 0%、30次适应度值标准差为0.020 2。相比于普通磨削,超声磨削可使ZTA陶瓷边界损伤值显著降低;建立的AHPSO-SVM模型具有较好的学习能力、泛化性能与良好的稳定性。