碳纳米管薄膜传感器及其应变传感特性

碳纳米管薄膜可作为应变传感器用于结构损伤的健康监测。采用机械搅拌、超声处理和高速离心等分散工艺将多壁碳纳米管单分散后,通过真空吸滤法制备碳纳米管薄膜。对碳纳米管薄膜传感器进行了深入的研究,设计了一种高灵敏度的碳纳管薄膜应变传感器,与结构基体一体成型。弯曲应变传感实验表明碳纳米管薄膜传感器在不同的应变范围、不同的循环次数、不同的温度范围等条件下都具有良好的应变传感特性。结果表明碳纳米管薄膜传感器灵敏度较高,灵敏度系数为188.31(0~22 500 με),且具有较好的应变传感可逆性和可重复性。      

产品并行设计过程基本要素研究

为了对产品并行设计过程进行有效地管理、规划、协调和控制,建立了产品并行设计过程体系结构,分析了产品并行设计过程的特点,对产品并行设计过程所必需的既完备而又不冗余的W 2H基本要素做了必要的描述,对如何利用这些要素对产品并行设计过程进行跟踪管理进行了分析和研究。     

导弹测试性指标的研究与应用

对于测试性指标故障检测率、故障隔离率和虚警率的解答,一直是工程应用领域面临的重要问题。针对具体导弹研制过程,在已有的地面测发控系统基础上,提出针对弹上系统的自动诊断测试系统原理性设计,以及在此基础上进行了导弹测试性指标研究。     

纳米复合材料分散相分散均匀性的分形表征

针对传统的纳米复合材料分散相分散均匀性评价方法的不足,提出了一种以分形理论为数学模型基础,以纳米复合材料的透射电镜(TEM,Transmission Electron Microscope)图像为评价对象的分散相分散均匀性的定量评价方法.运用离散对象构成的自然分形体的分形维数建立了分散相分散均匀性的数学模型.将纳米复合材料TEM图像进行图像处理,以纳米复合材料TEM图像的中心为圆心以不同的半径做圆,提取不同的圆内的粒子数与回转半径,并在双对数坐标中直线拟合.该直线的斜率的倒数即为分散均匀性参数,并以此作为评价分散相分散均匀性的指标.将该方法实际应用于聚合物基纳米填充复合材料分散相分散均匀性的描述,验证了该评价方法的可行性.     

沈航工程硕士培养与产学研结合模式研究

产学研结合在工程硕士培养中起着非常重要的作用.本文介绍了沈航的学科特色和优势以及在培养工程硕士过程中,课程学习、遴选导师、学位论文等不同阶段结合产学研的方法和经验,为其他高校培养工程硕士提供一定的参考.     

碳纳米管用于聚合物基复合材料健康监测的研究进展

碳纳米管因其优异的机电特性,在聚合物基复合材料的健康监测方面具有广泛的应用前景。综述聚合物基复合材料中碳纳米管传感的最新进展:碳纳米管与树脂共混、碳纳米管涂层纤维、碳纳米线和碳纳米纸。利用碳纳米管传感网络来监测结构应变损伤是不同碳纳米管传感的核心原理。碳纳米纸可以解决碳纳米管与树脂共混时的难分散、碳纳米管涂层纤维的协同变形和碳纳米线的全结构监测等问题,为碳纳米管传感工程化应用提供了条件。实现碳纳米管传感在聚合物基复合材料健康监测领域的工程化应用是未来的发展方向。     

基于小波神经网络的航空刀具磨损状态识别

针对航空零件的加工特点,采集刀具在不同磨损状态下的声发射(AE,Acoustic Emission)信号,对AE信号进行时频分析和小波变换,运用快速傅里叶变换(FFT, Fast Fourier Transform)以及db8小波5层分解,提取AE信号幅值的均方根和主能量频段的能量作为特征向量,对特征向量进行归一化处理后作为输入向量对小波神经网络进行训练.小波神经网络运用参数调整算法,在权值和阈值的修正中加入动量项.测试结果表明:AE信号对刀具磨损敏感的频率范围在10~150kHz,网络实际输出与期望结果的误差小于0.03,该方法能够对刀具不同磨损状态进行正确的识别.      

金刚石工具的性能、应用研究与进展

研究和综述了3种类型金刚石工具的性能与应用,为金刚石工具的合理选用提供了参考。对镀覆金刚石工具的应用与进展、金刚石颗粒均匀有序在工具中排列的应用与进展作了研究表明：金刚石工具有广阔的发展空间与应用前景;并对金刚石工具研究方向作了简要分析。     

基于主元分析和BP神经网络对刀具VB值预测

对声发射信号进行5层小波分解提取6个频段的能量值,把它与切削速度、切削深度、进给量和切削时间一起作为刀具状态的特征向量.通过主元分析进行降维、消除特征向量间的相关性后,把得到的主元作为BP(Back Propagation)神经网络的输入向量.BP神经网络应用改进的LM(Levenberg-Marquart)算法进行学习,利用输入向量对网络进行训练后,实现对刀具后刀面磨损量VB的预测.实验结果显示:基于主元分析和LM算法改进的BP神经网络建立的预测系统,网络输出与实测VB值的误差0.03以内;根据预测VB值的范围可判别出刀具的不同状态.      

基于EMD与LS-SVM的刀具磨损识别方法

针对刀具磨损声发射信号的非平稳特征和BP神经网络学习算法收敛速度慢、易陷入局部极小值等问题,提出了基于经验模态分解和最小二乘支持向量机的刀具磨损状态识别方法.首先对声发射信号进行经验模态分解,将其分解为若干个固有模态函数之和,然后分别对每一个固有模态函数进行自回归建模,最后提取每一个自回归模型的系数组成特征向量,特征向量被分为两组,一组用于对最小二乘支持向量机训练,另一组用于识别刀具磨损状态.试验结果表明:该方法能很好地识别刀具磨损状态,与BP神经网络相比具有更高的识别率.