排序方式: 共有22条查询结果,搜索用时 218 毫秒
1.
考虑弯扭变形的叶片模型配准方法 总被引:1,自引:1,他引:1
叶片测量数据与其CAD模型的配准定位是叶片几何形状分析的关键步骤。针对涡轮叶片的弯扭变形对叶片模型配准定位的不利影响,提出一种考虑弯扭变形的叶片模型配准方法,以提高叶片模型配准的可靠性与鲁棒性。在迭代最近点算法的目标函数中引入预变换函数,建立考虑弯扭变形的叶片模型配准目标函数。对叶片模型做切片化处理,进行弯扭变形分析生成叶片弯扭变形曲线,使用叶片弯扭变形曲线指导叶片测量数据配准。使用仿真生成带弯扭变形的叶片数据与通过坐标测量机获取的叶片实测数据对配准方法进行了验证。结果表明,所讨论方法能提高模型配准的可靠性,避免弯扭变形可能导致的叶片模型配准失败。 相似文献
2.
3.
4.
针对复杂曲面零件在三坐标测量过程中存在着定位难、定位精度低的问题,基于改进的迭代最近点算法,提出了考虑半径补偿的预定位与精定位的多级定位算法;并通过建立定位点几何误差与叶片定位精度的数学关系模型,结合贪婪算法与六点原则,给出了近优的定位点序列生成方法。结合定位算法与定位点序列,给出了复杂曲面零件定位迭代流程,并开发了三坐标测量定位系统。以涡轮叶片为例,通过的定位仿真和定位实验,结果表明:该系统只需测量12~18个点即可使得叶片定位误差在0.1mm以内,证明该系统能有效的提高复杂曲面零件的定位精度和效率。 相似文献
5.
6.
7.
8.
9.
针对熔模铸件模具型腔设计中存在收缩率赋值不准确导致多次修模的问题,作为初期研究,提出一种典型结构在凝固过程中收缩率的预测方法,为铸件收缩率预测提供一种思路。由于BP神经网络具有强大的容错性和鲁棒性,故基于BP神经网络构建依附于铸件结构的几何参数和收缩率之间的映射模型。由于BP神经网络隐含层神经元尚无针对不同案例的设计准则,因此,在映射模型建立时研究隐含层神经元个数对建模准确度的影响。结果表明,针对此典型结构铸件,当隐含层神经元个数为3时,映射模型的预测误差最小,此时,测试样本的预测和实测值收缩率平均偏差为0.09%,可较好地实现凝固过程收缩率预测。 相似文献
10.