航空发动机智能加工技术进展研究

针对航空发动机复杂构件加工领域,智能加工技术是关键构件加工过程的重要技术保障.通过分析目前航空发动机智能加工技术中存在的问题,揭示智能加工技术的内涵、意义和特点;阐明智能加工过程中的关键技术及发展现状和进展,指出对应的科学问题和实现方法,从而为航空发动机高品质、高可靠、高效率制造提供技术支撑.     

一种难加工材料深孔薄壁零件加工方法

通过分析某30CrMnSiNi2A深孔薄壁零件在加工过程中存在的问题基础上,采用了带涂层的深孔加工刀具拉镗拉铰加工内孔后,再进行珩磨,最后以轴向定位夹紧的方式加工外形的思路,该方法保证了零件加工精度,解决了该薄壁深孔零件的加工问题,完全满足生产实际需要.     

Hermite算法的收敛性分析及其改进

为了提高多点切触加工算法的计算效率,对其中的Hermite算法进行了改进,并且对改进后的Hermite算法的收敛性进行了理论分析,推导了改进后算法的局部收敛条件,同时给出算法的Steffensen加速迭代公式并新提出了一种基于试算的待定系数迭代法.分析和实例表明,改进后的Hermite算法属于线性收敛的算法,而待定系数迭代法则有接近二阶的收敛速度.综合应用上述算法,可以满足一般性自由曲面多点切触加工刀位计算的要求.      

基于设计特征模型的加工特征映射技术

为了实现数控编程过程中能够自动确定加工区域,对基于特征设计系统构建产品模型的方法、产品信息模型、信息模型间的关联关系、飞机结构件加工特征定义分类、设计特征与加工特征间的内在关系进行了深入的研究,提出了基于设计特征模型映射加工特征的方法.该方法通过遍历特征设计树,判断特征间的关系,查询特征组成面信息,从而构建出特征属性邻接图,进而采用基于图匹配的特征识别方法得到加工特征,并提取加工特征信息.该方法压缩了图匹配空间,大大提高了特征识别的速度,应用此方法实现了飞机壁板类零件的特征识别.      

基于有限元仿真的航空整体结构件变形校正

针对航空整体结构件变形复杂、校正效果难以定量预测的工程问题,基于有限元仿真技术,综合研究加工变形—校正过程,对航空整体结构件的变形校正有限元建模、校正过程数值模拟、校正参数确定、校正载荷施加形式及校正残余应力等关键技术进行了研究,并运用上述技术对某航空铝合金材料整体结构件进行了变形校正有限元数值模拟.结果表明,综合研究加工变形—校正过程,提取变形有限元模型作为初始校正模型,进行有限元加载—卸载分析,可很好地模拟校正过程,并获得实际需要的校正参数.      

数控加工中等高线刀具轨迹的生成

针对高质量的等高线高速加工要求,设计并实现了数控加工中、根据刀位面及其Zmap模型计算等高线刀具轨迹的原理和算法.该算法充分考虑了刀位面Zmap模型的特点,能确保刀具轨迹始终处于顺铣状态,从而保证了良好的加工工艺性.算法稳定性好,计算速度快,并已在商品化软件CAXA-ME中成功实现.      

太空科学实验

利用太空的特殊环境和资源，进行地面难以进行的科学实验，可获取新的知识和技术，促进人类社会的进一步发展，提高人们的生活质量。     

航空结构件加工变形仿真关键技术

对航空结构件铣削加工变形仿真的关键技术进行了深入研究.编制残余应力施加通用程序,建立包含有初始残余应力的加工变形有限元预测模型;由于铣削加工,毛坯体变为薄壁工件,在进行有限元仿真过程中,提出体-壳单元与实体单元的混合单元建模方法,以提高计算效率及便于后续研究;针对工件与工作台单面约束的接触作用及其它工程中的类似单面约束问题,提出将工件视为弹性体,工作台视为刚性体,转化为接触方式进行纯压缩边界条件的模拟,对某典型工件进行了有限元仿真并与模态试验结果对比,验证了其有效性和准确性;基于生死单元技术进行材料去除模拟.通过上述关键技术的理论研究及应用,实现了航空结构件加工变形过程的有限元仿真.      

频率选择表面传输特性的温度循环效应

根据国家军用标准GJB 150-86对不同涂层材料和加工工艺的频率选择表面(FSS,Frequency Selective Surfaces)进行了温度循环的环境模拟试验,通过比较温度循环前后FSS的谐振频率、传输损耗、频带宽度和入射角稳定性等传输特性的差异,考察FSS在温度循环条件下的性能稳定性.结果表明,温度循环对不同材料和工艺的FSS的传输性能有较大影响,主要表现在FSS的传输损耗和频带宽度两方面.不同FSS在经过温度循环后,谐振频率下的传输损耗增大0.5~3倍,入射角越大增大的幅度越大;频带宽度增加50%~70%,不同的FSS增加的幅度不同.而对谐振频率和入射角稳定性的影响根据不同的FSS而不同,但对二者的影响都不明显.与简单振子FSS相比,组合振子FSS的传输性能受温度循环的影响较大.      

基于深度学习的毫米波和亚毫米波成像仪的图像增强技术

风云四号卫星毫米波和亚毫米波成像仪(MMSI)数据根据采样方式分为过采样和非过采样数据。由于采样方式的影响,非过采样数据在采样过程中会有一定的信息损失。为解决采用简单的线性插值方法做精细化处理时提升精度有限问题,采用基于深度学习的方法增强MMSI亮温图像,设计卷积神经网络重建风云四号卫星MMSI的亮温图像和风云三号卫星微波成像仪亮温图像。实验结果显示:相比传统的双三次插值方法,在风云三号卫星微波成像仪亮温图像样本上峰值信噪比提升了1.13dB,结构相似度提升了0.01。实验结果表明:对于非过采样亮温数据,采用基于深度学习的方法增强图像具有更高的精度,同时可在其他微波探测仪数据中使用,具有很强的普适性。