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。     

模块化永磁直线游标电机等效磁网络及漏磁分析

在模块化永磁直线游标电机的初始设计及优化设计中,使用有限元方法(FEM)计算漏磁系数时需要耗费大量的建模和计算时间。针对这一问题,建立该种电机的等效磁网络模型,在建模期间,考虑气隙中的边缘效应,并计算永磁体组与定子齿在不同相对位置时的等效磁导,得到该种电机在一个周期内不同相对位置时的漏磁磁导和漏磁系数的数学解析表达式。采用FEM验证了该数学解析表达式的准确性。研究结果为模块化永磁直线游标电机的设计提供了理论依据。     

立式铣刀结构参数分析与加工仿真研究

航空航天领域大量使用的薄壁叶片等复杂曲面零件,多采用立式铣削方法加工制造。增大刀具与工件接触可以提高加工效率,但刀具的结构参数对铣削质量影响较大。建立铣削力学模型,对立式铣削加工进行分析,确定铣削加工过程中的主要影响因素是铣刀螺旋角、铣刀直径和铣刀刃数。采用AdvantEdge FEM软件,以单变量因素进行铣削有限元仿真,分析铣削力、加工形变、应力应变等影响。结果表明:铣刀螺旋角增大,铣刀半径增加,铣刀刃数增加,可有效地改善刀具应力和形变,增强刀具振动的稳定性,提高加工质量。     

基于优化智能网络的发动机推力指令模型

针对航空发动机性能退化缓解控制中推力指令模型输入量有限问题,提出1种双智能网络串联的推力指令建模方法.其中子模型Ⅰ采用BP网络映射与推力密切相关的气路参数,其输出作为子模型Ⅱ的输入;子模型Ⅱ采用优化极端学习机(ELM)算法,输出为额定发动机推力,并以此推力为性能蜕化缓解控制指令.为了减小ELM网络规模,提高推力指令模型实时性,采用微分进化算法(DE)优化ELM初始网络参数.数字仿真验证表明:各飞行包线内推力指令模型预测值最大相对误差小于4‰,远优于单一神经网络最大8.17％和单一极端学习机最大14.5％的误差,模型推力指令计算时间仅需0.64ms,实时性好,验证了该推力指令模型的有效性.     

基于粒子群算法-最小二乘支持向量机算法的磁化曲线拟合

磁化曲线是强非线性函数,提高磁化曲线的拟合精度对含有铁磁材料的电气设备建模准确性至关重要。提出了一种基于粒子群算法-最小二乘支持向量机(PSOLSSVM)算法的磁化曲线拟合方法。该方法用粒子群优化算法解决了最小二乘支持向量机(LSSVM)参数的选择问题。仿真结果显示PSOLSSVM算法能获得最优的LSSVM参数,且采用PSOLSSVM算法拟合的磁化曲线与实际测量的磁化曲线基本无偏差,拟合精度较高。     

高速铣削铝合金7055铣削力和铣削温度的仿真研究

采用有限元分析软件AdvantEdge模拟了航空铝合金7055高速铣削过程,获得了单个刀齿高速加工中铣削力变化曲线,预测了不同切削时间下工件及刀具上的温度分布,获得了刀具前刀面和后刀面的温度分布曲线;建立了高速铣削参数对铝合金7055铣削力和铣削温度的影响曲线,可辅助优化切削加工参数,有助于减小切削过程中刀具的磨损,改善刀具切削状态,提高刀具使用寿命.     

铣削加工工艺力学机理研究

结构件数控铣削加工技术广泛应用于航空航天工业中。铣削加工中,不合理工艺参数下的切削力会引起较大刀具-工件变形及加工颤振,极大影响着加工精度和质量。深入研究工艺过程的力学机理,进而采用建模仿真技术来优选工艺参数,对高效高精度加工技术的实现具有重要意义。本研究围绕切削力建模、动力学建模与颤振稳定性分析以及变形误差预测与控制技术等相关工作进行介绍。     

智能机床的误差补偿技术

误差补偿技术是智能机床精度提高与保持的关键技术之一.分析了国内外机床误差补偿技术研究现状,提出智能机床误差补偿技术总框架;总结了智能机床误差源、误差元素、几何与热误差的误差元素模型及建模方法,以及典型的误差补偿方法;研究了力误差补偿技术、基于零件在线测量的误差综合补偿技术;最后,对未来智能机床误差补偿技术的发展重点进行展望.     

PSO-LSSVM在民机气动性能数学建模上的应用

目前风洞试验仅为民用飞机飞行性能提供有限数据.全飞行包线的技术支持对于民机飞行试验十分重要,需要采用数学建模和参数辨识的方法.选择合适的机器学习算法是参数辨识中最为关键的一步.支持向量机(SVM)采用结构风险最小化原理,尤其适用于小样本情形.根据A320非巡航起降阶段的几组真实数据,以及全机气动力估算的结果,使用最小二乘支持向量机建立预测模型.随后采用粒子群算法优化模型参数从而提升泛化能力.由此实现民机飞行包线的气动性能整体建模与辨识.与Ma=0.78时的实验数据相比较,PSO-LSSVM模型的预测结果吻合,是一种有效的气动数学建模方法.     

融合机床精度与工艺参数的铣削误差预测模型

为弥补现有五轴联动数控铣床加工飞机结构件的加工精度评估系统的不足,提出利用机床精度检测数据和零件特征及其工艺参数来构建评估指标体系,基于BP神经网络建立了飞机结构件加工误差预测模型。通过完成训练的网络权值分布,计算出各输入指标对最后评估结果的影响,并通过实例分析检验了模型的可靠性。结果表明,经BP神经网络模型训练得到的结果和样本零件的三坐标测量机测量数据基本吻合,选取的评价指标具有有效性。该评估模型能够有效地融合机床精度检测数据和零件特征及其加工工艺参数,对飞机结构件的铣削加工误差进行预测。