微小整体叶轮五轴联动微细铣削加工试验研究

微小整体叶轮作为微型发动机的重要组成部分,其加工质量直接影响微型发动机的使用性能。针对微小整体式复杂叶轮流道狭窄、叶片扭曲大和长厚比大等特点,开展了微小复杂扭曲整体式叶轮五轴联动微细铣削加工方法研究。针对微小叶轮加工过程极易发生变形、过切和碰撞干涉等问题,对微小叶轮的加工过程进行工艺规划,建立了微小叶轮流道加工刀具选择的约束方程,计算出叶轮加工刀具的最大理论直径。通过CAM软件对叶轮进行切削仿真,验证了刀具选择和工艺规划的正确性。通过五轴联动微细铣削试验,得到了具有6个直径10mm的叶片、叶片最小厚度0.15mm、叶片最小相邻间距0.58mm的7075铝合金微小整体叶轮。     

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。     

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.     

微小孔特种加工技术研究现状及展望

近年来微小孔结构在航空航天零部件上的应用越来越广泛,对微小孔的特种加工方法的进展情况进行了综述,总结了每种加工方法的主要特点,并对当前微小孔特种加工技术存在的问题及未来发展趋势进行了总结和展望.     

一种便携式多通道精密测温仪

介绍了利用数字式温度传感器 DS1 6 2 4构成的多路温度测量仪器。它具有线路简单 ,测量精度高的优点 (在 - 5 5～ 1 2 5°C内 ,精度优于 0 .0 5°C) ;带有计算机接口 ,能够实现长时间连续测量。     

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。     

基于试车试验的涡轴发动机整机喘振裕度研究

某涡轴发动机在外场使用过程中,由于进气环境的影响和多发不同的装机位置等因素,致使发动机出现偶发喘振或前喘征兆等现象。为此,对原型机转子进行改进设计。同时,采用试车试验的方法,测算并验证改型机的整机喘振裕度。结果表明:在整个工作范围内,改型机的整机喘振裕度得到了全面提升,设计点喘振裕度由10.65%提高至16.21%。试验可为该系列发动机设计制造和改进使用提供数据参考。     

机器学习在流动控制领域的应用及发展趋势

流动控制作为流体力学中的重要跨学科领域,一直是科学研究和工程应用关注的焦点之一。由于流动系统具有强非线性等复杂特征,对流动的控制尤其是闭环控制,一直颇富挑战性。近年来机器学习的迅速发展为许多学科带来了新的方法、新的视角和新的观点,对于流动控制领域亦是如此。通过回顾现阶段三类基于机器学习的流动控制方法,为主动流动控制领域的研究者展示机器学习在流动控制中应用的整体概况,进而勾勒出本领域的发展趋势。     

湍流数据同化技术及应用

近年来数据同化（DA）被引入湍流动力学研究中,通过融合实验测量和数值计算,提高了实验测量的精度和广度,改善了数值模拟的预测性能。实验观测、预测模型和同化算法是数据同化的三要素,湍流研究中的实验观测包括热线风速仪、粒子图像测速法（PIV）、压力传感器等局部测量数据,预测模型主要指流动控制方程及湍流封闭方程,而同化算法包括贝叶斯推断、集合卡尔曼滤波（EnKF）、伴随等。稳态数据同化一般结合雷诺平均Navier-Stokes （RANS）模型方程,从重新标定模型常数、修正涡黏模型方程形式误差、修正雷诺应力项等方面着手。非稳态的数据同化一般包括四维变分（4DVar）等时间连续的数据同化方式以及顺序数据同化。4DVar通过时间正向和逆向积分迭代,存储量和计算量都非常大。顺序数据同化不需要时间逆向积分,可以在若干时刻对实验观测进行间断地植入,正向求解整个系统。另外,随着人工智能的飞速发展,湍流数据同化研究也向智能化迈进。对于纯数据驱动的湍流机器学习,其缺乏物理本质的约束,而基于物理信息的机器学习在物理本质上与数据同化是一致的。