-
公开(公告)号:CN116702361A
公开(公告)日:2023-09-05
申请号:CN202310673083.X
申请日:2023-06-08
Applicant: 西北工业大学
IPC: G06F30/17 , G06F30/27 , G06F18/214 , G06N3/0442 , G06N3/08 , G06F119/14
Abstract: 为解决目前圆筒类薄壁件加工完成后虽然符合设计要求,但是放置一段时间后会产生工件变形超差的技术问题,本发明提出了一种基于半实物仿真的圆筒类薄壁件的加工变形优化方法,通过建立残余应力分层解析模型获得每个加工层的实际残余应力,使后续所建立的加工变形预测模型的预测结果更加准确;采用元学习的方法,将圆筒类薄壁件的多层加工累积变形看成是多个不同的加工任务组合,建立基于元LSTM的加工变形预测模型;采用半实物仿真方法对各层加工参数进行优化,将真实加工数据不断迭代加入半实物仿真优化模型中,在每一个加工层中不断优化加工参数,使薄壁件最终加工变形始终保持在设计要求范围内,解决了薄壁件放置一段时间后变形超差的问题。
-
公开(公告)号:CN115933537A
公开(公告)日:2023-04-07
申请号:CN202211587839.0
申请日:2022-12-11
Applicant: 西北工业大学
IPC: G05B19/408
Abstract: 本发明提供一种数控机床多层次认知模型,包括执行层、认知层以及高级认知层三个层次;认知层又包括感知层、存储层以及处理层三个功能层,高级认知层又包括分析层、决策层和学习层三个功能层;最终将数控机床的认知活动分为7层,7层形成了认知模型中的认知分析环和认知学习环。通过认知分析环,支撑了制造单元制造过程中的动态分析,提高了制造单元的动态感知与动态响应能力。通过认知学习环,实现了数控机床执行方案中的知识挖掘,实现了数控机床的知识积累,从而支撑数控机床认知能力持续提升。通过数控机床认知模型可以为数控机床的状态监控、动态分析、运行维护、优化决策以及知识积累提供更加准确与智能的方法。
-
公开(公告)号:CN115470579A
公开(公告)日:2022-12-13
申请号:CN202211021968.3
申请日:2022-08-24
Applicant: 西北工业大学
IPC: G06F30/17 , G06F30/23 , G06F30/27 , G06F119/14
Abstract: 本发明提出一种面向低压转子装配的螺栓拧紧工艺优化方法,以螺栓预紧力为优化变量,同轴度与刚度为优化目标,以实际装配过程中已经安装好的螺栓的拧紧力矩与预紧力均布限制为约束条件,建立同轴度与刚度双目标优化模型;利用NSGA‑Ⅱ算法求解得到后续待安装螺栓初始预紧力非劣解组,实现同轴度与刚度的同步优化。
-
公开(公告)号:CN114357851A
公开(公告)日:2022-04-15
申请号:CN202111236480.8
申请日:2021-10-23
Applicant: 西北工业大学
Abstract: 本发明提出了一种基于DAE‑RNN的数控铣削表面粗糙度预测方法,首先,对采集的多源异构数据进行预处理。其次,基于深度自编码器,构建具有多个隐层的编码层‑解码层结构,形成深度自编码器,通过神经网络逐层降维,自动从高维时变工况中提取本质特征,对于非时变工况特征采用人工提取方式提取特征;然后,利用提取的时变工况特征和非时变工况特征组成多源异构特征集作为样本,建立并训练基于循环神经网络的铣削表面粗糙度预测模型,实现变工况场景下零件表面粗糙度的预测。通过本发明,能够对加工过程多源异构具有时序关联性的加工过程进行质量监控,采用DAE进行特征提取、采用RNN进行表面粗糙度预测,从而提高产品加工过程质量监控能力与表面粗糙度预测效率。
-
公开(公告)号:CN113435110A
公开(公告)日:2021-09-24
申请号:CN202110629422.5
申请日:2021-06-04
Applicant: 西北工业大学
Abstract: 本发明公开了一种面向装配过程的低压转子多工序不平衡量预测方法,用于解决低压转子初始不平衡量波动大,一次成功率低的问题。该发明的技术方案是通过对低压转子的结构以及装配工艺分析,从零部件加工质量、装配工艺、装配质量中确定各工序不平衡量的影响因素构建关键影响因素备选集,然后利用复杂网络对关键影响因素进行识别;其次在此基础上,针对每一装配工序建立基于双向LSTM网络的不平衡量预测模型;最后以所建立的不平衡量预测模型为基础构建低压转子半实物仿真模型实现装配过程中不平衡量的预测。
-
公开(公告)号:CN107491582A
公开(公告)日:2017-12-19
申请号:CN201710549207.8
申请日:2017-07-07
Applicant: 西北工业大学
IPC: G06F17/50
Abstract: 本发明提出一种基于DWCN_NodeRank算法的产品设计关键要素提取方法,首先针对产品的不同设计场景,获取对应不同设计场景的产品的若干SysML模型;分别从每个SysML模型中读取设计元素以及各设计元素之间的关系;其次根据5种关系类型的关系强度值,计算设计元素集合中两两设计元素之间的贡献度,并建立基于设计要素的设计结构矩阵IDSM;最后迭代计算所有设计元素的权值向量NR,在得到的权值向量NR中,取其中大于设定阈值δ的元素所对应的设计元素为关键要素。本发明不仅充分利用了系统模型所体现的各种关系,而且与仿真方式或者根据实际使用效果运用概率推算方式相比,时间短、效率高,并且能够处理大量系统模型中的关键要素提取问题。
-
公开(公告)号:CN107301283A
公开(公告)日:2017-10-27
申请号:CN201710439689.1
申请日:2017-06-12
Applicant: 西北工业大学
Abstract: 本发明提出一种基于设计变化矩阵的产品方案设计阶段风险评估方法,该方法结合公理化设计原理,以公理化设计矩阵为基础,通过设计方案之间的对比,找到设计方案之间发生变化的因素,进而构建出用以反映变化的设计变化矩阵,并结合以往设计方案和应用结果,提取出方案设计过程中风险指标,进而分析出设计方案的风险值,完成产品方案设计阶段风险评估。本发明在构建设计变化矩阵的过程中,同时考虑了设计方案之间的变化问题和设计要素的应用反馈,能够较为全面分析出设计方案中存在风险的设计要素,据此所建立的设计变化矩阵为产品方案设计阶段风险管理提供依据。
-
公开(公告)号:CN118445587A
公开(公告)日:2024-08-06
申请号:CN202410572610.2
申请日:2024-05-10
Applicant: 西北工业大学
IPC: G06F18/213 , B23Q17/09 , G06F18/25 , G06F18/15 , G06F18/22
Abstract: 本发明提供了一种基于特征提取的切削力波动模型构建方法。本发明先对监测信号进行数据预处理,再进行信号时空离散,将监测信号沿时间方向进行细分,然后定义切削力波动特征,从中选出主特征,再提取数据的时域和频域特征并从中选出辅特征,基于皮尔逊相关系数法构建切削力波动模型,对主特征和辅特征进行特征融合,最后采用时序匹配和坐标匹配的方法将切削力波动信息与工况信息进行关联,构建切削力波动信息与工况信息的关联模型,以实现对加工过程中切削力波动的精准监测,为类似海量切削力数据领域的应用和研究提供启示,在监控数控加工过程的应用中提升了数据的可视化,保证了工件质量。
-
公开(公告)号:CN115422670B
公开(公告)日:2023-05-16
申请号:CN202210950004.0
申请日:2022-08-09
Applicant: 西北工业大学
IPC: G06F30/17 , G06F30/27 , G06F113/24 , G06F119/14
Abstract: 本发明提出一种基于切削力与夹紧力时空学习的薄壁件加工变形预测方法,该方法将实际加工过程中采集到的切削力与夹紧力作为主要外载荷,首先建立切削力与夹紧力的时变关联模型;接着将被加工零件进行几何模型参数化,获得可以表示零件几何结构的参数化矩阵,用来反映零件的弯曲刚度;之后针对变形形成过程中上述外载荷、几何与变形之间的时序与空间关联特征,建立卷积网络与循环神经网络结合的时空学习模型,将切削力、夹紧力、工件几何与变形信息作为数据样本训练该网络,实现加工变形预测。本发明可以用在对切削力与夹紧力敏感的加工变形中,训练完成后变形预测模型可以达到较高的效率,同时适用性较好。
-
公开(公告)号:CN113703395A
公开(公告)日:2021-11-26
申请号:CN202110770039.1
申请日:2021-07-07
Applicant: 西北工业大学
IPC: G05B19/408
Abstract: 为了克服现有方法在解决变工况加工夹紧力预测问题方面的不足,且考虑到铣削加工是常用的加工方式,因此本发明提供一种面向加工变形控制的变工况铣削加工夹紧力预测方法。该方法主要包括三方面内容:针对时变工况数据波动性、非线性、冗余性问题,提出利用缺失值补充、小波阈值降噪、数据标准化三个过程对数据预处理,进而实现数据质量的提升;针对时变工况因素动态耦合问题,提出构建基于卷积神经网络(CNN)的特征提取模型,进而实现从多种动态耦合的时变工况数据中自适应提取时变工况特征;针对时变工况因素变化以及夹紧力变化存在的时序相关性问题,提出基于门控循环单元网络(GRU)的夹紧力预测模型,进而实现变工况加工时夹紧力的准确预测。
-
-
-
-
-
-
-
-
-