基于ANSYS Workbench的倒装键合机钣金件模态分析与实验

钣金件是倒装芯片键合机上常用的蒙皮或连接部件,其质量轻、壁薄,常因电机或外部环境激励而产生振动和噪声,所以有必要研究其振动特性。为得到钣金件较真实的模态特性,采用了基于ANSYS Workbench的有限元计算模态分析与基于多普勒激光测振技术的试验模态分析相结合的研究方法,分析得到钣金件的前6阶固有频率与振型,并将计算与试验的结果进行对比和分析。得到钣金件准确的模态特性、薄弱环节及其影响因素,该试验为防止共振、改善整机质量性能及结构优化提供了参考依据。     

橡胶附着力促进剂对EPDM力学性能及粘合性能的影响

采用机械共混法制备了橡胶附着力促进剂(BH-403)改性EPDM,研究了BH-403对EPDM力学性能及粘合性能的影响。结果表明,随着BH-403用量的增加,在焦烧性能不变的情况下,胶料的硫化时间缩短1/2;硬度和拉伸强度不变,拉断伸长率逐渐增大,耐热空气老化性能先增大后减小,当BH-403用量为3份时,拉断伸长率保持率最好,橡胶弹性和耐热性能大幅提高;当BH-403用量为9份时,胶料与涤纶织物的粘合性能由1.2kN/m提高到2.5kN/m,粘合性能最佳。     

压缩永久变形与压缩应力松驰之比较

弹性体在压缩状态下响应的测试和指标是胶料密封性能的一个重要方面。尽管压缩永久变形是常见的主要性能，但一些设计人员为了能充分表征材料的密封性能，更偏爱测试压缩应力松驰（CSR）值。近来，研究人员开始按照改进的ASTMD395标准测试压缩永久变形数据。     

基于深度学习的无人驾驶汽车导航传感器异常诊断方法

近年来,无人驾驶汽车（Unmanned autonomous vehicle,UAV）作为未来智能交通系统（Intelligent transportation system,ITS）的重点发展方向已成为业内研究的热点。作为一种新兴智能交通工具,无人汽车的行驶完全依赖于导航传感器提供的精确位置和路径数据。GPS传感器因计算机黑客的恶意网络攻击或物理故障而造成导航位置数据异常或篡改给无人车的安全行驶带来了巨大的威胁和挑战。针对无人汽车GPS传感器易受攻击的现实问题,提出一种基于深度学习的无人车GPS传感器异常检测新方法。该方法通过改进传统一维卷积神经网络（1D Convolutional neural network,1D-CNN）的拓扑结构,设计出1DGAP-CNN算法框架,使其满足快速实时性的诊断要求。首先,原始的多传感器位置数据直接输入到提出的算法中进行数据融合和预处理;其次,提出的算法自动的进行特征提取、降维减参和模式辨识;最后,模型直接输出诊断结果,整个诊断过程由模型自主完成。结果表明,提出的方法相比于主流的智能诊断算法具有更高的诊断准确率和更快的检测速度。     

倒装键合机支撑板模态参数提取与实验验证

采用ANSYS有限元仿真计算与LMS Test.Lab锤击实验相结合的方法研究支撑板的模态特性。仿真分析得到支撑板的前6阶固有频率和振型,并通过实验验证仿真结果的准确性。将理论计算与试验的结果进行对比分析,得出支撑板的一阶固有频率为400Hz,高于支撑板上安装的伺服电机的工作频率以及周围环境的激振频率,因此不会产生共振现象,为防止共振、改善整机质量性能及结构优化提供参考依据。     

逆向工程技术的应用与研究

在逆向工程领域中,实物表面的测量精度非常最要,而现行标准因内容缺失制约了现代数字化测量仪器的应用。为解决此类问题,提出逆向工程现代设计体系模型,拟采用新一代GPS标准指导三坐标测量机,联立计算机和数控加工中心,形成一个封闭环的现代设计体系。介绍了逆向工程、三坐标测量机、新一代GPS的概念和原理,分析了模型的组成和应用及,阐述了对新一代GPS的看法。最后,结合实例说明了CMM在逆向工程中的应用。     

基于坐标转换的回转表面形状误差最小二乘评定

针对回转表面评定中最小二乘拟合对迭代初值依赖性强、对回转轴方向和测点分布具有限制的不足,提出了一种基于最小二乘法的回转表面通用评定方法,该方法通过被测表面上离散点坐标的旋转和平移,将非线性优化模型线性化。通过实例进行了试验验证,结果表明,该方法简单易行,鲁棒性好,可快速有效正确地评定任意轴线方向的回转表面形状误差。     

导电填料对电磁屏蔽橡胶性能的影响

研究了导电填料的用量、形状、粒径、结构等对导电橡胶性能的影响,采用化学镀镍和电镀镍的方法制备了电磁屏蔽橡胶用石墨镀镍粉末导电填料,并采用美国PARBER公司同类产品的标准对其进行了测试,得到的数据显示,硫化试样具有良好的电磁屏蔽性能.     

基于深度学习的电机轴承微小故障智能诊断方法*

运用深度学习技术对滚动轴承微小故障发生的位置、类别和严重程度进行精准自动的辨识是当前故障诊断领域研究的热点。传统的故障诊断方法过度依赖于工程师凭经验进行手工特征提取,难以有效提取微小故障特征。提出了一种改进的CNNs-SVM的新方法用于电机轴承的故障快速智能诊断,该方法采用1×1的过渡卷积层与全局均值池化层的组合代替传统CNN的全连接网络层结构,有效减少CNN的训练参数量,在测试阶段采用支持向量机代替Softmax分类器进一步提升诊断准确率。最后将提出的方法用于电机支撑滚珠轴承的故障实验数据并与多种算法对比验证。结果表明,改进CNNs-SVM算法的故障识别准确率高达99.86%,同时在不同负载下具有良好的迁移泛化能力,具备实际工程应用的可行性。其诊断准确率和测试时间明显优于其他智能算法。