基于神经网络和证据理论的滚动轴承故障预测方法

传统的故障预测方法难以对不同工况下的滚动轴承故障进行有效预测,为此,提出了一种基于BP神经网络和DS证据理论的滚动轴承故障预测方法。首先采用擅长于处理非平稳信号的小波包分解对多个传感器采集的原始振动数据进行特征分析,然后对BP神经网络的结构和参数进行优化设置并使用多个BP神经网络分别进行故障预测模型训练,最后利用DS证据理论将多个神经网络得到的预测结果进行融合并输出最终预测结果。实验结果表明,该方法能对不同工况下的滚动轴承故障进行有效预测,故障预测平均准确率达96.37%;且与相关文献提出的方法相比,所提出的方法得到的滚动轴承故障预测准确率有所提升。     

连续纤维增强PEEK增材制造力学性能与成型质量优化

针对连续纤维增强聚醚醚酮(PEEK)复合材料增材制造中的界面结合差、制件精度不高等技术瓶颈,基于多热力场耦合作用下的连续纤维增材制造成型工艺,实现了典型样件的3D打印制备。基于正交实验设计,并通过微观形貌表征和力学性能测试,探究了喷头温度、打印速度和分层厚度对打印制件的表面粗糙度和弯曲性能的影响规律,获得连续纤维增强PEEK复合材料增材制造成型优化工艺参数。结果表明,分层厚度对表面粗糙度、弯曲强度和弯曲弹性模量具有显著影响,而打印速度和喷头温度对力学性能和成型精度影响较小。分层厚度越小,打印道间结合质量越好,成型制件表面粗糙度越小,弯曲弹性模量和弯曲强度越高。最优工艺参数为喷头温度390℃、打印速度2 mm/s和分层厚度0.4 mm。经试验验证,最优工艺参数下表面粗糙度达到最小为24.99 μm,弯曲弹性模量和弯曲强度分别达到最大为57.05 GPa和355.07 MPa。     

基于激光原位预热的连续纤维增材制造层间强化机理研究

连续纤维复合材料增材制造具有成形自由度高、材料利用率高、模具依赖度低等优点,能够实现复合材料的快速低成本一体化制造,满足航空航天等领域复材构件短周期高性能的成形需求。但基于层层堆积成形原理的连续纤维复合材料制件层间性能较差,在长期使役过程中极易出现分层失效,严重限制其广泛应用。本研究提出了基于激光原位预热的连续纤维增材制造成形方法,通过建立基于“生死单元”技术的有限元仿真模型,揭示了激光预热对增材制造成形温度分布及其演变规律,并通过实验验证了其对改善成形制件层间性能的有效性,最终获得了激光预热的层间强化机理。结果表明,激光预热能够快速加热样件表面温度,促进层间树脂的熔合粘接,并进一步促进成形丝材的重熔浸渍,相较于未经预热样件,激光预热后层间剪切强度最大提升115%。