基于自动机器学习的不平衡故障诊断方法

为了提升故障诊断模型在数据不平衡场景下的性能,提出一种基于贝叶斯优化的自动不平衡故障诊断方法.首先,构建了一种分层多模型的参数空间,探索重采样和分类器的算法组合选择和超参数优化;然后,使用基于树形结构Parzen估计器(TPE)的贝叶斯优化器进行模型的训练与优化,得到参数空间中最优的算法组合和超参数配置;最后使用最优配置模型在测试集上进行结果评估.将所提方法应用于UCI(university of California Irvine)不平衡标准数据集和滚动轴承数据集.实验通过设置多个不平衡比,对优化后的模型分类效果进行检验,并与传统的随机搜索方法进行对比.结果表明,所提方法更好地提升了模型在不平衡故障数据上的分类能力,且优化过程更加高效.     

Ni含量对中硅钼球墨铸铁显微组织及性能影响

中硅钼球墨铸铁具有良好的力学性能和耐热性能，可用于制备各类大型耐热铸件。使用光学显微镜、扫描电子显微镜、拉伸试验机及布氏硬度计等，研究了Ni含量对中硅钼球墨铸铁显微组织、力学性能及耐热性能的影响，结果表明：随着Ni含量增加，铸态球墨铸铁中石墨球尺寸有所减小，数量略微增加。Ni促进球墨铸铁基体组织中珠光体形成，Ni质量分数由0%增加至1.9%后，珠光体质量分数增加20%。力学性能测试表明：添加Ni能够显著提高中硅钼球墨铸铁合金的强度和硬度，但降低其塑性，Ni为1.9%时，球墨铸铁具有最高的强度和硬度，其抗拉强度、硬度和延伸率分别为618 MPa、218 HBW和12.0%。抗氧化测试表明：添加Ni不利于耐热性能的提高，随着Ni含量增加，氧化膜厚度逐渐增加，不含Ni的试样氧化膜厚度为55.66μm,含Ni量为1.9%时氧化膜厚度为341.41μm,与不加Ni时相比增加了285.75μm。     

滚动轴承在曲轴磨床改造中的应用

正我公司是发动机曲轴专业生产企业,年产各类型号曲轴能力达百万根。随着科学技术的进步,对发动机零部件的技术要求越来越严,诸如曲轴轴颈形状公差圆度0.005mm,圆柱度0.01mm,止推挡距尺寸公差0.047mm。以此便知,在其加工工艺中,轴颈磨削是至关重要的工序,我公司从采用普通曲轴磨床到现今高端数控CBN磨床,从国产到进口,     

15 t/h水冷无炉衬冲天炉的改造

通过对冲天炉加料口及预热带耐火材料的改进,使得冲天炉可进行长时间熔炼铁液,满足连续熔化铁液的要求.     

GCr15表面涂层与织构复合摩擦改性方法研究

研究了表面涂层-织构复合改性对GCr15材料零件高速运转条件下摩擦磨损性能的影响及其减摩机理。首先在GCr15表面热喷涂厚度约30μm的巴氏合金涂层,然后采用皮秒光纤激光器在涂层表面加工凹坑织构。采用球-盘摩擦磨损试验机对改性表面进行摩擦学测试,球试样和盘试样基体材料同为GCr15。研究发现,复合改性处理后GCr15盘试样表面微织构的毛刺硬度有所降低,与未经过复合改性处理的试件相比,复合改性表面的平均摩擦系数与体积磨损率明显降低;磨损检测结果显示复合改性表面试样产生的磨粒明显减少,磨损区域边界的塑性流动与磨粒磨损情况得到显著改善。GCr15材料表面经过复合改性处理后,织构加工质量和颗粒捕捉能力有了明显提高,从而使复合改性表面的摩擦学性能得到增强。     

连续铸造工艺的新发展

一、前言 金属的铸造工艺方法很多,有些铸造工艺可追朔到数千年以前。近年来,连续铸造工艺发展很快,很多金属包括钢、铁、铜、银和金等都可采用连续铸造生产。据统计,1992年世界铸钢产量的78％是采用连续铸造工艺生产的。在相对较短的时间内连续铸造工艺发展了     

曲轴毛坯冷校直过程中失效的原因分析

45钢曲轴毛坯在采用冷校直消除锻造后微小变形的过程中出现断裂。使用直读光谱仪、布氏硬度计、光学显微镜、拉伸试验机、扫描电镜等设备对断裂毛坯进行化学成分、力学性能、微观组织、断口形貌特征等分析。结果表明:断口附近基体组织晶粒粗大,出现魏氏组织;力学性能显示出较低的塑性和冲击韧性,可以判断毛坯组织过热。这是导致锻坯脆性断裂的直接原因。通过调整锻造过程中感应加热参数、锻后控冷工艺、正火工艺,过热组织得以消除。     

基于AnyCasting大型薄壁鞍座铸造工艺优化

针对大型薄壁铸件鞍座铸造过程中易产生缩松、缩孔缺陷等问题,基于AnyCasting模拟软件对鞍座的充型和凝固过程进行了模拟。根据模拟结果分析缩松、缩孔缺陷的位置分布,发现铸件内部有缩松、缩孔现象产生,并通过实际浇注试验对比缺陷位置以验证模拟结果的可信性。采用在热节位置添加内冷铁的改进方案,结果表明,原缺陷产生位置在凝固过程中优先凝固,消除了缩松、缩孔缺陷,为类似薄壁铸件实际生产提供相应指导。     

基于机器学习的多策略并行遗传算法

为了改善遗传算法的性能,提出一种基于机器学习的多策略并行遗传算法,使用机器学习方法改善遗传算法性能.首先,利用并行思想加速遗传算法进化过程,使用K均值聚类算法将初始种群划分为多个簇,然后将相似个体均匀分配给不同的子种群,保证子种群的多样性和均匀性;同时,在进化过程中,使子种群间相互通信,使用优秀个体替换其他种群中的较差个体,提升种群整体质量.然后,引入能自主感知环境的强化学习,实现遗传算法中重要参数交叉概率的自学习,使交叉概率根据经验适应进化过程.最后,通过函数实例测试验证了基于机器学习的多策略并行遗传算法的优越性和稳定性.