组合机床动力滑台双泵供油液压系统新回路
简要介绍了新型电液换向阀和顺序阀的结构、原理、特点 ,以及这两种新型控制阀共同在组合机床动力滑台双泵供油液压系统新回路中的应用。
设计限压式变量泵配蓄能器液压系统应注意的几个问题
本文讨论了变量泵配蓄能器液压系统计算泵流量的系数K的问题,及蓄能器容积选择问题,通过对比试验进行了验证。图4幅,表1个。
操纵器盖铣加工夹具设计
针对汽车变数箱操纵器盖外形结构不规则,传统的装夹方法不容易夹紧,加工过程需要多次装夹,效率低的问题,设计了一种操纵器盖铣加工液压夹具。详细阐述了该夹具的结构特点、定位装夹方法及工作原理通过对操纵器盖外形结构及加工工艺进行分析,采取相应的拔模斜面对其定位,液压缸对其夹紧,并通过对其切削力和夹紧力的计算,设计了一套与其相配套的液压系统。实践证明该夹具结构简单,操作方便,加工过程实现了对工件的快速定位装夹,进一步完善和实现了操纵器盖的高效、大批量生产。
柴油发动机活塞卡簧装配设备的研制
为了改善柴油发动机活塞装卡簧装配设备的自动化程度不高的现状,提高活塞卡簧装配的精度及效率,因而研发了此活塞卡簧自动装配设备。此设备对柴油发动机活塞卡簧的装配的特点而设计,运用了翻转压紧的结构演变形式;卡簧存放采用料仓的形式来实现,卡簧的夹取采用气动夹爪的夹松功能实现。该设备在使用过程中操作人员只需要根据生产需要选择合适的配套工装,一键启动,方便操作者操作,减少因卡簧装配时对活塞销孔的划伤,同时该设备具有高柔性,能够适应?90mm~?180mm缸径的活塞卡簧装配。
转子铣削过程刀片破损研究
发电机转子嵌线槽加工的工艺系统复杂,多种因素导致加工过程中容易出现刀片破损。为了解决刀片破损的问题,开发出一套刀片管理系统,对刀片进行激光二维码标识,加工过程中采用刀片使用记录终端跟踪记录刀片的使用过程,使用完毕后测量刀片的破损情况。将该系统应用于实际生产过程中,通过分析6组生产过程数据,得出影响刀片破损的主要因素,提出了通过刀片管理系统实现的减小破损程度、降低破损数量的有效方法,规范生产过程中刀片的使用和更换,降低破损发生概率。
轴承表面残余应力对滚道接触应力及裂纹扩展速度的影响
强化研磨能在轴承表面产生残余应力,为了研究此残余应力对轴承滚珠滚道接触应力及对轴承裂纹扩展速度的影响,首先从理论上分析了滚珠滚道的接触应力,再利用有限元分析软件分析了残余应力对轴承滚珠滚道接触应力的影响。结果表明:有残余应力和没有残余应力相比的内外套圈接触应力,接触应力增加或减少的量均不超过7.3%,这说明周向(切向)的残余应力对轴承滚道接触应力的影响较小,而轴向的残余应力对滚道接触应力的影响亦如此。最后利用FRANC3D分析了残余应力对裂纹扩展速度的影响,结果表明:残余拉应力增加了裂纹前缘的SIF,残余压应力减少了裂纹前缘的SIF。
钟形壳球面沟槽新型精磨夹具的设计与分析
针对钟形壳球面沟槽精密磨削加工过程中定位夹紧及上下料过程时间长,生产效率较低的问题,设计一种自动定心,弹性夹紧一体的钟形壳球面沟槽精密磨削夹具,并创新设计了自动弹出机构,适用不同尺寸零件加工辅助机构。在完善总体夹具设计基础上,根据受力情况,对弹性夹头和钟形壳的变形量进行理论计算,并通过Solid Works建立弹性夹头三维模型,有限元Workbench分析弹性夹头的静力学特性,分析结果与理论结果一致,验证弹性夹头结构设计的合理性。利用此新型夹具,可有效提高钟形壳球面沟槽精密磨削的生产效率。
在线测量刀具图像调焦特性的镜头对比研究
光学系统是在线高精度视觉测量系统的重要模块,其中远心镜头的引入导致对焦不准、系统复杂度和成本大大提高等问题。文章以实验室搭建的视觉测量系统为平台,采用平行背光源,分别用远心镜头和普通镜头对数控铣刀进行了直径测量。根据清晰度比率、灵敏度、局部极值因子等评价指标对两类镜头环境下的Tenengrad函数特性进行对比分析。结果显示,非远心镜头在灵敏度、分辨率和鲁棒性更占优势,高达35%左右,而远心镜头具有更好的曲线性,超出30%左右。考虑到该在线测量系统应用于复杂工业环境中,应选择分辨率、灵敏度和鲁棒性均占优势,且成本更低的非远心镜头。
云服务的机床供应链全生命周期协同模型研究
为加强机床全生命周期管控,加快其供应链建设,调动上下游的积极性,降低整机生产价格,使产品从设计、制造、使用到拆分降解循环,从全生命周期的角度使得产品设计更加完善和合理。文章从评价指标体系、配置评价模型、评价数学模型和环境影响方面对全生命周期机床供应链的评价方法进行研究,提出全生命周期的机床云平台设计,建立全生命周期机床云服务体系架构,并对其进行了评价体系构建,为云技术应用于传统机床业提供了新思路。
基于深度学习的液压监测系统蓄能装置故障诊断
为了提高液压检测系统故障识别的准确率,提高对液压系统中的蓄能装置故障的诊断率,提出了一种基于堆栈稀疏自编码器的深度学习算法。该方法采用希尔伯特-黄变换和小波变换对压力信号的特征进行提取,然后对堆栈稀疏自编码器(SSAE)进行训练。将训练好的模型连接Softmax分类器,实现对蓄能装置的最佳压力、压力略微减轻、压力严重减轻、接近完全失效的4类压力状态进行诊断。实验结果表明,该深度学习神经网络比机器学习的准确率更高,可以达到98.3%,能够更好的识别液压系统蓄能装置的故障类型。