为了提高车刀磨损量预测模型的训练速度和在线预测精度,提出了一种基于改进粒子群算法(Improved Particle Swarm Optimization,IPSO)和极限学习机(Extreme Learning Machine,ELM)的刀具磨损量预测方法。采集车削加工中的声发射信号,利用小波包变换理论对信号进行降噪和特征提取,并通过主成分分析对提取的特征进行降维,选取其中对刀具磨损量敏感的特征值组成特征向量。建立基于极限学习机的刀具磨损量预测模型,并通过改进粒子群算法优化模型中的初始权值和阈值。实验结果表明优化后的刀具磨损量预测模型相比于传统BP神经网络有更快的训练速度,同时改进后的粒子群算法有更好的寻优能力,提高了模型对于刀具磨损量的预测精度。

针对叠层材料钻削加工特点,提出一种通过改进遗传算法(SAMGA)优化学习向量量化(LVQ)网络的刀具磨损在线监测方法。该方法在刀具磨损监测实验过程中,采集制孔过程中的声发射信号与红外温度信号,利用小波包分解与主元分析法对采集到的信号进行滤波与降维处理,将处理后的信号特征作为输入特征向量导入到LVQ网络模型中,并通过改进遗传算法优化其初始权值与阈值。结果表明SAMGA-LVQ模型相比BP网络对于刀具磨损的预测识别精度更高,改进遗传算法对LVQ网络优化后训练速度有明显提升,更适用于刀具磨损在线监测系统。

以某型航空发动机压气机转子为研究对象,考虑叶盘间动静干涉的影响,对压气机叶盘转子内部的三维流场进行了模拟。通过静频试验引入叶片失谐量,基于Kriging模型完成了耦合界面载荷数据的传递,分析了压气机转子叶片表面非定常气动载荷的分布规律,并讨论了失谐和气动载荷对压气机转子叶盘系统振动特性的影响。结果表明:压气机叶片受到的气动载荷为非定常脉动压力,主导频率为动静干涉频率f0的倍频;在干涉周期T内,压力面和吸力面气动载荷的变化呈相反趋势,且压力面气动载荷的非定常性明显大于吸力面气动载荷的非定常性;失谐和气动载荷的作用加剧了叶盘系统的振动。研究结果为压气机叶盘转子系统的动力学设计提供了理论依据。

针对传统的纳米复合材料分散相分散均匀性评价方法的不足,提出了一种以分形理论为数学模型基础,以纳米复合材料的透射电镜（TEM,Transmission Electron Microscope）图像为评价对象的分散相分散均匀性的定量评价方法.运用离散对象构成的自然分形体的分形维数建立了分散相分散均匀性的数学模型.将纳米复合材料TEM图像进行图像处理,以纳米复合材料TEM图像的中心为圆心以不同的半径做圆,提取不同的圆内的粒子数与回转半径,并在双对数坐标中直线拟合.该直线的斜率的倒数即为分散均匀性参数,并以此作为评价分散相分散均匀性的指标.将该方法实际应用于聚合物基纳米填充复合材料分散相分散均匀性的描述,验证了该评价方法的可行性.

针对多传感器刀具磨损监测系统输入维数较多、神经网络结构复杂、收敛速度慢等缺点,提出了粗糙集和遗传算法优化神经网络的模型.该模型首先利用粗糙集理论的属性约简对输入数据进行处理,从而达到减少神经网络输入维数、简化神经网络结构的目的.然后通过遗传算法优化神经网络的初始权值和阈值,以提高神经网络的收敛速度,避免神经网络陷入局部极值点.将该模型应用到刀具磨损监测,通过对声发射信号和电流信号进行处理,提取特征向量值,将特征值先通过自组织神经网络进行连续属性离散化,再通过粗糙集理论进行属性约简,最后通过遗传算法优化的BP神经网络进行识别,取得了很好的效果,证明了此模型的有效性和可行性.