基于改进的VGG-16网络结构的焊缝缺陷识别技术研究

焊接技术在多个领域广泛应用,近年来焊缝缺陷的自动检测已成为研究的热点。本文针对铝合金熔焊焊缝的X射线图像,采用VGG-16卷积神经网络作为基础网络,提出了一种SC-VGG的新型网络结构。该结构通过引入多尺度合成卷积层来替代传统的单一卷积层,优化了训练过程中的损失函数,使网络更加聚集于焊缝缺陷类型的精确预测。实验结果表明,SC-VGG网络结构在训练过程中展现出了良好的收敛性。与其他网络相比,SC-VGG网络在提取焊缝缺陷特征方面表现优异,其平均准确率和召回率分别达到了95.86%和98.33%,为焊缝缺陷的自动化分类提供了算法支撑。

基于图像形态学的焊缝区域提取与对比度提升技术

铝板焊接后可使用X射线进行焊缝内部缺陷检测,由于X射线成像存在噪声多、对比度低、焊缝区域边缘模糊、焊缝区域与背景区域灰度分布较为相似等问题,使用传统边缘检测方法效果欠佳。提出了一种自动提取焊缝区域并提高其对比度的方法,通过去噪处理、边缘检测、形态学操作等步骤,最终确定焊缝区域位置,并对焊缝区域内像素值进行线性变换,提高了焊缝区域的对比度。实验结果表明,该方法针对大批量的铝板X射线图片,都能够自动提高焊缝区域的对比度,具有良好的鲁棒性和准确性。

面向售后保障的导弹装备健康管理系统研究

随着战争向信息化、体系化、智能化方向发展,部队用户对导弹装备保障的需求从事后维修、定期维护向视情维修和智能保障转变,对导弹装备故障预测与健康管理提出了更高要求。通过开展导弹装备健康管理系统的需求分析,提出了面向导弹装备保障的系统总体架构、面向军厂复杂应用场景的系统物理架构和基于微服务的系统软件技术架构,采用结构化设计方法开展了系统功能模块结构设计,对系统关键技术进行了阐述和分析,并完成了面向试点型号的系统阶段性建设和应用。应用结果表明了本研究的可行性,可为其他型号装备的健康管理提供参考。

基于Attention-BLSTM的复杂产品制造质量预测方法

复杂产品制造过程中工艺数据的高维特性以及工艺数据间的复杂关联特性,使得工艺数据中的深层次关键工艺特征难以挖掘,限制了产品质量的准确预测。鉴于此,提出一种基于注意力机制(Attention)与双向长短期记忆网络(BLSTM)的复杂产品质量预测方法。首先,设计数据预处理环节进行工艺数据清洗以及互信息特征筛选。然后,运用BLSTM网络模拟产品制造过程误差的复杂传递特性,挖掘上下游工艺参数的关联关系,输出BLSTM所有时刻提取的关联化工艺特征;同时,设计了Self-Attention网络,自学习各时刻关联化工艺特征对最终产品质量贡献的差异,对不同时刻工艺特征分配不同注意力权值,以强化关键特征。通过以上两阶段特征处理方式,实现深层次关键工艺特征的挖掘。最后,以关键特征作为输入层,通过反向传播神经网络(BPNN)实现复杂产品质量的准确预测。实验表明,相较于BPNN、长短期记忆神经网络(LSTM)、BLSTM以及XGBoost、基于粒子群优化的支持向量(PSO-SVR)、随机森林-贝叶期优化(BO-RF)等主流质量预测方法,所提方法有效提高了预测精度。

机器可读标准在航天智能制造中的应用方法研究

机器可读标准是当前国内外标准数字化转型的发展方向和研究重点。本文从机器可读标准的基本概念出发,阐述机器可读标准的基本定义和发展阶段,提出机器可读标准在航天智能制造中的应用方法,最后以运载火箭焊缝质量智能判读为对象打通机器可读标准的建模、转化以及应用全链路,初步实现了焊缝缺陷判读标准由单纯的文本阅览向知识驱动工业场景的模式转变,为机器可读标准在航天领域的应用提供指导。

机器可读标准在航天智能制造中的应用方法研究

机器可读标准是当前国内外标准数字化转型的发展方向和研究重点。本文从机器可读标准的基本概念出发,阐述机器可读标准的基本定义和发展阶段,提出机器可读标准在航天智能制造中的应用方法,最后以运载火箭焊缝质量智能判读为对象打通机器可读标准的建模、转化以及应用全链路,初步实现了焊缝缺陷判读标准由单纯的文本阅览向知识驱动工业场景的模式转变,为机器可读标准在航天领域的应用提供指导。

Modeling of Micropores Drilling Force for Printed Circuit Board Micro-holes Based on Energy Method

The quality of printed circuit board(PCB)micro-hole processing directly determines the stability of the inner and outer circuit connections.Micro-hole drilling technology is a typical method for PCB micro-hole processing.The problem of optimal control of its drilling force is one of the main factors affecting the quality of micro-hole machining.To address this problem,the thrust forces and torques in PCB drilling were first modeled and analyzed,and the corresponding prediction models were established.The drilling force analysis was carried out through the micro-hole drilling experiment,the specific cutting energy under different feed rates was calculated,the influence of the size effect was clarified,and the accuracy of the prediction model was verified.The result shows that during the drilling of glass fiber cloth,changes in the material removal mechanism are induced as the feed per revolution is varied.When the feed per revolution is less than the tool edge radius,the glass fiber is not cut by the main cutting edge,but is crushed and broken.When the feed per revolution is greater than the radius of the tool edge,the glass fiber is cut by the main cutting edge.At the same time,the established analytical model can accurately reflect the influence of the size effect on the drilling torque in PCB micro-hole drilling,and the error is within 10%.This method has certain practical application value in controlling PCB micro hole processing quality.

基于数字孪生的航天制造车间生产管控方法

针对目前航天制造车间生产管控中存在的效率低、精细度差、动态响应能力不足等难题,研究了基于数字孪生的制造车间生产管控方法,设计了基于跨网段信息异步交互的航天数字孪生车间架构,提出了航天数字孪生车间的基本组成和虚实融合的制造车间分层管控模式,阐述了面向不同对象的制造智能(MI)和商业智能(BI)场景应用,为军工企业车间生产管控提供了可行的技术途径。

面向军民两用产业“双循环”的云检测生态模式转型

针对国内军民产业升级对高品质检测的需求和国内检测装备行业制造业服务化转型的需求,探索检测领域的融合创新路径,以技术研究打通检测产品全链路,为检测产业高速发展奠定基础为正向主线,形成基于“技术-产品-产业”三个纬度的“军+民”云检测双循环自闭环体系,通过循环内生自驱力推动云检测生态形成与发展,形成对内服务型号质量“三高”提升,对外输出先进检测技术的良好局面。云检测生态构建推进了整个检测学科发展,形成专家涌现的态势,持续推动检测技术研究深化,为技术持续领先奠定人才、物质与科研环境基础。

基于复合卷积层神经网络结构的焊缝缺陷分类技术

X射线检测方法被广泛应用于焊缝内部缺陷的检测过程,但检测过程主要依靠人工查看X射线图像对产品质量做出评级,此种检测方式效率低且需要操作人员丰富的检测经验,难以满足批量检测需求,亟需借助卷积神经网络的方法提升其检测效率。因此提出一种复合卷积层网络结构的CC-ResNet模型,将不同尺度的卷积核复合为一层卷积,替换单个卷积核结构,并对模型训练过程中的损失函数进行优化。使用车间产品焊缝X射线图像建立数据集,通过对CC-ResNet网络模型进行实验可得,其平均召回率和平均准确率为98.52%和95.23%,与其他网络模型相比提高了缺陷检测能力,为车间进行焊缝缺陷的智能化和批量化检测提供了算法基础。

孪生神经网络在航天产品电性能测试方面的应用

航天产品电性能测试是在外加激励的情况下,测试航天产品不同部位的信号反馈情况,从而确定各部件的质量情况,是检验航天产品质量的重要手段之一。但是,测试得到的信号通道多、时序长、十分复杂,依赖传统信号处理方法难度较高,目前处理方式采用人工统计,效率低、易出错,亟需借助深度神经网络的方法来提高效率和准确率。本文将孪生神经网络引入航天产品电性能测试领域,将数据信息解析为图像信息,转化为图像识别问题;对几种主干网络模型进行对比分析,最终选择ResNet50作为主干网络。实验结果表明,在相同实验条件下,研究的算法能够有效地识别78个通道信号的波形信息,识别准确率达到90.385%,提高航天产品复杂测试信号的识别能力以及智能化水平。