面向航空发动机叶片榫齿轮廓的尺寸测量技术

榫齿作为航空发动机叶片的重要组件之一,其轮廓尺寸的精密性决定了叶片安装的牢固性以及发动机工作的安全性。然而,当前工业生产中仍然采用传统的人工投影方式作为测量手段,存在测量效率低、精度不稳定等问题。基于机器视觉技术,提出了针对航空发动机叶片榫齿轮廓尺寸的测量方法并开发了相应测量系统。其采用工业相机实时采集榫齿轮廓图像,通过HALCON机器视觉软件对榫齿轮廓图像依次进行预处理、边缘提取、几何量特征提取、几何尺寸变换等操作,以此准确获得榫齿轮廓的尺寸信息,并联合Visual Studio 2019设计了相关信息交互的可视化图形软件。测试结果表明,所开发系统在直线和角度上的平均测量精度误差可分别控制在0.0236 mm和0.2701°以内,且单次测量耗时不超过2 s。相比于传统的人工投影测量方法,显著提升了测量的精度和速度,且降低了人工成本,拥有更友好的现场部署潜力。

应用双树复小波包和NCA-LSSVM检测磁瓦内部缺陷

提出结合双树复小波包变换(DTCWPT)、邻域成分分析法(NCA)、最小二乘支持向量机(LSSVM)的磁瓦内部缺陷检测方法.通过双树复小波包将采集的声音信号分解为6层,得到64个不同频带的子信号;求取特定频带信号的能量、偏度、峭度、模糊熵,并将能量、偏度、峭度、模糊熵作为分类特征;利用邻域成分分析法对分类特征降维;将降维构造的新特征集输入到最小二乘支持向量机,判断磁瓦是否含有内部缺陷.通过实验验证,对提出的检测方法进行可行性分析.3种不同类型磁瓦的内部缺陷识别率均可以达到99%,与以往双谱切片方法相比,提高了检测识别率.试验结果表明,提出的方法具有检测速度快、可靠性高、适应性强等特点,为高效、准确地进行磁瓦内部缺陷检测提供了有效的技术手段.

基于双谱分析的磁瓦内部缺陷音频检测方法

针对目前磁瓦内部缺陷采用人工音频识别存在的问题,使用双谱分析已知内部缺陷情况的磁瓦在跌落撞击试验中产生的音频信号,其结果表明内部缺陷会影响双谱的峰值分布。根据这个规律,提出一种归一化双谱3切片分析方法用于磁瓦内部缺陷的检测。该方法首先提取归一化双谱上3个特定方向的切片;其次按照峰值分布与内部缺陷的映射关系,将每个切片划分成若干频率区域,并对各区域进行分类;然后通过对不同种类的区域最大峰值比较与计算,建立识别内部缺陷的阈值。最后,验证试验对方法的有效性进行了评估,取得了97%以上的识别正确率。试验结果表明,双谱分析在磁瓦内部缺陷音频检测中具有较好的实用性。

基于WPT-ANN的磁瓦内部缺陷音频检测

针对工业生产中提高磁瓦内部缺陷检测效率、降低误检率和漏检率的实际需求,提出一种小波包变换(wavelet packet transform,WPT)结合人工神经网络(artificial neural network,ANN)的磁瓦内部缺陷检测方法。通过采集合格和缺陷磁瓦撞击金属块产生的声音信号,用小波包分解与重构,筛选并提取特定频段信号的能量作为特征信息,输入BP神经网络并训练,使BP网络具有磁瓦内部缺陷检测的功能,试验证明该方法准确率达到98%以上。结果表明:小波包-神经网络方法(WPT-ANN)检测速度快、可靠性高、适应性强,为高效、准确地进行磁瓦内部缺陷检测提供有效的技术手段。

基于变分模态分解和天牛须搜索的磁瓦内部缺陷声振检测

在磁瓦内部缺陷声振检测中,具备可预设尺度和自适应能力的变分模态分解(Variational Mode Decomposition,VMD)在处理相关声振信号时具有明显优势。然而VMD的参数选择范围广且对分解效果影响大,为解决参数的统一预设问题,提出一种基于天牛须搜索(Beetle Antennae Search,BAS)的VMD参数优化方法,并应用于磁瓦内部缺陷检测。该方法首先根据声振信号特点建立基于模态能量和模态中心频率变化规律的目标函数;再利用BAS在参数空间中搜寻目标函数最大值,所需的VMD统一预设参数即为该最大值所对应的参数组合;最后,在该优化参数下对逐个信号进行VMD处理并提取模态中心频率特征,进而由支持向量机完成特征识别。试验结果表明,所提出的方法能有效优化VMD参数并实现磁瓦内部缺陷的快速精准检测。

基于模糊聚类双谱的磁瓦内部缺陷无损检测方法

为解决磁瓦内部缺陷较难检测的问题,提出一种模糊聚类双谱分析方法用于其内部缺陷的无损检测。该方法以磁瓦在受到撞击时产生的声振信号作为研究对象,利用双谱分析发现内部缺陷与双谱峰值的分布区域具有映射关系,并且模糊聚类处理后的归一化双谱能明显地反映这一特征。根据这个规律,通过将模糊聚类双谱的对角线切片划分为若干频段,并计算切片指定幅值所在的频段建立内部缺陷识别规则。最后由验证试验评估该方法的可行性,得到了92.5%以上的识别精度。试验表明:模糊聚类双谱在磁瓦内部缺陷声振检测中具有一定实用性。

应用循环变分模态分解的磁瓦内部缺陷声振检测

变分模态分解的信号处理能力依赖于多个预设参数的正确选择。在确定最优参数时,目标函数适应信号特点的单一性以及优化过程带来的过多耗时成为了应用变分模态分解的障碍。为此,提出了一种循环变分模态分解方法,并应用于磁瓦内部缺陷声振检测。在检测过程中,该方法通过固定惩罚参数来循环执行只产生一个模态的变分模态分解,以此对磁瓦的声振信号进行处理。其中每次分解的对象为原信号去除历次模态后的残余信号,并由模态能量和相关性所确定的阈值条件来终止循环,所有模态和剩余信号被视为信号的处理结果。最后,借助变异系数从信号处理结果中筛选出具有特征贡献的模态,其中心频率可作为代表内部缺陷是否存在的信号特征,根据特征与识别阈值的关系可以得出检测结果。经检测实验验证,提出的方法能全面分解出磁瓦声振信号中的不同频率成分,同时预设参数的选择变得更为简单、快捷和灵活,可实现磁瓦内部缺陷的精准快速检测。

AI时代电气工程及其自动化专业课程体系改革

为顺应AI时代对人才培养提出的新要求,电气工程及其自动化专业应着力开展教学改革。课程体系建设是专业发展的根基,因此其始终是教学改革的重点和难点。为此,分析电气类本科课程体系在AI时代发展下存在的问题,进而以成果导向教育的理念为指引,探索电气工程及其自动化专业在AI时代下课程体系设计和构建内容。从课程体系建设的角度为AI时代下电气类本科专业发展提供了参考。

面向乡村振兴与产教融合的电气类人才培养探索

电气类人才在振兴乡村产业发展中有不可取代的作用,因此在人才培养过程中落实乡村振兴战略与产教融合任务是高校电气类专业的责任和使命。然而,目前电气类人才培养仍存在结合乡村发展不紧密、产教融合不深入等现象。为此,分析了电气类人才培养在支撑乡村振兴与产教融合中面临的问题,建立乡村振兴与产教融合在电气类人才培养中的融入思路,进而以产教融合赋能乡村振兴为导向制定了电气类人才培养改革措施。从落实振兴乡村的产教融合角度为电气类人才培养模式提供了探索和改革参考。

基于优化变分模态分解的磁瓦内部缺陷检测

针对磁瓦内部缺陷声振检测存在的信号处理和特征识别问题,提出结合变分模态分解(VMD)、粒子群优化(PSO)和随机森林(RF)的信号分析方法.该方法以模态能量和相邻模态中心频率差值构建代表VMD处理性能的适应度函数,其中以VMD的分解层数和惩罚因子2个参数作为该适应度函数的变量;通过PSO在VMD参数选择空间中搜索该函数的最小值以执行VMD的参数优化,最小值所对应的参数设置即为VMD的最优参数;利用得到的参数实现信号的最优VMD分解并通过计算模态分量的能量来筛选特征模态,从中提取过零率、谱质心和最大峰值频点以联合反映磁瓦内部缺陷的特征信息;经RF分类器对这些特征进行识别进而对内部缺陷的存在情况做出判断.实验证明所提出的方法能够准确、高效地实现不同类型磁瓦的内部缺陷检测.

基于卷积神经网络和声振图像的磁瓦内部缺陷检测

磁瓦作为永磁电机中的关键部件,其产品质量易受到内部缺陷的影响而下降。然而传统的声振检测手段在面对快速、精准的检测需求下已暴露出一些低效率的问题,因此开发一种针对磁瓦内部缺陷的高效智能化检测方法具有重要的现实意义。文中结合深度学习的优势,提出了一种基于卷积神经网络的磁瓦内部缺陷声振检测方法。在该方法中,磁瓦的一维声振信号首先被转换为二维声振图像,再输入针对信号特点所设计的卷积神经网络进行学习训练,以完成从声振图像中自主学习和提取能区分内部缺陷有无的信号特征,最后由softmax完成对应特征的识别。4类磁瓦样本的检测实验结果表明,提出的方法可实现准确率为99.38%的磁瓦内部缺陷检测,单片磁瓦的检测时间低于0.031 s,模型具有良好的鲁棒性。

优化群分解在磁瓦内部缺陷声振检测中的应用

针对磁瓦内部缺陷声振检测中的信号处理问题,提出一种结合群分解(swarm decomposition,SWD)、鲸鱼优化算法(whale optimization algorithm,WOA)和随机森林(random forests,RF)的信号分析方法。首先,根据磁瓦声振信号特点,构造反映SWD分解性能的适应度函数,再通过WOA配合该函数对SWD分解参数进行优化,以此获得最佳的SWD分解参数。其次,SWD利用该最优分解参数将磁瓦声振信号分解为若干振荡分量,并由能量最大值对振荡分量进行筛选,进而提取出反映磁瓦内部缺陷的特征信息。最后,经RF分类器对提取的特征进行识别,以决策磁瓦是否存在内部缺陷。实验结果表明,所提出的方法能准确地实现多种类型磁瓦的内部缺陷检测。