低成本钛合金激光-电弧复合焊接仿真分析

以10 mm的TC4LCA钛合金板为母材,建立TC4LCA板材有限元焊接接头模型,应用Marc软件对热源进行校核,校核结果吻合度较好,并对温度场和应力场进行模拟计算,结果表明焊缝底部位置存在较大残余应力,是焊接缺陷敏感区域;焊后试件中间位置横截面横向残余应力呈现上表面与下表面两端受压、中间受拉的状态,板厚方向残余应力数值较小。

Microstructure and Mechanical Properties of Al-5Cu-4.5Mg-2.5Zn Squeeze Cast Alloy

Al-5Cu-4.5Mg-2.5Zn alloy was prepared and the alloy ingots were fabricated by squeeze casting in this work.Considering these negative effects of composition segregation and coarse second phases,some heat treatments were adopted in this research.Microstructures,element distribution,phase constitutions and mechanical properties of Al-5Cu-4.5Mg-2.5Zn alloy ingots before and after heat treatments were investigated.It was discovered that these heat treatments would influence and extremely optimize the microstructures and properties of Al-5Cu-4.5Mg-2.5Zn alloy.Except some residual S (Al_(2)CuMg) phase and a few of η phase,the precipitate free zone (PFZ) and the Guinier Preston zone (GPZ) formed in the alloy.It was also found that θ′′ (Al_(2)Cu) and η′′ (MgZn_(2)) phases formed and kept a consistent relationship with the aluminum matrix.As the result,these properties of ultimate tensile strength (UTS),percentage of elongation and Brinell hardness (HB) were greatly elevated.The UTS,percent of elongation and HB were 469 MPa,8.1% and 208 N/mm^(2),respectively.

基于深度学习的菜用大豆荚型表型识别方法

人工智能在农业上的应用是目前的研究热点,在作物的高通量表型组学研究方面具有很好的应用前景。为了对种质资源和育种中间材料的表型进行精准化、智能化、高通量的采集,本研究将最新的目标检测算法和传统的图像处理方法相结合,将基于YOLOv5和图像处理的智能数据采集技术应用于菜用大豆荚型表型的识别。结果发现,该技术能够自动化、批量化地提取一张图片内单粒荚、双粒荚、三粒荚和四粒荚的个数,并获取这些豆荚的长宽数值。通过与实际的豆荚粒数进行对比发现,本研究方法的最大平均精度达98.96%以上,高于传统的深度学习分类网络;与实际的长宽数据进行对比,长宽决定系数均在95.23%以上。本研究所采取的基于深度学习的智能数据采集技术具有识别速度快、精准度高的优势,能大幅降低人工测量的时间成本和人力成本,提高品种选育的工作效率,为菜用大豆荚型的表型性状的高通量、智能化和精准化获取提供了一种新技术。

基于微服务架构的生产管控系统设计与实现

满足离散型制造业不同用户个性化定制和柔性生产的管理要求是生产管控系统的发展趋势,通过研究软件技术架构的演进过程,对单体架构、SOA架构和微服务架构的功能特点进行对比,提出了一种基于微服务架构的生产管控系统设计方法。系统基于Spring Cloud微服务架构设计,自下而上分为基础环境层、微服务平台层、数据服务层、信息服务层和平台应用层等5个层次,微服务之间相互解耦,可扩展性强;通过采用基于微服务集群的负载均衡策略与容错机制,提升了系统性能和稳定性。实践表明,该系统减小了系统各功能模块间的耦合度,通过微服务组合可以很好地满足不同企业生产过程管理需求,与采用传统架构应用的开发过程相比较,降低了开发的难度,更有利于应用系统的扩充和完善,具有一定的现实意义和实用价值。

依托平滑强化学习的铰接车轨迹跟踪方法

为解决现有铰接车轨迹跟踪控制面临的动作波动问题,提高铰接车轨迹跟踪控制的精度以及平滑性,提出了一种考虑轨迹预瞄的平滑强化学习型跟踪控制方法。首先,为保证控制精度,通过将参考轨迹信息作为预瞄信息引入强化学习策略网络和值网络,构建了预瞄型强化学习迭代框架。然后,为保证控制平滑性,引入LipsNet网络结构近似策略函数,从而实现策略网络Lipschitz常数的自适应限制。最后,结合值分布强化学习理论,建立了最终的平滑强化学习型轨迹跟踪控制方法,实现了铰接车轨迹跟踪的控制精度和控制平滑性的协同优化。仿真结果表明,本研究提出的平滑强化学习跟踪控制方法(SDSAC)在6种不同噪声等级下均能保持良好的动作平滑能力,且具备较高跟踪精度;与传统值分布强化学习(DSAC)相比,在高噪声条件下,SDSAC动作平滑度提升超过5.8倍。此外,与模型预测控制相比,SDSAC的平均单步求解速度提升约60倍,具有较高的在线计算效率。

碳纤维表面涂层失效分析及试验改进研究

在某型地面装备进行科研试验时,碳纤维复合材料发生了漆膜脱落、剥离现象,严重影响了装备的正常功能。针对上述质量问题,在开展技术分析的基础上,通过试验验证,提出了改进方案。经过制定合理的漆前处理方式、涂装工艺参数结合新型复合材料专用底漆试验等措施,重新涂装的碳纤维复合材料装备顺利通过实际环境考核,表面涂层无脱离、剥落现象,提升了装备质量。

伪点云修正增强激光雷达数据

目的激光雷达在自动驾驶中具有重要意义,但其价格昂贵,且产生的激光线束数量仍然较少,造成采集的点云密度较稀疏。为了更好地感知周围环境,本文提出一种激光雷达数据增强算法,由双目图像生成伪点云并对伪点云进行坐标修正,进而实现激光雷达点云的稠密化处理,提高3D目标检测精度。此算法不针对特定的3D目标检测网络结构,是一种通用的点云稠密化方法。方法首先利用双目RGB图像生成深度图像,根据先验的相机参数和深度信息计算出每个像素点在雷达坐标系下的粗略3维坐标,即伪点云。为了更好地分割地面,本文提出了循环RANSAC(random sample consensus)算法,引入了一个分离平面型非地面点云的暂存器,改进复杂场景下的地面分割效果。然后将原始点云进行地面分割后插入KDTree(k-dimensional tree),以伪点云中的每个点为中心在KDTree中搜索若干近邻点,基于这些近邻点进行曲面重建。根据曲面重建结果,设计一种计算几何方法导出伪点云修正后的精确坐标。最后,将修正后的伪点云与原始激光雷达点云融合得到稠密化点云。结果实验结果表明,稠密化的点云在视觉上具有较好的质量,物体具有更加完整的形状和轮廓,并且在KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute)数据集上提升了3D目标检测精度。在使用该数据增强方法后,KITTI数据集下AVOD(aggregate view object detection)检测方法的AP_(3D)-Easy(average precision of 3D object detection on easy setting)提升了8.25%,AVOD-FPN(aggregate view object detection with feature pyramid network)检测方法的AP_(BEV)-Hard(average precision of bird’s eye view on hard setting)提升了7.14%。结论本文提出的激光雷达数据增强算法,实现了点云的稠密化处理,并使3D目标检测结果更加精确。