|
|
6
南昌航空大学无损检测技术教育部重点实验室石文泽等提出，针对传统永磁铁式电磁声换能器(Electromagnetic acoustic transducer,EMAT)在高温检测时永磁体的磁感应强度降低、带有水冷装置的EMAT探头体积庞大难以适合狭窄区域检测、永磁体易吸附铁磁性颗粒导致换能效率下降甚至功能性损坏等问题，提出了一种高温仅线圈式电磁超声技术、检测电路与建模方法。以仅螺旋线圈式EMAT为例，搭建了仅线圈式EMAT检测电路，并对高温检测过程进行场路耦合有限元分析，研究了温度对仅线圈式EMAT的检测电路放电电流、激励效率、超声传播特性和接收效率的影响规律。结果表明，影响高温检测回波幅值的因素按贡献比例排序依次为：介质衰减、激励效率、接收效率、扩散衰减、单位力激发超声波位移幅值。所研制的仅线圈式EMAT检测系统可以实现450℃高温铝合金试样持续检测，且二次底波的信噪比不小于16.86 dB。
5
安徽工程大学安徽省机器人产业共性技术研究中心程军等提出，近年来，碳纤维增强树脂基复合材料(Carbon fiber reinforced polymer，CFRP)缺陷的自动化检测与识别已经成为无损检测领域的热点课题之一。然而，CFRP构件缺陷数据的不足会产生过拟合现象，导致缺陷识别精度低等问题。基于此，提出了一种基于改进迁移学习的CFRP材料缺陷涡流检测方法。首先利用涡流C扫描成像和复平面信号特征提取获得CFRP缺陷样本并进行数据增强，解决了样本不足的问题；然后利用MobileNet V2网络与K-means聚类的方法，在热轧带钢表面缺陷数据集中挑选出特征相似源域图片进行预训练，完成目标域相似特征的提取，减小“负迁移”的影响；最后在特征提取网络中融合卷积注意力模块，减少特征图中背景特征信息的影响，再通过模型迁移的方式将源域训练的网络权值迁移到改进后的Faster R-CNN目标检测模型中，建立CFRP缺陷检测模型。通过对比试验，该方法有效解决了CFRP构件缺陷数据较少的问题，并且具有较高的准确率和鲁棒性。构建出的CFRP缺陷检测模型实现了对裂纹、分层、褶皱三类缺陷的高精度识别，平均精度均值达到了94.62%，相较于传统训练方法与原始网络迁移学习检测精度分别提升了29.31%与2.79%，尤其对于褶皱缺陷的识别精度显著提高，取得了较好的效果，满足了对CFRP构件缺陷的检测要求。
4
北京建筑大学机电与车辆工程学院周素霞等认为，依据吉布斯自由能变化值作为疲劳裂纹萌生判据，构建缺陷车轴钢疲劳裂纹萌生寿命预测模型。通过疲劳试验探究EA4T车轴钢材料裂纹萌生变形机制，结合晶体塑性理论框架构建外部缺陷车轴有限元晶体模型，并结合疲劳试验与有限元仿真获取该晶体模型下的能效因子f。从微观角度对车轴缺陷附近应力场及结构变形进行分析，探究外部缺陷对车轴裂纹萌生寿命的影响。对环状划痕和菱形这两种缺陷车轴模型进行塑性应变能密度的标定和寿命预测。结果表明：环状划痕缺陷高应力集中范围更广，对材料组织结构产生的破坏范围更大，更容易发生疲劳破坏。环状划痕缺陷的裂纹萌生寿命低于菱形缺陷，缺陷面积大，对裂纹萌生寿命的影响更严峻。
探花
南京航空航天大学材料科学与技术学院杜心伟等提出，电弧增材制造技术作为一种低能耗、可持续的绿色制造技术，极为适合大型复杂构件的低成本、高效制造。然而，复杂结构和高性能构件的制造需求对电弧增材制造装备系统提出了很大的挑战。目前，电弧增材制造装备系统的成形精度、质量以及稳定性限制了其进一步发展和应用。阐述电弧增材制造的技术原理，从机构自由度、成形精度和质量、成形效率以及热输入控制等方面总结了电弧增材制造装备系统的发展现状，并结合电弧增材制造技术在工业制造领域的应用实例探讨其广阔的应用前景，最后展望该领域未来的发展方向。通过对装备系统与应用进展的阶段性总结，旨在促进电弧增材制造的进一步工业化应用。
榜眼
石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室刘文朋 等 认为，受轮轨激励和复杂振动传递路径的干扰，轴箱轴承的微弱故障特征易被强背景噪声所湮没，难以有效提取。为此，基于高速列车单轴滚振台，开展轮轨激励下轴箱振动响应特征及故障诊断方法的研究。首先，通过开展速度等级在50～300 km/h范围内的高频激励试验，采集轴承健康状态、踏面损伤、轴承含外圈故障等条件下轴箱垂向振动响应数据，并对其时域波形、傅里叶频谱和包络谱等特征进行对比分析。分析结果表明：随着速度等级升高，系统的背景噪声逐渐增强，轴箱轴承故障特征逐渐被湮没；踏面损伤会激起周期性的瞬态冲击，在频域具有明显的稀疏性，表征为以转频为间隔的谐波簇，进一步加剧了轴承故障特征提取的难度。随后，在此基础上，提出一种倒频谱预白化与快速谱中值峭度图相结合的方法，用于轴箱轴承故障特征的最优共振参数识别，可以同时避免随机冲击和踏面损伤诱发的周期性冲击的影响。最后，通过试验信号对所提方法的有效性进行了验证。
状元
西安交通大学现代设计及转子轴承系统教育部实验室雷亚国等 认为， 近年来，基于深度学习的各类机械设备健康管理模型取得了显著进展。然而，现有模型参数规模小，通常只能接受特定采频、转速、模态的数据，针对齿轮、轴承等特定零部件，执行监测、诊断、预测等特定任务，且难以适应新场景，缺乏持续进化能力。随着高端设备精密性、复杂度的不断提升，工业场景对高通用、易扩展、可进化的“一站式”健康管理服务需求日益迫切。受近年来ChatGPT等语言大模型在数据、任务、场景等方面通用化发展趋势启发，提出了面向机械设备通用健康管理的智能运维大模型。首先，将多模式数据通过角度域重采样和数据分割统一编码为词元序列；然后，输入基于Transformer的基底模型，提取健康信息和退化信息至特定词元；最后，将这些特定词元用于执行下游的监测、诊断、预测等多种任务。在故障数据和长期退化数据上对提出模型的基准性能、多任务协同性能和扩展性能进行了验证，结果表明：提出的智能运维大模型能够在轴承、齿轮等多种对象上联动实现状态监测、故障诊断和寿命预测；诊断与预测多任务能够有效协同，互相促进性能提升，相较于单任务模型表现更为出色；在小样本学习、持续学习等场景下，模型能够实现快速适配部署并持续进化。因此，提出的智能运维大模型具有高通用性、易扩展性、可持续进化等特点，有望为机械设备提供通用化“一站式”健康管理服务。
对以上文章感兴趣的读者可以点击题目，或在文后点击“阅读原文”在官网浏览。
责任编辑：李 娜
责任校对： 金 程
审 核： 张 彤
JME学院是由《机械工程学报》编辑部2018年创建，以关注、陪伴青年学者成长为宗旨，努力探索学术传播服务新模式。
欢迎各位老师扫码添加小助理-暖暖为好友，由小助理拉入JME学院官方群！
欢迎关注机械工程学报视频号~
寻觅合作伙伴
有一种合作叫做真诚，有一种发展可以无限，有一种伙伴可以互利共赢，愿我们合作起来流连忘返，发展起来前景可观。关于论文推荐、团队介绍、图书出版、学术直播、招聘信息、会议推广等，请与我们联系。
感谢关注我们！我们《机械工程学报》编辑部将努力为您打造一个有态度、有深度、有温度的学术媒体！
版权声明：
本文为《机械工程学报》编辑部原创内容，欢迎转载，请联系授权！
在公众号后台留言需要转载的文章题目及要转载的公众号ID以获取授权!
微信投稿、转载等：
联系人：暖暖
电话：010-88379909
E-mail：jme@cmes.org
网 址：http://www.cjmenet.com.cn
官方微信号：jmewechat |
|
窥视卡
雷达卡
发表于 
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
照妖镜