螺栓拧紧力矩对复合材料连接强度影响试验研究

螺栓拧紧力矩是影响复合材料连接强度的因素之一,该文就紧固件拧紧力矩对双剪试验件破坏载荷的影响进行了试验研究,给出了同样铺层的碳纤维复合材料在不同拧紧力矩情况下的连接破坏载荷。     

复合材料层合板的强度鲁棒性特征

针对复合材料强度行为的复杂性和准确预测的困难，首次提出复合材料强度鲁棒性的概念，即研究复合材料强度相对各种影响因素的变动所具有的稳定性特征，为复合材料的合理设计与利用提供新的分析思路和手段，通过对CFRP层合板进行试验和数值分析对比研究，讨论了加载方向对初始层失效应力（初始强度）的影响，在确认有限元计算的有效性之后，进一步讨论了加载方向以及单层板弹性常数的小范围变动对强度的影响。结果表明，为了获得较稳定的强度特征，当弹性模量E1较小时，应尽量控制E1本身的变动，而在E1较大的情况，控制加载方向的偏离更为重要。     

层合结构对复合材料层合板最终强度的影响

以碳纤维/环氧树脂层合板为对象,研究了其最终强度与层合结构的关系.对于准各向同性层合板,其弹性性能不随方向变化.在板内发生损伤之后,其各向同性性质不再保留,最终强度将依赖于加载方向以及叠层顺序.拉伸试验和有限元数值分析表明:若板内含有0°层,且该层位于板的表层时,则最终强度最大;若板内既无0°层,又无90°层,则初始层破坏强度较大,而最终强度远小于含有0°层板的最终强度.     

缝纫对复合材料层合板分层屈曲的影响

基于包含若干分层的缝纫复合材料层合板在面内压缩载荷作用下发生屈曲破坏的机理,即厚度方向上的缝纫线被拉断,把缝纫线的极限伸长率作为层合板屈曲破坏的控制参数,采用能量的方法建立了用于预测缝纫复合材料层合板屈曲强度的理论模型.采用最小势能原理计算了缝纫及未缝纫复合材料层合板的屈曲强度.在此基础上,定义一个缝纫增强比,用一个算例证明了缝纫复合材料层合板较未缝纫复合材料层合板有更高的屈曲强度.研究了缝纫参数(包括缝纫线直径,缝纫针距和行距)对缝纫复合材料层合板屈曲强度的影响.     

内部分层对复合材料层合板承载能力的影响

根据含分层损伤复合材料的高阶有限元模型,分析了内部分层对复合材料层合结构的影响。分析表明,内部分层将引起层合板应力分布变化,应力值提高,由此将导致复合材料层合结构承载能力的显著下降。     

撞击物对复合材料层合板冲击损伤特性的影响

针对一种采用预浸料成型工艺制备的复合材料层合板,开展不同撞击物作用下复合材料层合板低能量冲击损伤特性研究. 通过对比相同冲击能量（60 J）下,钢球、铝球和聚合物球撞击复合材料层合板的落锤/气炮冲击试验结果和冲击后含损伤结构的压缩试验结果,研究了不同撞击因素对复合材料低能量冲击损伤面积和剩余压缩强度的影响. 结果表明,相同冲击能量下,同种材质撞击物（不同质量）以不同速度冲击复合材料层合板的损伤特性相似;而不同材质撞击物（不同弹性模量和泊松比）得到的结果差异显著. 结合赫兹接触理论,初步解释了撞击物弹性性能影响接触刚度和冲击损伤程度的规律.      

复合材料层合板的稳定性分析

本文从适用于几何非线性分析的增量形式的虚功方程出发,建立了有限元计算公式。为保证层合板各层间的变形协调性,采用了离散罚函数方法。运用弧长法在稳定性计算中跟踪平衡过程曲线。进行了后屈曲分析。用有限元程序,计算了几个算例,得到较好的结果。     

基于准三维有限元模型的复合材料层合板强度预测

构建能够求解三维应力的准三维有限元模型,进行基于渐进损伤的复合材料层合板强度预测。此方法能够合理地反映铺层次序和层间应力对最终失效强度的影响,形象地展现面内损伤以及层间损伤的产生及其扩展过程。用此方法模拟了多种铺层的无缺口层合板和带孔层合板在面内拉伸载荷作用下的损伤过程,并进行强度预测。计算结果表明,拉伸强度的预测值和实测值吻合较好。     

带圆孔复合材料层合板应力集中系数的研究

利用实验和有限元方法研究了带圆孔复合材料层合板的应力集中，分析了铺层方式对孔边应力集中的影响，对实验和有限元方法得出的结果作了比较．     

复合材料层合板的粘弹性有限元分析

用有发元方法进行复合材料层合结构的线性粘弹性分析,以粘弹性材料松弛型积分本构关系为基础,给出了复合材料层合板的有限元控制方程及相应的有限元分析程序,通过关例计算,分析了层合板的粘弹性响应,结果表明,本方法是行之有效的。     

结合GCN与LSTM的滚动轴承剩余寿命预测方法

针对滚动轴承剩余寿命预测因振动信号的非线性和非平稳性而缺乏刻画健康状态可靠指标的问题,提出了将图卷积网络与长短期记忆网络结合的预测方法.首先,对轴承振动信号进行经验模态分解得到内涵模态分量,并且对内涵模态分量进行归一化处理后计算邻接矩阵和特征矩阵;其次,将邻接矩阵和特征矩阵作为图卷积网络的输入,捕获数据关系,挖掘深层特征;然后,将深层特征和内涵模态分量输入长短期记忆网络从而实现时序关系建模,构建健康指标;最后,使用移动平均滤波消除振荡,对健康指标进行多项式拟合,并且计算达到阈值时刻,确定轴承剩余寿命.同时,以IEEE PHM 2012数据挑战赛数据集和XJTU-SY滚动轴承加速实验数据集为对象,验证所提方法.结果表明,使用图卷积网络与长短期记忆网络结合的模型构建健康指标进行滚动轴承剩余寿命预测时,预测结果能够较好地接近真实值,在实际应用中具有一定优势.     

基于DBN-LSTM的滚动轴承剩余寿命预测模型

针对滚动轴承退化数据的复杂性和传统的寿命预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,提出了一种基于融合深度置信神经网络（deep belief neural , DBN）和长短时记忆神经网络（long-short term memory , LSTM）的剩余寿命预测模型。该模型首先采用带通滤波降噪对滚动轴承振动数据进行去噪,然后依据均方根特征和峭度特征在轴承全寿命周期内的趋势图确定模型的预测起始点;其次利用优化后的4层DBN网络完成深度特征提取并用于LSTM的训练与测试。通过轴承全寿命周期试验证明提出模型的可靠性,并且与传统LSTM、BP(back propagation)神经网络和DBN-BP模型的预测结果进行对比,验证了本文模型的有效性。     

基于粒子滤波的锂离子电池剩余使用寿命预测

锂离子电池因其循环寿命产生的问题更加被重视。为了对锂离子电池的剩余循环使用寿命进行预测研究,采用了粒子滤波算法。首先对粒子滤波算法进行了概述。然后用它对电池的剩余使用寿命预测。简要描述了3组电池数据下的实验;并与扩展卡尔曼滤波进行了对比实验分析。实验结果表明了粒子滤波算法在3组数据下的绝对误差平均值近似4%,均方根误差平均值近似5%,扩展卡尔曼滤波的绝对误差平均值和均方根误差平均值分别近似6%和7%。说明了粒子滤波在锂离子电池剩余使用寿命预测中比扩展卡尔曼滤波精度更高。     

基于PCA-NARX的锂离子电池剩余使用寿命预测

目前基于数据驱动的锂离子电池RUL预测方法不能较好地适应于同类型不同电池的RUL预测,且预测精度易受健康因子冗余或不足的影响.针对以上问题,提出一种结合主成分分析（PCA）特征融合与非线性自回归（NARX）神经网络的锂离子电池RUL间接预测框架.首先提取多个能反映电池性能退化的可测参数,并将PCA去除冗余后的结果作为预测健康因子;然后利用一组电池的全寿命数据构建基于NARX神经网络的健康因子和容量预测模型,对同类型不同电池预测时将该电池寿命前期健康因子作为输入,即可间接预测出其RUL.最后实验结果表明所提框架在同类型不同电池RUL的预测中精度较高且适应性较强.      

一种混合退化系统剩余寿命预测方法

针对传统的预测方法不能同时考虑线性和非线性退化问题,提出了一种基于维纳过程的带随机参数和确定参数的混合退化模型.基于首达时间(FHT)的概念给出了剩余寿命(RUL)的解析渐进显式形式,模型中随机参数通过Kalman滤波技术实时更新,确定参数采用极大似然估计进行估计.最后,采用陀螺仪实验数据验证了该方法的有效性.     

双通道深度卷积神经网络的航空发动机剩余使用寿命预测方法

提出了一种基于双通道的深度卷积神经网络方法,用来预测航空发动机剩余使用寿命。该方法在传统卷积神经网络上,应用最大信息系数进行数据降维、卡尔曼滤波进行数据降噪;通过数据切片,将数据片标签设置为最后一个循环的剩余使用寿命,实现数据重构;引入分段和线性剩余使用寿命衰减模型,并给出了寿命衰减起始点判断方法;将寿命衰减前、寿命衰减中2种特征作为双通道网络模型的输入。在NASA涡轮风扇发动机仿真数据集（CMAPSS）上测试结果显示,在测试数据范围较大时,该方法相关指标明显优于其他方法,在航空发动机剩余寿命预测上具有显著优势。     

面向一类混合退化装备RUL预测的平行仿真技术

针对一类带离散冲击的混合退化装备剩余寿命预测问题,研究了面向混合退化装备剩余寿命预测的平行仿真技术.提出以混合Wiener状态空间模型为基础仿真模型,以泊松冲击到达为模型选择判据,在实时退化数据驱动下,实现仿真模型在线选择,利用强跟踪滤波和期望最大化算法进行仿真模型数据同化和未知参数在线估计,从而实现仿真模型演化,提高仿真模型逼真度.在此基础上,实现了基于平行仿真的剩余寿命实时预测.利用某轴承性能退化数据对平行仿真方法进行了实例验证,仿真结果表明平行仿真方法能有效仿真轴承的性能退化过程,剩余寿命预测的不确定性小、精度高.      

基于SQKF的锂离子电池剩余寿命预测

针对锂离子电池剩余寿命(remaining useful life,RUL)难以精准预测的问题,建立单指数经验容量衰退模型,提出能够有效解决电池非线性问题的平方根求积分卡尔曼滤波(square-root quadrature kalman filtering,SQKF)算法。现有的最优估计方法中,求积分卡尔曼滤波(quadrature kalman filtering,QKF)是一种高精度采样算法。研究发现,QKF的估计误差易引起非对称、非正定协方差的传播,影响算法稳定性。在QKF算法上进行平方根扩展,并对单变量求积节点进行多维扩展,将SQKF算法应用于电池容量跟踪估计; 另外,从理论上证明SQKF的稳定性。使用NASA公开数据集对算法进行仿真验证,并与现有的扩展卡尔曼滤波、无迹滤波、QKF算法对比。结果表明,在一定条件下,SQKF的RUL预测误差在6%以内,数值精度以及数值稳定性有很大提高,并且研究发现SQKF受锂离子电池个体差异性的影响较小,文中方法在锂离子电池RUL预测的实际应用方面具有参考价值。     

人工智能技术在机器设备剩余使用寿命预测中的应用

机器设备剩余使用寿命预测的研究具有广泛的应用价值。文章介绍了人工智能技术在机器设备剩余使用寿命预测中的最新研究成果。在一些经典方法基础上,讨论了三个新的研究方向：一是如何从传感器时序数据中自动学习好的特征表示以及融合自动学习的特征和人工提取的特征以提升预测的准确率;二是如何通过知识蒸馏的方法从大的深度学习网络LSTM中学习小而准的CNN网络模型,以便将其应用到计算资源有限的设备端;三是如何利用其他源领域的训练数据来建立跨领域的预测模型,使得它在当前没有训练数据的目标领域取得良好的预测效果。     

大数据背景下相似性设备剩余寿命预测研究进展

剩余寿命预测是设备故障预测与健康管理的重要组成部分,准确预测设备剩余寿命将有助于决策者及时制定维修策略,避免巨额的失效损失。随着物联网和大数据技术的发展,实时监控设备的运行状态变得越来越便利,为改进和发展设备剩余寿命预测方法奠定了坚实基础。基于相似性的设备剩余寿命预测方法不需要假设设备退化模型,而是通过大数据分析设备间运行状态的相似性进行预测,具有很高的预测精度和强鲁棒性。本文从健康指标构建、相似性度量选取、数据融合等方面,对基于相似性的设备剩余寿命预测方法进行了梳理总结,分析比较了相应性质。文章最后对基于相似性的设备剩余寿命预测方法的未来研究方向进行了探讨。