【摘 要】
：
阀门轴是决定阀门质量和可靠性的关键零件,其加工方面的瓶颈近几年已基本解决,检测方面却形成短板效应:尺寸公差主要靠人工检测,形位公差主要靠设备保证,对于加工后的变形则主要靠零件返修。使用落后的检测方式难以保证航天产品的可靠性,因此研究设计一套专用的阀门轴类零件作用直径自动测量系统是十分有必要的。本文提出了一种轴类零件作用直径自动测量系统的设计方案,设计采用线性CCD对待测轴类零件直径与作用直径进行非
【基金项目】
：
我校与某航天设备制造厂的联合承研项目；
论文部分内容阅读
阀门轴是决定阀门质量和可靠性的关键零件,其加工方面的瓶颈近几年已基本解决,检测方面却形成短板效应:尺寸公差主要靠人工检测,形位公差主要靠设备保证,对于加工后的变形则主要靠零件返修。使用落后的检测方式难以保证航天产品的可靠性,因此研究设计一套专用的阀门轴类零件作用直径自动测量系统是十分有必要的。本文提出了一种轴类零件作用直径自动测量系统的设计方案,设计采用线性CCD对待测轴类零件直径与作用直径进行非接触式测量,提出直径与作用直径的测量方案,其中作用直径通过测量待测零件直径与零件直线度误差计算得到,根据技术指标进行不确定度分配。根据测量方案与技术要求,完成了测量系统的硬件设计与选型,为减小系统不确定度、适配多种待测零件,对硬件进行相应设计,可灵活选取配件装卡待测零件,同时完成竖直方向位置调整设计,以减小测量误差。根据技术要求与硬件设计选型,以Visual Studio 2017为开发环境、采用C#编程语言完成轴类零件作用直径测量软件的设计。测量软件主要分为通信模块、调平模块和测量模块,实现零件直径与作用直径的调平、自动测量与结果保存。完成硬件软件设计及系统搭建、系统联调后,通过实验测量结果对系统的不确定度进行分析,分析得直径测量不确定度小于3μm,满足技术指标;分析作用直径测量误差来源,对其标准不确定度进行合成。
其他文献
数据科学时代,常常需要利用数据集训练学习算法来完成相关任务。其中,训练使用的数据集往往需要我们前瞻性的进行收集,如果想要模型对不太常见的数据也具有良好的效果,数据集必须包含足够的与这些数据相似的例子。训练数据集对待预测数据的覆盖不足往往会导致预测的不准确,为了提前预见到这些不准确性,本文提出了一种评估多维类别型属性数据集对待预测数据的覆盖程度的方法。本文面向评估数据集对待预测数据覆盖程度这一课题,
事件抽取是指从自然语言文本中抽取其中包含的结构化事件信息的任务。事件抽取任务按照抽取目标是否限定为特定领域的事件,可以分为限定域事件抽取和开放域事件抽取。限定域事件抽取需要先指定抽取的领域,人工预定义该领域的事件模式,并基于此进行该领域事件抽取。开放域事件抽取是指在不限定事件类型及模式的情况下,从文本中检测不限定类型及模式的事件并对事件论元信息进行抽取。限定域事件抽取任务的方法往往存在领域间迁移困
随着软件项目需求的急速增长,在软件设计与实现的过程中难免会存在一些缺陷。当软件项目的使用者以及测试人员,发现程序运行过程中出现与预期结果不一样的情形时,会及时向缺陷追踪管理系统报告自己发现的缺陷。但对于大型开源软件项目而言,缺陷追踪管理系统每天都会收到大量的缺陷报告。如果依靠开发人员手动检查并寻找相关源代码所在位置,是一件极其耗费时间与精力的事,因此将缺陷报告中的缺陷自动定位到相关源代码就显得至关
随着当今技术的快速发展以及数据产生方式的多样化,人类所拥有的数据规模日趋庞大,海量数据带来了客观的数字价值,同时也在数据质量方面带来了更多的挑战。时间序列数据是伴随物联网的飞速发展产生的数据,工业界中的时间序列数据往往存在数据异常、数据乱序、属性值缺失、属性值错位等问题,其中属性值错位问题相关的研究比较少,但该问题在工业场景中十分常见,因此研究该问题具有重要的意义。本文从面向实际的数据流场景出发,
理解在软件仓库中执行的维护活动可以帮助软件从业者减少维护成本,做出关于资源分配的决策,从而提高效益。对于大多数软件系统来说,bug是通过软件仓库的问题追踪系统来跟踪的,代码变更是以提交给源代码控制库的形式来合并的。因此,检查软件开发的这些基本工件（新的错误报告或提交）来实时检测bug是很方便的。本文的目标是自动对软件开发过程中的一系列提交进行高精度分类,将提交分类为bug修复相关或与bug修复无关
近几年,以MOOC平台为典型代表的在线教育平台正迅猛发展。在线教育没有中高考等门槛,没有必须在某个地方才能学习的要求和弊端。这让每个人都可以平等地享受到名牌大学的优质教育,学习者可以根据自己的兴趣和需求,自由地选择有兴趣的,流行的或者是大家都称赞的课程。但是,这在为学习者学习提供极高的便捷性的同时,也割裂了传统课堂学习环境下,学习者和其他人的直接接触。由此导致了学习者总是习惯于独自学习,没有动力去
在实际的深空探测任务中,当探测阶段处于接近段时,探测器距离小天体较远,搭载在探测器上的窄视场相机无法清晰地观测到小天体表面的纹理信息,只能观测到轮廓信息。在此阶段准确恢复出的小天体模型,会为近距离详细测绘阶段探测规划提供依据,同时为近距离高精度小天体三维重建任务提供初始模型。如何应用小天体的轮廓信息准确恢复其三维模型对于小天体探测任务具有重要意义。本文从相机外参数精准、相机外参数存在误差两方面出发
近年来,人工智能技术（AI）已经在很多领域获得了极大的发展,但高精度机器学习模型往往依赖大量的有标注数据,而在很多诸如医疗、军事等实际的应用场景中,样本的获取非常困难,标注也需耗费高昂的人力成本,这极大的限制了AI的应用。此外,现在的机器学习模型越来越庞大,利用大量数据从头训练需消耗巨大的计算资源,然而,人类却具有利用少量样本快速学习的能力。因此,使机器也像人类一样具有在少样本条件下进行鲁棒性学习
考试是一种严格的知识水平鉴定方法。通过考试可以考核学生的学习能力和知识储备。为了保证考试结果的公正、公平性,考场必须要有很强的纪律性和约束性,并且专门设置有主考、巡考等考场工作人员监督考试过程,绝对禁止任何形式的作弊行为,否则作弊考生将要承担法律责任和刑事责任。传统的监考手段主要依靠人力监考,即在每个考场设置相应的考场工作人员进行监考、巡考、处理考场突发情况等事务。大规模的集中考试会消耗考试机构大
随着计算机软件的蓬勃发展,软件漏洞的数量也飞速猛增。漏洞修复成为越来越重要的问题,传统的代码审查对于软件从业人员专业素养要求较高,而且随着软件规模的增大,仅依靠代码审查无法满足漏洞检查的要求;基于规则的漏洞自动化检查技术对代码进行检查需要依靠专家所定义的规则;传统机器学习方法对漏洞进行检查需要人工提取特征;近年来深度学习的发展为漏洞检测提供了新的研究方向。然而现有的研究存在对代码的结构信息利用不全