一种二硼化钛基陶瓷复合材料及其制备方法

    公开(公告)号:CN108439990B

    公开(公告)日:2020-09-29

    申请号:CN201810449180.X

    申请日:2018-05-11

    Applicant: 东北大学

    Abstract: 本发明涉及一种二硼化钛基陶瓷复合材料及其制备方法。其相组成至少包括TiB2、TiC、Ti和(TiO1.20)3.12,其制备方法为将碳源、TiB2粉末和无水乙醇混合均匀,烘干去除无水乙醇,制成TiB2混合粉体;将所述TiB2混合粉体模压成形、干燥、或干燥后碳化,获得TiB2‑C素坯;用Ti、Al2O3和NH4Cl的混合粉末埋住TiB2‑C素坯及Ti块,进行真空熔渗,获得二硼化钛基陶瓷复合材料。本发明的方法步骤简单、温度要求低,在较低制备成本的条件下能够获得致密度高的二硼化钛基陶瓷复合材料,在制备过程中样品尺寸变化

    一种基于STEP-NC的智能非线性工艺规划方法

    公开(公告)号:CN108389001A

    公开(公告)日:2018-08-10

    申请号:CN201810201335.8

    申请日:2018-03-12

    Applicant: 东北大学

    Abstract: 本发明涉及一种基于STEP-NC的智能非线性工艺规划方法,该方法包括通过预先训练的BP神经网络模型,确定与零件加工特征类型对应的加工操作方法;基于预定义的加工工步排序原则,对加工操作方法中的所有加工工步进行排序,得到合理的加工工步序列;针对加工工步序列中的每一个加工工步,选择与该加工工步匹配的资源,并采用混沌遗传算法对每一条加工工步序列以及对每一加工工步的工艺参数进行优化,得到最优的加工工艺规划。上述方法将混沌算法、遗传算法与BP神经网络进行有机结合应用于STEP-NC的工艺优化,可以进行高效、精准和智能的逻辑推理,有效解决复杂的工艺规划问题,同时为STEP-NC理论的进一步研究具有重要意义。

    一种基于STEP-NC的智能非线性工艺规划方法

    公开(公告)号:CN108389001B

    公开(公告)日:2021-10-15

    申请号:CN201810201335.8

    申请日:2018-03-12

    Applicant: 东北大学

    Abstract: 本发明涉及一种基于STEP‑NC的智能非线性工艺规划方法,该方法包括通过预先训练的BP神经网络模型,确定与零件加工特征类型对应的加工操作方法;基于预定义的加工工步排序原则,对加工操作方法中的所有加工工步进行排序,得到合理的加工工步序列;针对加工工步序列中的每一个加工工步,选择与该加工工步匹配的资源,并采用混沌遗传算法对每一条加工工步序列以及对每一加工工步的的工艺参数进行优化,得到最优的加工工艺规划。上述方法将混沌算法、遗传算法与BP神经网络进行有机结合应用于STEP‑NC的工艺优化,可以进行高效、精准和智能的逻辑推理,有效解决复杂的工艺规划问题,同时为STEP‑NC理论的进一步研究具有重要意义。

    一种面向STEP-NC复杂型腔的最短刀具路径生成方法

    公开(公告)号:CN110488750B

    公开(公告)日:2021-01-15

    申请号:CN201910867407.7

    申请日:2019-09-12

    Applicant: 东北大学

    Abstract: 本发明提供一种面向STEP‑NC复杂型腔的最短刀具路径生成方法。本发明方法,包括:S1、构建STEP‑NC复杂型腔封闭等距环;S2、基于图论将封闭等距环表示为带约束的赋权有向图;S3、通过增设待选择节点集合T对传统Dijkstra算法进行改进,采用改进的Dijkstra算法生成STEP‑NC复杂型腔的最短刀具路径。本发明将图论和改进的Dijkstra算法有机结合,提出了一种面向STEP‑NC复杂型腔的最短刀具路径生成方法,高效智能地实现了STEP‑NC复杂型腔最短刀具路径的生成,对STEP‑NC标准的进一步完善和实施具有积极的参考价值。

    一种基于STEP的智能特征识别方法

    公开(公告)号:CN109977972A

    公开(公告)日:2019-07-05

    申请号:CN201910252035.7

    申请日:2019-03-29

    Applicant: 东北大学

    Abstract: 本发明提供一种基于STEP的智能特征识别方法,包括:在STEP AP214文件中提取零件的几何拓扑信息;根据提取到的几何拓扑信息,构建零件的属性邻接图,进而生成零件的最小子图;构建用于STEP‑NC制造特征识别的BP神经网络模型;采用人工蜂群算法优化BP神经网络的初始权值和阈值,得到最优初始权值和阈值;训练BP神经网络,得到改进的BP神经网络;将待识别零件的最小子图的信息数据输入到改进的BP神经网络中,从而高效准确地实现STEP‑NC制造特征的识别。本发明将人工蜂群算法与BP神经网络算法有机结合,构建了用于STEP‑NC制造特征识别的改进BP神经网络,实现了STEP‑NC制造特征的高效精准识别,对STEP‑NC标准的进一步完善和实施具有积极的参考价值。

Patent Agency Ranking