6

華東理工大學機械與動力工程學院張賽凡等指出，激光選區(qū)熔化(Selective laser melting, SLM)中激光工藝參數顯著影響成形件質量，而現行的工藝優(yōu)化路徑大多是基于激光能量密度經驗性公式的“盲摸”工藝試驗，難以全面反映影響成形件質量的諸多環(huán)境因素，且在SLM過程中，熔池失穩(wěn)、激光輻照不連續(xù)的情況時有發(fā)生，因此亟需開發(fā)SLM過程中工藝參數在線動態(tài)調控及質量監(jiān)測技術，以保障制造工藝的可靠性和成形件質量的穩(wěn)定性。通過聲發(fā)射信號處理與神經網絡算法，實現對采用不同激光工藝參數的熔道SLM成形過程的聲發(fā)射信號分類預測。在降噪模塊中，為確定經驗模態(tài)分解的分解層數從而將其作為神經網絡輸入神經元的數量，提出一種基于序列間相關性和反雙曲正切函數的直觀評判方法。在分類預測模塊中，對比基于經驗模態(tài)分解和小波包變換兩種聲信號特征提取方法所設計的神經網絡性能。研究結果表明神經網絡模型對于不同激光參數產生的聲發(fā)射信號進行分類預測的可行性，從而可直接指導SLM工藝參數的在線調控優(yōu)化或優(yōu)選，并為SLM過程的成形質量在線監(jiān)測系統(tǒng)奠定理論方法基礎。

5

中國礦業(yè)大學信息與控制工程學院周晨等認為，為了提高四輪獨立轉向車輛多種轉向模式切換過程中的舒適性、安全性和切換效率，提出一種車輛轉向模式切換軌跡多目標優(yōu)化方法。首先，構建四輪獨立轉向車輛動力學和運動學模型，并建立基于B樣條曲線的車輛瞬時轉向中心切換軌跡；其次，選取車輛轉向模式切換過程中安全性、舒適性、切換效率等性能評價指標，構建多性能目標協同優(yōu)化目標函數和約束條件，運用粒子群算法對轉向模式切換軌跡進行優(yōu)化，實現多性能目標協同的四輪獨立轉向車輛轉向模式切換軌跡最優(yōu)規(guī)劃；最后，基于仿真和自主研制的整車試驗測試平臺，對所提出的四輪獨立轉向車輛轉向模式切換軌跡優(yōu)化方法進行驗證。在前輪轉向模式切換到后輪轉向模式的仿真工況下，相比于切換目標已知的多目標和雙目標優(yōu)化方法，所提出的優(yōu)化方法使得切換效率分別提升了20.73%、27.78%，安全性分別提升了6.67%、15.15%。仿真和試驗結果表明所提出的轉向模式切換軌跡優(yōu)化方法能夠有效提高四輪獨立轉向車輛在轉向模式切換過程中的切換效率、舒適性和安全性。

4

合肥工業(yè)大學機械工程學院王躍飛等認為，智能制造單元作業(yè)數字孿生任務的高保真建模和調度優(yōu)化是智能制造系統(tǒng)實現的關鍵問題之一。針對該問題，提出一種邊-云協同下智能制造單元作業(yè)數字孿生任務的調度方法。基于智能制造系統(tǒng)端-邊-云架構的虛擬現實交互框架，提出智能制造單元作業(yè)與數字孿生任務的映射方法，建立作業(yè)數字孿生任務調度的問題模型。考慮智能制造系統(tǒng)虛擬現實交互的快速響應性和偏差問題，提出一種基于端-邊-云協同的數字孿生任務混合重調度策略。針對作業(yè)數字孿生任務調度的優(yōu)化目標，設計環(huán)境自適應多因子優(yōu)化遺傳算法(Environmental adaptive multi-factor optimization genetic algorithm, EAMO-GA)。試驗數據表明，EAMO-GA算法滿足結果正確性驗證，并且其有效性和收斂性都優(yōu)于其他算法，可滿足大規(guī)模、并行式數字孿生任務的調度場景需求。

探花

山東大學信息科學與工程學院狄子鈞等指出，目前，生產加工流程正向著智能化邁進，設備的故障診斷及預測性維護在保障企業(yè)生產效率，降低生產成本方面起著至關重要的作用。刀具作為數控機床的切削工具，其實時健康狀態(tài)直接影響著機床的加工效率和產品質量。對刀具磨損狀態(tài)的精準監(jiān)測有助于避免因刀具失效導致的產品質量問題。基于此背景，研究一種基于深度學習的刀具故障診斷方法，將高效通道注意力應用到多尺度卷積神經網絡中，提出基于多尺度-高效通道注意力網絡的刀具故障診斷方法，利用通道特征學習將機床主軸不同方向的振動信號進行自適應的特征融合，從而提升刀具磨損狀態(tài)診斷精度。此外，設計刀具磨損試驗平臺，用于采集符合實際生產的數據，在實際生產場景中驗證所提算法的性能。試驗結果表明，所提出方法較多尺度網絡的刀具故障診斷準確率提高4.47%。

榜眼

北京交通大學機械與電子控制工程學院柴依揚等指出，針對傳統(tǒng)多目標優(yōu)化算法在高維優(yōu)化問題中多樣性不足、收斂速度慢，聯合仿真優(yōu)化的計算效率難以滿足實際工程需求等問題，提出基于SPMD并行的NSGA-III聯合仿真優(yōu)化方法，由MATLAB優(yōu)化器與FEM求解器構建聯合仿真平臺，通過調用多個求解器并行計算優(yōu)化過程中的適應度函數，以提高面向復雜結構高維優(yōu)化的計算效率。簡單型材算例分析表明，在合理利用計算資源的情況下，提出的并行聯合優(yōu)化方法與傳統(tǒng)串行方法相比，優(yōu)化效率提高近一倍。以大型復雜機械結構高速列車車體側墻為對象，建立多工況高維多目標優(yōu)化問題，解析車體強度、剛度對側墻結構不同區(qū)域型材厚度敏感性；對比分析Pareto解集，在側墻質量減少0.96%的前提下，彎曲和扭轉剛度分別增加了7.51%、5.39%，最大應力減少了12.18%。同時，相較于NSGA-II算法，NSGA-III算法可為車體結構優(yōu)化設計提供更多符合期望的優(yōu)化解集。

狀元

湖南大學機械與運載工程學院楊澤坤等認為，為了協調分布式驅動智能駕駛車輛的軌跡跟蹤精確性和穩(wěn)定性，提高控制算法對車速擾動和路面附著系數變化等不確定性因素的自適應能力，基于平方根容積卡爾曼濾波(Square rooting cubature Kalman filter，SRCKF)估計輪胎側向力以在線修正輪胎側偏剛度，并基于T-S模糊變權重的MPC控制策略以實現軌跡跟蹤控制。針對分布式驅動智能車全輪獨立可控的特點，以前輪轉角和各輪縱向驅動力為控制變量，以實時橫向誤差和橫擺角誤差為模糊輸入，通過T-S模糊控制在線優(yōu)化MPC目標函數權重，協調權重矩陣對軌跡跟蹤精確性和穩(wěn)定性的影響。通過仿真和試驗數據，驗證所提控制策略在多種工況下的有效性。研究表明，相比于傳統(tǒng)MPC控制，所提出的自適應變參數MPC(Adaptive variable parameter MPC，AMPC)對80～120 km/h雙移線濕滑路面、對接路面工況均有良好的跟蹤效果，可有效提高軌跡跟蹤精度，并能夠協調控制跟蹤精確性和穩(wěn)定性，減少控制輸出量的波動。

對以上文章感興趣的讀者可以點擊題目，或在文后點擊“閱讀原文”在官網瀏覽。

責任編輯：杜蔚杰

責任校對：張 強

審 核： 張 強

JME學院是由《機械工程學報》編輯部2018年創(chuàng)建，以關注、陪伴青年學者成長為宗旨，努力探索學術傳播服務新模式。

歡迎各位老師掃碼添加小助理-暖暖為好友，由小助理拉入JME學院官方群！

歡迎關注JME學院視頻號~

尋覓合作伙伴

有一種合作叫做真誠，有一種發(fā)展可以無限，有一種伙伴可以互利共贏，愿我們合作起來流連忘返，發(fā)展起來前景可觀。關于論文推薦、團隊介紹、圖書出版、學術直播、招聘信息、會議推廣等，請與我們聯系。

感謝關注我們！我們《機械工程學報》編輯部將努力為您打造一個有態(tài)度、有深度、有溫度的學術媒體！

版權聲明：

本文為《機械工程學報》編輯部原創(chuàng)內容，歡迎轉載，請聯系授權！

在公眾號后臺留言需要轉載的文章題目及要轉載的公眾號ID以獲取授權!

微信投稿、轉載等：

聯系人：暖暖

電話：010-88379909

E-mail：jme@cmes.org

網 址：http://www.cjmenet.com.cn

官方微信號：jmewechat