XiaoMi-AI文件搜索系统
World File Search System部件
航空工业中增材制造部件的计算机断层扫描检查
使用 3D 打印机可以制造出几乎任意复杂形状的增材制造 (AM) 组件，这使得设计工程师能够构建具有最佳力传递的轻型结构。然而，设计自由度通常对无损检测是一个挑战，尤其是对于高应力、复杂性增加的 AM 组件。因此，可靠的质量保证是确保航空航天工业最高质量的重要课题。只有少数几种 NDT 方法可应用于此类结构。计算机断层扫描 (CT) 和数字 X 射线技术是最重要的技术，它们提供丰富的外部几何计量信息以及组件内部的三维视图。此外，体积特性的定量分析可以与设计办公室一起迭代循环。
— ABB Ability Energy Manager BESS 和太阳能小部件 —
• 下拉菜单中包含工厂中光伏逆变器的名称 • 下拉菜单中包含所选光伏逆变器的所有 MMPT（最多 9 个） • 数据类型：直流电流、直流电压、直流功率、直流能量 • 周期
通过直接能量沉积将光纤传感器嵌入金属部件中
光纤可用作应变和温度传感器，在结构健康监测中引起了广泛关注，尤其是在大型土木工程和基础设施应用中 [1, 2, 3]。最近，人们对将光纤用于嵌入式传感应用产生了兴趣，用于小型金属零件在工程应用中监测应变和/或温度分布。增材制造工艺非常适合嵌入光纤，因为它们可以在光纤周围或上方沉积材料。因此，光纤传感器可以放置在零件内部，从而获得更详细的应变和温度信息。此外，通过使用光频域反射法 (OFDR)，一种能够确定沿光纤长度分布应变测量值的传感技术，可以通过嵌入在零件中的光纤传感器连续确定应变分布和集中度。
用于快速评估航空航天部件结构的 AM 设计工具
航空航天界最近对可消耗/消耗性技术的关注凸显了对新的、简化的设计工具的需求，以及对当前设计要求的潜在重新评估。增材制造 (AM) 技术提供了设计灵活性和创新潜力；然而，对于 AM 材料，内部空隙和表面特征会导致组件故障，并在应力寿命 (S-N) 数据中产生显著的分散。AM 分散减少通常通过工艺优化来实现；然而，这种方法需要特定的 AM 工艺知识和大量的材料数据。缺陷知情设计方法可确定特定的检查要求，最大限度地减少表征材料性能的数据量，并减少大量工艺开发以最大限度地减少缺陷的需要，因为缺陷的影响已明确包含在设计中。因此，缺陷知情设计可有效降低 AM 工艺开发的成本。当前的工作利用小裂纹扩展模型和实验缺陷观察来开发缺陷信息 S-N 等效模型，该模型可以根据起始缺陷应力强度因子 (K) 准确预测组件寿命。这种 K-N 方法减少了在 S-N 数据中观察到的散度，并最大限度地减少了模型所需的训练数据。这项研究的结果是用于 AM 应用的多功能设计工具，以及对不确定性量化的材料测试要求的定量理解。在这里发现的见解揭示了改进可消耗/消耗品领域设计的机会，并促进了 AM 供应链中的成本节约，从而使各行各业受益。
用于确定增材制造部件变异性的流程建模工具评估
本报告是由美国政府某个机构资助的工作报告。美国政府、其任何机构及其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，或承担任何法律责任或义务，亦不保证其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定的商业产品、流程或服务，并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或偏爱。本文表达的作者的观点和意见不一定表明或反映美国政府或其任何机构的观点和意见。
用于快速鉴定 3D 打印金属部件的数字孪生
产品现在已达到 73 亿 [12]，仅占制造业经济的 0.06%。3D 打印能否不负众望？它的应用是否会永远局限于一个利基市场，而产品成本和开发与认证时间并不是关键因素？在这里，基于现有数据，我们研究了打印声音部件的主要基本冶金问题，以及阻碍 3D 打印市场渗透的问题。此外，我们讨论了打印硬件的虚拟复制品，即由机械模型、机器学习、数据分析和传感与控制组成的数字孪生，如何能够潜在地克服金属打印的许多现有问题，提高零件质量，并缩短产品认证所需的时间。
人工智能在增材制造部件表面粗糙度预测中的应用
摘要：从制造角度来看，增材制造因其提高生产效率的潜力而广受欢迎。然而，在预定的设备、成本和时间限制内确保产品质量始终如一仍然是一个持续的挑战。表面粗糙度是一个关键的质量参数，难以达到要求的标准，这对汽车、航空航天、医疗设备、能源、光学和电子制造等行业构成了重大挑战，因为表面质量直接影响性能和功能。因此，研究人员非常重视提高制造零件的质量，特别是通过使用与制造零件相关的不同参数来预测表面粗糙度。人工智能 (AI) 是研究人员用来预测增材制造零件表面质量的方法之一。许多研究已经开发出利用人工智能方法的模型，包括最近的深度学习和机器学习方法，这些模型可以有效降低成本和节省时间，并正在成为一种有前途的技术。本文介绍了研究人员在机器学习和人工智能深度学习技术方面的最新进展。此外，本文还讨论了将人工智能应用于增材制造部件表面粗糙度预测的局限性、挑战和未来方向。通过这篇评论论文，我们可以发现，集成人工智能方法具有巨大的潜力，可以提高增材制造工艺的生产率和竞争力。这种集成可以最大限度地减少对机加工部件进行再加工的需求，并确保符合技术规范。通过利用人工智能，该行业可以提高效率，并克服在增材制造中实现一致产品质量所带来的挑战。
采用金属增材制造技术和材料的火箭推进部件应用
• 与传统的火箭发动机制造工艺相比，金属增材制造在交付周期和成本方面具有显著优势 • 交付周期缩短了 2-10 倍，成本降低了 50% 以上 • 液体火箭发动机本身就很复杂，而增材制造提供了新的设计和性能机会 • 使用传统技术难以加工、交付周期长或以前不可能加工的材料，现在都可以通过金属增材制造来加工
拓扑优化增材制造 SS316L 部件的实验验证和微观结构表征
a 威斯康星大学麦迪逊分校机械工程系，美国威斯康星州麦迪逊 53706 b 威斯康星大学麦迪逊分校材料科学与工程系，美国威斯康星州麦迪逊 53706 c 威斯康星大学麦迪逊分校格兰杰工程研究所，美国威斯康星州麦迪逊 53706 ⸸ 通讯作者 摘要 拓扑优化 (TO) 与增材制造 (AM) 的结合有可能彻底改变现代设计和制造。然而，制造优化设计的实例很少，而经过实验测试的设计实例就更少了。缺乏验证再加上 AM 工艺对材料性能的影响，使我们对工艺-微观结构-性能关系的理解存在差距，而这对于开发整体设计优化框架至关重要。在这项工作中，使用定向能量沉积 (DED) 和选择性激光熔化 (SLM) 方法对功能设计进行了拓扑优化和制造。这是首次在 TO 背景下直接比较这些 AM 方法。在单轴位移控制拉伸载荷下，研究了 SS316L 和优化部件在制造和热处理条件下的机械性能，并与有限元建模 (FEM) 预测进行了比较。优化样品在试件中提供了压缩和拉伸载荷区域。实验结果表明 FEM 预测较为保守。微观结构分析表明，这种差异是由于增材制造过程中形成的细化微观结构，可增强高应力区域的材料强度。此外，由于晶粒尺寸更细化和位错结构更密集，SLM 样品表现出比 DED 样品更高的屈服强度。TO 结果对 AM 方法、后处理条件和机械性能差异很敏感。因此，通过结合微观结构特征来考虑制造部件中的局部微观结构变化，可以最好地优化用于 AM 框架的 TO。
GOMX5 先进有效载荷包括新的欧洲航天部件
• GOMspace 的 GOMX-5 立方体卫星，将于 2022 年发射 • 带有 5 个 PCI104 板（10x10x10cm）的 IOD 有效载荷单元 • GR740 LEON4-四核 • GR716 LEON3 微控制器 • NOEL-V / LEON5 测试芯片 • Nanoxplore (BRAVE) NX-Large FPGA • Xilinx Zynq FPGA，GNSS 前端 • GR740 和 Zynq 上的 GNSS 接收器 • 非正式联盟：