18、航空领域的UAV制造与数据驱动算法应用

航空领域的UAV制造与数据驱动算法应用

1. 混合垂直起降无人机的制造

在制造低重量固定翼飞机的气动表面时,常用的快速成型技术包括用薄纸覆盖轻木结构机翼、将泡沫塑造成翼型结构、3D打印和复合材料制造技术。由于复合材料能实现重量、性能和成本的优化,因此非常适合该规模的飞机。考虑到强度和重量特性,碳纤维被选为增强材料,而非玻璃纤维。

1.1 机翼和控制面制造技术

常见的碳纤维增强聚合物(CFRP)生产技术有预浸料/热压罐工艺、真空灌注、真空袋压和手工铺层等。其中,预浸料/热压罐工艺在无人机机翼生产行业应用广泛,但相对其他技术成本较高;手工铺层技术在获取模具细节方面不足,尤其是在机翼前缘和后缘区域;真空灌注能将多余树脂从模具中抽出,相比真空袋压工艺可显著减轻产品重量。因此,飞机机翼采用真空灌注工艺制造,控制面则因真空灌注小零件成本高而采用真空袋压工艺制造。

1.2 模具制造

为降低时间和材料成本,模具采用两种不同方式制造:
- 3D打印模具 :使用PLA丝材的3D打印机制造相对较小的模具。由于多数模具体积大于打印机的打印范围,需将其分割成块后重新组合。拼接边缘的空隙用聚酯腻子填充,干燥后用砂纸打磨,使各层高度差平整。这一步很关键,因为环氧凝胶涂层不足以填充空隙,可能导致真空过程中泄漏。
- 中密度纤维板(MDF)木模具 :通过CNC铣刀加工层压MDF木材制造相对较大的模具。加工后应尽快涂漆,防止因受潮膨胀。最后,在3D打印和MDF木模具上都涂上环氧基凝胶涂层。

模具类型
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练分类,实现对不同类型扰动的自动识别准确区分。该方法充分发挥DWT在信号去噪特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性效率,为后续的电能治理设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值