磁流变抛光工艺参数的正交实验分析

对利用自行配制的水基磁流变抛光液和磁流变抛光实验样机进行了以抛光去除效率和表面粗糙度为考核指标的工艺实验。应用正交试验方法分析了磁流变抛光中主要工艺参数(磁场强度、抛光粉浓度、抛光盘的转速、抛光盘与工件间的间隙)对抛光去除效率和表面粗糙度的影响规律,并结合磁流变抛光机理对其进行了分析。根据实验结果对工艺参数进行了优化。     

磁流变抛光二次非球面工件位置对刀校正

近年来,磁流变抛光作为一种确定性加工方法已成为获得高精度非球面的重要手段。作者以回转对称二次抛物面为例,分析了磁流变抛光中使用抛光轮校正工件位置的理论方法,并通过实验在Φ230 mm熔石英样件上验证对刀理论,分别在X方向和Y方向以少于3次的调整次数校正工件位置,实现了X方向、Y方向偏置量均低于0.009 mm;采用磁流变抛光技术对工件进行了修形实验验证,加工后面形精度RMS由λ/7收敛至λ/40。实验结果表明：作者提出的非球面工件位置对刀校正方法简单、可靠,能够很好地对工件进行精确定位,利于高精度非球面磁流变抛光加工。     

基于最优化思想的磁流变抛光驻留时间算法

基于最优化思想研究磁流变抛光驻留时间算法。将驻留时间反卷积运算变换成矩阵运算,以实际加工要求为约束条件,建立关于驻留时间的最优化数学模型,利用最小二乘逼近和最佳一致逼近数学解法器对优化模型进行数值求解。仿真结果显示:该算法收敛幅度大,计算效率较高,所求解满足数控加工要求。在自行研制的磁流变抛光机床上进行抛光实验,对有效口径为50 mm的圆形平面工件,经过4.7min抛光,PV值从0.191λ降至0.087λ,收敛54.5%,RMS值从0.041λ降至0.010λ,收敛75.6%。     

永磁流变抛光纳米精度非球面技术研究

利用永磁流变抛光技术制造高精度光学元件是一项极具前景的超精密制造技术。对一台五轴联动磁流变数控抛光系统的结构特点、功能特色及关键部件的设计进行了阐述。在此基础上,结合装置开展基础试验,对磁流变抛光过程中的主要控制参量如抛光轮下压量、抛光轮速度等对材料去除特性的影响进行了研究。开展了磁流变抛光对提高工件(K9玻璃)表面粗糙度效果的抛光试验,结果证明该套系统具有良好的磁流变抛光特性,抛光23min后工件表面粗糙度降低到0 6739nm。     

光学玻璃研抛用磁流变液的研究

利用智能材料之一的磁流变液 (MRfluids)作为加工工具对光学玻璃进行了精密抛光加工。讨论了适用于光学玻璃抛光的磁流变液的配制机理及磁流变液对光学玻璃抛光效果的影响因素。针对光学玻璃磁流变的抛光原理和特点 ,开发配制了适合于光学玻璃加工用的磁流变液 ,并用该磁流变液对光学玻璃进行了实验加工。结果表明 ,最终得到的光学玻璃表面经过AFM测试 ,得到Ra =1 0 1 5nm。     

基于Christopherson迭代的超精密加工流场分析方法

随着特种超精密加工技术的发展,复杂流体被越来越多地用于超精密加工工艺中。超精密加工流场分析具有几何特征复杂、流体本构特性多样、流体边界为自有边界等特点,传统流体数值分析方法难以实现可靠分析。从流体的一般特性出发,将D. G. Christopherson提出的非负二阶偏微分系统的超松弛迭代方法用于超精密加工流场分析,建立了适应性与可靠性兼顾的流场分析方法。以磁流变抛光为例,开展了抛光区域压力场数值计算,结果表明所得压力分布形态正确,且分布从x轴正半轴延伸到负半轴,与郑立功等人的实验测定结果一致。另外,基于Kistler力传感器对磁流变抛光过程的法向压力在0.1~0.3 mm浸深段进行了在位测量,发现计算与实验结果偏差均小于20%。表明了该方法的有效性与准确性。     

平面和曲面光学零件气囊抛光材料去除的比较研究

气囊数控抛光是近年来一种新兴的先进光学制造技术,采用柔性的气囊作为抛光工具并以进动的方式进行加工。首先简要阐述了气囊抛光的抛光原理,然后针对平面和曲面光学零件,在自行研制的气囊抛光实验样机上进行了抛光实验。被抛光光学元件的材料去除是在抛光区内实现的。研究了进动角、气囊压缩量、气囊内部压力、气囊转速、抛光时间以及工件的曲率半径几种重要的工艺参数对平面工件和球面工件抛光接触区大小和形状影响情况的异同。在此基础上,总结了气囊抛光材料去除的影响规律。给出了几种重要工艺参数在平面工件和球面工件上取值范围。     

内凹面磁流变槽路抛光方法的研究

针对高陡度非球面光学元件的内凹面抛光难题,提出了一种内凹面磁流变槽路抛光方法。设计与待加工内凹面形状匹配的凸模,并在凸模上开出供磁流变液循环通过的槽路,当磁流变液经过设有磁场的区域时发生流变作用形成柔性抛光磨头对内凹面产生材料去除作用。通过工件的旋转和外部磁极的移动完成对整个内凹面的抛光加工。建立了实验平台并开展了相关初步实验和分析。结果表明该方法能够适应内凹面抛光加工的需要,可获得较高表面质量,具有一定的可行性和应用潜力。     

光学元件精密加工中的磁流变抛光技术工艺参数

为了充分掌握磁流变抛光中磁场强度、浸入深度、抛光轮转速、磁流变液水分含量等工艺参数对抛光结果的影响规律,以期提高元件的面形精度和表面的质量,在研究了磁流变抛光材料的去除数学模型的基础上,结合实验室的PKC100-P1型抛光设备,对上述的关键工艺参数分别进行了研究,设置了一系列的实验参数,进行了详细的实验探索,分析了单因素条件下材料的去除量以及元件表面质量同关键工艺参数的内在联系,得出了相应影响关系曲线。从关系曲线表明:工艺参数对抛光斑的去除效率以及被加工元件表面质量存在着明显的影响规律,掌握这些影响关系就能用于分析和优化磁流变加工的结果,为高精度光学表面的加工提供可靠的保障,同时实验的结果也很好地验证了磁流变抛光材料去除理论的正确性。     

磁流变技术研究及其在光学加工中的应用

介绍了磁流变技术的基本原理及其应用。利用磁流变液在磁场作用下形成的高剪切应力,可以利用磁场形成可变硬度的磁流变液对光学零件进行可控的抛光加工。美国Rochester大学率先进行了应用磁流变液对光学零件进行抛光方面的研究。磁流变抛光获得的表面具有纳米级表面粗糙度。     

环带抛光技术材料去除理论模型研究

为了更加完善环带抛光技术并指导加工,根据Preston方程建立了材料去除量的理论模型。考虑到环带抛光技术中的诸影响因素,如抛光盘与工件之间的转速比、偏心距及压强分布等参数,建立材料去除量与各影响因素之间的相互关系的数学模型。理论分析和实验结果表明：材料的去除效率随转速比和偏心距增加而增大,转速比越接近于1时,磨削越均匀;工件露边时,工件露出部分材料的去除效率急剧下降。通过对该理论模型中的相关技术参数研究来完善环带抛光技术,有效地提高抛光的效率及稳定性。     

基于非牛顿流体新型液浮法抛光技术研究

提出一种新的柔性抛光技术——液浮法抛光,通过软件仿真及实验对其进行探索性研究。针对抛光液为具有剪切增稠效应的流体,利用软件对该类液体的液浮法抛光技术模型进行流场分析,得到液浮抛光模型的流场压强、剪切力分布情况。仿真结果表明,液浮抛光技术对被加工件表面具有一定的剪切效果,可以实现对工件材料的去除。搭建实验平台,设计一组实验,其中配置以粒径12 nm的二氧化硅为溶质,分子量200的聚乙二醇为溶剂的非牛顿幂律流体作为抛光液的剪切增稠基液(其中二氧化硅质量分数为9 %),加入质量分数为18 %的氧化铈作为磨料的抛光液,对于初始粗糙度为23.97 nm的K9玻璃经过90 min的抛光,其粗糙度可达到1.023 nm,实验结果表明,该技术可用于光学元件的抛光加工。     

超精抛光中边缘效应对材料去除量的影响

 传统环抛加工一般将工件整个包围在抛光盘内,加工之后虽然可以获得较好的工件表面,但是需耗费较多的时间,生产效率较低。针对这种情况,借助PPS快速抛光机床,依据Preston公式,对露出抛光盘的工件部分,即对所谓的边缘效应进行研究,用新的表面模型表示非线性压强分布,合理地避开了线性模型造成的压强负值问题。并且对工件材料去除量进行仿真计算,建立了新的去除模型,得出了偏心距、工件半径和抛光盘转速比值对材料去除量的影响。根据此模型,选择适当的偏心距和转速比对工件进行加工,可获得较好面型。     

磁流变抛光材料去除的研究

磁流变抛光是近十年来的一种新兴的先进光学制造技术 ,它利用磁流变抛光液在梯度磁场中发生流变而形成的具有粘塑行为的柔性“小磨头”进行抛光。被抛光光学元件的材料去除是在抛光区内实现的。首先简要阐述了磁流变抛光的抛光机理 ,然后利用标准磁流变抛光液进行抛光实验。研究了磁流变抛光中几种主要工艺参数对抛光区的大小和形状以及材料去除率的影响情况。最后给出了磁流变抛光材料去除的规律。     

低温工况下冷风机结霜性能研究

文中以冷风机为研究对象,首先对低温工况下冷风机的结霜性能进行理论分析,并建立数学模型;其次通过实验,分析了结霜对翅片管效率、空气侧平均换热系数和空气侧压降的影响。结果证明:数值计算的结果和实验测试结果基本吻合,从而证明了数学模型的正确性与可靠性。     

Mixture model and Markov random field-based remote sensing image unsupervised clustering method

In this paper, a novel method for remote sensing image clustering based on mixture model and Markov random field (MRF) is proposed. A remote sensing image can be considered as Gaussian mixture model. The image clustering result corresponding to the image label field is a MRF. So, the image clustering procedure is transformed to a maximum a posterior (MAP) problem by Bayesian theorem. The intensity difference and the spatial distance between the two pixels in the same clique are introduced into the traditional MRF potential function. The iterative conditional model (ICM) is employed to find the solution of MAP. We use the max entropy criterion to choose the optimal clustering number. In the experiments, the method is compared with the traditional MRF clustering method using ICM and simulated annealing (SA). The results show that this method is better than the traditional MRF model both in noise filtering and miss-classification ratio.     

留数定理在拓扑相变中的应用

留数定理是高校物理专业必修课程数学物理方法中的一个重要定理.传统教学中关于该定理的讲授着重于数学公式的推导和数学思想的传达,而对于其在具体物理问题上的应用鲜有涉及.本文以一维Su-Schrieffer-Heeger模型的拓扑相变问题为例,阐明了如何利用留数定理解析得到二阶位移量的表达式并用该物理量表征拓扑相变.在讲授留数定理的教学过程中引入具体物理问题的分析实例,可以使学生更深刻地理解数学定理中的物理内涵.     

Development of fast deep learning quantification for magnetic resonance fingerprinting in vivo

PurposeA deep neural network was developed for magnetic resonance fingerprinting (MRF) quantification. This study aimed at extending previous studies of deep learning MRF to in vivo applications, allowing sub-second computation time for large-scale data.MethodsWe applied the deep learning methodology based on our previously published multi-layer perceptron. The number of layers was four, which was optimized to balance the model capacity and noise robustness. The training sets were obtained from MRF dictionaries with 9000 to 28,000 atoms, depending on the desired T1 and T2 ranges. The simulated MRF undersampling artifact based on the k-space acquisition scheme and noise were both added to the training data to reduce the error in estimates.ResultsThe neural network achieved high fidelity (R2 _ 0.98) as compared to the T1 and T2 values of the ISMRM standardized phantom. In brain MRF experiment, the model trained with simulated artifacts and noise showed less error compared to that without. The in vivo application of our neural network for liver and prostate were also demonstrated. For an MRF slice with 256 _ 256 image resolution, the computation time of our neural network was 0.12 s, compared with the _ 28 s-pre-slice for the conventional dictionary matching method.ConclusionOur neural network achieved fast computation speed for MRF quantification. The model trained with simulated artifacts and noise showed less error and achieved optimal performance for phantom experiment and in vivo normal brain and liver, and prostate cancer patient.     

On physical proofs of mathematical theorems

We argue that the alleged “proofs” of mathematical results from physical models logically follow from the mathematics, rather than from the specific physical laws used in working out the behaviour of the model. To support this view, we present an optical derivation of Brouwer's fixed point theorem and illustrate how the physical model can be discarded to obtain a strict mathematical proof. We also analyse an elementary version of Landsberg's model which exhibits more clearly the mathematical steps involved in the physical proof.