不知火舞的被虐|伊人天伊人天天综合网|博洛尼亚天气|任你懆这里只有精品4|久久美日韩精品久久|掌中之物漫画免费阅读观看|0丨d老妇

夾雜缺陷預測的案例

大型混流式水輪機轉輪用鑄鋼件夾雜缺陷預測與工藝優化
大型混流式水輪機轉輪用鑄鋼件夾雜缺陷預測與工藝優化 沈 旭,魯文濤,殷亞軍,計效園,萬鵬,周建新 (華中科技大學 材料成形與模具技術國家重點實驗室,湖南 長沙 430074) 摘 要:水輪機轉輪用鑄鋼件是大型混流式水輪機的關鍵部件,是水流動能轉化為電能的主要運動裝置,如何高效、高質地制造水輪機轉輪用鑄鋼件是高效、長效發電的基礎。本文以數值模擬為突破點,對水輪機轉輪用部件(上冠和下環)鑄造過程的典型缺陷進行預測,結合缺陷結果對水輪機部件分別進行工藝優化,以期獲得良好的鑄件。分析水輪機轉輪用下環鑄鋼件的典型缺陷,確定了夾雜為其主要缺陷。建立了夾雜粒子運動軌跡預測模型,對原始工藝水輪機轉輪用下環鑄鋼件進行充型過程流動分析及夾雜粒子運動軌跡預測,基于模擬分析手段,對下環鑄鋼件進行工藝優化,對夾雜缺陷的消除與轉移具有良好的效果。通過對下環、上冠兩部分鑄件的鑄造工藝分析優化,可以獲得質量優良的鑄件,為后續焊接成整個轉輪提供了強有力的方案支撐,對其他水輪機轉輪用鑄鋼件提供技術支持。 關鍵詞:缺陷預測;工藝優化;鑄鋼件; 目前水力發電主要采用水電裝機將水力轉換為電力,這些水電裝機核心部件是水輪機。隨著水輪機容量增大,轉輪直徑變大,水輪機的制造也越來越困難。水輪機主要包括底環導水機構、轉輪體、支持蓋和受油器等,其中轉輪體是水輪機的主要運動部件,是控制水電轉換的關鍵,同時也是易于摩損或損壞的關鍵部件。 水輪機輪轉體一般分為三個部分進行鑄造,分別為:上冠、葉片和下環,這三個部分鑄件鑄造的質量決定了轉輪體的質量,進而影響水輪機的運行效率與壽命。因此研究水輪機轉輪體部件鑄造工藝是保證水輪機質量的前提。 水輪機部件鑄造過程中會產生多種缺陷,主要包括夾渣和縮松縮孔等。
展開
記住這八個詞,鑄鐵件夾雜(夾渣)缺陷的主要原因與預防措施
夾雜(夾渣)是鑄鐵件中常見的缺陷,其來源主要包括: 熔渣 氧化物 涂料剝落物 砂粒 發生夾雜缺陷的區域通常是澆注時處于鑄型的上方平面區域、以及某些筒壁結構內表面等。 夾雜(夾渣)缺陷的主要原因 概括而言,產生夾渣缺陷的主因可以歸納為八大關鍵詞: 鐵液,流道,型砂,涂料,烘烤,清理,澆注,余量。 鐵液:鐵液中雜質的含量較高,如金屬爐料銹蝕嚴重、熔渣多及鐵液氧化等,澆注前未將鐵液中的熔渣清除干凈。 流道:澆注系統的集渣能力差,使鐵液中的殘余熔渣進入型腔內。 型砂:型砂強度較低。 涂料:涂料強度較低或刷(噴)涂工藝操作不當,引起涂料層剝落。 烘烤:熱風烘烤溫度及時間不當,導致局部砂型(芯)或涂料強度顯著下降等。 清理:在組芯合箱過程中,未將散落的砂粒等雜物清除干凈。 澆注:澆注溫度過低、澆注速度過慢等,影響鐵液中夾雜物上浮。 余量:鑄件側面及頂面的加工量過少,致使殘余夾雜物不能被加工掉等。 夾雜(夾渣)缺陷的主要預防措施 根據以上8大因素,預防措施也分別可以一一對應: 鐵液:提高鐵液的精煉程度,盡量減少鐵液中熔渣等夾雜物的含量,并在澆注前盡量將其清除干凈。 流道:提高澆注系統的擋渣能力,不讓夾雜物流入型腔內,在夾雜物容易停留的部位,設置集渣道; 型砂:提高砂型(芯)強度,以保證不產生掉砂現象。 涂料:提高涂料強度,防止涂料脫落; 烘烤:嚴格控制向鑄型送熱風的溫度和時間防止損壞砂型(芯)和送入粉塵等。 清理:細致、精心操作,將散落在鑄型內的砂粒、粉塵等雜物清除干凈。
展開
鑄造缺陷預測-FLOW3D熔模鑄造收縮缺陷預測(凝固、縮松、卷氣、夾渣)
投資鑄造過程包括四個主要步驟: 創建蠟模,然后用澆注系統進行清潔和裝配以形成圖案簇或“樹” 或者用精細和粗砂顆粒的漿料涂覆樹木以獲得陶瓷殼 將殼干燥,加熱熔化蠟,然后預熱以增加其強度并準備澆注 最后將鑄造合金熔化并倒入預熱的殼體中; 凝固后殼體破裂以獲得鑄件 圖1.鑄造幾何的實體模型 從投資鑄造過程中獲得的零件被用于許多關鍵應用,因此它們需要沒有內部缺陷。在熔模鑄造過程中出現的主要缺陷是陶瓷夾雜物,裂紋,變形,飛邊,失控,收縮,夾渣和冷關閉。 為了預測所得鑄件的質量,有必要研究各種鑄造工藝參數的影響,如金屬模傳熱系數,澆注溫度,殼厚度和殼體傳熱系數。隨著現代計算機系統和仿真軟件的出現,模具填充和凝固的模擬越來越多地用于鑄造廠,以預測鑄造缺陷并優化設計以獲得最大產量。 這項工作的主要目的是調查是否特有的熔模鑄造工藝可以有效實施輻射傳熱是在熔模鑄造工藝主要因素,而成型外殼 FLOW-3D。通過使用FLOW-3D對簡單幾何模型進行熔模鑄造過程的模具填充和凝固模擬,也可以對這兩個過程組件的不同影響進行研究 。在不同地點獲得的溫度的數值通過文獻[1]報道的實驗結果進行驗證。還研究了輻射傳熱系數,殼模厚度以及澆口和入口的位置的影響。 圖2.殼模 方法 本研究中使用的計算幾何圖如圖1所示。使用以下步驟創建殼模: 將幾何圖形作為組件1導入到 FLOW-3D中, 并使用指定的單元大小在導入的幾何圖形周圍創建網格塊。 創建類型為“complement”的component1的第一個子組件,使子組件外的所有內容都可以達到網格的范圍。 從固體數據庫中定義此固體塊的模具材料屬性。 有一個選項可以在固體屬性GUI中的組件屬性下定義“熱滲透深度”。
展開
鋁合金鑄造凝固過程中縮松缺陷預測
但是一旦采用鋁合金,縮松(Mirco-porosity)缺陷就可能形成;一旦形成縮松缺陷,零件的機械性能可能會發生問題(例如:疲勞壽命…等)。 理論導讀 鋁合金凝固過程(Solidification process of aluminum alloys) 縮松的形成原因 1.氣體造成的縮松 2. 收縮造成的縮松 FLOW-3D CAST 縮松計算原理 驗證一、CTIF Plate 溫度場計算驗證 操作畫面: 鑄造過程中數值模擬與實驗結果驗證對比 驗證二:汽缸頭(Cylinder head)鑄造對比 FLOW-3D CAST 模具熱循環(Thermal die cycling)模擬 FLOW-3D CAST 充型階段(Filling phase)模擬 FLOW-3D CAST 凝固過程中溫度分布 FLOW-3D CAST 冷卻過程中溫度驗證 FLOW-3D CAST 模擬結果與實測結果對比(模具內放置熱電偶 Thermo couple) FLOW-3D CAST 縮松(Micro-porosity)分析結果 FLOW-3D CAST 縮松模擬結果對比
展開
夾雜缺陷預測圖1
Moldex3D模流分析之個別指定金線材料預測晶片封裝缺陷
常見的金線材料則包含金、銅、鋁等等,由于金線的管徑細小,因此金線缺陷往往是芯片封裝制程最重要的挑戰之一,而金線缺陷包括金線偏移、斷裂以及交叉。而為了確保良率及提升性能,封裝制程廣泛使用多種類的線料。以下將說明如何透過Moldex3D IC封裝模塊,進行多種金線材料定義的偏移分析。 金線材料設定 步驟1:在Moldex3D網格前處理,用戶可產生芯片組件實體網格并設定金線,接著檢查圖層:SRMI$為芯片封裝實體網格圖層,WL$PF1為金線圖層。 步驟2:點選 Wire Material Setting,并按照提示欄顯示的訊息操作。 選擇曲線后,按下Enter。使用者可命名并指定金線材料群組的顏色。 步驟3:輸出項目分析用網格檔,并開啟Moldex3D Studio 建立新的項目。 步驟4:新增分析組別并指定不同群組的金線材料,并開啟下拉選單并點選材料精靈,開啟Moldex3D 材料精靈 。 挑選材料并以右鍵點選加入項目,點選所需材料后,關閉材料精靈。 用戶可下拉選取窗口個別指定金線的材料。 步驟5:確認顯示窗口中的材料信息。
展開
設計仿真 | Simufact Additive仿真預測電子產品打印缺陷,優化增材制造工藝
Simufact Additive變形補償自動迭代 變形補償優化后的打印仿真結果 制造缺陷預測 Simufact Additive增材仿真軟件除了對變形的預測和自動迭代優化,還可以對增材制造各個工藝階段的應力進行仿真分析,并且可以對增材制造缺陷進行預測分析,如打印開裂、收縮線、刮刀碰撞預測等。如下圖所示為表殼打印可能的開裂預測,紅色位置為開裂風險較高區域。對于可能的收縮線,紅色位置為較明顯位置,黃色位置次之。 左-可能的失效;右-收縮線缺陷
Moldex3D模流分析之個別指定金線材料預測芯片封裝缺陷
常見的金線材料則包含金、銅、鋁等等,由于金線的管徑細小,因此金線缺陷往往是芯片封裝制程最重要的挑戰之一,而金線缺陷包括金線偏移、斷裂以及交叉。而為了確保良率及提升性能,封裝制程廣泛使用多種類的線料。以下將說明如何透過Moldex3D IC封裝模塊,進行多種金線材料定義的偏移分析。 金線材料設定 步驟1:在Moldex3D網格前處理,用戶可產生芯片組件實體網格并設定金線,接著檢查圖層:SRMI$為芯片封裝實體網格圖層,WL$PF1為金線圖層。 步驟2:點選 Wire Material Setting,并按照提示欄顯示的訊息操作。 選擇曲線后,按下Enter。使用者可命名并指定金線材料群組的顏色。 步驟3:輸出項目分析用網格檔,并開啟Moldex3D Studio 建立新的項目。 步驟4:新增分析組別并指定不同群組的金線材料,并開啟下拉選單并點選材料精靈,開啟Moldex3D 材料精靈 。 挑選材料并以右鍵點選加入項目,點選所需材料后,關閉材料精靈。 用戶可下拉選取窗口個別指定金線的材料。 步驟5:確認顯示窗口中的材料信息。
展開
Moldex3D模流分析之美國威斯康辛大學利用Moldex3D預測產品缺陷
學生們藉由此過程,比較三種設計的模擬結果,對塑料射出制程和塑料流動行為有更深入的了解,進而學習如何利用CAE模擬技術,在實際生產制造前,預測產品潛在缺陷,有助于應用在產業。 目標 利用Moldex3D eDesign仿真三種產品設計,檢視流動和凹痕及翹曲分析 案例研究 在威斯康辛大學的課程中,學生能夠學習到塑料射出相關的知識,但無法透視塑料流動行為來觀察不同參數對射出制程的影響。因此他們希望藉由Moldex3D模流分析軟件來加強。 在此案例中,學生以自行設計的刮冰器(圖一)進行模擬分析,希望可以預先了解潛在的設計缺陷學生針對刮冰器件進行了幾組澆口位置和冷卻水路間距的設計,并分別進行模擬,以觀察不同設計對塑料流動行為的影響。 圖一 刮冰器的產品設計 三組設計如下: 1. 原始設計 2. 澆口位置變更(澆口位置#2) 3. 將水路間距由原先的1/2英吋改為1/4英吋 三組設計完成分析后,首先進行凹痕結果的比較。 原始設計 澆口位置#2 水路間距1/4英吋 圖二 三種設計的凹痕結果比較 其次是Z軸方向位移結果(圖三)及產品收縮結果(圖四)比較。如圖三所示,澆口位置#2相較于其他兩種設計變更,位移情形較輕微,約在-0.07500至0.09436英吋之間。
展開
免噴涂材料中出現“新款”注塑缺陷,moldflow居然無法預測
注塑材料的發展中,慢慢的免噴涂材料開始登場。一般是將顏色做亮或者是添加其余粉末來改善塑料材料的本身外觀特征,或者是提升材料本身的物性。最近在新開發的免噴涂材料中發現了原來并沒有出現過的問題。 在新的材料中發現的問題,現暫時稱之為新波痕。寓意為新的澆口打開,出現像水波一樣的一條痕跡。 材料為PS基料,增強物為60um級的鋁粉,具體配比不做透露,現在是這種材料作為一種免噴涂的材料,同時可以增強材料本身的外觀金屬感。可能日后這種加入鋁粉的材料會慢慢的增加在市場上的比重,現在的新問題點恰好發現在此材料上。可能這個問題一直存在,但是并沒有具體的表現,因為材料的填充物將此問題點暴露。 同時,恰巧moldflow軟件在青島做宣傳,與金牌的分析師以及和軟件公司的人員探討此問題后均無什么名字,而且是目前軟件暫時是無法分析,在此將新發現問題點做一個總結,為以后遇見此材料制作模具的時候提供規避。 產品為抽屜,雙澆口進膠的模式。因為不做噴涂,在此時候需要將熔接線放到產品最后的兩端,同時盡量調直,用拉絲紋做一個掩蓋,解決直接能夠看到的弊端。 抽屜上亮點,后面一點為調整最后方的熔接線的位置準備,而在調整的時候,發現在產品的末端會有一個除溫差線之外的線,一眼看出來,不是溫差線,更像是材料融料不均的一根線,但是更改材料溫度、增加背壓都沒有任何的改善,表現形狀略略改變,但是位置不變,長度也沒有任何變化。 就是位置不會變化,但是其余表現形式會略有差異,前期CAE分析報告中也沒有提及此處會有變化。此線即為新發現的瑕疵,取名新波痕。 經過多種嘗試,發現這個線和前面的溫差線的移動趨勢完全一致,及溫差線前移,該條線在產品上的位置也是在前移,溫差線后移,就可以慢慢將這道線趕出產品的表面,但是因為前期并沒有分析出這條線,所以模具的澆口位置已經確認
展開
質量管理丨Q-DAS預測性分析解決方案 讓缺陷止步于發生前
海克斯康質量大數據專家Q-DAS提供的預測性分析解決方案,正是這樣一臺“質量時光機”,接下來將為大家詳細講解。 Q-DAS預測性分析解決方案 功能概覽 海克斯康Q-DAS預測性分析解決方案可以實現以下四個功能: ?把產線歷年、歷月、歷班的 Q-DAS 數據一鍵喂給AI; ?自動建立機器學習模型,預測“哪一特征、哪一臺、哪一班”即將突破規格限; ?實時推送預警到微信/郵件/釘釘,附帶根因分析與建議措施; ?與O-QIS無縫對接,自動調度測量計劃——不穩定時 100% 全檢,穩定時動態放寬頻次,CMM 利用率最高提升 40%! Q-DAS預測性分析解決方案 用戶收益 01 主動質量 從“救火”變“防火”,批量報廢率平均下降 25%。 02 資源最優 測量、刀具、人力提前排程,OEE 提升 8%–12%。 03 交付無憂 提前一周鎖定風險,客戶審核 Ppk 報告一次通過。 04 零門檻上手 圖形化向導,三步驟完成建模,不需要寫一行 Python。 Q-DAS預測性分析解決方案 客戶反饋 “自從上線 Q-DAS質量預測,我們再沒出現過‘半夜被客戶叫停產’的情況。提前 2 天收到孔徑超差預警,調整刀具補償后,Cpk 從 1.33 提升到 1.87,一年節省返工費用 120 萬元。” —— 某德系主機廠缸體生產線
展開
2006年會msc.fatigue論文--運用MSC Software進行含缺陷承壓設備疲勞壽命預測
運用MSC Software進行含缺陷承壓設備疲勞壽命預測 1.JPG 運用MSC Software進行含缺陷承壓設備疲勞壽命預測.pdf
夾雜缺陷預測圖2