温变环境中测试信号传输的仿真及试验

信号传输理论应用于电路网络中,由基尔霍夫定律推导了离散的温度-时间信号传输模型.给出了一种基于电压和电流的迭代算法,分别实现了导线升温、降温过程的信号传输仿真分析.研究表明:测试信号幅值随温度升高而逐渐衰减,在300℃时,幅值衰减了10%左右,而在升、降温并存环境中幅值衰减更加明显.在此基础上,设计了温变环境下的振动测试试验,所得结果与仿真分析结果一致.该研究为提高振动测试信号的精度提供了一种新方法.      

基于钇稳定二氧化锆阻温特性的火焰传感器

基于钇稳定二氧化锆(Yttria-stabilized Zirconia,YSZ)的阻温特性,设计了以YSZ热敏电阻为感受元件的火焰传感器,以传感器热敏电流信号表征火焰状态。采用伏安法,测量了YSZ热敏电阻在673K～1523K温度下的阻值,验证了YSZ阻值与温度的倒数呈指数关系。在Tirril喷灯点火、熄火试验中,研究了激励电压(3V～15V)、火焰温度(720K～1480K)和燃气流量(60L/h～150L/h)对传感器阶跃响应特性的影响。结果表明:热敏电流与激励电压呈正比,随火焰温度的升高而增大;点火响应时间随火焰温度、燃气流量的升高而减小;熄火响应时间基本不受火焰温度与燃气流量的影响。YSZ传感器能够对火焰产生正确响应,并且信号稳定、幅值强烈。     

高温环境对振动测试信号传输参数的影响

为了研究发动机试车运行时高温环境对振动特性测试信号传输参数的影响, 利用电磁场-热耦合理论, 探讨了温度场对电磁场各场量的影响.结合实际测试传输网络, 提出了一种能有效提取多导体传输参数的传输电路法.该方法用经典的能量法进行了验证, 取得了很好的一致性.电阻和电感参数均随环境温度的升高而增加, 且电阻受温度影响的变化幅度尤为明显.多输出响应时多导体的邻近耦合响应随温度升高而加剧, 互电参数受温度和导体间距的影响明显.      

航空用高速连接器信号反射抑制与优化设计

优化高速连接器的电气-机械结构,抑制信号在其内部传输时的反射现象,对提升高速连接器的传输性能及高速互联系统的稳定性至关重要。分析了高速连接器信号反射问题的根本来源及影响因素,结合优化量的仿真结果,提出了一种在工程中改善高速连接器信号反射问题的优化设计方法。首先,推导出信号反射问题在频域和时域的表征参数。其次,利用HFSS仿真分析各优化量的参数变化对信号反射现象的影响规律。最后,根据仿真结果,以最优化信号反射的表征参数为目标,确定高速连接器的系统优化方案,并通过测试实验来验证其有效性。设计结果表明：接触件插针在线径变化处的线径差异增大时,信号反射加剧;增大端接线缆线径,选用介电常数更小的插座端绝缘体材料,则能够有效抑制信号反射。优化结果表明：采用所提出的优化设计方法后,高速连接器差分阻抗的最大值减小到110Ω以下,最小值增大2.72%以上,波动范围减小31.7%～41.8%;回波损耗在不同频率范围内的最大值均有所减小,整体数值改善约9.8%～12.3%,信号反射问题得到显著改善。     

颗粒阻尼器耗能特性及振动抑制研究

机电控制系统受振动影响易发生故障，严重影响飞行安全，本文通过颗粒阻尼器对机电控制系统进行振动抑制研究，采用离散元仿真方法研究阻尼器的耗能变化规律与振动幅值、振动频率和颗粒数量的影响关系，并通过BP神经网络对颗粒阻尼器耗能数据进行训练和预测；通过机电控制器的随机振动试验，验证离散元仿真结论与BP神经网络预测模型的准确性。结论表明，离散元仿真在振动频率20～40Hz、激励幅值2～16mm范围内，其他条件一定时，阻尼器耗能随频率和幅值的增大而增大，随颗粒填充率先增大后减小，在57%～70%填充率范围内具有最佳耗能效果；在机载系统随机振动试验中，颗粒阻尼器填充率处于30%～90%范围内均表现出较好的振动抑制效果。仿真和试验结果对颗粒阻尼器在机电控制系统中进一步应用具有指导意义。     

信号周期分段处理法诊断单级传动齿轮副故障

为了诊断单级传动齿轮副故障,本文提出信号周期分段处理的方法。首先同步整周期采集振动信号,然后对采集的振动信号做时域平均,进行降噪和凸显故障脉冲的处理。利用周期分段处理法,将振动平均信号等距分段,分别对各段信号进行频谱分析。比较各段信号的时域波形和频谱的异同,可以准确诊断出单级传动齿轮副中同步齿轮故障位置,且还能诊断出非同步齿轮故障位置。数字仿真试验以及模拟故障实验结果都证实了信号周期分段处理法诊断齿轮故障的可行性和有效性;它为诊断单级传动齿轮副故障提供一种有效手段。      

多模态时域振动衰减信号各模态分离与阻尼参数辨识方法

针对多模态信号中各模态难以准确分离和模态阻尼参数难以准确识别的问题,提出了布谷鸟搜索(CS)算法参数优化的变分模态分解方法 (CS-VMD)和模态阻尼参数辨识的包络线积分法(EIM)。使用CS-VMD方法将多模态时域振动衰减信号中的多模态分量准确分离开来,利用EIM辨识各模态的模态频率和阻尼比,并与理论值(或测量值)以及半功率带宽法(HPB)辨识值进行对比。位移仿真信号与压气机导向叶片测频信号模态分解及模态参数辨识表明,CS-VMD方法可实现对多模态信号的正确分解,EIM辨识的模态频率误差均小于1.0%;对于位移仿真信号,EIM辨识的模态阻尼比最大误差小于2.5%;对于压气机导向叶片测频信号,使用EIM和HPB方法辨识的模态阻尼比最大差别为9.098%,EIM的模态阻尼辨识精度比HPB方法高。     

转子高速动平衡数据采集与处理方法研究

针对转子高速动平衡过程转速高、振动问题突出以及相位波动等特点,提出了一种高速动平衡的数据采集与处理方法,运用多线程技术准确测量转速信号并且同步采集振动信号。根据转速变化情况迅速切换暂态与稳态,减少状态切换时间,方便测试人员操作,提高试车的效率。以转速脉冲信号为基准,对振动信号进行整周期截取与插值处理,并对平衡记录进行多次平均,解决转速波动时振动幅值与相位的跳动问题。建立试验转子模型,进行动力学特性的计算与试验。结果表明:一阶临界转速计算值与实测值相对误差不超过1%,不平衡响应的相对误差不超过10%。仿真计算与试验结果相吻合,这对提高相位测量的准确度和稳定性,具有一定的工程应用价值。     

基于非线性压缩变换的纤维增强复合薄板非线性阻尼的时域测试方法

提出了基于非线性压缩变换的纤维增强复合薄板非线性阻尼的时域测试方法。基于非线性压缩变换构造了理论分析信号,并推导获得了复合结构系统非线性阻尼的表达式,明确了从时域测试角度获取非线性阻尼参数的理论原理。编写了Matlab算法,并用数值算例证明了该算法的正确性。总结并概括出一套合理、规范的测试流程,并对TC500碳纤维/树脂基复合薄板进行了实际测试。实践证明,利用所提出的方法可以有效获得复合薄板在不同衰减时刻对应的阻尼参数,该方法可以用来定量评价不同振动幅值及频率下复合结构的非线性阻尼特性。      

核磁共振陀螺中静磁场强度对原子核自旋进动信号的影响

原子核自旋磁矩Larmor进动达到稳态时,检测光携带出的信息中同时包含原子核自旋进动磁场信号和驱动磁场信号,且这两种磁场信号的幅值比例会随静磁场强度改变发生显著变化.从理论和实验两方面研究了检测信号中原子核自旋进动磁场与驱动磁场的比例关系,通过分析不同静磁场下的弛豫信号幅值变化,发现静磁场能够显著抑制驱动磁场对原子核自旋磁矩进动磁场信号的影响.结果表明,静磁场强度为7μT时,核自旋进动磁场幅值与驱动磁场幅值的比值提高了20倍,且静磁场越大,对驱动磁场的抑制效果越明显,有效提高了核磁共振陀螺信噪比.     

基于改进GWO-LightGBM的滚动轴承未知故障诊断

针对滚动轴承未知新故障误判影响轴承安全性和检修效率的问题，提出了一种基于改进灰狼算法（GWO）和轻量级梯度提升机（LightGBM）的故障诊断模型，实现已知/未知故障的高精度判别。为避免单一尺度下特征提取的缺失，对滚动轴承振动信号分别提取时域、频域和小波域特征建立多域特征集。设计了带未知新故障判别机制的GWO-LightGBM模型，并构造含有Halton序列和模拟退火策略的GWO实现了模型参数有效优化。实例试验结果表明，模型对已知和未知类故障平均识别率达99.57%，10次随机试验平均识别率分别比单一分类模型逻辑回归（LR）、最近邻分类器（KNN）和支持向量机（SVM）高21.98%、17.00%、9.27%，验证了模型的有效性和优越性，能高准确率地识别出已知或以前从未出现的新故障。      

不同环境因素对引压管腔动态特性影响

为了探索引压管腔在动态压力校准和使用中不同环境因素对动态特性的影响,推导了管腔传压模型和谐振频率关系式,确立了影响管腔动态特性的参数,包括静态压力、温度、气体介质等。采用引压管腔专用实验装置进行了不同环境参数状态的实验验证,结果表明:静态压力仅会影响管腔在谐振频率附近的输出,随着静态压力的增大而非线性增大,对动态特性并无明显改变;温度会改变管腔的谐振频率和动态特性,随着温度的升高,谐振频率增大但输出幅值随之减小;气体介质的不同会彻底改变管腔动态特性,主要取决于介质的声速。该研究为引压管腔在使用环境下数据的评价和数据修正上提供了一定参考依据。     

Force measurement using strain-gauge balance in shock tunnel based on deep learning

When a force test is conducted in a shock tunnel, vibration of the Force Measurement System (FMS) is excited under the strong flow impact, and it cannot be attenuated rapidly within the extremely short test duration of milliseconds order. The output signal of the force balance is coupled with the aerodynamic force and the inertial vibration. This interference can result in inaccurate force measurements, which can negatively impact the accuracy of the test results. To eliminate inertial vibration interference from the output signal, proposed here is a dynamic calibration modeling method for an FMS based on deep learning. The signal is processed using an intelligent Recurrent Neural Network (RNN) model in the time domain and an intelligent Convolutional Neural Network (CNN) model in the frequency domain. Results processed with the intelligent models show that the inertial vibration characteristics of the FMS can be identified efficiently and its main frequency is about 380 Hz. After processed by the intelligent models, the inertial vibration is mostly eliminated from the output signal. Also, the data processing results are subjected to error analysis. The relative error of each component is about 1%, which verifies that the modeling method based on deep learning has considerable engineering application value in data processing for pulse-type strain-gauge balances. Overall, the proposed dynamic calibration modeling method has the potential to improve the accuracy and reliability of force measurements in shock tunnel tests, which could have significant implications for the field of aerospace engineering.     

纵-扭复合超声钻削TC4钛合金振动系统设计与试验

螺旋沟槽变幅杆能够实现超声振动模式的转换，对单激励纵-扭复合振动的实现具有结构简单和操作可行的优点。基于弹性波场论对超声波在复合变幅杆中发生模式转换的原因及振动特性进行分析，并从超声波的入射角入手，分析入射角对振动模态的影响。在圆锥复合变幅杆的圆锥段开设螺旋沟槽，建立三维模型，并进行有限元仿真和试验验证，结果表明超声波入射角的改变对纵-扭复合变幅杆的扭-纵比影响显著。当入射角为46.5°和67.2°时，在变幅杆的输出端纵振模态和扭振模态发生明显的变化，实测的扭-纵比前者较后者提高约5.1倍。通过普通钻削与超声钻削实验对比，在不同的入射角条件下，超声钻削的平均钻削力均低于普通钻削力。与入射角为67.2°时对比，当入射角为46.5°时，平均钻削力降低约46%，并提高了制孔的质量，从而为模态转换的纵-扭复合变幅杆设计提供一定的理论依据。     

循环加载下复合推进剂的能量耗散

在空空导弹的挂载飞行阶段,弹体高频振动导致的固体推进剂温升极大地损害了固体火箭发动机的性能。为深入探究固体推进剂的能量耗散及其影响因素,针对某复合推进剂进行了不同应变幅值下的多频率疲劳测试,并利用非接触式红外辐射装置同步采集了循环加载下推进剂试件的表面温度,讨论了频率、应变幅值两个因素对复合推进剂能量耗散的影响。结果发现,复合推进剂由于自身的黏滞性,在外部激励下产生了剧烈的疲劳生热行为,其能量耗散密度随着加载幅值和频率的增大而提高,能量耗散带来的试件表面温度呈现出先增大后稳定的规律。根据能量耗散和温度场方程,建立了复合推进剂疲劳过程中的温升计算模型,利用有限元仿真对不同加载条件下推进剂的滞后温升进行了较好的预测。     

高速飞行器翼面结构热振动试验的TARMA模型方法

高速飞行器翼面结构的热振动试验研究对这类飞行器的设计和安全飞行具有重要的意义。采用时变自回归滑动平均(TARMA)模型方法建立了受热时变结构系统模态频率辨识的数学模型,并用一个数值算例进行了验证。将地面振动测试系统与瞬态热环境模拟系统相结合,设计了翼面结构热振动试验系统并模拟结构的瞬态温度场,同时对纯随机激振力激励下受热时变结构系统的振动位移信号进行测量,并用TARMA模型对时变固有频率进行了辨识,获得了前4阶固有频率随加热时间的变化规律,并将辨识结果与数值计算结果进行了比较,两者误差在5%以内。另外,在稳态均匀热环境下辨识得到的结构系统固有频率变化与数值计算结果也吻合得很好。通过将均匀温度场与瞬态温度场下的结果进行对比分析,指出了瞬态热环境下时变结构的固有频率随加热时间变化的趋势主要由结构材料属性的退化和结构内部不均匀热应力的影响共同决定。     

微半球陀螺测控电路国内外现状与关键技术

微半球陀螺相比于传统的机械陀螺具有更小的尺寸，因此其对温度、湿度、磁场等外界环境的变化更为敏感。为了保证陀螺具有较好的工作表现，需要使外部驱动信号的频率严格锁定于工作模态的中心频率上，且陀螺输出信号幅值恒定。与此同时，由于微半球陀螺信号为微弱信号，故而需要采用微弱信号采集技术及反馈技术对其进行处理，并且通过解调控制算法得到输出信号。阐述了微半球陀螺基本测控电路的国内外发展现状，并从Sigma-delta、模态匹配、正交补偿、温度补偿等角度分析了微半球陀螺测控电路的关键技术。     

Semi-supervised gear fault diagnosis using raw vibration signal based on deep learning

In aerospace industry, gears are the most common parts of a mechanical transmission system. Gear pitting faults could cause the transmission system to crash and give rise to safety disaster. It is always a challenging problem to diagnose the gear pitting condition directly through the raw signal of vibration. In this paper, a novel method named augmented deep sparse autoencoder (ADSAE) is proposed. The method can be used to diagnose the gear pitting fault with relatively few raw vibration signal data. This method is mainly based on the theory of pitting fault diagnosis and creatively combines with both data augmentation ideology and the deep sparse autoencoder algorithm for the fault diagnosis of gear wear. The effectiveness of the proposed method is validated by experiments of six types of gear pitting conditions. The results show that the ADSAE method can effectively increase the network generalization ability and robustness with very high accuracy. This method can effectively diagnose different gear pitting conditions and show the obvious trend according to the severity of gear wear faults. The results obtained by the ADSAE method proposed in this paper are compared with those obtained by other common deep learning methods. This paper provides an important insight into the field of gear fault diagnosis based on deep learning and has a potential practical application value.