基于小波神经网络的航空刀具磨损状态识别

针对航空零件的加工特点,采集刀具在不同磨损状态下的声发射(AE,Acoustic Emission)信号,对AE信号进行时频分析和小波变换,运用快速傅里叶变换(FFT, Fast Fourier Transform)以及db8小波5层分解,提取AE信号幅值的均方根和主能量频段的能量作为特征向量,对特征向量进行归一化处理后作为输入向量对小波神经网络进行训练.小波神经网络运用参数调整算法,在权值和阈值的修正中加入动量项.测试结果表明:AE信号对刀具磨损敏感的频率范围在10~150kHz,网络实际输出与期望结果的误差小于0.03,该方法能够对刀具不同磨损状态进行正确的识别.      

轴向柱塞泵/滑靴副润滑磨损的影响因素分析

斜盘-滑靴副(滑靴副)的磨损会导致泵泄漏增加、效率降低,进而影响寿命.提出了一种基于弹性流体动力润滑(EHL,Elasto Hydrodynamic Lubrication)磨损模型的轴向柱塞泵滑靴副加速寿命试验方法.该方法以滑靴副的油膜分析结果为基础,综合考虑工况参数(温度/转速/压力)对滑靴副磨损的影响,揭示了影响滑靴副磨损过程的内在因素.研究以某型轴向柱塞泵为对象,首先基于提出方法,对2组不同工况下的滑靴副磨损量进行了分析,并将分析结果与长周期的磨损试验结果进行了对比,验证了磨损量分析结果的准确性,也表明本文提出的方法与模型具有可用性.然后,基于本文提出方法和磨损分析模型,对比分析了介质温度(黏度)、输出压力、转速与滑靴副磨损率的相对关系.最后,探讨了柱塞泵的磨损加速寿命试验的加速手段,以及工况对于加速比率的影响.研究结果能够用于制定柱塞泵加速磨损试验的载荷谱,以及为降低泵磨损为目的的设计优化.      

模糊特征目标的相对熵识别法

针对模糊特征的目标识别问题,提出了一种结合模糊建模和改进CRITIC方法的相对熵识别方法。计算多个时刻观测值的统计特征,通过模糊建模将观测值转化为模糊数;基于模糊数距离测度,定义并计算目标特征值和观测值之间的相似度;对CRITIC方法进行改进,提出一种目标特征客观权重的求解方法;根据相似度和特征权重,使用相对熵排序法得到识别结果。仿真结果显示：模糊特征能够更好地体现识别中的不确定性,所提方法对模糊特征的目标识别率高,实时性和鲁棒性好,具有一定的应用价值。     

基于单目视觉的非合作航天器相对位置和姿态测量算法

对非合作航天器的相对位置和姿态测量问题进行了研究,提出了一种新的单目视觉测量算法——相似迭代算法．该算法根据相似三角形原理推导出一种新的深度迭代机制,通过深度估计和绝对方位问题求解两个步骤对相对位置和姿态参数进行迭代计算．数值仿真结果表明了该算法的有效性．     

基于制动意图识别的电动汽车能量经济性

制动能量回收是提高电动汽车能量经济性的主要技术措施,准确识别驾驶意图是制动能量回收的关键。分别建立驾驶员收起加速踏板阶段和踩下制动踏板阶段的制动意图识别模型,采用模糊控制方法对制动意图进行识别,以小强度制动、中强度制动和紧急制动作为量化的驾驶员制动意图输出;依据制动意图识别结果制订了2种能量回收模式;基于欧洲经济委员会(ECE)法规线和I曲线建立了制动力分配策略和计算模型;针对不同的能量回收模式,以Cruise和MATLAB/Simulink为平台,建立了制动系统仿真模型,计算制动能量回收率和电动汽车续驶里程。结果表明:能量回收模式不同,电动汽车的制动能量回收率不同;在一个新欧洲驾驶循环(NEDC)中,考虑收起加速踏板阶段模拟发动机制动的能量回收模式能够提高制动能量回收率;NEDC循环工况的续驶里程提高了5.69%。      

基于EMD与LS-SVM的刀具磨损识别方法

针对刀具磨损声发射信号的非平稳特征和BP神经网络学习算法收敛速度慢、易陷入局部极小值等问题,提出了基于经验模态分解和最小二乘支持向量机的刀具磨损状态识别方法.首先对声发射信号进行经验模态分解,将其分解为若干个固有模态函数之和,然后分别对每一个固有模态函数进行自回归建模,最后提取每一个自回归模型的系数组成特征向量,特征向量被分为两组,一组用于对最小二乘支持向量机训练,另一组用于识别刀具磨损状态.试验结果表明:该方法能很好地识别刀具磨损状态,与BP神经网络相比具有更高的识别率.      

基于几何特征的非合作目标相对位置和姿态估计

针对几何参数未知的非合作目标,提出一种基于双目视觉的非合作目标相对位置和姿态估计算法.对目标图像进行滤波去噪、Canny边缘提取并将每条边缘段保存至链表,将边缘段分为直线段和圆弧段;并从直线段和圆弧段中检测出矩形特征和圆形特征;根据平行直线在同一像平面投影具有相同湮灭点的性质设计矩形特征相对位置和姿态估计算法;根据圆在像平面对偶投影几何,设计圆形特征的相对位置和姿态及半径的估计算法;对实际模型图像进行处理验证,结果表明该算法能够很好地识别帆板和对接环,并有效地估计出相对位置和姿态及对接环半径.     

基于KMMS-ReliefF和SA-SVMRFE的高超声速进气道不起动状态识别

进气道不起动会严重影响到高超声速发动机的正常运行。基于稳态压力信息的模式分类方法,以某高超声速三维内转式组合进气道为研究对象,通过提取关键可靠的壁面压力测点并构建高精度的分类模型,以解决不起动识别问题。在不同马赫数和背压条件下,通过数值模拟获得了若干起动/不起动沿程壁面压力数据。在测点选择算法设计上,提出了一种k-均值聚类与ReliefF相结合的算法,在解决原数据集起动/不起动类别不平衡的同时充分考虑了联合特征对的权重信息;为兼顾特征权重和全局分类精度,提出了一种引入模拟退火策略的改进支持向量机递归特征消除算法。将二者进行组合式设计,先采用KMMS-ReliefF算法快速剔除不相关测点,在剩余测点子集中通过SA-SVMRFE算法删除冗余测点,并与其他4种组合算法进行对比。实验结果表明：所提组合算法在最优特征子集维度上明显低于其他算法,利用十折交叉验证支持向量机（10-cv SVM）训练的不起动识别模型,在各模态通道测试集的平均分类准确率均达到99%以上,且具备较高运行效率。此外,通过k最近邻（kNN）、AdaBoost等其他分类算法验证了最优测点组合的可靠性。     

基于有限元Craig缩聚模型的基础激励和载荷识别

载荷识别是用有限自由度的加速度测量值推断外力.基础激励是在基础自由度上加给定的加速度时间历程激振结构,求整个结构的动响应.利用Craig减缩模型的性质,及界面自由度的已知运动可求出整个结构其余自由度的动力学响应,完成基础激励求解.在此基础上用已知的界面自由运动和求得的非界面自由度的动力学响应,代入结构动力学方程即可实现载荷识别.本方法唯一能给基础激励和载荷识别结果带来的偏差是Craig缩聚模型与原始有限元模型间的差异,对此用频响分析的方式,直接从频响曲线的变化来确定缩聚模型的精度.算例表明这一新的基础激励和载荷识别途径是有效的.