基于趋势分析的发动机振动故障识别

总结十种航空发动机整机故障的振动特征发现,单纯从频率角度分析几乎所有故障模式都表现为转子基频,但是不同故障的振动幅值发展趋势却有所不同.基于此提出了基于趋势模型的发动机振动故障识别方法.讨论了发动机整机振动趋势的数学描述及不同故障模式的趋势发展特征;建立了平稳波动模型、周期摆动模型、线性发展模型和阶跃突起模型分别描述发动机振动正常状态和三种典型故障模式;为了有效识别上述四种模型,提出了模型识别准则并实现了识别算法.最后以四组发动机实测趋势数据作为案例进行验证,结果表明该方法可以有效地区分故障模式,验证了该方法的正确性和工程实用性.     

基于单向陶瓷基复合材料拉伸曲线的细观力学参数识别

为了确定陶瓷基复合材料组分材料的细观力学参数,对陶瓷基复合材料拉伸曲线与细观力学参数之间的关系进行了研究,提出了基于单向陶瓷基复合材料拉伸曲线的细观力学参数的识别方法。单向陶瓷基复合材料典型的拉伸曲线可分为三段:初始线性段、过渡段以及第二线性段。基于剪滞模型,建立单向拉伸曲线初始线性段的斜率、第二线性段的斜率以及截距的表达式,并将理论值与实验值进行比较,从而识别出细观力学参数。最后将识别出的细观力学参数带入剪滞模型,并预测SiC/SiC单向陶瓷基复合材料的轴向拉伸应力应变曲线。预测结果与实验吻合很好,说明该细观力学参数的识别方法是可行的。同时采用另一种方法测量纤维弹性模量。两种方法的测量偏差小于5%,进一步证明了本文方法是合理的。     

基于双重容量识别标准的航空网络关键航段识别方法

对航空网络中的关键航段进行有效识别存在传统识别方法单一,网络性能评价指标不全面等问题,提出一种基于双重容量识别标准的航空网络关键航段识别方法。通过建立脆弱识别标准和瓶颈识别标准,从航段容量变化对航空网络综合性能影响的角度对网络中的关键航段进行识别,并在网络性能评价阶段,采用一种基于AHP的航空网络综合性能评价指标,使用基于UE模型的空中交通流量分配模型,对该识别方法的有效性进行验证。结果表明:该方法能够对航空网络中的关键航段进行有效识别。     

基于特征分解及模板库的涡轮叶片分模方法研究

为实现复杂涡轮叶片外形模具分模自动化,提出了一种基于特征分解及模板库的涡轮叶片分模方法.该方法运用离散和集成的思想,采用自动特征识别和人机交互特征识别的方式提取型腔体模型分解特征,将涡轮叶片的核心包络块分解为简单特征体,然后针对每个简单特征体,采用基于模板库的分模方法实现自动分模,从而有效地提高了涡轮叶片外形模具的设计...     

设计特征模型中的装配特征识别

研究了由设计特征模型识别装配特征的算法 ,该算法采用凹凸特征模型为中间模型实现设计特征模型向装配模型的转化。识别算法用特征设计与特征识别相结合的方法有效地识别出设计特征指定面的所有凹凸特征 ,利用判别装配特征的充分必要条件得到所求的装配特征。该方法克服了传统算法的缺点 ,提高了装配特征识别的有效性和可靠性     

环境激励下基于chirplet变换的线性时变系统参数识别

提出了针对时变系统响应的短时频率线性时变假设,通过将时变响应拟合成多分量线调频信号,根据线调频信号互相关理论推导了随机白噪声激励下时变系统的物理参数识别方法。该识别方法只需基于结构的加速度响应,便能识别结构的时变质量和刚度。由于引入了调频斜率刻画响应信号的短时频率线变特征,该方法相比传统识别方法能更好地追踪快变甚至突变参数,对实际工程中的时变问题具有重要的应用价值。仿真算例中构造了1个3自由度时变结构模型,针对线性时变、周期时变和突变等情况进行了物理参数的识别,误差分析显示识别误差均在5%以内,仿真结果验证了方法的正确性和适用性。     

结合深度学习的机械臂视觉抓取控制

针对基于视觉的机械臂抓取精确抓取的需求,考虑传统的视觉识别算法受环境、对象变化的制约且在识别正确率及快速性上存在的问题,在现有研究的基础上,提出了一种基于深度学习的目标精确检测与识别方法。首先基于深度学习改进了YOLO算法,通过对数据集的训练,基于英伟达Jetson TX1高性能处理单元实现了复杂环境下多目标的识别与定位,给出了目标的类别与位置等信息;以此为基础,结合利用Move It!功能包完成的机械臂运动轨迹的求解与规划,以及基于李群李代数建立的递推正逆动力学模型,设计了机械臂抓取控制的滑模控制律。仿真及实物验证表明,基于深度神经网络的方法学习到的特征对复杂背景具有较强的鲁棒性和稳定性;所设计的滑模控制算法在0.21 s时跟踪误差在2%,取得了较高的控制精度。可为后续视觉抓取任务提供参考。     

航空制造企业核心能力识别方法与实证研究

在对企业核心能力识别方法梳理的基础上,本文分别构建了基于灰色关联分析法和模糊方法的航空制造企业核心能力识别模型,设计出该模型的应用程序及步骤,并进一步以我国大型民机制造企业A公司为例开展实证研究,为我国航空制造企业能力体系建设提供理论参考。     

基于STEP和改进神经网络的STEP-NC制造特征识别方法

特征识别是实施STEP-NC重要的一步，也是实现开放式、智能化和网络化STEP-NC数控系统的关键。本文提出了一种基于STEP和改进神经网络的STEP-NC制造特征识别方法。该方法首先在对STEP AP203中性文件进行几何拓扑信息提取后，基于边的凹凸性判断构建了零件最小子图。然后，将混沌算法、遗传算法与BP神经网络算法有机相结合提出了改进的BP神经网络。最后，通过将获得的零件模型最小子图信息数据输入到改进的BP神经网络，实现了对STEP-NC制造特征高效精准地识别。通过实例验证了该方法的有效性和可行性。     

改进频域子空间模态分析方法及在试飞中的应用

基于频域子空间模态参数识别方法,提出了一种适用颤振试飞数据处理的频域子空间与非线性优化相结合的模态参数识别方法。通过GARTEUR模型数据对其进行了仿真验证,结果表明,模态阻尼识别精度在5%以内。将该方法用于实际颤振飞行试验的数据处理,结果表明,通过非线性优化后能够提高模态阻尼的识别精度,且具有抗噪声能力强、密集模态识别能力强和识别速度快等优点。