UHMWPE/LDPE层合板复合材料损伤声发射信号识别

为了掌握UHMWPE/LDPE复合材料的损伤机理,运用声发射技术结合聚类分析方法建立不同损伤形式的声发射信号训练样本,通过神经网络实现损伤信号的识别,并分别探讨了训练函数、传递函数、网络结构等因素对识别率的影响。研究表明,由系统聚类可提取幅度、峰值频率、持续时间为模式特征,结合Kmeans聚类可建立11个类别共583信号的训练样本。以混淆矩阵为识别率指标,当训练函数为traingdx、隐层/输出层传递函数为tansig/logsig、隐层神经元数量为70时,网络的识别率达97.2%,为基于声发射技术的热塑性基体复合材料损伤识别提供参考。     

CF/PEEK复合材料超声辅助铣削力和表面质量研究

为改善碳纤维增强聚醚醚酮复合材料（CF/PEEK）在铣削加工时所产生的毛刺、分层以及表面凹坑等缺陷，采用超声辅助铣削的加工方式分别沿0°、45°、90°、135°四种纤维方向角对CF/PEEK进行实验，并与传统铣削进行对比研究。结果表明：超声辅助铣削与传统铣削相比，切削力更小且加工质量更优。沿90°纤维方向角对试件进行超声辅助铣削，切削力、表面粗糙度和毛刺高度降幅最显著，分别降低了16.79%、28.9%和71.9%。而且在相同的加工参数下，超声辅助铣削与传统铣削相比，能够有效地改善表面凹坑、分层等表面缺陷。     

二元收扩喷管设计参数对红外特征影响的数值研究

采用正交试验设计方法进行排气系统红外辐射(IR)特征数值模拟算例的设计,研究了二元收扩喷管(2D-CD)喉部宽高比、喉部型面半径比、收敛半角和扩张半角等参数对排气系统红外辐射特征的影响,并且开展了参数对排气系统红外辐射特征影响灵敏度的分析。结果表明:扩张半角是影响二元排气系统红外辐射特征空间范围最宽的参数,收敛半角主要影响尾向10°~30°范围的红外辐射特征,喉部宽高比主要影响正尾向0°和侧向90°的红外辐射特征,喉部型面半径比对红外辐射特征的影响较小;二元排气系统不同方向上红外辐射特征的最主要影响参数不同,正尾向0°方向上的最主要影响参数是喉部宽高比,侧向90°方向上的最主要影响参数按影响程度大小排序依次为扩张半角、喉部宽高比。     

含孔复合材料圆柱壳冲击破坏试验与有限元分析

 为了揭示轴向压缩载荷与径向冲击载荷共同作用下复合材料壳体开孔处裂纹的产生机理,开展了含圆孔复合材料圆柱壳冲击试验,并对冲击试验进行了有限元仿真分析。提出复杂冲击载荷作用下的动态响应分析方法,运用LS-DYNA对冲击载荷作用下含圆孔复合材料圆柱壳动态响应过程进行了模拟,采用含刚度退化的Chang-Chang失效准则预测复合材料圆柱壳破坏过程,得到的冲击加速度响应曲线及破坏区域与试验结果一致,验证了本文方法的正确性。对有限元模型进行动力学及静力学破坏分析,结果表明,径向冲击引起的环向拉应力是圆孔边缘破坏区域90°铺层纤维断裂与基体开裂的主要原因,而拉应力只引起0°铺层基体开裂。由破坏起始分析可知,将复合材料圆柱壳90°铺层含量由20%提高至50%,可使结构承载能力增加56%。     

锥体冲击芳纶复合材料的损伤及其机理研究

采用锥体 (锥角为 6 0°)在 2～ 8m/s的冲击速度范围内对芳纶复合材料进行了冲击试验 ,研究了锥体冲击损伤过程、形貌及损伤机理。结果表明 :芳纶复合材料比玻纤复合材料损伤尺寸大 ;冲击速度提高 ,抗穿透能力提高 ;存在明显的裂纹诱导作用和厚度效应 ;复合材料在锥体冲击过程中吸收能量的大小取决于破坏模式     

自动铺丝最小间隙路径规划与复合材料锥壳结构制造

自动铺丝技术（AFP）是提高复合材料构件制造效率和降低其制造成本的关键技术和重要手段。铺放轨迹的设计是控制自动铺丝工艺质量的关键。对于复杂的结构形式，合理的铺丝路径对保证可制造性及铺贴质量至关重要。本文针对简化后的后机身锥壳特征结构，研究了基于固定角法、测地线法和变角度法的自动铺丝轨迹算法设计，解决了铺放复杂曲面满覆盖问题；总结对比获得了不同铺丝轨迹方法的特点和适用范围。以保证工艺性并满足结构设计铺层方向为原则，选用了带宽为6.35 mm的自动铺丝预浸料完成工艺验证件制造，并通过有限元分析评估了自动铺丝轨迹算法的合理性。结果表明：该结构宜采用测地线法铺放0°方向铺层以减少褶皱；采用固定角法铺放90°方向铺层能够保证连续铺放；采用结合预浸窄带侧弯试验结果的变角度轨迹规划方法铺放此锥类构件±45°方向铺层能够保持最小间隙。铺丝间隙使锥壳结构单层等效模量下降约30%，整体强度下降约10%。因而在结构优化设计时需考虑自动铺丝工艺对安全裕度影响的因素。     

基于机匣信号的滚动轴承故障卷积神经网络诊断方法

针对在滚动轴承故障激励下的机匣微弱故障特征,提出了基于卷积神经网络(CNN)的故障诊断方法。利用矩阵图法、峭度图法以及小波尺度谱法3种振动信号的预处理方法,将一维原始信号转换为图像信号;利用卷积神经网络对故障进行识别。通过比较分析发现:通过连续小波尺度谱更易提取滚动轴承的故障特征,其故障识别率达到95.82%,均高于其他几种振动信号预处理方法;由于卷积神经网络可以利用深层网络结构自适应地提取滚动轴承故障特征,比传统支持向量机(SVM)方法的故障识别率高约7%。结果证明了该方法的有效性与可行性,且具有较好的泛化能力和稳健性。      

复合材料叠层板可靠度的计算方法

 1.叠层板可靠度分析方法 对一般材料结构系统,美国Frcd Moses提出增量载荷法来牧举、确认结构系统的主要破坏模式和求得相应的系统强度。 飞机复合材料结构叠层板常用0°、90°、+45°和-45°4种定向层组构成,是各向异性、     

航空发动机0Cr18Ni9 不锈钢导管数控弯曲回弹规律

为了有效地解决航空发动机导管弯曲成形时的回弹问题，开展了0Cr18Ni9不锈钢管数控弯曲工艺试验，采用单一变量 法研究了管径、壁厚、相对弯曲半径、弯曲角对回弹的影响规律，并通过数值仿真和正交试验法分析了弯曲速度、弯模间隙等工艺 参数，以及弹性模量、屈服强度、硬化指数对弯曲回弹角的影响。结果表明：回弹角与弯曲角呈显著的线性关系，当弯曲角在180° 以内时，回弹角为1.6°~6.0°；建立了回弹角预测线性方程，预测误差在[-0.425°，0.502°]内的概率为99.74%，并基于此方程开展了全 尺寸导管的回弹角预测和补偿工艺试验；在各工艺参数中弯曲速度和弯模间隙对回弹角的影响较大，可引起大于0.5°的偏差，而 因材料参数变化导致的回弹角变化不超过0.05°。     

基于深度神经网络的客机总体设计参数敏感性分析

飞机总体主要设计参数敏感性分析揭示了总体主要设计参数对飞机特性指标的影响,有助于总体设计方案的决策。针对宽体客机总体主要设计参数敏感性问题,根据其总体主要设计参数和特性指标的特点,以及多学科间的耦合关系,建立了深度神经网络模型。该深度神经网络模型以客机总体主要设计参数为输入,对特性指标进行预测。在深度神经网络模型中,设置了多个输入层、多个输出层以及多个分块的隐藏层,从而模拟客机总体主要设计参数对特性指标的影响以及不同特性指标之间的相互作用。测试结果表明,与传统代理模型相比,深度神经网络模型对客机特性指标的预测精度更高,多参数适应性更好。利用该深度神经网络模型对客机总体主要设计参数进行敏感性分析。分析结果表明,机翼1/4弦线后掠角在30°~31.5°时,有利于减少最大起飞重量和起飞平衡场长;发动机海平面最大静推力和机翼面积对客机直接使用成本、最大起飞重量等特性指标的影响最为显著。     

基于声发射的铝蜂窝板超高速撞击损伤模式识别方法

为通过声发射技术识别铝合金蜂窝板超高速撞击(HVI)的损伤状态,提出一种基于神经网络的损伤模式识别方法。通过超高速撞击实验获取声发射信号,结合精确源定位技术、时频分析技术、小波分析技术及模态声发射技术,提出了10个与损伤相关的特征参数,通过非参数检验分析其与损伤的关系,设计了一种基于贝叶斯正则化BP神经网络的超高速撞击损伤模式识别方法。建立最优网络模型,通过不同参数组合识别能力分析,优选出2种特征参数组合,通过非同源样本对其损伤模式识别能力进行验证。结果表明:传播距离与损伤模式无关,却是识别损伤模式的重要参数;125~250kHz频域的自动加窗小波能量比会降低损伤模式的识别能力;采用贝叶斯正则化的BP神经网络可以较好地识别蜂窝板超高速撞击损伤模式,参数组合为传播距离、上升时间、持续时间、截止频率、4个自动加窗小波能量比及小波能量熵,共9个参数,对任意选取非同源样本识别错分率仅为9.38%。     

基于小波神经网络的齿轮系统故障诊断

通过对齿轮系统在不同的运转状态下不同的故障类型进行试验测试分析,获取了有关的测试信号,对振动特征信号进行了小波阈值去噪,采用离散小波变换(DWT)对去噪后的信号进行8层分解处理,对各层的小波系数进行了小波重构,得到8层细节信号和1层近似信号,并计算了各层信号的能量,得到了信号的能量分布特征.在此基础上把各层信号特征作为神经网络的输入,进行了网络的研究、分析处理和故障分类,并对小波神经网络方法与单独采用神经网络方法的故障诊断结果进行了比较评价.研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波神经网络诊断方法,对于齿轮无故障、齿根裂纹故障、分度圆裂纹故障和齿面磨损故障能够进行很好地区分与诊断,其诊断成功率均在95%以上,可对实际工程工作的齿轮系统进行故障诊断.      

基于CWT-CNN的齿轮箱运行故障状态识别

针对传统故障诊断中提取的特征不具有自适应能力、很难匹配特定故障的问题,提出了一种基于连续小波变换（CWT）和二维卷积神经网络（CNN）的齿轮箱故障诊断方法。该方法对齿轮箱故障振动信号采用连续小波变换构造其时频图,以其为输入构建卷积神经网络模型,通过多层卷积池化形成深层分布式故障特征表达。利用反向传播算法调整网络各层的结构参数,使模型建立从信号特征到故障状态之间的准确映射。在不同工况和不同故障状态下的实验中,故障识别准确率达到了99.2%,验证了方法有效性。采用这种自适应学习信号中丰富的信息的方法,可以为故障诊断智能化提供基础。      

TC18钛合金疲劳断裂过程声发射信号特征分析

声发射技术通过实时监测结构服役过程中发出的声发射信号,判断结构是否出现损伤,是一种重要的在线监测损伤的技术。为了明确TC18钛合金在疲劳试验中产生微裂纹、裂纹扩展及断裂等过程中声发射信号的特性,设计TC18钛合金试验件,进行其疲劳试验并全程采集声发射信号;采用参数分析方法,得到声发射信号在时域、频域方面的参数特征。结果表明:在裂纹萌生及扩展阶段,声发射信号幅值为40~65dB,低于相同条件下铝合金的信号幅值;在200~280kHz频段上,裂纹萌生阶段与后续过程的能量分布存在较大差异。结合上述研究结果,给出TC18钛合金试验件声发射监测的参考原则。     

基于VMD-CWT和改进CNN的直升机轴承故障诊断

由于直升机自动倾斜器滚动轴承振动信号具有非平稳、非线性特点,并夹杂非敏感故障特征信息,导致网络模型对周期信号过于敏感,不能充分利用故障信息的问题;针对此问题,提出一种变分模态分解(VMD)与连续小波变换(CWT)联合提取敏感故障特征的方法。研究表明:在相同模型训练下,该方法相对其他方法最高可提升模型准确率20.8%。为了解决卷积神经网络(CNN)进一步提高故障识别精度难的问题,提出一种基于K最近邻(KNN)改进的CNN的模型,在课题组和西储大学公开轴承数据集验证,测试精度达到99.8%和100%,可有效实现直升机自动倾斜器滚动轴承的故障诊断。     

滚动轴承早期故障的特征提取与智能诊断

在基于小波变换的滚动轴承故障诊断研究中,目前普遍存在小波变换参数选取和故障特征计算无法自动完成的问题。基于此,提出了一种基于二进离散小波变换的滚动轴承故障特征自动提取技术,实现了小波函数参数的自动选取和故障特征的自动提取。同时,基于结构自适应神经网络方法建立了滚动轴承的集成神经网络智能诊断模型。最后,利用实际的滚动轴承实验数据验证了所提方法的有效性。     

基于双树复小波包变换和SVM的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳性和现实中难以获得大量典型故障样本的情况,提出一种基于双树复小波包变换和支持向量机（SVM）的故障诊断方法.首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量;然后对每个分量求其能量并归一化处理;最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型.对试验台模拟信号（包括滚动轴承的正常状态、外圈裂纹故障、内圈裂纹故障和滚动体点蚀故障）的分析表明:该方法对所测试验信号的故障识别率达到99.5%,对比传统小波包变换与SVM结合的方法,故障识别率的准确度更高.      

面向不均匀飞机舱音信号样本的模糊支持向量机识别方法

 针对驾驶舱话音记录器(CVR)中记录的舱音背景信息多而复杂、频率范围宽、非平稳等特点,通过对15种舱音信息进行傅里叶变换和小波包变换,依次提取其Mel倒谱系数(MFCC)和小波包分解系数(WPC),利用距离可分性判据对MFCC和WPC信息进行压缩融合,得到舱音信息特征向量。设计了面向不均衡样本的模糊支持向量机(FSVM),分别计算每种类别样本及其内每种舱音信息的2个隶属度,然后利用FSVM对舱音信号进行分类识别,解决了CVR信号含噪奇异样本和数目不均衡样本时识别性能较差的缺点,实验表明该方法明显优于常规支持向量机(SVM)和FSVM,分类识别率达到98.33%。     

基于ACMPE、ISSL-Isomap和GWO-SVM的行星齿轮箱故障诊断

针对从行星齿轮箱非线性、非平稳振动信号特征提取困难的问题，提出了一种基于自适应复合多尺度排列熵(ACMPE)、改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)和灰狼群优化支持向量机(GWO-SVM)相结合的行星齿轮箱故障诊断方法。利用ACMPE从复杂域提取振动信号的故障特征，构建高维故障特征集；采用ISSL-Isomap方法对高维故障特征集进行维数约简，提取出低维、敏感故障特征；应用GWO -SVM分类器对低维故障特征进行模式识别，判断故障类型。行星齿轮箱故障诊断实验结果分析表明:与多尺度排列熵(MPE)、复合多尺度排列熵(CMPE)等特征提取方法相比，ACMPE方法在分类效果和识别精度上更具优势；与局部切空间排列(LTSA)、等度规映射(Isomap)、加权Isomap(W-Isomap)、监督Isomap(S-Isomap)和监督型自组织增量学习神经网络界标点Isomap(SSL-Isomap)等降维方法进行比较，ISSL-Isomap方法降维效果最佳；所提方法的故障识别率达到100%，具有一定优越性。      

红外图像特征提取的一种方法

小波变换是信号处理、图像处理的重要工具,已广泛应用于信号分析、数据压缩和边缘检测等各个领域。本文基于图像小波变换,提出了一种红外图像特征提取的一种方法。通过对红外图像进行小波分解,设置门限,将小波变换系数转换为二进制,然后将二进制小波系数再转换为十进制,这样既得到了红外图像的特征,又压缩了数据。通过大量的红外图像目标识别实验,证明本文提出的方法是有效的。