基于卷积双向长短期记忆网络的轴承故障尺寸估计

基于振动监测数据的航空发动机滚动轴承损伤大小识别,对于研究滚动轴承故障演化、故障预测和故障诊断具有重要意义。针对传统模型对先验知识依赖性高、特征提取不充分、故障尺寸训练类别有限等问题,提出了一种基于深度学习的滚动轴承损伤尺寸预计方法,能够对训练过程中未出现的中间尺寸进行准确识别。在经典模型的基础上,搭建了一种深度卷积网络与长短期记忆网络组合模型,该模型可对轴承振动信号的多维特征与时序特征进行充分提取,实现轴承故障的智能和高效诊断。最后,利用滚动轴承加速疲劳试验机,进行了多种转速与损伤尺寸下的滚动轴承故障试验,基于试验数据进行了方法的比较,结果表明,该组合网络的在正常和加噪的情况下预测精度分别达到99.94%和98.67%,较单独的深度卷积网络、长短期记忆网络及其他模型精度更高,比较结果充分表明了本文所提方法的优越性。     

基于叶尖间隙测量的航空发动机转子振动预测

基于叶尖间隙测量,进行了航空发动机转子振动位移和轴心轨迹的预测方法研究,建立于叶尖间隙变化动态模型,对叶尖间隙变化进行了数值计算以及有限元仿真,并针对带机匣的转子试验器进行了试验研究。采用电涡流传感器对相互垂直的两个测点进行叶尖间隙测试;通过Hilbert-Huang变换对信号进行处理,提取其低频分量;再利用互相关分析方法提取出转频信号,并由转频分量绘制了轴心轨迹;与直接测得同截面转轴上的轴心轨迹相比,两者的吻合度达到90%以上,试验结果充分表明了研究方法的正确有效性,为通过叶尖间隙测试间接获取转子振动位移提供了有效的技术途径。      

临近空间太阳能飞行器着陆状态阵风响应

对临近空间太阳能飞行器着陆状态时的阵风响应问题开展了数值模拟研究。针对该类飞行器质量轻、柔性大、降落时速度低的特点,基于 CFD/CSD松耦合分析法,利用网格速度法引入阵风载荷。以 1-cos阵风模型为基础,探讨了飞行器着陆状态遭遇二维阵风载荷时,其翼尖位移、扭转角、翼根所受结构整体弯矩以及升力系数的变化特性;并将二维阵风响应结果与一维阵风响应结果进行对比;获得了临近空间太阳能飞行器着陆时,二维阵风沿飞行器翼展方向的变化对其结构和气动性能的影响规律。