基于图像识别的机械振动信号特征提取与寿命预测方法研究

滚动轴承作为许多机械设备的关键组件,被广泛应用于机械制造、航空航天等领域,其健康状态直接影响了相应设备的剩余寿命,因此在设备故障预测与健康管理(Prognostics and Health Management, PHM)领域,滚动轴承寿命预测具有很高的研究价值。目前基于数据驱动的轴承寿命预测方法主要利用特征提取并构造健康因子(Health Indicator, HI),然而在这一过程中特征的选择与融合依然依赖于专家先验知识,并且健康因子也很难从复杂的时序数据中进行提取。因此,提出了一种新型的数据驱动寿命预测算法,在特征提取方面,通过连续小波变换(Continuous Wavelet Transform,CWT)将传感器振动信号转换为时频谱图,再通过深度残差网络(Deep residual network, ResNet)结合时空卷积网络(Temporal Convolutional Network, TCN)将时频谱图中的时域频域特征构造成为健康因子,最后完成剩余寿命预测。本研究在PRONOSTIA数据集上与现有的数据驱动算法进行了对比,证明了该算法可以更准确地完成剩余寿命预测。     

分布式容错配电系统设计与仿真

阐述了分布式容错配电系统的功能需求及构型设计,完成了分布式容错配电仿真验证系统的研制,并进行了试验验证。结果表明:系统运行可靠,控制逻辑正确,系统设计满足功能要求。     

视觉测振技术在柔性太阳翼模态试验中的应用

针对8 m×5 m的柔性太阳翼在倒立状态下进行模态试验，设计数字摄像视觉测振系统，基于图像特征跟踪法实现了从相机标定、图像采集、信息提取到三维振动数据获取的过程，通过工况模态辨识方法获取了柔性太阳翼模态频率及振型等动力学参数。并考虑空气和重力影响建立太阳翼有限元模型，通过与基于基恩士激光位移传感器的传统模态试验结果及仿真分析结果进行对比，验证了基于视觉测振工况模态试验方法的准确性，为柔性太阳翼在轨模态辨识奠定基础。     

Latitudinal distribution of solar coronal active regions

We studied the cyclic evolution of the latitudinal distribution of solar coronal active regions based on daily images from SOHO EIT for the period 1995–2017. Fully automated software was used, which included the following steps: initial preparation of images in the data series, normalization of histograms and correction of limb brightening, segmentation of images using threshold intensity values obtained from their histograms, scanning of segmented images in heliographic coordinates and obtaining profiles of latitudinal distribution of coronal active regions for each image of the data series. From the output data, we obtained a temporary change in the latitudinal distribution profiles and the migration of activity centers on the solar disk. From the period of minimum activity to the next minimum in both hemispheres, activity centers begin to migrate from high latitudes towards the equator. At the same time, the general center of activity repeatedly changes the direction of migration. The latitudinal distribution of the so-called presence factor of coronal active regions closely resembles the magnetic butterfly diagram, which proves their direct causal relationships. Variations in the presence factor of coronal active regions are correlated with cyclic variations in the sunspot daily numbers.     

一种基于系留无人机的图像遥测系统设计

针对海上船舶甲板的监控需求，本文提出了一种基于系留无人机的图像遥测系统设计方法，即通过系留无人机上的图像采集装置对被监控目标进行视频信号实时采集、压缩，再经过遥测装置的编码、调制、放大后由天线进行辐射，最后由数十公里外的遥测接收机完成接收、解调、解码，可实时显示船舶甲板图像信息。文中介绍了系统的软硬件组成、关键设备的设计方法、综合性能的分析，对相关图像遥测技术应用有一定参考意义。     

基于非接触式测量的旋转叶片动应变重构方法

基于叶端定时非接触式测量和振动响应传递比的概念,开展高速旋转叶片动应变重构方法的研究。在频域内推导了叶片任意测点位移与任意测点动应变的传递比,给出了单模态共振下响应传递比关于位移和应变模态振型的解析表达式;建立旋转叶片的三维(3D)有限元模型,开展考虑旋转预应力效应的叶片模态分析,提取位移和应变模态振型,获得任意转速下叶端位移与叶根关键点动应变的传递比。开展高速旋转叶片叶端定时非接触式测量实验,采用周向傅里叶算法对叶端定时信号进行处理,获得叶片在不同转速单模态共振下的叶端位移,结合响应传递比,重构5个旋转叶片的关键点动应变。结果表明:旋转叶片在9000r/min和13000r/min转速下发生1阶共振时,与应变片实测结果相比,叶根处应力最大点、次大点和边缘点3个关键点的动应变平均重构误差均小于15%,验证了旋转叶片动应变重构方法的有效性。     

风扇/压气机周向模态识别中传感器角度偏差的影响

基于任意角度压缩感知(CS)方法分析了传感器安装角度偏差对风扇/压气机周向模态识别重构的影响,设计了一套自适应角度优化程序修正重构误差。利用数值试验探究了传感器角度偏差和数量对周向模态重构结果的影响,研究表明:当角度偏差等级为2.5%时,平均重构误差达到10%以上,若保证重构误差基本不变,将传感器数量从7个增加至25个,仅可以将角度偏差等级放宽至4%。而采用小生境微种群遗传算法进行自适应角度优化,在20 dB信噪比下,通过自适应角度优化可将角度偏差等级从2.5%放宽至10%,降低了传感器安装的精度要求。成功优化了一款冷却风扇在前三阶叶片通过频率下的主要周向声模态重构幅值。自适应角度优化算法有效提升了基于压缩感知的风扇/压气机周向模态重构可靠性。     

无网格法耦合RNG k-ε湍流模型在亚、跨声速翼型黏性绕流中的数值模拟

基于移动最小二乘无网格方法,耦合RNG(Re-Normalisation Group)k-ε湍流模型求解雷诺平均Navier-Stokes方程。采用AUSM(Advection Upstream Splitting Method)+-up迎风格式求解数值通量,应用在高度各向异性点云结构中取得良好结果的点云重构技术结合移动最小二乘法拟合空间导数,并用三阶SSP(Strong Stability Preserving)型Runge-Kutta显式时间推进格式求解离散后的控制方程。在此基础之上,实现了对NACA0012、RAE2822翼型亚、跨声速黏性绕流的数值模拟,给出了翼型表面压力系数分布曲线、不同位置处的平均速度剖面、马赫数等值线等计算结果,并与实验值及相关文献数值模拟结果进行比较,结果吻合较好。表明所发展的结合点云重构技术的无网格方法耦合RNGk-ε湍流模型能够成功模拟翼型亚、跨声速黏性绕流,验证了所提算法的有效性,并拓展了无网格方法求解湍流流动的途径。     

基于SRAM型FPGA单粒子效应综合防护技术

为解决基于SRAM(Static Random Access Memory,静态随机存储器)型FPGA(Field Programmable Gate Array,现场可编程门阵列)的扩频应答机在空间环境中时常发生功能故障的难题,提出了一种低轨卫星基于SRAM型FPGA的应答机的单粒子综合防护方案。该方案在代码级、器件级、单机级、整星级综合采用器件优选、结构屏蔽设计、巡检自愈、自主复位等多种方法,有效杜绝了单粒子事件带来的种种危害,已成功应用于某在轨卫星。在轨测试结果表明:遥测、遥控、跟踪测量等功能、性能指标满足任务要求,且未发生需要地面干预的问题或现象。该技术还可推广应用于其他采用低等级器件及其他类型FPGA、DSP(Digital Signal Processing,数字信号处理)等大规模集成电路的星载单机防护。