基于EWT的离心压气机出口动态压力样本熵分析

以800 kW离心压气机从稳定状态经过过渡过程进入喘振状态时段的出口动态压力为研究对象，采用经验小波变换并结合样本熵特征，分析了系统在不同工况下的复杂特性。首先，在分析系统动态压力波形特征的基础上，采用经验小波变换并结合皮尔逊相关系数进行信号的提取。其次，研究了提取信号的样本熵与系统工作状态变化的关联关系，并讨论了经验小波的分解层数和样本熵的维数对分析结果的影响。最后，通过将白噪声加入原始信号以验证该方法的抗干扰性能。研究结果显示：当系统由稳态进入喘振状态时，系统出口动态压力的样本熵表现出明显的突变特性，其值由0突变至0.7左右。从系统参数的选择角度，样本熵维数的变化对系统特征的分析影响较小。并且，采用该方法抗干扰性能较好。     

CFM56-7B发动机点火系统故障及处理方案分析

发动机点火系统故障会导致航班延误,本文从分析发动机点火系统结构入手,提出了排故思路,并列举了三个典型故障案例,为类似发动机点火系统的排故提供参考。     

空间站系统航天器间1553B总线网络的路由机制研究

针对空间站系统多个航天器上多条1553B总线组成的总线网络上的复杂数据交互需求,提出了一种面对用户数据包的集中式高效静态路由机制,可实现航天器内和航天器间各类平台数据的稳定可靠传输。该机制简化了传输层和网络层的协议,通过对应用层数据包进行总线采集和查表寻址实现了一对一路由和组播路由,显著提高了系统资源的使用效率。文章给出数据包应用层协议、路由表配置和路由过程控制方法,并描述该机制在空间站系统的应用验证情况。实测数据表明:与广泛应用的UDP/IP协议相比,采用该路由机制能够明显降低协议开销,提高有效数据传输效率,更适用于多航天器设备间的数据交互。最后,探讨了各类飞船和来访航天器应用该机制实现与空间站数据交互的方法。     

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。     

类X-37B升力体再入飞行通信特性中断研究

针对再入非平衡等离子流场的数值仿真方法及等离子体鞘套对不同波段电磁波传输特性的预测开展研究。首先，利用某工程钝头体飞行器再入实测通信飞行测量数据，初步校验数值仿真等离子体特性和通信特性方法的正确性；其次，在典型弹道下针对升力体再入飞行器开展等离子体鞘套数值仿真，分别给出S波段、Ka波段与K波段电磁波衰减特性，研究指出结合当前国内中继星体制情况采用高频段电磁波Ka波段或K波段中继通信方式是解决通信黑障的技术途径之一；最后，研究了电磁波数衰减受传播方向角和攻角的影响规律。研究结果可为发展解决我国再入飞行器通信黑障的设计方案提供参考。     

基于可调品质因子小波和簇稀疏增强的磁异常信号特征提取研究

在磁异常信号目标探测中,由于存在背景噪声的干扰,导致采集到的磁信号中的有用特征极其微弱,从而极大地增加了特征提取的难度。文章提出了一种基于重叠簇收缩算法的可调品质因子小波变换的稀疏特征提取方法。与传统的固定品质因子值相比,该方法可根据信号的振荡特性调整品质因子,从而有效地诱导稀疏;此外,重叠簇收缩算法可有效地从具有簇特性的信号中提取微弱特征,从而增强特征的提取精度。经工程验证,将该方法应用于磁异常信号特征提取,可从复杂背景干扰信号中精确地提取出有用的稀疏目标特征。     

基于冲击特征提取的旋转机械智能故障诊断

针对齿轮、轴承故障，提出了基于冲击特征提取胶囊网络的旋转机械智能故障诊断模型。在胶囊网络的构架基础上，将原始故障振动信号作为输入，通过构造首层小波核卷积层，针对性提取冲击故障特征，提高深度学习网络特征提取的可解释性。在小波核卷积层之后扩展一层卷积层，强化首层小波核卷积层提取的特征，将强化的特征经初级胶囊层、数字胶囊层输出分类结果，从而构造了“端到端”的小波卷积胶囊网络模型。通过对各层提取的特征可视化分析，证明了该模型对故障振动信号的冲击特征具有良好的提取能力。3个不同实验平台的数据集验证结果表明不同故障类型、不同故障程度的齿轮及轴承的识别精度最高可达到100%，并具有良好的泛化能力。