航空发动机结构系统的可靠性模型

为使航空发动机可靠性模型误差更小,对航空发动机传统可靠性模型进行误差分析,指出可靠性指标扩张的原因,建立了考虑航空发动机结构系统及其失效力学特征的基于结构系统失效模式的航空发动机可靠性模型,并给出了各层的可靠度计算方法.所建立的基于失效模式的航空发动机结构系统可靠性模型考虑了失效模式的相对独立性、时效性和失效率的时变性,可以避免重要失效模式的遗漏、可靠性指标的过度扩张等问题,具有较强的工程适用价值.      

两种涡扇发动机部件特性自适应模型对比

发展了航空发动机自适应模型．并对以两种优化算法为基础的自适应模型进行了对比分析。两种模型以通用特性为基础运用优化方法,以发动机主要性能参数和过程参数偏差函数最小为优化目标,以部件特性耦合因子为被优参数,可以预测出不同飞行条件下的发动机风扇、压气机、燃烧室、高压涡轮、低压涡轮等部件特性。运用单纯形和遗传算法为基础的自适应模型对某型涡扇发动机性能的计算结果表明：相对于单纯形算法模型．遗传算法模型对发动机主要性能参数和过程参数的计算偏差降低了20％～30％;对发动机各截面总温、总压计算偏差降低了15％～20％;遗传算法模型相对于单纯形模型具有更为宽广的自适应模拟范围。对某型已知部件特性的涡扇发动机模拟结果显示．遗传算法模型部件特性模拟结果与已知部件特性差别甚微。     

基于免疫理论的航空发动机磨损故障智能诊断

针对航空发动机磨损故障诊断技术智能化、精确化的发展要求,以传统油液监测技术为基础,结合人工免疫系统(AIS)具有的自适应特性、学习记忆特性及识别特性等优点,提出了一种航空发动机磨损故障的智能诊断方法。该方法首先利用人工免疫理论的反面选择原理生成检测器,优化后的检测器生成算法提高了初始检测器的代表性及覆盖性;然后利用故障样本训练出成熟的检测器,使航空发动机典型的磨损状态信息存储在检测器中,实现对故障模式的有效学习和记忆;最后通过检测器的激活发现航空发动机的磨损故障。对油样数据的实例分析结果表明,该方法对航空发动机磨损故障具有较强的识别能力,对磨损状态有很好的监测效果。     

共因失效相关同级叶片系统可靠性分析

为了准确地分析航空发动机的可靠性,针对航空发动机失效模式多、相关性复杂的特点,在考虑失效模式相关性的基础上,建立了共因失效相关的结构系统可靠性模型。采用蒙特卡罗法和近似数值分析法对航空发动机同级叶片系统在叶片静强度不足失效、叶片外缘变形碰摩失效及考虑2种失效模式下的可靠度进行了计算分析。分析表明与共因失效相关的可靠性模型相比,传统的不考虑失效模式相关性的可靠性模型使可靠度评估过于保守。近似数值分析法在保持与蒙特卡罗法计算精度相同的情况下,能够大幅提高计算效率。     

航空发动机润滑系统污染预警装置安全性失效因素分析

航空发动机润滑系统污染预警装置是一种防止航空发动机因发生滑油污染而造成发动机故障的报警装置,其性能好坏直接影响润滑系统的可靠性。本文根据污染预警装置进行功能结构分析,给出了预警装置的失效模式及因素分析,确定了污染预警装置故障判据的严酷度级别,提供了污染预警装置失效判定准则,提出了污染预警装置失效判定流程,对航空发动机润滑系统的可靠性及维护具有重要意义。     

自然环境对航空装备的影响及改善措施

对自然环境尤其是东南沿海气候对航空装备的影响进行了分析，指出空气温度、湿度和盐雾是影响装备正常工作的主要因素，导致装备零部件老化、失效和高故障率。针对南方某机场在飞机维护工作中的探索，总结实践经验，提出了为改进和提高现有航空装备的环境适应性应采取的管理办法和技术措施，为我军布署在东南沿海地区的航空装备的使用维护提供了参考，为提高航空装备战备完好性、降低全寿命周期费用有重要意义。     

一种快速自动挖掘航空发动机工作模式的新方法

为了处理航空发动机传感器所采集的多维时序数据，过去的方法常聚焦于单个样本点的识别，其提出的模型中往往含有大量待调参数并且单变量的挖掘方式会忽视状态参数的延时效应对工作模式挖掘的影响。另外，这些方法对大批量处理含过渡态模式数据的情况考虑欠佳。因此，提出一种能快速自动挖掘多维时序数据中隐含工作模式的新方法，即AutoMiner。该方法通过构造模型的编码代价来求解使编码代价最小的断点组合。在构造编码代价过程中利用标记传播的方法来识别每个片段的工作模式，这一方法生成的软标记成功解决了对过渡态模式的识别问题。本文在某型发动机采集的传感器数据上开展了多组实验，同时进行了可视化的展示，实验证明AutoMiner方法在时序分割和模式挖掘方面的评估指标均优于对比算法。另外，AutoMiner方法还支持并行化计算并且能在更复杂的工作模式挖掘场景中具有良好的可迁移性。     

基于失效概率的涡轮后机匣全局灵敏度分析

涡轮后机匣是航空发动机安全的关键部件,但是其具有工况复杂、不确定性因素多的缺点。为了探究输入随机变量的不确定性对涡轮后机匣结构失效概率的影响,建立参数化有限元模型进行确定性分析。考虑材料性能、几何参数及外部载荷的不确定性,对涡轮后机匣两种典型失效模式：强度失效以及刚度失效建立极限状态函数;通过构造自适应Kriging 代理模型并结合重要抽样方法评估涡轮后机匣结构失效概率,利用基于失效概率的全局灵敏度方法对涡轮后机匣结构可靠度的不确定性来源进行分析,对各输入随机变量重要性进行排序,构建一种涡轮后机匣全局灵敏度分析框架。结果表明：涡轮后机匣在两种失效模式以及系统失效模式下,发动机推力以及线性膨胀系数对结构失效概率影响最为显著,应对其重点考虑;内外机匣长度以及材料弹性模量对涡轮后机匣结构失效概率影响较小,可对其适当忽略。     

风扇/压气机失稳辨识系统设计与验证

失速和喘振是航空发动机试验中常遇的两类气动失稳现象,为保障发动机零部件试验安全运转,必须对失速喘振信号进行在线检测控制。根据零部件试车台架的需求,设计了失速喘振辨识算法并对影响辨识算法的关键因素进行了分析,通过小型嵌入式系统为硬件平台实现了失稳辨识系统在线检测功能。该失稳辨识系统具有体积小、实时性强、抗干扰能力强的特点。在多个型号零部件试验件的应用表明,该系统能有效识别发动机深度失速和喘振状态,满足航空发动机风扇/压气机对失速喘振在线检测控制的要求,具有较高的工程应用价值。     

航空发动机主轴轴承状态监测研究现状与发展趋势

航空发动机主轴轴承承受着高温、高速、重载、贫油、断油等极端工况,其疲劳、磨损等失效问题严重影响发动机的可靠性.因此,对航空发动机主轴轴承的使用状态进行有效精确监测极为重要.对航空发动机主轴轴承工况特点、主要失效模式和失效机制进行了梳理;针对主轴轴承的状态监测方法和技术,总结并对比分析了现有主轴轴承振动、滑油状态、声音、...     

基于改进的卷积神经网络的步态识别

为了提高惯性传感器采集到的序列数据中步态识别的准确率，建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题，采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数（ReLU）改进为带泄露线性整流函数(Leaky ReLU)，以解决遇到卷积输出数据小于0时神经元被抑制的问题，进而达到提高步态识别准确率的目的。实验结果表明：激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%，与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比，步态识别率有所提高。     

Efficient adaptive Kriging for system reliability analysis with multiple failure modes under random and interval hybrid uncertainty

In the field of the system reliability analysis with multiple failure modes, the advances mainly involve only random uncertainty. The upper bound of the system failure probability with multiple failure modes is usually employed to quantify the safety level under Random and Interval Hybrid Uncertainty(RI-HU). At present, there is a lack of an efficient and accurate method for estimating the upper bound of the system failure probability. This paper proposed an efficient Kriging model based on nume...     

基于深度长短期记忆网络的发动机叶片剩余寿命预测

为了研究航空发动机转子叶片的剩余寿命预测问题,提出了一种基于多传感器信号融合的深度长短期记忆网络(DLSTM)预测模型。首先利用深度学习和长短期记忆的组合来构造DLSTM网络。然后,将多个传感器信号数据进行融合处理,从而通过深度学习发现各个传感器时序信号之间隐藏的长期依赖关系。进一步在给定网格搜索策略的情况下,通过自适应矩估计算法调整DLSTM的网络结构和参数,并且在DLSTM模型中引入了一种随机丢失策略,以缓解过度拟合问题并使预测模型规范化。最后利用CMAPSS涡扇发动机进行了实验验证,在一种故障模式和两种故障模式条件下,DLSTM网络预测模型相对于其他传统方法的评价指标Score分别下降了17.19%和14.37%,其他两个评价指标相对来说也较优,结果表明本文提出的方法具有更高的准确性以及稳定性。     

样本标签污染条件下的雷达辐射源个体识别技术

针对辐射源个体识别(Specific Emitter Identification,SEI)中由于数据集存在错误标签导致识别率下降的问题,提出了 1种有监督和无监督融合的错误标签识别和纠正方法。首先采用无监督密度峰值聚类方法将数据集中出现的标签错误样本找出,再使用 K折交叉实验对这些标签异常的样本进行预测投票,将得票数多的标签作为错误标签纠正的结果。经过清洗的数据集再通过卷积神经网络进行训练,得到 1个较为理想的辐射源个体识别的网络模型,保证了在样本污染条件下,辐射源个体识别网络仍能具有较好的识别率。文章所提方法的识别率相比未经处理的数据集的识别率在标签错误率小于 30%时平均提高 3.3%;在标签错误率大于 30%时,也能使个体识别率达到 90%左右,验证了文章所提方法在对错误标签的识别和纠正上可以取得较好的效果。     

低成本U-blox模块的单频GPS/BDS增强PPP定位性能分析

以U-blox单频接收机采集数据,在GPS与GPS/BDS两种解算模式下进行局域增强精密单点定位(PPP)解算,并进行模糊度固定,对其在不同环境下的定位性能进行实验研究和分析。实验结果表明:在静态环境下,GPS/BDS浮点解收敛至cm级需3min左右,较GPS缩短64%,GPS/BDS定位精度RMS在平面与高程方向分别为(3.2cm,2.7cm),较GPS提升(47%,59%);GPS/BDS在30s左右可固定模糊度,固定后定位精度为(0.4cm,1.0cm),较GPS/BDS浮点解提升(88%,63%)。在动态环境下,GPS/BDS浮点解收敛至cm级需4min左右,较GPS提升59%,定位精度为(3.1cm,5.9cm),较GPS提升(34%,43%);GPS/BDS获得固定解需2min左右,固定后定位精度为(0.7cm,1.0cm),较GPS/BDS浮点解提升(77%,83%)。     

航空发动机限寿件疲劳可靠度计算新方法

针对目前的航空发动机限寿件（ELLP）疲劳可靠性分析中的小失效概率事件以及其极限状态函数具有较强非线性的特点,提出了一种具有自更新机制的半径外自适应重要抽样（AUMCROAIS）疲劳可靠性分析方法。该方法首先利用蒙特卡罗自适应重要抽样（MCAIS）快速逼近真实设计验算点（MPP）附近,随后以近似设计验算点为中心进行极坐标抽样,并依次构造主动学习函数,对近极限状态函数和抽样半径进行最优选取,从而实现最优抽样半径的更新,通过不断的更新确定出最优抽样半径,加速失效概率计算的收敛。本方法提高了设计验算点的收敛速度同时保证了计算精度,解决了小失效概率事件以及强非线性极限状态函数可靠度计算难题,最后以某型发动机压气机轮盘为对象应用本方法,并与传统的蒙特卡罗仿真（MCS）方法、蒙特卡罗半径外自适应重要抽样法（MCROAIS）和一阶可靠性方法（FORM）进行了对比,验证了本方法的高效率、鲁棒性和仿真精度。     

基于SE模块改进Xception的动物种类识别

Xception是Inception网络的一种极端化表现,在与Inception v3参数相近的情况下,它能够达到更高的准确度。由于神经网络提取的特征不一定都是有用特征,因此以Xception为基础,将SE(Squeeze and Excitation）模块加入该网络,调整特征通道的权重,使得网络的精确度得到提高。通过实验,融合SE模块的Xception网络训练精确度分别在Oxford-IIIT Pet数据集和CUB_200_2011数据集上提升了1%~1.7%和0.8%~1%,证明了SE模块能够进一步提升Xception的精确度。将改进后的Xception应用到动物种类识别中,根据精确度曲线对实验策略调整改进,最终在测试集上获得95.63%的识别率。     

基于改进的卷积神经网络的步态识别

为了提高惯性传感器采集到的序列数据中步态识别的准确率,建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题,采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数(ReLU)改进为带泄露线性整流函数(Leaky ReLU),以解决遇到卷积输出数据小于0时神经元被抑制的问题,进而达到提高步态识别准确率的目的。实验结果表明激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%,与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比,步态识别率有所提高。     

基于注意力YOLO-V3的合成孔径雷达舰船检测识别一体化方法

传统的合成孔径雷达舰船检测识别需要分两步实现，检测识别精度和效率难以满足实际应用需求。本文结合注意力机制和YOLO-V3网络提出了注意力YOLO-V3网络实现合成孔径雷达舰船检测识别一体化。同时，利用公开的AIR-SARShip-1.0数据集和OpenSARShip数据集构建了大场景舰船检测识别数据集，用于验证目标检测识别性能。实验结果表明，本文提出的注意力YOLO-V3网络可以获得较高的检测识别精度，证明了本文方法的有效性。