超声波流量计在航天器推进系统中的应用分析

超声波流量计作为一种先进的流量计量仪器已经在工业上得到广泛的应用,其高精度、易安装、不受环境因素影响等特性为航天器在轨推进剂计量带来了新的思路.超声波的反射特性使得该装置也可作为推进剂管路内流体状态的监测及故障诊断的有力工具.简介了超声波流量计的原理及发展,分析了该装置对航天器推进系统的计量及检测的适用性,并针对该项技术在中国航天器推进系统中的应用提出了具体建议.     

质子-M火箭发射阿拉伯卫星-5

据俄新社2010年6月4日报道,俄罗斯质子-M运载火箭于6月4日从拜科努尔航天中心将阿拉伯卫星-5（Arabsat-5）通信卫星发射升空。该卫星基于EurostarE3000平台建造而成,重5420kg,星上配备了46台Ku频段转发器和4台Ka频段转发器,预计使用寿命为15a。     

寿命无极限：飞机寿命管理新理念

飞机的使用寿命问题归根到底是如何科学地解决飞机结构的飞行安全与经济使用的矛盾．而这个矛盾迄今仍是人类未能从根本上解决的世界性难题。通过对飞机使用寿命、寿命理念等问题的深入研究、探讨和ICMS创新技术的研制与应用,总结提出了以“寿命无极限”（L=X）为代表的飞机寿命管理新理念。指出寿命是用出来的而不是定出来的。对时兴的“老龄飞机”称法之合理性提出了质疑。对于飞机是否进入老化失效期的判断依据提出了3方面因素。阐述了用技术和经济指标综合评估确定飞机的使用寿命,是现代飞机设计制造与使用维修所发生的重要变化,是对维修管理的新挑战。新理念与新技术能够引发和推动飞机定寿、延寿和寿命管理的技术革命。与时俱进、更新统治人们意识的传统寿命理念．以积极的心态关注、应用新技术,掌握飞机使用寿命评估的话语权,是当今各层面管理者需要面对和重视之问题。     

潜在故障期内航空发动机的剩余寿命预测

在航空发动机的潜在故障期内,状态参数的变化规律可以间接地预测发动机的剩余寿命。针对潜在故障期内的特点,利用随机滤波理论建立了航空发动机的剩余寿命预测模型,并采用K-M法检验发动机性能参数的退化数据服从威布尔分布,按照最优线性无偏估计的点估计方法和极大似然函数法对相关参数进行点估计,举例对某型航空发动机在潜在故障期内的剩余寿命进行了预测。模型有效地预测了航空发动机的剩余寿命,为航空发动机的视情维修提供了决策依据。     

独立多细节结构耐久性试验寿命的统计标定

在进行疲劳试验评定结构寿命时,为了能真实模拟实际结构形式和传载情况,模拟试件往往设计成多细节试件,进行不完全疲劳寿命试验,必须由多细节试件寿命推断单细节寿命.针对工程上常用的两种寿命分布形式:对数正态分布和双参数Weibull分布,以结构串联失效模型为基础,建立了由相同独立多细节结构疲劳寿命分布确定单细节寿命分布的统计标定方法.当多细节试件寿命服从对数正态分布时,可近似认为单细节寿命也服从对数正态分布,单细节寿命分布参数与多细节试件寿命分布参数间存在确定关系,并且单细节寿命数学期望和标准差均高于多细节试件相应参数;当多细节寿命服从双参数Weibull分布时,单细节寿命也服从双参数Weibull分布,其斜率不变,但位置参数按比例放大.最后给出了一个分析实例.     

故障预测算法稳定性实时评估方法

针对现有故障预测算法性能评估指标受实际剩余使用寿命约束的问题,从稳定性角度提出一种评估算法性能的方法。通过研究对象系统健康退化过程,在对象系统实际剩余使用寿命未知情况下,利用可以实时获得的剩余使用寿命预测值和已消耗寿命值,通过计算虚构寿命值的变异系数指标来客观评估故障预测算法的性能。为了验证所提方法的有效性,结合机电作动器故障演化模型仿真生成数据对递归最小二乘和粒子滤波两种故障预测算法的稳定性进行了实时评价。仿真结果表明,所提方法与运用已有指标、在获知剩余使用寿命理想值前提下得出的评估结果保持一致。     

一种基于MSE变换的变步长恒模盲均衡改进算法

分析了军事通信中传统恒模盲均衡算法(CMA)的基本原理,并针对此算法收敛速度慢、收敛速度与稳态剩余误差之间存在矛盾的缺点,提出一种改进的变步长恒模盲均衡算法(VASCMA).理论分析和实验仿真证明改进后的算法较传统算法具有更好的收敛效果.     

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。     

基于融合神经网络的航空发动机剩余寿命预测

航空发动机的性能退化是影响飞机飞行安全的重要因素。准确预测发动机的退化过程,对于飞机安全飞行具有重要意义。针对航空发动机剩余寿命预测问题,本文提出了一种将卷积神经网络和长短期记忆网络相融合的数据驱动模型。与常规使用单一的神经网络不同,所提出的融合模型结合了两种神经网络的优点,利用卷积神经网络提取数据中的空间特征并采用长短期记忆网络提取时间特征。实验结果证实,在寿命预测中,所提出的数据驱动模型与已有的方法相比,评分和均方根误差分别下降了32%和6.4%,因此,所提出的数据驱动模型可对数据中所包含的信息进行充分挖掘,其对航空发动机寿命预测精度较高,并具有良好的稳定性。