新型高推比涡轮风扇发动机盘时耦合振动分析

本文将群论算法和动态子结构技术结合起来，并采用计算效率极高的Ｂｅｎｆｉｅｌｄ－Ｈｒｕｄａ的模态代入变换法，分析了某型发动机压气机的叶片／轮盘耦合系统的振动特性，计算了该叶片／轮盘耦合系统的前５阶振动频率和振型．根据叶片／轮盘耦合系统的共振条件进行共振分析，确定该发动机压气机有可能发生叶片／轮盘耦合共振．     

基于小波分析的虚拟仪器

以小波分析原理为基础,开发出可视化和可操作的虚拟仪器,用于处理实验数据与药物分析.应用小波变换实现数据消噪,利用LabVIEW 和MATLAB软件开发出虚拟仪器.用该仪器可实现对数据进行消噪;在不经分离的情况下,对药物实现多组分的含量测定及对实验结果进行分析和预测,采用的方法和开发的软件在药学领域有其独到的应用价值.     

基于小波分析的飞控传感器故障诊断

小波分析具有局部时频分析能力，适宜于对突变信号的检测，针对飞控系统传感器故障的特点，提出了基于小波分析的飞控传感器故障诊断法。仿真结果表明，应用小波分析，可以非常精确定位传感器信号的故障点。     

小波分析在航空发动机性能趋势监控中的应用

简要分析了小波变换的原理、应用和算法。利用MATLAB编程，初步探讨了小波分析在发动机性能监控方面的应用。最后，通过实际的发动机数据对这种方法进行了验证，并对结果和应用前景进行了讨论。     

磨损可靠性分析及试验

磨损是引起运动机构失效的重要失效模式之一。介绍了一种磨损试验设备；给出了一些试验和数据处理结果；探讨了磨损线性累积规律；并通过算例简单地说明了磨损可靠性分析方法。     

二维小波变换及其在医学图像处理中的应用

介绍了二维离散小波变换的一般形式，在图像分解的基础上．分析了二维小波变换在医学图像消噪和图像增强中的应用，同时给出应用实例。结果表明，应用小波分析进行医学图像处理，能够有效地改善图像质量，有利于医生对病情的诊断和治疗。     

改进小波阈值去噪法在管道泄漏检测中的应用CSCD

基于负压波式的管道泄漏检测方法中,需要解决的核心问题之一是对负压波信号的去噪。在分析了利用小波变换理论与小波阈值去噪的基础上,对传统的硬阈值和软阈值函数、双曲型和指数型函数与改进的阈值函数算法进行了对比。实验表明,改进算法在处理管道泄漏检测中,对检测的负压波信号能够获得较大的信噪比,具有较好的去噪能力,能有效提高泄漏检测精度。     

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。     

航天器电子产品抗随机振动环境设计方法研究

航天器电子产品在航天器发射过程中经历恶劣、复杂的随机振动环境,可能会引起电子产品失效。根据电子产品内部印制电路板(PCB)随机振动原理和特点,文章研究梳理了航天器电子产品随机振动失效模式及抗随机振动设计的5条一般原则,总结出航天器电子产品进行抗随机振动能力分析评估的两种方法和风险判据,利用有限元仿真分析证明了上述分析方法和判据正确可行。针对失效模式,从两个方面提出了5种降低产品随机振动动力学响应的可行方案,通过计算仿真及试验表明:产品内部PCB位移响应和变形极限大幅降低,减振方案有效。以上分析方法、判据及减振方案,可以作为同类电子产品抗随机振动能力评估的参考,为随机振动失效问题提供解决的思路和途径。     

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。