一种小波包的微机械陀螺消噪方法

微机械(MEMS)陀螺精度直接影响惯导系统精度。研究表明,随机噪声是影响MEMS陀螺精度的重要因素。本文在介绍小波包变换和自适应阈值的基础上,采用db4小波包变换阈值消噪方法,对某MEMS陀螺信号进行消噪处理,数据处理验证了此算法在MEMS陀螺消噪处理中的有效性。     

基于经验模态分解的燃烧不稳定性分析

实验研究了在常温常压条件下贫燃预混旋流火焰的燃烧不稳定性,发生燃烧不稳定性时其压力脉动表现为非平稳信号.利用一种基于经验模态分解(EMD)的希尔伯特-黄变换(HHT)算法对在当量比分别为0.71和0.80工况下的压力脉动信号进行了时频分析.针对压力脉动信号进行经验模态分解,选取主要的固有模态函数(IMF),对IMF通过HHT变换得到瞬时频率并进行统计分析.结果表明:在当量比为0.71时,压力信号呈间歇式的脉动,其振型为拍振;在当量比为0.80时,脉动压力信号则呈现出极限环振型.在基于EMD的HHT变换中,IMF体现了燃烧不稳定性的固有模态且具有自适应性强的特点.      

基于CST方法的高空低雷诺数吸附式叶型耦合优化设计

研究了一种基于类别形状函数变换（CST）方法的吸附式叶型优化设计方法,该方法可以在高空低雷诺数条件下对叶型和抽吸方案耦合优化.结果表明:优化之后在20km高空低雷诺数条件下总压损失降低了65%,静压升提高了0.02,气动性能得到较大提升.而且由于优化过程中罚函数的引入使得优化后吸附式叶型在地面条件下性能也有所提高.对于高空低雷诺数条件下吸附式叶型在抽吸位置之前适当的增加叶型负荷,再通过抽吸来控制附面层,效果最优.并且最佳抽吸位置位于层流分离泡作用区域内.在层流分离泡作用区域内抽吸可以完全消除层流分离泡对叶型性能的影响,并且可以较好控制附面层位移厚度和动量厚度的增加,有效地减小附面层内的动量损失.      

基于误差预测修正的液体火箭发动机故障预测方法研究

为解决液体火箭发动机故障预测这一难题,提出一种基于误差预测修正的故障预测方法。在历史数据的基础上建立小波过程神经网络故障预测模型,同步计算学习样本的预测误差,根据上述误差建立双并联离散过程神经网络预测模型。预测时,将预测误差值实时补偿到小波过程神经网络预测模型以提高预测精度。通过液体火箭发动机地面试验中的涡轮泵数据对该方法进了验证。结果表明,该方法在预测精度和适应能力上较单一的过程神经网络预测模型有显著提高,进行10步预测时,预测值的标准化均方根误差为0.392,预测平均耗时为76ms,能够用于解决液体火箭发动机故障预测问题。     

基于小波变换的测距仪脉冲干扰抑制方法

为解决L频段数字航空通信系统以内嵌方式部署在L频段测距仪频道间而产生的测距仪系统干扰宽带航空数据链接收机的问题,基于小波变换去噪方法提出L-DACS1系统测距仪脉冲干扰抑制接收机,利用LDACS1及测距仪脉冲干扰信号特性,基于小波变换去噪方法重构测距仪脉冲信号,然后在时域内消除测距仪脉冲干扰信号。计算机仿真结果显示:在高斯白噪声信道与多径信道环境下,所提出L-DACS1接收机方案可有限消除测距仪脉冲干扰,提高链路传输的可靠性。     

基于小波分析的涡扇发动机起动过程压力脉动研究

利用小波分析所具有的时频特性特点,针对涡扇发动机起动过程存在的压力脉动异常现象,获取信号随转速变化的频谱图。重点介绍了发动机脉动频率分析方法,并结合试验测点布局,根据不同脉动的频率特点,对其脉动成分进行分解,分析出脉动频率产生的原因,为发动机起动问题的解决提供支持。研究结果表明:利用小波分析进行发动机起动过程的脉动异常研究,形象、直观,具有一定的工程应用价值。     

基于小波变换的航空发动机性能衰退率计算方法

由于航空发动机的工作环境复杂,性能参数测量值中夹杂的工况信息和测量误差会对发动机的性能衰退率计算产生较大的影响。为了弱化工况信息和测量误差对航空发动机性能衰退率计算的影响,本文首先运用多层小波分解与重构的方法对原始性能参数进行了趋势分量的提取,进而运用线性回归的方法对航空发动机的性能衰退率进行了计算。经过实际运维数据的验证,本文提出的航空发动机性能衰退率计算方法能够为实际工程应用提供理论支持。     

基于星载可见光相机的空间碎片探测

空间碎片在轨识别与参数辨识为空间轨道预警、航天器规避空间碎片提供了重要依据。文章在轨道相对动力学的基础上,模拟了空间碎片在光学探测过程中的拖尾成像特性;随后,采用 Hough变换对空间碎片尾迹特征.r进行提取与识别,获取碎片方位角信息,通过匹配多帧图像,获取碎片的方位角速度信息。同时,结合激光测距仪的测距信息,获取空间碎片的位置和速度信息;通过数值仿真验证,该方法能够实现对空间碎片探测、识别和定位,因而具有一定的工程应用价值。     

基于相关分析和组合神经网络的退化预测

产品剩余寿命预测是加速退化试验和故障预测与健康管理两大热点领域中的关键技术之一.为了解决复杂退化的预测问题,提出了一种新型预测方法,对退化轨迹能够实现较长距离的预测.此方法首先对复杂退化数据进行小波变换,通过Durbin-Watson方法和偏相关图分析各级分解序列的自相关性,最后根据序列的特点,组合BP(Back Propagation)和小波神经网络对退化轨迹进行预测.为了验证所提组合神经网络方法的有效性,采用小波神经网络的预测结果进行对比分析.实际退化数据的预测结果表明,所提方法比单独采用小波神经网络,具有更小的均方差(MSE,Mean Square Error),对剩余寿命(RUL,Remaining Useful Life)也具有更高的预测精度.     

空间移动小目标的检测算法

空间序列图像中移动小目标检测与轨迹提取是空间目标监视、跟踪及编目的关键技术之一.为了及时有效地处理星载可见光相机输出的多维海量数据,提出了一种基于四邻域二值量化方法和改进概率Hough变换的目标检测及轨迹提取算法.相较于美国空间目标在轨检测(MTI,moving target indicator)算法,改进算法虚警噪声点及候选路径数目明显减少,计算复杂度降低,运行效率提高.实验结果表明,算法可有效检测序列图像中快速移动的弱小目标并提取其直线运动轨迹.