深空探测用锂离子蓄电池在轨管理策略研究

高轨卫星、深空探测器在工作周期内地影时间较短,储能电池长期处于搁置状态,而在存储过程中由于界面副反应的存在会导致持续的锂离子电池容量衰降,影响储能电池的使用寿命。通过dV/dQ曲线分析、交流阻抗分析和解剖分析发现在存储过程中活性Li损失是导致锂离子电池容量损失的主要原因,在100%SoC状态时还会导致电解液在负极表面的分解加剧,引起正极的界面膜阻抗R_(SEI)和颗粒间接触阻抗R_(CR)出现明显的增加。研究结果表明:深空探测器电源系统在存储期间为了减少过放电风险,并减少不可逆容量损失,应将蓄电池的荷电状态控制在20%SoC左右,并定期进行充电。     

高温气流总焓的测量及微型瞬时探针的研制

讨论测量高温气流总焓的各种方法后，着重介绍了微型瞬时总焓探针的研制和应用。这种快速响应的气动式探针主要由双声速喷管，多孔热交换器和扫描机构组成，它可完成总焓剖面的瞬态测量。     

多轴随机载荷下的疲劳寿命估算方法

提出了一种多轴随机载荷下的疲劳寿命预测方法.通过雨流计数法对各平面上的剪应变进行循环计数,以统计出的剪应变循环作为多轴疲劳损伤的主要控制参数,将各剪应变循环历程内对应的最大正应力和正应变变程作为多轴疲劳损伤的第二控制参数.根据多轴疲劳寿命模型计算出各平面上的损伤,以最大损伤平面作为多轴随机疲劳的临界平面,通过该临界平面上的损伤计算出多轴随机载荷下的疲劳寿命.采用SNCM630钢,304不锈钢和S45C钢3种金属材料的多轴随机疲劳试验数据对提出的寿命预测方法进行评估和验证.结果表明:疲劳寿命预测结果大都分布在试验结果的2倍分散带之内.     

定数截尾试验下双参数指数寿命分布尺度参数的EB估计

本文讨论了在无替换定效截尾试验方案下,当产品寿命为双参数指数分布时,尺度参数(失效率)久的经验Bayes(简记EB)估计问题及其收敛速度。设在给定λ,μ下,产品寿命T服从双参数指数分布,其概率密度为 受试产品有n个,试验中前r个产品依次出现的失效时间为t_(1)≤t_(2)≤……≤t_(r)。令 则(x,y)为(μ,λ)的充分统计量。记(x,y)的联合边缘密度为f(x,y),若取二次损失函数,则λ的Bayes点估计为 利用密度函数及其偏导数的核估计,构造出λ的EB估计为 φ_(1n)(x,y)与φ_(1m)(x,y)的Bayes风险分别为 在一定的正则性条件下,我们证明了 这表明,λ的EB估计的收敛速度q可任意接近于1/2。     

光学压力敏感涂料测量技术综述

光学压力敏感涂料测量技术是一种新的测压技术,具有免接触、可连续大范围测量等特点,国外已广泛应用于风洞测量。文中介绍了PSP技术基本原理、测试系统的组成、特性参数的标定和使用该技术测量的方法及特点,并阐述了该技术的未来发展方向。     

随机环境应力冲击下基于多参数相关退化的导弹部件寿命预测

为了解决某型导弹部件的贮存寿命预测问题,提出了一种随机环境应力冲击下基于多参数相关退化的寿命预测方法。针对产品存在退化失效与突发失效两种失效模式,利用Wiener、Gamma及Inverse Gaussian等随机过程模型拟合各性能参数的退化数据,并采用Copula函数进行相关性退化失效建模;利用随机环境应力冲击解释突发失效的机理,并采用非均匀泊松过程对突发失效建模;进而建立退化失效与突发失效竞争的贮存寿命预测模型。实例应用说明所提方法能够反映出导弹部件的失效规律,比传统预测方法具有更高的预测准确性,具有较好的工程应用价值。     

正态分布可靠寿命经典近似限的改进

本文给出了正态分布可靠寿命的又一个经典近似下限，经验证，本文所给出的结果的精度比已有的结果精度要高，可提供给可靠性工程人员使用。     

网状镍铬电热合金的制备及其寿命评价

以泡沫镍板为基材,通过粉末包埋法渗铬,制备出网状镍铬电热合金,并通过快速寿命实验对其在真空中的使用寿命进行评价.结果表明:通过粉末包埋法渗铬能获得成分均匀,具有高表观电阻率的网状Nicr20(质量分数)电热合金;在真空压强优于5×10-2Pa,功率20W下,网状Nicr20电热合金经过25000次通断电寿命实验后其室温...     

基于神经网络与果蝇优化算法的涡轮叶片低循环疲劳寿命健壮性设计

在对涡轮叶片低循环疲劳寿命概率分析的基础上,将广义回归型神经网络(generalized regression neural network,GRNN)与果蝇优化算法(fruit fly optimization algorithm,FFOA)结合,利用果蝇优化算法的多点全局的快速搜索能力来优化影响疲劳寿命的随机变量,进行涡轮叶片低循环疲劳寿命健壮性优化设计.优化结果表明:疲劳寿命的概率区间减小17.9%,对随机变量的敏感度降低,从而可以更精确地对疲劳寿命进行估计.计算结果验证了该方法在工程应用中的可行性.      

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。