卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

不同转速下自循环机匣处理对转子性能的影响

以NASA Rotor 37为研究对象,采用数值模拟的方法研究了自循环机匣处理的引气位置在不同转速下对转子性能的影响。研究结果表明:自循环机匣处理的引气位置和转子转速对转子性能的影响具有交互性,其本质原因在于转子在不同转速下处于近失速状态时,转子叶顶区域的流动状态不同,从而造成引气位置和叶顶堵塞区域的相对位置会随着转子转速的变化而变化,进而对转子的性能影响呈现出交互性。通过对三种转速下自循环机匣处理的引气位置对转子稳定性的影响分析知,引气位置位于转子叶顶堵塞区尾缘处时对转子叶顶区的流动堵塞抑制能力最强,极大地改善了转子叶顶区域的流通状况,对转子的失速裕度改进量最为有利,在100%、90%和70%设计转速下,失速裕度改进量的最大值分别为7.46%、8.52%、6.14%。此外,通过对转子叶顶的流场细节分析得知,不同转速下自循环机匣处理的引气位置位于转子近失速工况的叶顶堵塞区尾缘处时,在叶顶造成的高比熵区最少,对转子效率的降低幅度最小,于效率最为有利。      

基于关系模型的机载导航数据库快速解析生成方法

导航数据库可用于导航计算、导航台自动调谐管理等,是飞行管理系统所必须的数据源。为了能有效提高机载导航数据库的使用、更新及维护效率,大大减少相关工作人员的工作量,提出了一种基于关系模型的机载导航数据库快速解析生成方法,针对ARINC424协议中包含的大量数据对象进行建模,定义出协议中各个对象之间的逻辑关系和约束关系,并对数据结构进行优化,通过中间关系表确立各个数据之间的交叉引用关系,从而实现数据库的快速解析生成。测试结果表明,基于关系模型的机载导航数据库快速解析生成方法能有效提高数据查询效率,降低数据解析和生成的时间消耗,减少数据冗余,使数据库性能更优异。     

一种中温透波自黏性树脂及复合材料性能研究

研制了一款中温透波自黏性树脂,对树脂的凝胶时间、流变性能等进行了测试,使用该树脂制备了中温透波自黏性玻璃纤维织物及石英纤维织物预浸料,对预浸料的物理性能进行了表征测试。研究了复合材料层合板的耐热性、力学性能和介电性能,结果表明复合材料玻璃化转变温度达148℃,具有优良的力学性能和介电性能,且在93℃时具有较高的力学性能保持率,满足使用要求。进行预浸料和蜂窝胶接,测试了试验件的剥离强度,结果表明滚筒剥离强度≥50N.mm/mm,树脂预浸料自黏性较好,夹层结构的滚筒剥离强度高,满足应用指标要求。与民机用典型进口预浸料体系CYCOM■7701/7781对比,两种复合材料室温干态及93℃干态层间剪切性能相当,ACTECH■1210/2221在耐热性与介电性能方面更具优势。     

基于LSTMAttention网络的短期风电功率预测

提出一种基于LSTMAttention网络的短期风电功率预测方法。首先,使用LSTM网络对数值天气预测(NWP)数据的特征信息进行提取,同时采用注意力机制有效分析了模型输入与输出的相关性,从而获取了更多重要时间的整体特征;其次,使用卷积神经网络(CNN)提取NWP数据的局部特征,并引入压缩和奖惩网络(SE)模块学习特征权重,利用特征重新标定方式提高网络表示能力;最后,将局部特征和整体特征进行特征融合,通过分类器输出分类结果。利用NOAA提供的美国加利福尼亚州某风电场的数据进行案例分析,证明了所提方法的有效性。试验结果表明,与BP神经网络、自回归积分滑动平均模型(ARIMA)模型和LSTM模型相比,LSTMAttention模型具有更高的预测精度,证明了该方法的有效性。     

无刷直流电机神经网络PI控制系统设计

针对传统PI控制存在的动、静态控制性能较差的缺点,提出一种基于神经网络的PI控制方法。将神经网络与传统PI控制结合,构建神经网络PI控制系统,建立三层BP神经网络,并通过梯度下降法对各项参数进行修正,从而实现kp、ki参数的在线调节。仿真及试验证明,与传统PI控制方法相比,使用神经网络的PI控制系统在不同外部条件下都具有更快的响应速度和更小的超调量,可明显提高系统的动、静态性能。     

基于CH自由基发光的旋流火焰放热率时空特性研究

对不同工况下CH4/air旋流火焰的放热率在时间上的热声振荡现象和空间的三维形态转变两方面进行了研究。在燃烧形态转变方面,由于旋流火焰的复杂流场分布特性,采用基于化学自发光的三维计算层析技术(3D-CTC),测量了雷诺数从5 000到20 000的三个工况下旋流燃烧的CH*发光三维火焰结构。以此表征放热率的三维分布,实现对旋流火焰放热空间形态的测量。该诊断方法通过对旋流火焰发光在8个视角下的二维成像,结合层析重建算法得到其三维CH*分布信息。为验证重建保真度,将重建后结果二维可视化与高速摄影下的二维时均结果进行对比,结果表明重建误差在5%以内。研究中,分析了不同雷诺数下放热率的空间变化规律,结果显示所有实验工况下放热率的垂直于喷嘴方向的变化程度比沿喷嘴轴向的要剧烈;而随着雷诺数增加,最大的放热区表现出了明显的向后推进趋势。在旋流燃烧的热声振荡方面,利用CH*的二维高速摄影,对旋流燃烧的放热率不稳定性进行研究,发现放热率的振荡频率随着雷诺数的增大逐渐增加。      

内压缩段构型对高超声速进气道自起动性能的影响

为了探寻内压缩段构型对高超声速进气道自起动性能的影响,对二元高超声速进气道折角型和曲线型两种内压缩段的自起动过程进行准定常数值仿真研究.对比了这两种构型进气道在不同唇罩起始压缩角下的自起动性能和自起动过程中分离区的变化规律,并分析了内通道压缩强度沿程分布对进气道自起动性能的影响.研究表明:①即使进气道内收缩段的内收缩比相同,不同的内压缩段构型和唇罩起始压缩角对高超声速进气道的自起动性能影响显著,曲线型内压缩段构型的自起动性能明显优于折角型;②内压缩段的总压缩强度及其沿流向分布都是影响高超声速进气道自起动性能的关键因素,并且压缩强度沿流向分布决定着进气道在自起动过程中处于临界状态下主分离包所停留的位置.      

攻角与马赫数对进气道起动影响的可比拟性

针对高速风洞变来流马赫数的能力有限,不易获得高超声速进气道起动马赫数界限的问题,本文尝试通过改变进气道模型攻角的方法来模拟来流马赫数的变化,分析定来流马赫数变攻角与定攻角变来流马赫数两种途径下二元进气道起动性能之间的关系,以助于风洞实验获得进气道的起动马赫数界限。结果表明,在Ma∞=5.9来流条件下,进气道不起动和自起动的临界攻角分别在12°~13°和0°~1°。定来流马赫数变攻角与定攻角变来流马赫数两种途径下,进气道不起动和自起动临界所对应的内收缩段入口马赫数基本一致。对于同一内收缩段入口马赫数,当变攻角跨度小于4°时,两种路径下进气道的内部流场与壁面压力分布规律符合较好;当变攻角跨度较大时,两者的差别也增大。对于二元高超声速进气道模型,当常规风洞的来流马赫数在进气道起动边界附近时,在一定的攻角范围内,可以尝试通过攻角机构连续改变模型安装攻角的办法来模拟变马赫数引起的进气道起动特性的演变过程。     

基于广义回归神经网络的传感器故障检测

为了研究航空发动机试验中精确数学模型未知的多传感器故障诊断问题,采用基于广义回归神经网络(General Regression Neural Network,GRNN)组的故障检测方法,提炼出传感器之间的约束关系和故障规律,构建了一组多输入多输出GRNN,用于估计传感器输出,与测量值生成残差,通过与门限值比较判断可疑传感器,找到神经网络组中的具有最小可疑传感器数的GRNN。采用可疑传感器的估计信号做为重构信号交叉验证其它GRNN。通过验证即可确定可疑传感器为最终故障传感器。为了控制神经网络的回归精度,将多输入多输出神经网络分解为多个多输入单输出网络。通过仿真数据验证了该方法用于传感器故障检测的可行性。