基于小波包分析与多核学习的滚动轴承故障诊断

为了更准确地诊断滚动轴承故障,提出了一种基于小波包分析与多核学习的滚动轴承故障诊断方法.该方法首先对振动信号进行3层小波包分解,将振动信号分解为不同频带的信号,提取各频带的相对能量特征,构建特征向量;然后采用多核学习算法从训练样本集中学习核函数与分类器;最后使用训练出的分类器识别滚动轴承故障类型.为了验证方法的有效性,进行了滚动轴承故障诊断实验,实验结果表明该方法的故障诊断准确率达到98.25%,与传统的基于小波包与支持向量机的滚动轴承故障诊断方法相比,其故障诊断准确率更高,同时由于避免了核函数的选择问题,该方法更便于实际应用.      

基于连续蚁群算法的Bayesian方位估计快速方法

针对蚁群算法(ACO)在解决高维非线性搜索问题方面的有效性,提出了基于蚁群优化算法的Bayesian最大后验概率方位估计(ACO-Bayesian)快速方法.该方法将Bayesian最大后验概率函数作为蚁群算法的目标函数,选取若干一维高斯函数的加权和作为连续蚁群算法中信息量概率分布函数,经过有限次迭代得到Bayesian方法的非线性全局最优解.仿真结果表明,ACO-Bayesian方法在保持Bayesian方法优良性能的同时,将Bayesian方法的计算量减少到原来的1/14.水池实验结果验证了ACO-Bayesian方法的正确性和有效性,为其工程应用奠定了基础.      

用于深层月壤采样返回的软质取心袋的设计与测试验证

月壤钻探采样技术尤其无人自主采样返回技术是我国探月工程的关键技术之一。文章提出了一种适于深层月壤钻探采样的取心机构,能够实现对月壤样品的原位包裹,以保持样品的层理特性信息。该机构选用Kevlar作为包裹样品用的软质取心袋材料,采用满足要求的编织工艺织造出致密薄壁的软袋,并对软袋进行了翻转抽拉力、力学性能及涂层测试分析等测试试验,验证其可满足深层月壤钻探采样任务的需求。     

基于工业机器人的飞机柔性装配技术

研究了基于工业机器人的飞机柔性装配技术,着重讨论了机器人精度补偿、末端执行器设计、法线检测与找正、系统控制、离线编程等关键技术。通过在小翼部件加工中的应用,达到了孔位精度±0.5mm、法向精度±0.5°等关键技术指标。结果表明,对于特定应用对象采用机器人技术进行飞机部件自动装配为一个理想、低成本的解决方案,随着当今工业机器人性能不断增强,配以末端执行器和相关的补偿系统,在航空工业作为装配平台是可行的。     

气球型深空探测器技术研究进展

气球型深空探测器能够大大提高深空探测的机动能力,它不仅可以获取区域范围内的高分辨率观测数据,而且还可实现不同高度大气的原位测量。文章针对气球型深空探测器按技术特征进行了分类,并简述了各类气球探测器的原理和特点,重点总结了各类气球探测器在金星、火星和土卫六上应用的研究现状。针对我国未来的气球型深空探测器技术发展,提出首先以火星热气球为发展方向,与地球临近空间浮空器技术的发展彼此借鉴,促进关键技术领域的技术突破等建议,可为我国未来深空探测提供参考。     

基于贝叶斯模型平均的航空发动机可靠性分析

针对不同失效模式的特点,利用航空发动机状态监测信息,分别采用Gamma过程、Wiener过程和Weibull分布建立可靠性分析模型.采用贝叶斯模型平均（BMA）方法,分析不同失效模式对可靠性影响,对航空发动机可靠性进行集成分析.通过算例跟踪某在翼航空发动机可靠性水平,基于贝叶斯模型平均的航空发动机可靠性模型的计算误差率低于单一可靠性分析模型,计算结果误差率低于1%.说明多模型集成可靠性技术在复杂系统运行可靠性分析中的有效性和准确性.      

利用神经元拓展正则极端学习机预测时间序列

为实现对于时间序列预测数据的准确预测,提出一种神经元拓展正则极端学习机(NERELM,Neuron-Expanding Regularized Extreme Learning Machine),并研究了其在时间序列预测中的应用.NERELM根据结构风险最小化原理权衡经验风险与结构风险,以逐次拓展隐层神经元的方式自动确定最佳的网络结构,以避免传统神经网络训练过程中需人为确定网络结构的弊端.应用于时间序列的仿真结果表明:NERELM可有效实现对于RELM最佳网络结构的自动确定,具有预测精度高与计算速度快的优点.      

LEVEL DECISION-MAKING FOR AERO-ENGINE MODULES BASED ON INCREMENTAL KNOWLEDGE LEARNING

The maintenance of an aero-engine usually includes three levels, and the maintenance cost and period greatly differ depending on the different maintenance levels. To plan a reasonable maintenance budget program, airlines would like to predict the maintenance level of aero-engine before repairing in terms of performance parame- ters, which can provide more economic benefits. The maintenance level decision rules are mined using the histori- cal maintenance data of a civil aero-engine based on the rough set theory, and a variety of possible models of upda- ting rules produced by newly increased maintenance cases added to the historical maintenance case database are in- vestigated by the means of incremental machine learning. The continuously updated rules can provide reasonable guidance suggestions for engineers and decision support for planning a maintenance budget program before repai- ring. The results of an example show that the decision rules become more typical and robust, and they are more accurate to predict the maintenance level of an aero-engine module as the maintenance data increase, which illus- trates the feasibility of the represented method.     

基于预测扭矩前馈的涡轴发动机内模控制方法

基于内模原理设计了涡轴发动机功率涡轮转速控制器.针对主旋翼扭矩变化对功率涡轮转速的干扰,提出了一种基于极端学习机的扭矩预测方法.极端学习机训练基于动态仿真数据,其输入通过相关分析获得.基于内模原理的功率涡轮转速控制器采用极点配置的设计方法,将输入信号的内模直接加入控制器,实现鲁棒跟踪.扭矩前馈采用比例微分(PD)控制策略,实现对发动机负载变化干扰的有效补偿.数字仿真结果表明:极端学习机扭矩预测精度高,扭矩相对误差小于1.5‰,与不加前馈控制相比,所提出的控制方法减小了机动飞行过程中功率涡轮转速的超调或下垂30%以上.