最大熵原理在测量不确定度评定中的应用CSCD

当被测量是已知矩约束条件的随机变量时,可以利用最大熵的方法确定被测量概率分布。本文的目标是描述如何利用最大熵方法,将被测量的数值信息转化为概率密度函数,并且不使用其他信息,所以该方法能够用于解决计量中的问题。本文中给出具体的例子,证明最大熵方法是有效的。     

熵变量欧拉方程组跨超声速流SUPG有限元数值解

通过变量代换将拟线性守恒变量欧拉方程组转换为具有对称性的熵变量欧拉方程组，对该方程组构造SUPG的弱解式，其中权函数摄动项中包含流向算子和间断捕获算子。对翼型的跨超声速流动算例表明，本法具有较好的稳定性和能有效地抑制激波两侧振荡。应用带预处理的GMRES迭代法求解非对称方程组能显著地提高收敛速度。     

吸热型碳氢燃料基础油的饱和蒸气压测定

根据拟静态法原理,采用斜式沸点计建立了一套适用于多组分体系饱和蒸气压测定的装置。测定了用于制备吸热型碳氢燃料的一组基础油器在一系列温度下的饱和蒸气压,用Antoine方程关联了饱和蒸气压与温度的关系,同时根据Clausius-Clapeyron方程计算了各基础油品的蒸发焓和蒸发熵。为吸热型碳氢燃料的调配和性能评价提供了基础信息。     

跨音速粘流的计算

 概述了一种采用粘流/无粘流相互作用原理计算跨音速粘流的方法。采用熵修正激波算子计及跨越激波时的熵增,形成的非等熵位势方法可比传统的位势方法更准确地计算无粘流动。提出了一种流向速度型,结合其它辅助关系式导出了三维湍流边界层积分方程反方法。用此方法可求得粘流解。利用半反耦合方式耦合了无粘流和粘流解。数值算例表明,计算结果与实验结果吻合;且对计算机的要求较低。     

一种谐波减速器不对中误差分析方法

在空间环境中运行的星载天线转动单元中的谐波减速器产生的不对中故障信号故障特征难以提取,针对此问题提出了一种优化变分模态分解的故障诊断方法,这种方法基于鲸鱼优化算法(WOA)和Teager能量算子(TEO)包络解调。首先,由于包络熵对故障信号特征非常敏感,故采用包络熵作为适应度函数,同时其也是鲸鱼优化算法的目标函数。其次,WOA具有操作简单、调整参数少、跳出局部最优能力强等诸多优点,故使用WOA对变分模态分解(VMD)进行优化,构建优化算法。最后,使用Teager能量算子对本征模态分量(IMFC)进行处理。所提出的方法用于分析谐波减速器输入、输出轴两端收集的实验信号。通过与传统的快速傅里叶变换方法进行对比结果表明,所提出的方法提高了分解效率,在分解参数的原则和故障信号提取精度方面具有良好的性能,误差不超过2%,能够实现谐波减速器不对中故障信号的精确诊断,具有一定的研究意义与工程实用价值。     

多因素耦合的舰机适配性评估方法

舰机适配性是航母与舰载机研制过程中的难点,充分协调舰艇系统和飞机航空系统之间的复杂关系是发挥航母战斗力的关键。文章提出了 1种基于改进的熵值法与突变级数法的多因素耦合的舰机适配性评估方法。首先,进行指标选取,建立多因素耦合的舰机适配性评估指标体系,并根据突变级数理论确定指标体系对应的突变模型;其次,利用改进的熵值法计算各个指标的贡献率,提高排序结果的准确性;再次,利用突变层次结构模型进行舰机适配性评估;最后,以国外某型航母与舰载机为评估对象,验证新的综合评估方法的有效性和可靠性。文章提出的方法不需要对指标赋权,减少评估过程中由于赋权带来的主观性,为舰机适配性评估提供了新的思路。     

融合双谱特征的雷达辐射源个体识别方法

双谱以其独特的抑制高斯有色噪声的优势,被广泛应用于雷达辐射源识别分析。采用双谱对角线作为雷达辐射源识别特征可以很大程度上减少计算量,但是使用双谱对角线作为唯一识别特征,会损失信号的部分幅度和分布特征。针对上述问题,提出了 1种基于辐射源信号双谱提取二次特征的方法。取双谱作为二次特征提取对象,根据信息熵概念定义双谱奇异值全局熵和双谱对角线的幅度分散熵,联合双谱对角线及其积分结果作为特征向量,将其送入神经网络进行识别。实验表明,相比双谱对角线法,该方法对辐射源识别的正确率平均提高约 3.3%。     

熵产控制体方法对压气机近零间隙流动损失的演变规律

以澄清近零间隙流动结构及流动损失随间隙的变化规律为目标,提出熵产控制体分析方法,可精确量化流场任意位置的局部不可逆损失.数值模拟发现,间隙在0.4%叶高范围内(称近零间隙)效率水平最高且出现一对应峰值效率最高的最佳非零间隙.熵产控制体分析表明:通道内总熵产随间隙变化规律与效率一致;间隙变化对动叶端区20%~80%弦长范围内的熵产改变最为明显,主导了总熵产的变化;间隙变化时熵产改变的流动区域不同,这是由于动叶端区主导损失的流动结构发生改变造成的.进一步结合流场结构,探讨近零间隙流动损失演变的可能原因:间隙为零时壁面剪切力是造成损失的主导因素;最佳间隙时流动均匀,损失最小.