Nonlinear modal electromechanical coupling factor for piezoelectric structures containing nonlinearities

Within the linear framework, the Modal Electromechanical Coupling Factor (MEMCF) is an important indicator to quantify the dynamic conversion of mechanical energy and electrical energy of piezoelectric structures. It is also an important tool to guide the piezoelectric damping design of linear structures. Advanced aircraft often fly in maneuvers, and the variable working conditions induce drastic changes in the load level on structures. Geometric and contact nonlinearities of thin-walled structures and joint structures are often activated. To achieve a good vibration reduction effect covering all working conditions, one cannot directly use linear electromechanical coupling theory to instruct the piezoelectric damping design for nonlinear structures. Therefore, this paper defines the Nonlinear Modal Electromechanical Coupling Factor (NMEMCF) and proposes the corresponding numerical method for the first time to quantitatively evaluate the electromechanical coupling capability of nonlinear piezoelectric structures. Three candidate definitions of the NMEMCF are given, including two frequency definitions and one energy definition. The energy definition is the most promising one. It is not only applicable to both conservative and dissipative nonlinear structures but also compatible with the linear MEMCF. In addition, based on the energy formula, the NMEMCF can be obtained by only performing one nonlinear modal analysis in the open-circuit state. The analytical findings and the numerical tool are validated against two piezoelectric structures with different types of nonlinearities. A strong correlation among the NMEMCF, geometric parameters, and energy dissipation is observed. The results confirm that the proposed NMEMCF captures the physics of the electromechanical coupling phenomenon associated with nonlinear piezoelectric structures and can be used as an essential design indicator of piezoelectric damping, especially for variable working conditions.     

液体发动机故障检测与诊断中的基础研究问题

液体火箭发动机故障检测与诊断是当前航天推进系统研究中迫切需要解决的关键技术。根据我国当前这项技术发展的实际情况，必须提高研究水平和加快研究进程，做好基础性的研究工作，介绍了我国在建立泵压式液体火箭发动机故障模式、标准数据库和改进人工神经网络算法与时序分析算法等方面所做的工作。提出了深入开展故障仿真研究和开发实用故障检测与诊断系统的建议。     

涡轮泵试车数据单类支持向量机检测算法

为了在缺乏故障样本的情况下检测某型液体火箭发动机涡轮泵故障,实现基于不完整信息的状态决策,建立了基于v-支持向量分类器的单类支持向量机新异类检测模型。在分析了模型决策边界、支持向量和约束条件之间关系的基础上,为单类支持向量机引入并改进了序贯最小优化算法,提高了训练效率,解决了大样本训练问题。通过对某型液体火箭发动机涡轮泵历史试车数据的分析,结果表明,所建模型的训练速度得到了很大提高,对涡轮泵状态的检测效果良好。     

载人航天器推进系统健康监测的组件技术研究

为了适应载人航天器推进系统多发动机的分布式结构,提高健康监测系统的可靠性,应用组件技术构造了分布式多智能组件集成的健康监测系统,给出了组件之间的协调修正和决策算法。原型系统仿真结果表明,该技术比传统的面向对象（ＯＯＰ）技术更适用于分布式系统,可应用于载人航天器推进系统的健康监测。     

卫星编队飞行的无速度测量非线性鲁棒控制

本文基于带有界干扰的线性动力学模型，研究了卫星编队飞行中的相对位置控制问题。首先，在线性二次型最优控制的基础上，设计了一种非线性控制律，并使用李雅普诺夫稳定性理论证明了系统的稳定性。接着，通过对线性系统状态观测器进行改进，得到了一种非线性速度观测器，观测误差被证明是渐近收敛的。观测器与控制律的结合实现了无速度测量的控制，闭环系统被证明是渐近稳定的。文末的数值仿真验证了理论分析。     

非线性主轴降维映射法在固体火箭发动机设计优化中的应用

为在二维或三维空间中表达固体火箭发动机高维设计空间,引入非线性主轴降维映射法对多维非线性设计优化问题进行降维处理。以某大型固体火箭发动机设计问题为例,将10变量4有效约束优化问题降维映射到二维空间进行研究,拟合的非线性主轴降维映射模型中,目标函数和约束函数的相对误差控制在1.5%以内。研究表明,非线性主轴降维映射法具有发现多变量非线性优化数学模型本征特性的特点,能对设计变量重要性排序;通过降维展示设计空间全景,为优化算法和优化初始点优选提供了直观、有力的工具;优化轨迹实时展示为优化算法性质研究及算法切换提供了依据;根据优化轨迹从优化结果在降维空间中的位置能够判断优化结果是否具有全局最优解特性。     

基于人工噪声神经网络BP算法的火箭发动机故障仿真与检测

研究了用于液体火箭发动机故障仿真与故障检测的神经网络ＢＰ算法。在ＢＰ算法中采用了加噪声等技术来避免系统误差陷入局部极小，训练出精度高（误差小于０．０２）的神经网络，试验表明：神经网络ＢＰ算法成功地用于故障仿真与故障检测。     

NVNA谐波相位检验件设计及定标

本文介绍了一种用于检验非线性网络分析仪谐波相位指标的检验件设计方法,并搭建了基于实时示波器的测量系统对谐波相位进行定标。通过高速实时示波器对检验件的输出信号进行采样,利用傅立叶变换提取谐波相位信息。为了得到高准确度的测量结果,采用去缠绕、最小二乘等算法对相位结果进行优化处理。实验结果表明,该方法可以作为NVNA谐波相位指标的验证手段对NVNA的谐波相位进行验证。     

基于时频分析的裂纹转子碰摩故障特征研究

为研究转子系统耦合故障特性,采用有限元方法建立了含有横向裂纹、转静碰摩的非线性转子动力学模型。首先研究了不同转速下裂纹、碰摩单一故障下转子系统的振动响应,其次研究了两种故障耦合情况下系统的振动响应特征。采用波形图、FFT谱图、瞬时频率和Hilbert-Huang时频谱(HHS)相结合的方法对故障转子振动信号进行了分析。分析结果表明:运用多种时频分析相结合的方法可以较为全面地了解转子的故障特征,裂纹转子在1/5、1/3临界转速时会发生较为明显的5X、3X谐波,且裂纹的产生会导致响应幅值增大,从而引起更为严重的碰摩。     

基于支持向量机的组合分类方法及应用

为了解决采用神经网络、决策树作为弱分类器的AdaBoost组合分类存在的不足,进一步改善组合分类效果,提出采用支持向量机(SVM)作为弱分类器的一种新的组合分类诊断方法——AdaBoost-SVM。该方法没有采用一个固定的SVM的核参数,而是自适应调整SVM中的核参数,从而得到一组有效的SVM弱分类器。通过对基准数据库的测试及航空发动机故障样本的诊断,结果表明,所提AdaBoost-SVM方法较好地解决了现有的Ada-Boost组合分类方法中存在的弱分类器本身参数选取困难问题及训练轮数的合理选取问题,并具有更好的泛化性能,更适合对分散程度较大、聚类性较差的航空发动机故障样本进行分类。