基于改进人工神经网络的航天器电信号分类方法

根据航天器系统级电性能测试工作中数据量大、任务繁重的特点,设计了基于人工神经网络的智能分类系统,对原始测试数据进行智能化分类,将非线性的调试经验以数据的形式储备,可在减少测试工作中对人为经验依赖的同时为航天器信号识别快速提供专家知识。考虑到经典的人工神经网络系统有训练时间长和对网络初始权值的依赖程度高等不足,利用主成分分析对数据进行压缩和自动编码技术对网络权值进行初始化。实验数据测试表明:与传统方法相比,本文提出的改进学习系统的分类准确率、稳定性和响应速度均得到显著提高。      

量子超球神经网络在振动故障检测中的应用

提出了一种基于量子超球神经网络的液体火箭发动机振动故障检测方法,采用可变量子超球代表发动机工作模式,自然地提供了反映故障程度的概率幅;网络的离线学习算法可以从训练样本中自动提取发动机振动知识,监测算法不仅能正确预报故障,还能在线学习新的振动信息。试验数据检验结果表明：量子超球神经网络可以成功用于液体火箭发动机振动故障检测。     

卫星姿态时延反步容错控制

针对卫星在轨飞行过程中存在执行机构故障及带有常值干扰的控制问题,提出了一种将时延控制(TDC)与反步技术相结合的鲁棒容错控制方法。该方法在继承反步控制优点的同时,引入积分环节用于减小常值干扰引起的稳态误差;同时,利用TDC的逼近能力来补偿执行机构的故障,且对设计者而言,故障信息不需要进行在线的检测和分离,而仅需要一步状态迭代。基于Lyapunov方法从理论上证明了系统的稳定性。最后,将该方法应用于卫星的姿态调节控制,仿真结果表明该控制器能有效地抑制外部干扰、参数不确定性和执行机构故障的约束,在完成姿态调节控制的同时,具有良好的过渡过程品质。     

改进的量测一致性的联邦滤波器两级故障检测

当联邦滤波器故障为缓变故障或者故障幅值比较小时,传统的基于量测一致性的联邦滤波器故障检测算法由于相应的估计误差和方差同时增大,这使得算法需一定的时间后才能使这种增量大到使故障函数计算结果超出门限,因而会出现警告延迟甚至漏检现象.针对量测一致性算法的缺点,提出了改进的基于量测一致性的联邦滤波器两级故障检测算法.相比传统的基于量测一致性的故障检测算法,该方法增加了故障检测的冗余性,不仅可以区分硬故障和软故障,而且提高了故障检测的可靠性和灵敏度,使得联邦滤波器的故障检测方法更加成熟完善,这对提高整个系统的可靠性具有重要意义.仿真和实验结果表明,该方法准确度高,计算量小,便于工程实现.     

MEMS陀螺阵列技术研究进展

MEMS陀螺仪体积小、功耗低的优点扩展了惯性器件的应用领域,对于制导武器的小型化具有重要的意义.但国内MEMS陀螺仪精度相对偏低、噪声大,这限制了它在高精度军事领域的应用.陀螺阵列可以利用冗余信息有效提高MEMS陀螺的精度,实现低精度陀螺的高精度应用,而不需要技术和工艺的突破.介绍了MEMS陀螺阵列的基本原理,总结了陀螺阵列近年来的研究进展.在此基础上,提出了陀螺阵列的4大关键技术:陀螺冗余系统配置,误差分析、建模与标定,故障诊断以及信息融合.最后,分析了陀螺阵列的发展特点以及研究重点,给出了MEMS陀螺阵列技术未来的发展思路.     

某型燃气轮机封严盘疲劳裂纹机理分析

为了系统研究某型燃气轮机封严盘疲劳故障的现象、机理、特点和原因,进行了封严盘故障损伤痕迹、断口形貌、材料成分、金相组织等分析;同时进行了强度(应力)和模态振动特性方面的有限元计算研究,在此基础上进行了共振特性分析。分析结果表明:该封严盘结构设计存在薄弱环节,其均压孔孔边径向应力水平高,孔边表面状态不佳,在一定振动应力作用下,均压孔边容易产生高周性质的疲劳裂纹。对防止某型燃气轮机封严盘产生疲劳裂纹失效提出修理和使用中应控制的要点。     

基于小波神经网络的模拟电路故障诊断

介绍了模拟电路故障诊断的神经网络方法及小波神经网络,以一带通滤波器为例,提出了一种基于输出灵敏度分析,利用多频测试生成故障特征向量训练小波神经网络进行故障诊断的方法。仿真结果表明小波神经网络作为故障分类器具有收敛速度快,诊断准确等特点。     

某航空发动机滑油位异常下降故障分析

针对某航空发动机在试飞过程中连续出现多起滑油箱油位异常下降情况,对滑油系统进行排查分析,确认为由滑油泵皮碗裂纹引起的。经对皮碗故障件进行复查、断口分析、设计复查等工作,确定了皮碗裂纹产生的原因。结果表明:滑油泵级间壳体上通油孔与增压泵出口相连,使得皮碗封严压力过大,为导致皮碗裂纹故障发生的主要原因;泵轴与皮碗装配过盈量大促进了皮碗裂纹故障萌生和扩展。通过对滑油泵结构参数优化设计,降低皮碗承载油压和摩擦力,提高皮碗密封性能和寿命,从而有效避免此类故障再次发生。     

Aero-engine fault diagnosis applying new fast support vector algorithm

A new fast learning algorithm was presented to solve the large-scale support vector machine ( SVM ) training problem of aero-engine fault diagnosis.The relative boundary vectors ( RBVs ) instead of all the original training samples were used for the training of the binary SVM fault classifiers.This pruning strategy decreased the number of final training sample significantly and can keep classification accuracy almost invariable.Accordingly , the training time was shortened to 1 / 20compared with basic SVM classifier.Meanwhile , owing to the reduction of support vector number , the classification time was also reduced.When sample aliasing existed , the aliasing sample points which were not of the same class were eliminated before the relative boundary vectors were computed.Besides , the samples near the relative boundary vectors were selected for SVM training in order to prevent the loss of some key sample points resulted from aliasing.This can improve classification accuracy effectively.A simulation example to classify 5classes of combination fault of aero-engine gas path components was finished and the total fault classification accuracy reached 96.1%.Simulation results show that this fast learning algorithm is effective , reliable and easy to be implemented for engineering application.     

卫星导航系统传感器故障识别

传感器是卫星导航系统中的重要部件,其故障的检测和识别对提高系统可靠性具有重要意义。给出了一种基于模糊逻辑的卫星导航系统传感器故障识别方法。首先采用T-S模糊模型描述卫星导航系统,然后应用全解耦奇偶方程的方法进行故障检测,并利用卡尔曼滤波器进行故障参数识别。仿真结果表明,针对导航系统中多个传感器同时发生故障的情况,此方法能有效检测故障,并能准确识别故障参数。