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。     

基于几何模式识别的发动机传感器故障诊断

提出一种基于几何模式识别技术的发动机传感器故障诊断方法,以解决传感器缓慢漂移故障和由于安装制造差异和性能蜕化等造成的模型不匹配难以区分的问题。传感器测量值输入到自适应模型中,产生一组部件性能修正因子,作为故障模式来对传感器故障进行诊断,每种故障或性能蜕化都对应惟一的模式,采用几何模式识别技术隔离出传感器故障。以某型涡扇发动机为对象进行的仿真结果表明,该方法能诊断出传感器小漂移故障,并能对部件状态进行监控。     

余度管理中故障监控门限值的选取

本文讨论了余度管理中故障监控门限值的选取。门限值的选取对监控系统性能有很大影响。本文通过分析的方法求门限值的最优值。该方法具有一定的准确性,可以作为实际选取门限值的参考。     

分布式可重构容错计算机设计技术的探讨

对分布式可重构容错计算机系统用于空间站的设计技术作了粗略探讨。其中主要包括:用分布、并行和重构方法提高可靠性和吞吐量,以及可复用软件库和开发工具的应用技术。     

多状态气路分析法诊断发动机故障的分析

对多状态气路分析法诊断发动机故障的可行性进行了分析。估值平均误差J是判断诊断精度的有效判据。通过数值试验给出了J值的建议值。就状态数的选择和监视参数的选择对诊断效果的影响进行了分析。通过分析指出适当增加和正确选择监视参数可减少状态数, 增加诊断精度。增加高压压气机后压力和高低压涡轮间的压力两个测量参数是实用的改善诊断精度的方法。      

一种基于时间调制的弹性化SAR卫星系统

星载合成孔径雷达(SAR)系统能全天时、全天候观测,在地震、洪涝、台风等自然灾害监测中具有重要作用。双基、多基SAR卫星更具有极高的经济、科学、安全价值。然而,目前在轨的大型星载SAR卫星造价昂贵,且双基SAR卫星需数颗同等规模的卫星。双基SAR卫星系统存在星间同步链路,因此卫星可扩展性不强。提出了一种基于时间调制的低成本弹性化Ka波段调频连续波(FMCW)SAR小卫星星座系统。该系统基于一组独立、模块化的发射卫星和接收卫星。采用Ka FMCW SAR体制和时间调制天线(TMA)技术,可减轻接收星2/3以上的质量。该系统采用自主任务规划技术,具备多样化的工作模式,为单发多收、多发多收等应用需求提供了一种弹性化的解决方案。     

改进的遥感卫星成像任务单轨最优团划分聚类方法

针对遥感卫星成像任务规划时对点目标的聚类效果不佳的问题,提出了一种改进的单轨最优团划分聚类方法。根据聚类约束条件,构建任务聚类图模型,并为图模型中的每一条边赋权值;根据图模型中边的权值,构建权值矩阵P;以卫星单轨姿态机动的最大次数作为聚类任务的数量限制,由P依次计算每个聚类任务所有可能的最优聚类方案,并生成对应的收益矩阵M和终点矩阵N;通过循环遍历的方式计算各个聚类方案下的总收益,其中总收益最大的方案即为最优团划分聚类方案。仿真结果表明:提出的改进的团划分聚类方法,能将点目标有效聚类,与传统任务聚类方法相比,可明显提高遥感卫星对点目标的观测效率。研究结果可为我国遥感卫星自主任务规划技术研究提供参考。     

航天器传动部件振动数据稀疏多分类智能故障诊断

针对航天器传动链机械零部件发生故障时训练数据稀缺以及信号的强非平稳\非线性特点,提出了动态数据驱动的子空间稀疏多分类智能故障诊断算法。首先对采集的单一传感器动态信号进行分形小波变换,生成常规和非常规二进小波尺度。然后对生成的各子空间提出基于故障能量指标的稀疏多分类器,以监测部件的故障特征频率为搜索目标,在子空间的包络解调谱上计算特征频率及其倍频附近的能量峰值,导出特定故障模式的稀疏评价指标,以各种故障模式的最大值识别和判定故障类型。所提出的算法完全实现了无人工监督的智能故障诊断。最后以航天器轴承故障诊断为例验证了该算法的有效性。所研究算法的泛化能力较强,技术路线同样适用于其他航天器传动部件的在线监测与故障智能预警。     

基于力法的超静定捆绑火箭传力特性研究

对于采用超静定捆绑的助推器来说,对捆绑装置载荷的准确预示是开展构型论证、结构设计和优化的关键工作。基于力法,推导了超静定捆绑助推器的捆绑载荷解析模型,并通过有限元方法进行了验证。在此基础上,获得了捆绑装置刚度、安装位置及捆绑个数对捆绑载荷的影响规律,从而为工程应用提供了一定的参考和理论支撑。     

基于Sarsa(λ)强化学习的空间机械臂路径规划研究

针对目标特性未知的在轨操作环境,研究了典型空间操作机械臂的路径规划策略。采用Sarsa(λ)强化学习方法实现目标跟踪及避障的自主路径规划与智能决策,该方法将机械臂系统的每节臂视为一个决策智能体,通过感知由目标偏差和障碍距离程度组成的二维状态,设计符合人工经验的拟合奖赏函数,进行各臂转动动作的强化训练,最终形成各智能体的状态-动作值函数表,即可作为机械臂在线路径规划的决策依据。将本方法应用于多自由度空间机械臂路径规划任务,仿真结果表明新算法能在有限训练次数内实现对移动目标的稳定跟踪与避障,同时各智能体通过学习所得的状态-动作值函数表,具备较强的后期在线自主调整能力,从而验证了算法较强的鲁棒性和智能性。