金属泡沫材料力学行为的研究概述

对金属泡沫材料力学行为的研究文献进行了简要综述,重点介绍了最近几年该领域研究工作的进展,其中也包括国内学者在该领域的一些工作.这些工作主要讨论了金属泡沫材料的拉伸、压缩、能量吸收、动态冲击、失效准则、本构关系、蠕变、疲劳和断裂等力学性能.最后,给出了对该领域工作的一些展望.      

Cu-Zr-Ti块体非晶合金的形成及其力学性能

在Cu-Zr-Ti的三元合金系中发现了具有高非晶合金形成能力的Cu₆₀Zr_40-xTi_x(x=5%~27.5%,x为原子数分数)合金,采用铜模铸造法制备了块体非晶合金,其过冷液体温度区间为38~65?K.在该合金系中具有最高非晶形成能力的成分范围为Cu₆₀Zr_40-xTi_x(x=7.5%~12.5%),其非晶形成临界直径为5?mm,是Cu-Zr-Ti三元非晶合金中迄今为止非晶形成能力最高的合金.Cu₆₀Zr_40-xTix(x=7.5%~12.5%)块体非晶合金的杨氏模量、压缩断裂强度、压缩塑性应变和硬度分别为80~114?GPa,1?730~1?865?MPa,0.3%~1.5%和Hv 693~Hv 824,并随Ti含量的增加而提高.同时具有高非晶形成能力、高强度及显著塑性变形能力的铜基块体非晶合金的发现对非晶合金的基础研究和高性能结构材料的开发具有重要意义.     

机械产品装配关系建模

针对机械产品装配结构和装配关系描述问题,提出了面向机械产品装配过程的"装配树"概念.以设计装配图、产品结构树为基础,结合装配过程、装配层次结构和装配顺序特征构建了"装配树"模型,并解决了产品结构树的功能延伸和描述完备性问题.在产品"功能-结构"映射关系明确的前提下,提出了以产品功能为中间转换载体的装配树层次结构建模思路,给出了"装配树"构建方法和步骤.最后以某型柱塞式喷油泵泵油系部件装配树构建为例,验证了"装配树"概念的可行性和构建方法的可操作性.     

基于EMD与切片双谱的轴承故障诊断方法

针对轴承故障诊断问题,提出一种基于经验模态分解(EMD,Empirical Mode Decomposition)与切片双谱分析相结合的新方法.将原始信号分解成不同尺度的固有模态函数(IMF,Intrinsic Mode Function),求取IMF分量的包络,计算其对角切片双谱,提取由于二次相位耦合产生的非线性特征,得到轴承的故障特征频率.通过对仿真信号进行分析,表明该方法克服了传统的基于EMD的包络功率谱方法不能抑制噪声的缺点,同时较传统高阶谱方法计算量更小.给出了6205-2RS JEM SKF轴承诊断实例,说明了该方法的可用性.     

基于盲源分离技术的航空发动机振动信号分析

基于双转子航空发动机机匣拾取振动信号特征的分析,采用基于数学形态学滤波前处理的盲源分离识别方法进行特征提取.针对机匣拾取振动信号的特征,利用开—闭和闭—开组合数学形态滤波器在保留信号基本形状的前提下,滤除掉原始信号中的噪声分量.利用Fast ICA算法恢复高、低压转子源振动信号的波形.对实测数据的分析表明,该方法能够较好地恢复高、低压转子所激振动信号的频域结构信息,有利于提高故障定位的准确性.     

基于G2的卫星控制系统故障诊断的半物理仿真

研究一种基于G2的集故障注入、故障模拟和故障诊断为一体的半物理仿真系统,包括基于VxW orks的实时硬件模拟系统、星载姿轨控计算机、数管及遥控遥测模拟器和专用接口箱等.开发了基于G2的以某一类典型卫星控制系统为对象的故障诊断专家系统,并对G2外部接口进行了扩展设计.最后,以典型故障为例,在半物理仿真平台上进行了演示验证.     

基于知识推理的航天器自主故障诊断方法

面向深空探测这类型号任务,提出一种基于知识推理的航天器自主故障诊断的智能方法,采取直接线性存储的知识库结构、主动监测事实更新并触发推理以及基于散列算法的事实管理三项关键技术,适用于航天器硬件处理能力和存储容量受限的应用环境.采用C语言在基于TSC695处理器的嵌入式系统上实现了该故障诊断方法,实验的结果表明该方法有效.     

基于粗神经网络的民用飞机故障诊断

针对传统神经网络故障诊断过程中网络训练时间长、结构复杂以及仅能进行单值输入的缺陷,设计了一种基于粗神经网络的民用飞机故障诊断系统.将粗糙集理论应用在神经网络的前端对民用飞机故障样本数据进行约简处理,以此去除冗余属性的干扰,克服了无关样本数据对网络学习性能的影响,简化了网络结构;利用粗神经元代替传统神经元,提高了网络性能,扩展了网络的应用范围.通过对空中客车A320飞机的故障诊断试验验证了该方法的有效性.     

基于卷积门控循环网络的滚动轴承故障诊断

针对许多基于深度学习的滚动轴承故障诊断方法在小样本数据集下诊断性能下降的问题,提出一种基于卷积门控循环神经网络的轴承故障诊断模型。该模型使用两层的卷积网络来从输入信号中提取特征,同时使用tanh函数作为激活函数,且池化层使用大池化核来进行重叠下采样。将所提取得到的高层特征连接到双向门控循环网络。合并循环网络正向和逆向的最后一个状态,并连接一层全连接层进行输出。选用凯斯西储大学的轴承故障数据集来验证模型在小样本数据集下的诊断性能,实验结果表明,相比于其他类型的模型,该模型在仅有20个训练样本的情况下依然保持97%的识别准确率。      

一种基于Deep-GBM的航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承故障信号难于识别的特点,提出了一种深度梯度提升模型（Deep-GBM）对振动信号特征进行逐层学习以提高分类模型的准确率。开展某型航空发动机中介轴承故障模拟实验,并采用经验模式分解(EMD)方法对采集的振动信号进行分解,提取内蕴模式函数(IMF)分量非线性动力学参数样本熵作为原始故障特征。采用Deep-GBM对中介轴承内环故障、内环和滚动体综合故障、正常、滚棒剥落、滚棒划伤五种不同状态进行识别。实验结果表明,所提出的Deep-GBM故障诊断准确率达到87%,相对于传统的机器学习模型准确率最高提升了28%,并具有良好的泛化能力。