基于弹性小波神经网络的故障诊断研究

航空电源系统是机上设备的重要组成部分,任意一个环节出现故障,将会影响整个飞机系统的正常安全运行。针对神经网络收敛速度慢,易陷入局部最小的缺点,将小波神经网络结合弹性BP算法应用到电源系统故障诊断中。训练过程及仿真结果表明：小波神经网络故障诊断算法收敛时间方面表现更优,具有较高故障诊断率。     

航空发动机小波神经网络PID控制

提出了一种基于小波神经网络在线辨识的航空发动机比例-积分-微分(PID)控制算法.网络采用三层前向网络结构,以小波函数作为隐含层的激励函数.采用离线训练的方式训练出网络参数,以网络输出和输入之间的偏导数代替发动机模型输出和输入变量之间的偏导数,用以在线修正PID控制器的参数.阶跃响应测试表明,用小波神经网络整定的PID控制系统动态调节时间小于2s,稳态误差为零,在全飞行包线内均稳定正常工作.      

基于局部三角变换的OFDM系统

正交频分复用(OFDM)调制技术由于具有良好的抗多径干扰能力和高效的频谱利用率,在许多数字传输系统中被广泛应用,成为当今卫星通信研究的热点。本文提出了基于局部三角变换（LTT）的OFDM系统模型,该系统带外频率谱密度下降快,并能保持相邻的OFDM符号的正交性。给出了用离散余弦变换（DCT）实现的快速算法及复杂度,并考查了最优基的选取。仿真和分析结果表明：该系统误码率比基于快速傅里叶变换（FFT）的系统更小,能更好地适应高速传输带来的大多普勒频移,更有效地利用带宽,为接收端对高速数据的解调提供很好的保证。     

台风多发区复杂场地设计风荷载参数比较

确定长大、高耸柔性结构设计风速是抗风设计的首要内容。对于我国东南沿海椒江入海口复杂场地条件,由周边气象站历史风速风向资料统计分析表明,利用规范建议的极值分布概型预测重现期设计风速存在不合理性,台风登陆衰减效应导致临近工程场地多个气象站极值风速预测结果差别较大,采用线性回归方法加权换算工程场地设计风速可以较为合理地定义结构设计基本风速。参考长三角地区Monte-Carlo台风随机模拟结果,进一步有针对性地分析了不同气候模式风环境参数取值对于结构风荷载取值的影响。     

回转复杂曲面零件在线精密测量技术

针对复杂曲面零件的面形测量难题,提出以超精密机床作为栽体,利用高精度触发式测头,采用接触式的轮廓测量方法,检测曲面零件的子午面曲线,再与理论曲线相比较得出被测零件的面形精度.测量试验分析表明:该测量方法的检测精度高,通用性强,在实际加工和检测应用中具有很高的实用价值和应用前景.     

新型星载多波束相控阵天线分布式数字波束成形网络设计与实现

 针对16波束61阵元数字波束成形（DBF）星载相控阵天线的高速信号处理要求,提出以实信号处理为主体的分布式DBF网络架构,较复信号处理模式节省了一半的资源和数据传输量。通过时域Hilbert变换和分布式算法对波束成形网络各单元进行合理设计,降低了算法的运算量,也减少了硬件资源开销;同时通过单音闭环校正回路设计,改善了射频通道一致性。研制了DBF网络硬件平台和半实物仿真系统,验证了算法设计的正确性。本文提出的算法对资源有限的阵列信号处理有一定的借鉴意义。     

一种小波变换像空间的再生核

利用一个常用的调制高斯函数作为小波母函数,得到小波变换像空间的再生核函数的具体表达式和小波变换的等距恒等式,并分析了小波变换像空间的结构,为一般的小波变换的像空间的研究提供了理论基础。     

基于广义S变换进行雷达信号时频滤波去噪

S变换自问世以来,凭借其优越性已经被广泛地应用于数字信号处理中。针对深空目标雷达回波信号的复杂性,为了得到较好的雷达回波信号,将基于广义S变换的时频滤波应用于雷达回波信号去噪中,并利用低通滤波器设计了时频滤波算子,克服了传统滤波去噪方法滤波因子不能随时间、频率变化而变化的缺陷。通过理论分析与仿真波形对比表明,滤波后能有效地去除噪声,很好地保留了原始雷达回波信号的信号特征,展示了基于广义S变换的时频滤波的可行性,为雷达回波信号去噪提供提供了一种很好的方法。     

分数阶Fourier域非均匀采样Chirp信号的频谱研究

文中提出了一种自适应非均匀采样方法,并利用分数阶Fourier变换对这类非均匀采样信号在分数阶域的频谱进行了分析和研究,得到了这类非均匀采样信号在分数阶域的数字谱表达式;进一步得到了非均匀采样Chirp信号的分数阶频谱表达式;最后,通过仿真验证了结论。     

基于小波神经网络的齿轮系统故障诊断

通过对齿轮系统在不同的运转状态下不同的故障类型进行试验测试分析,获取了有关的测试信号,对振动特征信号进行了小波阈值去噪,采用离散小波变换(DWT)对去噪后的信号进行8层分解处理,对各层的小波系数进行了小波重构,得到8层细节信号和1层近似信号,并计算了各层信号的能量,得到了信号的能量分布特征.在此基础上把各层信号特征作为神经网络的输入,进行了网络的研究、分析处理和故障分类,并对小波神经网络方法与单独采用神经网络方法的故障诊断结果进行了比较评价.研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波神经网络诊断方法,对于齿轮无故障、齿根裂纹故障、分度圆裂纹故障和齿面磨损故障能够进行很好地区分与诊断,其诊断成功率均在95%以上,可对实际工程工作的齿轮系统进行故障诊断.