执行器故障下的运载火箭非奇异终端滑模容错控制

针对存在未知外部干扰和执行器卡死故障的运载火箭,提出了一种基于非奇异终端滑模面的姿态跟踪控制算法。首先,建立了考虑干扰和执行器卡死故障的运载火箭姿态控制系统多输入多输出系统模型;然后定义了运载火箭姿态跟踪系统模型,针对定义的模型,设计了一种非奇异终端滑模面,使得系统在执行器故障情况下仍能较为精确地跟踪参考信号。基于李雅普诺夫函数证明了运载火箭姿态跟踪控制系统的稳定性和有限时间收敛特性。数值仿真检验了本文基于非奇异终端滑模运载火箭姿态跟踪控制算法的有效性。     

液体火箭发动机健康监控技术研究现状

液体火箭发动机健康监控技术是改进和提高运载火箭、航天器可靠性与安全性的核心技术之一,对其进行研究具有重要的学术价值和工程应用价值。液体火箭发动机健康监控技术的研究主要包括液体火箭发动机故障检测与诊断理论方法、液体火箭发动机健康监控系统两方面。该文介绍了基于模型驱动的方法、基于数据驱动的方法和基于人工智能的方法,阐明了液体火箭发动机故障检测与诊断理论方法的研究现状,通过对美国液体火箭发动机典型健康监控系统的介绍,阐明了液体火箭发动机健康监控系统研究的若干进展及现状,并对液体火箭推进系统健康监控技术的演变趋势作了简要评述。     

复杂电磁环境中智能决策对抗技术的应用

当前雷达技术的发展突飞猛进,复杂的电磁环境已经是战场必须面对的现实情况,提出了一种可适应战场复杂电磁环境的智能干扰技术,主要从分选、干扰策略和干扰效能评估等方面讨论了整个智能对抗干扰的原理,对战场指挥决策有一定参考价值。     

基于自定义组件的故障诊断过程显示

针对导弹控制系统结构复杂,信号线繁多,难以在故障诊断软件设计中实现诊断过程图形化实时显示的问题,提出了一种基于自定义组件开发故障诊断软件的方法.根据导弹控制系统的故障诊断流程及实时显示需要,对其结构进行了分析,抽象出了主要组成元素--信号通道和部件,由此提出了需要定义的相应组件.用Borland C Builder6.0开发环境进行了应用实践,证明使用这种方法可快速开发出能图形化实时显示故障诊断过程的导弹控制系统故障诊断软件,开发出的软件还具有运行稳定、修改升级方便等优点.     

智能方法在惯性系统误差参数辨识中的应用

总结了目前我国提高惯性系统导航精度的技术途径,阐述了国内外惯性系统误差参数辨识方法的研究现状,介绍了当前滤波算法、智能优化算法和人工神经网络方法在惯性系统导航领域的应用情况以及存在的不足。最后,分析了空间飞行器惯性系统误差参数辨识技术的未来研究方向,即智能优化算法和人工神经网络方法等智能方法将在惯性系统误差参数辨识中发挥越来越重要的作用,通过将误差系数标定问题转换为参数辨识问题,采用智能方法在庞大的解空间内实现对惯性系统误差参数的快速辨识。     

某火箭发动机故障检测及诊断算法设计分析

针对某型号液体火箭发动机故障检测及诊断软件存在瞬态段（起动段、关机段）故障检测功能缺失、故障诊断无法给出故障量大小的问题,在原软件故障诊断算法——余弦相似度分类的基础上,通过引入故障因子定量给出故障量大小,实现发动机故障诊断的定性定量分析。同时,采用基于统计学基础的包络线算法,通过Python语言对发动机瞬态段故障检测算法进行设计开发,使原软件实现发动机瞬态段故障检测功能。通过仿真试车数据对软件算法进行验证,结果表明优化后的故障诊断功能可实现故障量大小计算,基于包络线算法开发的故障检测功能提高了发动机故障检测效率。     

涡轴发动机高速两支点转子不平衡识别

针对实际工作中的涡轴发动机不平衡量难以监控现状,提出了一种基于非线性支承参数的涡轴发动机高速两支点转子不平量识别方法。建立起转子动力学有限元模型,以支承位移响应工频信号有效值为目标,采用Pointer优化器开展不平衡量识别,通过反馈迭代识别油膜阻尼、刚度。以某真实发动机转子的不平衡量开展识别验证,识别结果符合实际转子不平衡量变化规律,该识别方法计算效率满足工程要求,为发动机整机振动响应仿真分析中的不平衡量施加提供输入条件。     

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。      

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。      

基于CCFHTLS算法的异步电动机转子故障检测

定子电流经低通滤波器处理后产生高斯有色噪声,限制了异步电机转子故障检测算法的辨识精度。针对该问题,提出一种抑制高斯有色噪声的异步电机故障检测技术。首先对采集到的定子电流进行预处理,利用逆同步旋转变换剔除基波,避免了直接检测时基波对故障辨识精度的影响。然后利用互相关函数(CCF)处理技术对高斯有色噪声的抑制作用,提出基于CCFHTLS算法的电机转子故障诊断技术。针对异步电机转子断条和偏心故障的识别进行试验,结果表明CCFHTLS算法可以有效抑制高斯有色噪声,并保留故障有用信息,显著地提高了故障检测的分辨率。