随机载荷作用下锥形螺栓干涉配合的疲劳寿命增益

介绍了以7475 T761铝合金为基材的锥形螺栓干涉配合和普通螺栓非干涉配合连接的犬骨形试件,在随机疲劳载荷谱作用下的疲劳试验。结果表明:锥形螺栓干涉配合与普通螺栓连接比较,疲劳寿命增益明显;应力水平降低,寿命增益倍数增加。锥形螺栓干涉提高疲劳寿命的主要原因是:(1)干涉使孔附近区域形成拉伸预应力,它可以降低外加疲劳载荷引起的交变应力幅;(2)锥形螺栓干涉使螺栓与孔之间的接触更均匀、更紧密,当有载荷传递时,其分布趋于均匀;(3)锥形螺栓干涉改善了孔壁的初始疲劳质量。     

逐次累积裂纹扩展计算的循环计数方法

给出一种疲劳损伤的累积方法,用于随机谱载下的裂纹扩展模型计算,该方法既能充分计及疲劳裂纹尖端材料的累积损伤作用,又提供了在裂纹扩展模型计算中实时考虑加载序列影响的可能性。本方法可应用于各类疲劳寿命及裂纹增长分析预测模型的计算,克服了以往方法中不能维持原有峰谷序列的缺陷,使模型计算过程更趋合理和符合实际的损伤机制,从而便于各种模型的发展、改进和评价。     

发动机全面性能诊断的随机搜索模型

提出了求解发动机亚定故障方程组整体优化解的随机搜索模型。该数学模型可以在同时发生的故障模式的数目小于、等于、特别是大于测量参数个数的各种复杂情况下给出全面的故障诊断信息。以JT9D发动机全面性能诊断问题为例,利用随机模拟样本对随机搜索模型的诊断有效性进行了评估,并且利用JT9D发动机的24个实际故障样本对随机搜索模型进行了检验。研究结果表明,利用4个测量参数可以对发动机主要部件同时发生的6～10个故障进行诊断。诊断有效性指标可达0.89～0.94.     

结构刚度可靠性分析方法

提出了结构刚度可靠性的分析方法,引入了刚度可靠性分析中相对重要度的概念,建立了以相对重要度来确定主要变量的准则,同时对极限状态方程的形式以及如何确定极限状态方程插值点进行了研究,形成了一般工程设计情况下和特殊情况下结构刚度可靠性分析的通用方法,并且这种方法可以推广到结构强度的可靠性分析。     

星钟和星历误差分离的广域差分新方法

针对WAAS等传统的广域差分方法存在DOP值太大和要求基准站时 间严格同步等问题,提出了星钟和星历误差相对分离的广域差分新方法。提出的相对分离理 论包括以所有卫星的广播星历为基准的星钟误差的相对分离,以各卫星星钟误差相对分离结 果为基准的相对星历误差分离和固定偏差的星钟二次修正三部分,其可简单归纳为星钟-星 历-星钟的修正思路。这种方法除无需基准站同步外,用户定位比WAAS准。理论论证和算例 仿真证明这种理论是科学的,对建设各种卫星导航系统的差分增强系统均是适用的。     

隐身飞行器突防仿真的特征信号新建模方法

针对突防目标不同角域内RCS(Radar Cross Section)差异较大的情况,提出5种不同的突防目标特征信号雷达重点探测区域建模方案.在计算机仿真平台上,根据目标的周向散射特性,按照这5种不同的模型取RCS均值计算雷达对目标的探测概率值.不同建模方案所得探测概率值与精确探测概率值的平均误差分别为: 13.66%,12.35%,6.6%,5.07%和2.4%.平均误差的差异表明:采用5个或8个特征信号重点探测区域的建模方案,所得探测概率值的误差小,能反映出雷达对目标探测概率的动态变化过程.仿真平台中,这两种建模方案无需存储大量目标的RCS值,只需记录5个或8个目标的RCS均值,可节省计算机的存储量,提高计算速度.     

基于空间分割的影像条带噪声去除方法

光学遥感卫星影像中包含系统条带噪声和随机条带噪声,由于多种因素的干扰,即使进行系统条带噪声去除后,仍残留部分随机条带噪声。文章通过分析现有卫星遥感影像中的随机条带噪声特性,基于常规的随机条带噪声去除方法,提出一种新的基于空间分割的条带噪声去除算法。该方法以影像的均值、中值以及梯度值构建判定准则,将影像分为动态范围变化较小的多个区域,同时将地物边缘单独提取出来予以保留;然后采用标准矩匹配的方法对单独区域进行处理,在剔除噪声的同时抑制灰度畸变的产生;最后采用中巴地球资源卫星04星（CBERS-04）数据作为试验对象进行了随机噪声去除试验,试验结果表明新方法在去除随机条带噪声的同时很好的保持了原始影像的纹理信息。     

航天器非平稳振动环境TVAR时频分析(英文)

Predicting the time-varying auto-spectral density of a spacecraft in high-altitude orbits requires an accurate model for the non-stationary random vibration signals with densely spaced modal frequency. The traditional time-varying algorithm limits prediction accuracy, thus affecting a number of operational decisions. To solve this problem, a time-varying auto regressive （TVAR） model based on the process neural network （PNN） and the empirical mode decomposition （EMD） is proposed. The time-varying system is tracked on-line by establishing a time-varying parameter model, and then the relevant parameter spectrum is obtained. Firstly, the EMD method is utilized to decompose the signal into several intrinsic mode functions （IMFs）. Then for each IMF, the PNN is established and the time-varying auto-spectral density is obtained. Finally, the time-frequency distribution of the signals can be reconstructed by linear superposition. The simulation and the analytical results from an example demonstrate that this approach possesses simplicity, effectiveness, and feasibility, as well as higher frequency resolution.     

天线系数的测试误差与NSA测试的改进

总结了归一化场地衰减(NSA,The Normalized Site Attenuation)测试中存在的误差,指出误差主要来源于天线系数.通过对天线互阻抗的分析,说明它是天线系数误差的主要来源.简单介绍了天线系数的标准计量方法,发现其中并未考虑互阻抗的影响;修正了天线系数计量中采用的方程组,证明该方程组不能求解.分析了减小测试天线间互阻抗误差的因素,重新设计了一种新的测试方法.新方法使用天线增益替代天线系数,利用天线增益测试的必要条件避免互阻抗的影响;证明了新方法与原方法的原理间的等价条件;通过实测验证了新方法的有效性.