纤维增强复合材料轴结构铺层方案优化设计

基于细观力学有限元法,采用改进的细观力学代表体积元（RVE）模型预测连续纤维增强金属基复合材料力学性能,对比分析相同体积分数下不同排列RVE模型的计算结果.选定连续纤维增强金属基复合材料轴结构为研究对象,建立连续纤维增强金属基复合材料轴结构细、宏观力学模型,开展该轴结构承载能力计算.在此基础上,为实现连续纤维增强金属基复合材料低压涡轮轴铺层方案优化设计,参照某型航空发动机设计要求,以总铺层厚度为目标函数,采用random design法,确定了由细观RVE排列结构至宏观轴结构铺层方案.结果表明：采用正方形对角排列RVE模型计算的力学性能优于四边形排列RVE模型;纤维与基体呈正方形对角排列可提高轴结构承载能力、临界屈曲载荷、临界转速;该方法确定的铺层方案与通用（GE）公司的SiC/Ti低压涡轮轴铺层方案一致.     

BP神经网络训练中的实际问题研究

研究了BP神经网络的结构以及学习算法,根据实验经验总结出了在神经网络的训练过程中需要注意的一些实际问题,对BP神经网络的应用有实际的指导意义。最后分析了BP神经网络的局限性并简要介绍了改进的一些方法,给神经网络的研究提供了一定的参考价值。     

信号特征选择的一种优化算法

简单介绍了基于扩张理论和粗集理论的优化算法、“贪心算法”和启发式搜索算法等典型特征选择的优化算法,并比较它们的性能,在此基础上选择启发式搜索算法用于信号特征的选择。最后用MATLAB编程验证了启发式搜索算法特征选择的有效性。     

一种前馈神经网络的变误差主动式学习算法

研究误差反向传播多层前馈神经网络的主动式学习方法.文章分析了目前用于训练前馈神经网络改进BP算法的特点和存在的不足,在此基础上提出逐次主动调整网络学习误差的网络训练思想,根据网络输出误差趋势,主动变化输出层的调整误差δ_pl,使W\+k\-\{ji}和θ\+k\-j在调整过程中受到每次学习效果信息的控制,从而得到一种主动式变误差的学习算法.实验表明,在训练多层前馈神经网络时,变误差主动式算法的学习效率比改进BP算法的学习效率有明显提高.     

基于改进果蝇算法优化的GRNN航空发动机排气温度预测模型

利用广义回归神经网络(GRNN)良好的非线性映射能力,对航空发动机排气温度(EGT)进行预测。由于GRNN的预测性能受宽度系数的影响,因此采用改进的果蝇算法优化广义回归神经网络(IFOA-GRNN),并用优化后的GRNN对航空发动机的EGT进行预测。以某发动机为案例,选取相关参数作为预测模型的输入变量,EGT作为预测模型的输出变量。在相同的样本分配下,将FOA-GRNN(fruit fly optimization algorithm to optimize GRNN)、GRNN、自回归预测模型和优化的支持向量回归机作为对比算法。分析结果表明:IFOA-GRNN的收敛精度高于FOA-GRNN;IFOA-GRNN对EGT预测的平均相对误差为2.47%、拟合优度为0.8506,其预测效果均优于其他对比算法;同时,IFOA-GRNN对噪声的敏感性也低于其他对比算法。      

BA9916-Ⅱ/CCF300复合材料加筋板吸湿特性

为研究BA9916-II/CCF300复合材料加筋板的吸湿特性,在70℃/85%RH湿热环境中开展了吸湿实验,提出了基于厚度划分的Fick吸湿模型M_t=∑ni=1v_i[G_iM_(∞i)+M_(0i)(1-G_i)],并采用质量扩散模块进行了吸湿行为的有限元仿真。结果表明:提出的基于厚度划分的Fick吸湿模型能较好地描述该型结构的吸湿行为,具有较高的分析精度;但由于复合材料加筋板在吸湿后期存在阶段吸湿现象,Fick吸湿模型在该结构吸湿行为后期的描述上存在一定偏差;有限元仿真得到的吸湿动力曲线和水浓度分布结果验证了基于厚度划分吸湿模型的合理性,更好地还原了真实的吸湿过程与水分分布情况。     

基于改进ICPF的多分量LFM信号参数估计

针对线性调频信号参数估计中搜索匹配过程带来的计算量问题,提出一种基于改进ICPF的多分量线性调频信号参数估计方法。给出了一种基于非均匀快速傅立叶变换的ICPF改进算法,利用改进的ICPF算法估计线性调频信号的调频率,利用解线频调方法估计中心频率和幅度。方法避免了参数估计过程中的搜索匹配过程,计算复杂度低,在低信噪比条件下具有较好的估计性能。仿真结果验证了方法的有效性。     

基于改进圆域分割方法的混沌微弱信号检测

针对Melnikov方法和Lyapunov指数法在确定Duffing振子混沌阈值时计算繁琐、耗时较长的问题,提出基于改进圆域分割的相图识别方法。以圆域内相点比例为指标,利用其在系统相变时急剧变化这一特性进行微弱信号的检测。改进圆域分割方法的圆域半径取值更加灵活,使混沌阈值的确定更加方便。仿真实验表明,信噪比为-60 d B时检测正确率达89%,验证了该方法的有效性。     

基于IITD和FCM聚类的滚动轴承故障诊断

基于Akima插值和固有时间尺度分解（ITD）中的线性变换,提出了一种改进的固有时间尺度分解（IITD）,在此基础上,进一步提出基于IITD近似熵（AE）和模糊C均值聚类（FCM）相结合的滚动轴承故障的诊断方法。采用IITD方法对滚动轴承的振动信号进行分解,通过互信息分析,筛选出前3个含主要特征信息的固有旋转分量（PR）,计算其近似熵值作为信号的特征向量,将得到的特征向量输入到FCM分类器中分析并得到分类结果。实验分析表明:分别与基于EMD、ITD近似熵和FCM聚类相结合的方法比较,该方法的分类系数更接近1,平均模糊熵更接近0,即此方法对滚动轴承的正常、内圈故障、外圈故障、滚动体故障信号以及对内圈的不同损伤程度信号均能更有效更准确地进行分类。      

精密时间间隔测量方法的改进

用于短时间间隔测量的量化时延法可显示较高的测量分辨力。然而 ,随着测量分辨力的提高 ,则需要更多的延迟组件和附加电路 ,这样不但设备的复杂度增加 ,而且还会产生附加误差 ,测量分辨力受到限制。提出一种改进方法 ,即在量化测量原理的基础上 ,利用细测与粗测相结合的方法来测量精密时间间隔。这种方法与CPLD相结合 ,可以在使用较少数量的延迟组件情况下 ,获得得 4 0 0ps的测量分辨力。