圆周进气对流掺混流动研究

为了研究纯径向向心涡轮出口对流撞击掺混流动组织结构,采用大涡模拟对圆周进气的对流掺混流动进行了数值仿真,并用本征正交分解(POD)方法,提取和分析了不同阶模态下的流动结构。结果表明:在水平截面,底部中心形成一个滞止区,两侧壁面附近均存在一个回流区,且流动是近似对称的;在剪切力作用下,沿流动方向,旋涡结构的不稳定性增强,上游三维涡环结构逐渐拉伸、膨胀,破裂为复杂的涡辫或发卡涡结构,这增强了掺混,从而使得流体间的动量和能量交换增强;POD结果中第1阶模态所占的能量权重最高,表明脉动场中的大部分能量主要集中在此模态,此模态中的流动结构为主要流动结构。     

同心旋流分层预混火焰的动力学模态分析

为了探究同心旋流分层火焰的不稳定燃烧问题,需要对火焰的动态脉动特性进行分析。采用高速摄像捕捉了自激和外激条件下同心旋流分层预混火焰的CH*化学发光动态图像,利用动力学模态分解(DMD)方法研究其主导脉动模态,提取出了相关模态的空间形态和脉动幅值,证明燃烧组织方式的改变会对火焰脉动的形态和规律产生影响。研究发现:模态分解可以反映分层旋流火焰的动态响应特征,并能解析脉动空间结构,验证火焰形态和外激频率对火焰动态响应的影响,其规律和火焰传递函数结果符合,且在分层比0.5～2内提高分层比使释热中心转移到预燃级和主燃级的剪切层内,300Hz～400Hz释热脉动将加强。验证了DMD方法适用于处理分析复杂分层旋流火焰的脉动特征,可为燃烧振荡控制提供参考。     

递推辨识中的奇异值分解方法

研究了递推辨识算法的一种实现形式-SVD分解算法。这样就可以在计算量基本不变的情况下，有效地保证方差矩阵的对称性，正定性，从而获得较好的数值特性。仿真计算结果表明在实现自适应控制时，能提高系统参数实时辨识的精度。     

线极化状态下接收机相位补偿分析

船载卫通站在跟踪线极化星时,跟踪接收机相位出现随地理位置变化而变化的现象,影响跟踪性能。本文结合实际工作经验,利用电磁场理论,以平面极化波正交分解为切入点,讨论了线极化状态下和/差信号相位,对线极化状态下跟踪接收机相位补偿原理进行了初步分析,得出接收机相位补偿值为极化角变化量的结论。     

科学：带给我们冷酷还是温暖？

著名诗人济慈认为，牛顿用三棱镜把白色光分解成七色光谱，将彩虹的诗意破坏殆尽。就在人们真正理解彩虹构成的那一刻，它那诗歌般的美也就永远一去不复返了。科学，真的是诗意的破坏者和冷酷的制造者吗？     

改进的EMD算法及仿真分析

经验模式分解(EMD)是1998年由Huang等人提出的新的分析和处理非平稳信号的方法.目前对于EMD算法的端点效应问题,有包括神经网络延拓法、镜像延拓法在内的多种处理方法.但是这些方法都存在计算量大的问题,为了有效减少计算量,通过对镜像延拓法的研究,提出了一种改进的端点效应抑制方法.最后通过仿真,证实该方法不仅有效地...     

基于奇异值分解的航天器自主导航系统能观度分析

目前基于系统能观度的分析方法均存在一定的不足,为了克服这些问题,提出一种基于奇异值分解(SVD)的系统能观度分析新方法,该方法能同时对系统状态整体和各个状态分量进行能观性和能观度分析,且应用较为方便.同时,利用该方法对基于星敏感器和地球敏感器的航天器自主导航系统进行能观度分析,通过仿真计算分析给出影响该系统能观度的主要因素,所得结论可以对航天器实际工程中自主导航系统的敏感器配置及导航滤波器设计提供参考.     

结构故障诊断中的小波分解层数选取方法研究

小波变换被广泛的应用到结构故障诊断中,但尽管利用小波变换进行故障诊断效果很好,在实际操作过程中仍存在两个问题,即小波基函数的选择和最佳小波分解层数的选择。基于结构的动力系统,通过讨论结构动力响应、频率折叠及频率混淆对小波分解层数的影响,推导总结出一种小波分解层数的算法,并给出了其算法公式。     

基于ELMD与改进SMSVM的机械故障诊断方法

机械振动信号携带大量重要的机械状态信息,然而机械故障振动信号在复杂工作状态下通常呈现非平稳、非线性特性。因此,从振动信号抽取和选择有效的机械故障特征、提高故障识别性能,成为机械故障诊断研究的热点。针对上述问题,本文提出了基于集成局部均值分解(Ensemble local means decomposition,ELMD)与改进的稀疏多尺度支持向量机(Sparse multiscale support vector machine,SMSVM)的机械故障诊断方法。该方法首先使用自适应非线性、非平稳信号处理方法 ELMD把多模态调制故障信号分解成为多个单模态解调信号,有效地增强了故障特征。把压缩感知和多尺度分析技术融合于故障模式分类中,提出改进SMSVM旋转机械故障识别方法,提高多类机械微弱故障数据模式识别性能。该方法融合稀疏表示、多尺度分析和SVM的优点,无需求解复杂的优化问题,易于推广至更多尺度SVM,具有计算量少、泛化性与鲁棒性好、物理意义明显等优点。人工数据和实验设备数据验证了本文算法的优越性。