基于T-S模糊模型的模糊大系统的混合滤波

针对非线性大系统内部过程参数的检测估计,采用连续模糊大系统模型,利用lyapunov定理和分布式处理方法,给出了模糊大系统的H2/H∞混合滤波器设计方法。该方法在保证滤波误差系统全局稳定的同时,具备了H2/H∞性能。通过求解线性矩阵不等式,可以得到滤波器参数。最后,用一个数值例子验证了该方法的正确性和有效性。     

基于自适应径向基网络的舰船RCS统计特征识别方法

文章采用舰船RCS频域起伏序列的均值、标准差为识别特征向量,利用提出的基于样本密度的自适应径向基网络,进行舰船分类识别研究。自适应径向基网络采用改进的自适应PSO方法估计样本密度最优邻域半径,实现径向基网络中心的自适应选择。改进的自适应PSO方法采用能反映样本聚类特点的BWP指标为适应度评价函数,采用快慢结合的高斯自适应惯性权重调节策略,提高了最优样本密度邻域半径的搜索速度和精度。实验结果表明,自适应径向基网络能自适应获得径向基网络最优识别率对应的RBF中心及其位置分布,减少了对建模人员经验的依赖,提高了反舰导弹对舰船类型的识别分类能力。     

间冷回热循环发动机回热器管路系统设计优化

结合Flowmaster软件平台建立回热器供/回气管路系统的流动传热性能仿真网络,利用Isight软件中近似模型方法建立回热器性能与供气管、主管及回流管径之间的响应函数关系。以各回热器模块的冷气流量等性能参数为目标,采用多种遗传优化算法对回热器管路系统尺寸进行优化。结果表明,当供气管径为165 mm、主管管径为70 mm、回流管管径为162 mm时回热器换热量最大,此时管路系统质量为335.04 kg。考虑到在喷管内安装后各回热器模块燃气侧流量分配不均匀性的影响,总换热量及换热效率略有变化。     

单级轴流压气机纯音噪声实验与数值分析

为了探索转/静干涉纯音噪声与静子前缘上洗速度之间的对应关系，使用已发展的风扇纯音噪声混合预测方法对一台单级、低速压气机实验台（TA36）节流过程中的转/静干涉纯音噪声进行了预测，并与实验结果进行了对比验证。为了准确获取作为转/静干涉纯音噪声声源的静子叶片表面非定常压力脉动，首先比较了不同计算网格与时间步长设置对叶片表面非定常压力脉动计算的影响。随后，比较了静子叶片来流上洗速度和纯音噪声随质量流量的变化规律。研究表明：设计转速下，静子前缘70%、80%以及90%叶高的3阶叶片通过频率处的上洗速度幅值随质量流量的变化规律与混合预测方法估计的进气管道壁面声压级的变化趋势一致，并且与实验测量值的变化规律也保持了良好的一致性。此外，管道外远场声压级指向性的结果也表明：该实验台远场声辐射具有明显的指向性，并且不会随着节流过程产生明显的变化。     

新一代战斗机非定常流动数值研究综述

新一代战斗机强调超机动能力和强隐身性，其中大攻角下的静态失速、动态失速及内埋弹仓绕流是与高机动和强隐身密切相关的、极具挑战的几类典型的非定常流动，它们对数值方法提出了极高的要求。为了高精度地仿真流场、清楚地揭示流动机理，有效地控制非定常流动，非常有必要发展高精度且高效率的RANS-LES混合方法体系，包含RANS-LES混合方法本身、与RANS-LES混合方法匹配的高精度自适应耗散格式、基准湍流模式、高质量计算网格、高精度时间推进方法、非定常量的统计方法等，具有极强的紧迫性。提出、发展、验证并应用该类方法数值仿真新一代战斗机（包括单独部件、组合体、甚至全机）的非定常流动，数值预测结果与风洞实验数据吻合良好；此类方法可为新型战斗机设计提供理论依据和分析手段。     

卫星时钟信号功分网络对锁相环电路干扰分析

在多颗卫星测试中,连接在功分网络上的设备在各自加断电的瞬间,会造成锁相环电路输入信号的相位瞬时变化,引发锁相环电路的相位跟踪,导致瞬时失锁。文章通过理论推导和公式仿真,明确了产生干扰的各设备时钟信号入口的反射系数和功分网络各输出端口的隔离度是影响干扰强弱的主要因素。提出了使各设备时钟信号入口的驻波不相等,且反射系数相位趋于同相,同时提高网络各输出端口的隔离度的消除干扰方法,并通过设备的系统联试进行了验证。结果表明:此方法可以有效抑制此类干扰,可为卫星时钟信号功分网络设计提供参考。     

基于冲击特征提取的旋转机械智能故障诊断

针对齿轮、轴承故障，提出了基于冲击特征提取胶囊网络的旋转机械智能故障诊断模型。在胶囊网络的构架基础上，将原始故障振动信号作为输入，通过构造首层小波核卷积层，针对性提取冲击故障特征，提高深度学习网络特征提取的可解释性。在小波核卷积层之后扩展一层卷积层，强化首层小波核卷积层提取的特征，将强化的特征经初级胶囊层、数字胶囊层输出分类结果，从而构造了“端到端”的小波卷积胶囊网络模型。通过对各层提取的特征可视化分析，证明了该模型对故障振动信号的冲击特征具有良好的提取能力。3个不同实验平台的数据集验证结果表明不同故障类型、不同故障程度的齿轮及轴承的识别精度最高可达到100%，并具有良好的泛化能力。