超声速气流中凹腔对液体射流穿透深度的影响

采用高速摄影对凹腔上游液体垂直射入超声速气流中的穿透深度展开了试验研究。进行了不同喷注位置和液气动量通量比条件下,平板射流和带凹腔射流的试验,研究了凹腔对射流穿透深度的影响。试验发现,射流穿透深度在凹腔前缘降低,射流边界曲线向凹腔内弯曲;射流穿透深度在凹腔后缘增大。凹腔对射流液雾的卷吸作用使穿透深度降低,剪切层撞击凹腔后缘形成的高压波传递使得穿透深度在后缘增大。减小液气动量通量比是增大凹腔对射流卷吸作用的途径之一。喷注在凹腔上游3倍凹腔深度的距离上,凹腔对穿透深度降低最大。      

音频信号矢量编码算法

为了在保证译码恢复的声音质量良好的前提下,减小编码的压缩率,以减小声音信号的存储空间,提出了一种将线性预测编码、SOM神经网络矢量编码以及Huffman编码相结合的声音信号编码算法,将1列声音信号转换为2列信号,这样就可以进行后续的矢量编码。实现了预测编码和矢量编码的结合。利用Matlab软件编程进行了声音信号编解码实验。实验结果表明,在保证声音质量的前提下,该编码方法的码率小于MEPG-1 Layer3的最低的64kbps标准码率,且算法简单。文章提出的编码算法在音频压缩编码方面将具有较高的研究价值和很好的应用前景。     

音频信号联合编码算法码书长度研究

为进一步减小音频信号的码率,针对基于线性预测编码、SOM神经网络矢量编码以及Huffman编码相结合的声音信号联合编码(以下简称联合编码),提出了通过合理选择码书长度值进一步减小声音信号码率的算法。利用Matlab软件编程进行了不同码书长度值的声音信号编解码实验。实验结果表明,在保证声音质量的前提下,通过合理选择码书长度值,可以使声音信号的码率远低于MEPG-1 Layer3的最低64kb/s标准码率,达到11.025kb/s的码率值。文章提出的编码算法可为音频压缩编码的进一步研究提供参考。     

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

基于神经网络与蒙特卡洛方法的疲劳寿命可靠性分析

通过加速腐蚀试验以及疲劳试验数据,对腐蚀损伤表征因子(腐蚀坑最大宽度、腐蚀坑最大深度、点蚀率)进行统计分析,应用神经网络和蒙特卡洛法对6A02铝合金试验件的疲劳寿命进行可靠性分析,分析结果与实验结果的相对误差在工程上可以接受。     

基于RBF神经网络的开关磁阻电机在线建模 及其实验验证

 为了获取开关磁阻电机(SRM)的精确模型,提出了一种基于径向基函数(RBF)神经网络对SRM进行建模的方法,主要包括离线建模和在线建模两部分。离线建模通过实验测量得到SRM的磁链特性曲线,并利用该数据训练RBF神经网络,实现SRM磁链的离线建模;在线建模是指当SRM的运行状态发生变化时,离线模型的估计磁链与实际磁链会产生误差,通过对神经网络的输出权值进行在线调节,实现具有在线动态调节功能的SRM在线模型。为了验证该方法的可行性,针对一台12/8结构的SRM样机进行仿真和实验,结果表明SRM的离线模型和在线模型在仿真和实验条件下均能正确地估计SRM的磁链特性,而且在线模型的估计精度高于离线模型,验证了本文的研究方法合理有效。     

燃油射流横流穿透深度试验和数值模拟

采用激光粒子成像测速仪(PIV),试验研究了不同动量比下燃油射流在横向空气流中的穿透深度特性。同时,采用数值计算方法,对射流穿透特性进行了模拟,并将试验和计算结果,分别与已有的经验关系式,及考虑气动韦伯数影响修改后的关系式进行对比。结果表明:燃油射流上边界深度与幂指数关系式较吻合;采用VOF两相流模型能较准确地模拟出燃油射流的喷雾核心深度;修改后的关系式与不同燃油-空气动量比范围下的喷雾核心深度较吻合;燃油-空气动量比和气动韦伯数,是影响燃油射流横流穿透深度的主要参数。     

一种基于神经网络的飞机载荷参数识别方法

提出一种经遗传算法优化的Kalman滤波神经网络(GA-KFNN)方法,对飞机特定机动下的载荷进行参数识别.首先,构建Kalman滤波神经网络(KFNN),设计了相关改进算法抑制滤波发散,提高了网络的预测精度和抗噪能力;其次,利用遗传算法(GA)优化KFNN的相关参数,使网络能迅速收敛,提高了运算效率.载荷识别结果显示,改进和优化后的GA-KFNN运行稳定,收敛迅速,具有良好的识别精度和泛化能力,满足工程实际需求.     

柔性航天器姿态的在线神经网络控制

研究了由一个中心刚体带有一对柔性梁的航天器的神经网络控制问题。使用广义卡尔曼滤波训练算法对辨识神经网络和神经控制器进行在线训练,使用间接模型参考自适应控制算法对受控对象进行控制,提出了一种当被控对象的某些状态变量无法量测时进行在线辨识、控制的解决办法。仿真结果表明,此控制方案可以实现刚体由静止到静止的姿态机动,并且对附件振动有很强的抑制作用。     

基于神经网络与果蝇优化算法的涡轮叶片低循环疲劳寿命健壮性设计

在对涡轮叶片低循环疲劳寿命概率分析的基础上,将广义回归型神经网络(generalized regression neural network,GRNN)与果蝇优化算法(fruit fly optimization algorithm,FFOA)结合,利用果蝇优化算法的多点全局的快速搜索能力来优化影响疲劳寿命的随机变量,进行涡轮叶片低循环疲劳寿命健壮性优化设计.优化结果表明:疲劳寿命的概率区间减小17.9%,对随机变量的敏感度降低,从而可以更精确地对疲劳寿命进行估计.计算结果验证了该方法在工程应用中的可行性.