飞机框肋类零件外形样板三维快速设计原理及算法

作为近年来飞机型号研制中常用的内外形控制与协调方式,飞机样板因其使用便捷、成本低廉、技术成熟等优势,在当前飞机研制中仍具有不可替代性。在当前智能化技术快速发展的数字化环境下,依赖二维图纸的样板设计技术已明显成为制约飞机研制效率和周期的重要因素,研究和开发以框肋类零件三维几何模型为基础的样板三维设计技术已成为当前航空产业的迫切需要。针对上述问题,对框肋类零件样板的一大分支--外形样板的三维快速设计原理及算法展开研究,提出钣金零件几何属性提取及外形样板三维快速设计算法,主要内容为:提出框肋类零件基础结构特征定义及提取方法,基于提取结果构建零件弯边特征并计算样板设计所需几何属性,提出外形样板轮廓计算及补加添加算法,最终实现零件外形样板三维模型生成。经由实例测试,验证此算法的可行性与有效性。     

谱估计理论在弹道数据参数化建模中的应用

针对高超声速飞行器防御作战中目标运动规律的描述问题,提出一种基于经典和现代谱估计理论的弹道数据参数化分析和建模方法。该方法将弹道数据视作非平稳随机信号,研究其变化规律：首先,通过线性消势法消除信号的线性趋势,将其转变为平稳信号,以便于进行谱估计;然后,采用Welch算法给出大致的谱图,结合该谱图和改进的协方差法确定自回归参数模型的阶数,以避免模型阶数选择准则引起的不确定性问题;最终,给出弹道数据的参数化模型。仿真结果表明,使用本文算法建立的弹道数据参数化模型与动力学模型具有较高的一 致性。     

飞行器遥测跟踪的多模式自动转换方法研究

针对飞行器试验遥测跟踪过程中的目标轨迹异常、遥测信号不稳定等情况,通过建立不同情况下的天线跟踪方式评价系统,研究自跟踪、外引导跟踪、程控跟踪等跟踪模式联合工作的可能性,并提出一种遥测跟踪方式优选判别、模式自动转换的方法,提高遥测数据的有效性。飞行试验结果验证了方法的有效性。     

涡轴发动机高速两支点转子不平衡识别

针对实际工作中的涡轴发动机不平衡量难以监控现状,提出了一种基于非线性支承参数的涡轴发动机高速两支点转子不平量识别方法。建立起转子动力学有限元模型,以支承位移响应工频信号有效值为目标,采用Pointer优化器开展不平衡量识别,通过反馈迭代识别油膜阻尼、刚度。以某真实发动机转子的不平衡量开展识别验证,识别结果符合实际转子不平衡量变化规律,该识别方法计算效率满足工程要求,为发动机整机振动响应仿真分析中的不平衡量施加提供输入条件。     

基于CMPSO算法的永磁同步电机转动惯量识别研究

永磁同步电机(PMSM)是一种具有很强非线性的动态系统,在工业驱动应用中发挥着重要作用。实时辨识转动惯量对于高精度PMSM系统控制和稳定性状态监测具有重要意义,但传统转动惯量识别方法精度较低。在传统离散模型参考自适应理论基础之上,用柯西变异粒子群优化(CMPSO)算法代替待辨识参数自适律设计环节,以实现PMSM转动惯量识别。该转动惯量辨识方法充分利用了CMPSO算法的快速高效收敛性,仿真结果和试验结果表明了可行性、正确性和准确性。     

一种基于SNM降阶技术的整体叶盘结构失谐识别方法研究

本文以谐调叶盘有限元模型解析模态和失谐系统的实验测量模态作为基础信息,提出了一种整体叶盘结构失谐识别方法。该方法基于SNM降阶技术,大大降低了识别过程的计算花费以及对基础信息的要求;采用了子矩阵型技术使得失谐参数定义更加的自由,并使得该方法具有模型修正的功能;利用最可能向量技术处理实验测量模态振型,有效的限制了测量噪声、非线性等因素对识别过程的影响。最后以一个真实叶盘结构的数值仿真分析证明了该方法的正确及有效性。     

随机声载荷时域信号门限自回归模型研究

利用航空发动机燃烧室噪声测试数据[1],采用门限自回归分析方法建立随机声载荷门限自回归模型SETAR(2;2;30,30),得到令人满意结果,并将拟合和预测均方误差与文献[1]非门限的自回归滑动平均模型ARMA(17,16)的结果进行了比较.     

航空发动机数控系统多故障识别

提出了一种基于模糊逻辑的航空发动机数控系统多故障的识别方法.首先采用Takagi-Sugeno(T-S)模糊模型描述一种涡喷发动机数控系统的非线性模型,然后应用全解耦奇偶方程进行多故障的检测和隔离,并结合卡尔曼滤波器识别出传感器和执行器故障参数.仿真结果表明,针对传感器和执行器同时发生故障的情况,此方法能有效检测故障,并能准确识别出故障参数.      

基于转角振型曲率的损伤识别

利用中心差分法求取振型曲率,用损伤前后同一位置的振型曲率变化来作为结构损伤的识别指标。采用有限元方法,通过数值仿真对不同位置发生损伤的悬臂梁进行分析,利用构造的的损伤指标对结构损伤情况进行识别研究。在前人的研究基础上,特别提出了利用角度位移振型曲率变化来识别损伤。仿真算例表明:利用角度位移振型比平动位移振型识别损伤的效果更好、精度更高。     

基于LC理论和概率神经网络的损伤识别

本文提出了结构健康监测中一种新颖的方法用于时变系统的损伤识别,选取FS-TARMA(函数基时变自回归移动平均)时间序列模型应用于一种随机振动信号中,这种振动信号在时变系统中用来估计TAR/TMA参数和创新方差。基于一种特征值分解技术,被估计的TAR/TMA参数和创新方差能够为损伤估计提供更多信息和数据,从而形成了一种新的理论LCs(潜在成分)。LCs被组合和分解成数值,接着输入概率神经网络中进行损伤识别。将这种新方法用于三自由度时变系统中进行评估,根据质量和弹簧刚度的降低来模拟不同级别的损伤。这种方法能够找出系统参数的时变性质和质量及刚度变化引起的损伤级别。结果表明:使用这种方法,与其他的非降维和普通的特征提取方法相比,识别的成功率有相当大的提高。