叶片振动可靠性评估方法研究

提出一种用于发动机叶片振动可靠性评估方法,该方法基于叶片共振转速图（Ｃａｍｐｂｅｌ）,引入概率故障树ＰＦＴＡ（ＰｒｏｂａｂｉｌｉｔｙＦａｕｌｔＴｒｅｅＡｎａｌｙｓｉｓ）概念,改善了传统评估方法。其目的是为发展叶片共振识别和可靠性评估的有效方法。在Ｃａｍｐｂｅｌ图上,叶片共振系统定义由工作转速点和附近的多个共振点组成。利用ＰＦＴＡ分析该系统能获得更多的叶片振动信息。该方法发展了常规的叶片振动可靠性设计方法,为叶片设计和叶片振动疲劳排故中改善叶片振动特性提供有益的工程评估方法。     

涡轮泵转子的临界转速研究──(Ⅰ)均匀支承转子临界转速的传递矩阵法

根据转子振动时的受力和位移状况,分别导出轴,盘和支承的传递矩阵,再根据转子的结构布局导出频率和振幅等的计算方程,可求得转子的各阶临界转速及振幅,传递矩阵法对转子的不同布局方案运用十分方便灵活,还给出了减振阻尼,支承弹性的组合刚度计算方法,计算表明,支承的弹性,阻尼和质量对转子的振动特性（临界转速和振幅）有重大影响,转子与支承的匹配对转子的振动特性能起调节控制作用。     

动态测试实时误差的灰色预测及其精度估计

将灰色预测应用于可重复动态测试过程,根据可重复动态测试的特点,采用统计方法有效地减小随机误差的影响,用其平均值建立预测模型,并对产生预测误差的各种因素加以分析,采用统计所得的各点方差值建立预测值精度的估计模型。实例证明,误差预测模型及精度估计模型都具有较好的效果。     

基于深度学习的航天器位姿估计研究进展

从在轨应用角度出发,对近年来基于深度学习的航天器位姿估计相关研究成果进行了综述。首先,对基于传统特征提取方法的航天器位姿估计研究进展与局限性进行了归纳梳理。在此基础上,引出基于深度学习的航天器位姿估计的重要意义,并聚焦公开比赛、数据集、姿态估计方法、开源模型等方面阐述基于深度学习方法在当前和未来的关键问题与解决途径。最后,从数据集逼真度、模型可部署、多任务域适应3个维度给出了相应关键技术后续发展的方向与思路。     

多重信号分类算法用于通信信号测向的仿真分析

多重信号分类(MUSIC)算法是空间谱估计技术的重要方法.对该算法应用于通信信号测向进行了仿真分析.结果表明,在理想的低噪声环境下,该算法具有很高的测向精度与测向分辨率,但是该算法对入射信号波长的不一致性或变化非常敏感;而在有限的信噪比下,该算法的测向精度显著下降,且其因信号源数估计算法性能下降而容易出现漏警.因此,抑...     

基于聚类与粒子群极限学习机的航空发动机推力估计器设计

针对航空发动机推力不可测,部件级模型求解推力精度不高、实时性差的问题,提出了基于快速寻找密度极点聚类与粒子群极限学习机的航空发动机推力估计方法。首先利用基于快速寻找密度极点的聚类算法对全工况范围内的台架试车数据聚类,然后在每一个子类中,用粒子群极限学习机设计了子推力估计器。在子类推力估计过程中,为使网络拓扑结构最优,用粒子群算法寻找极限学习机的最优隐层神经元数目的方法。训练与测试表明,推力估计测试相对误差最大值为3.06‰,优于传统的RBF(7.25‰)与BP(14.84‰)神经网络方法,能够满足直接推力控制与机载在线实时状态评估的需求,且可将方法扩展到其他不可测参数的估计。     

基于局部应力法的 Bayes -神经网络舵板寿命预测

舵板是某水下航行体的关重件,为预测其使用寿命,文章建立了舵板航行体的计算域模型,通过仿真并运用局部应力应变法,计算出舵板在特定环境应力下的寿命;利用贝叶斯估计的先验知识以及神经网络,联合预测出舵板在不同的环境应力下的使用寿命。     

基于ap-Welch的随机角振动信号的 频谱估计方法研究

在转台的随机角振动试验中,频谱估计的精度是一个非常重要的指标,直接影响到频谱复现的精度.在分析经典的频谱估计方法的基础上,提出了一种基于ap-Welch频谱估计(基于全相位预处理的Welch频谱估计)的方法,从理论上证明了其比Welch频谱估计法具有更强的旁瓣抑制作用.仿真实验结果表明,ap-Welch频谱估计法能够有效提高频谱估计的精度,而且随着全相位阶数的增加,频谱估计的收敛特性也随之改善.     

分布式数字相控阵通道一致性校准方法

基于分布式数字相控阵通道一致性校准需求,提出了一种新的有效解决方法。首先基于时域相干的时延估计算法纠正通道间时延差,而后利用基于最小二乘拟合的频域均衡算法实现通道间幅相一致性校准。利用MATLAB平台进行仿真分析,结果表明,利用此方法校正后,失配通道与参考通道在通带内的幅度差值在0.015d B内,相位差值在0.1°内,有效地实现了通道间一致性校准作用。该方法已成功应用于实际工程项目中。     

基于极化敏感阵列的高效DOA与极化参数联合估计算法

提出一种基于极化敏感阵列的二维波达方向(DOA)和极化参数联合估计算法.首先建立入射信号模型,然后利用重构的x轴、y轴、z轴阵列导向矢量之间的关系计算出入射信号的DOA和极化参数的无模糊粗估计值;同时根据重构阵列导向矢量内在的旋转不变结构估计出x轴和y轴空间相移因子,得到入射信号的高精度无模糊DOA估计.最后利用粗估计精估计相结合的方式进行解模糊,进而完成DOA估计.算法允许阵元间距大于入射信号的半波长,扩展了有效阵列孔径,提高了算法的测向精度.此外,算法避免了复杂的四维谱峰搜索,具有较低的运算复杂度.仿真实验结果验证了算法的有效性和良好的估计性能.