基于弹性小波神经网络的故障诊断研究

航空电源系统是机上设备的重要组成部分,任意一个环节出现故障,将会影响整个飞机系统的正常安全运行。针对神经网络收敛速度慢,易陷入局部最小的缺点,将小波神经网络结合弹性BP算法应用到电源系统故障诊断中。训练过程及仿真结果表明：小波神经网络故障诊断算法收敛时间方面表现更优,具有较高故障诊断率。     

EMD和SVM在刀具故障诊断中的应用

与传统方法相比,声发射传感器在刀具故障诊断方面有很大的优势。将声发射传感器应用于刀具切削过程中,提出了基于经验模态分解（EMD）和支持向量机（SVM）的刀具故障诊断方法。该方法首先对标准化的声发射信号进行经验模态分解,将分解后的有限个固有模态函数（IMF）通过一定的削减算法增强故障类型特征,把每个IMF和残余项的能量以及整个信号的削减比作为特征向量,最后将特征向量输入支持向量机进行训练和测试,判断刀具的故障类型。通过对某一刀具的故障诊断结果进行分析,验证了该方法的实用性和有效性。     

复合材料构件设计、分析、制造一体化

给出了复合材料构件一体化研制环境基本要素和一体化研制流程,并对几项关键技术进行了探讨。复合材料构件数字化定义包括几何建模和材料结构建模,总结了建模过程和数据的组成。根据当前复合材料构件分析无法基于最终真实纤维路径进行的现状,总结了接口数据的内容和组织,探讨了通过纤维路径数据到有限元网格的自动映射实现材料铺放数据的自动传递。研究了设计到自动下料系统和激光投影系统的接口数据和集成方式。     

基于二叉树支持向量机的装备故障诊断研究

本文提出了一种基于二叉树支持向量机的某型装备故障诊断方法,应用该方法构造了多故障分类器,并通过某型装备故障实例验证了该方法故障诊断结果的正确性,证明了该故障诊断方法具有良好的鲁棒性和推广性。     

发动机试车气路故障诊断系统的设计与应用

以发动机整机试验数据为研究对象,建立了一套发动机试车气路故障诊断系统.首先阐述了该系统的设计功能和总体流程逻辑;使用故障模式法和调整模式法建立了气路部件故障诊断和优化调整模块;然后以一个双轴分排涡扇发动机为例,针对气路部件故障诊断和优化调整给出了考虑噪声的数值试验分析.最后就该系统的发展进行了讨论.      

一种基于知识推送的故障诊断系统

分析了基于知识的故障诊断,针对现有系统不能主动将知识在适当的时候传递给决策者的缺点,提出了一种基于知识管理的、以数据流驱动的、知识主动推送的故障诊断系统的体系结构,分析了其主要层次结构及知识的组织和管理,提出了以数据流驱动的知识主动推送方式.建立了知识主动推送的控制模型,开发了知识管理和数据流驱动的集成原型系统,并以液体火箭发动机试车台的故障诊断为例,实现了基于知识推送的故障诊断系统,后续实验证明了该方法的有效性.      

基于小波神经网络的齿轮系统故障诊断

通过对齿轮系统在不同的运转状态下不同的故障类型进行试验测试分析,获取了有关的测试信号,对振动特征信号进行了小波阈值去噪,采用离散小波变换(DWT)对去噪后的信号进行8层分解处理,对各层的小波系数进行了小波重构,得到8层细节信号和1层近似信号,并计算了各层信号的能量,得到了信号的能量分布特征.在此基础上把各层信号特征作为神经网络的输入,进行了网络的研究、分析处理和故障分类,并对小波神经网络方法与单独采用神经网络方法的故障诊断结果进行了比较评价.研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波神经网络诊断方法,对于齿轮无故障、齿根裂纹故障、分度圆裂纹故障和齿面磨损故障能够进行很好地区分与诊断,其诊断成功率均在95%以上,可对实际工程工作的齿轮系统进行故障诊断.      

CCSDS高级在轨系统协议及其应用介绍

首先简要回顾了CCSDS(空间数据系统咨询委员会)AOS(高级在轨系统)建议及其在空间数据系统信息交换和处理方面的优势,然后介绍了继载人航天飞船有效载荷数据管理系统、"实践"五号卫星及双星探测计划之后,中国科学院空间科学与应用研究中心在"嫦娥"卫星、月球车综合电子演示系统、百兆级高速多路复接器及"萤火"一号探测器上开展CCSDS AOS应用研究的新进展。     

深空通信中继文件传输协议设计

深空通信极远的传输距离导致链路误码率高,使文件的可靠传输需要较多的重传次数,而其传播时延长的特点,进一步加大了文件传输时延。研究以CCSDS(空间数据系统咨询委员会)文件传输协议的存储-转发机制,提出一种R-CFDP(中继型CFDP协议),设计了3种中继"存储-转发"策略,并数学建模推导了R-CFDP协议的文件传输时延理论计算式。仿真证明R-CFDP协议相对于CFDP(CCSDS文件传输协议)协议在传输时延方面具有优势。     

基于LMD的包络谱特征值在滚动轴承 故障诊断中的应用

滚动轴承故障振动信号往往是多分量的调幅-调频信号,而传统包络分析方法需要根据经验设置滤波器的中心频率与带宽,因而会带来解调误差.基于此,提出了一种基于局域均值分解(local mean decomposition,简称LMD)的包络谱特征值的滚动轴承故障诊断方法.该方法可以将一个多分量的调幅-调频信号分解成若干瞬时频率具有物理意义的PF (product function,简称PF )分量之和,由于每一个PF分量是分量包络信号和纯调频信号的积,因此可以直接对包络信号进行频谱分析得到包络谱.然后定义信号在包络谱中不同故障特征频率处的幅值比为包络谱特征值,并以此作为特征向量输入到支持向量机分类器中,用以区分滚动轴承的工作状态和故障类型.对滚动轴承正常状态、内圈故障和外圈故障振动信号的分析结果表明了该方法的有效性.