基于MATLAB的异步电机直接转矩控制系统仿真研究

利用MATLAB所提供的电气系统模块库Simulink构造一个异步电机直接转矩控制系统,对系统的相关子模块进行了较为详细的介绍,并给出具体的结构图。并根据此系统制作一个基于直接转矩理论的电机控制器。     

收敛-扩张喷管中运用激波矢量控制法的计算研究

采用二阶TVD格式的有限体积法耦合RNG k-ε湍流模型和非平衡壁面函数求解二维守恒型雷诺平均N-S方程，数值模拟了运用激波矢量控制法的二维收敛一扩张喷管中的流动现象，很好的模拟出了由于次流喷射所产生的激波及上下壁面的压力分布，并将计算结果与国外的实验结果进行了对比。     

球面收敛二元扩张矢量喷管热射流特征的实验研究

为了获得球面收敛二元扩张矢量喷管热射流特征，在小型热射流实验台架上运用红外热像显示和流场测量，在总温673～823K、喷管落压比(NPR)1．46～2．25状态下，对不同喉道宽高比、俯仰角和偏航角的热射流特征进行了实验研究。在本研究范围内，NPR对矢量喷管上壁面附面层流动影响不大；在扩张上壁附面层分离的情况下．壁面附近的流线被上抬，形成“马鞍”形异型总压分布；喷121出121下游的激波呈现一连串的“葫芦”状，随喷管矢量角的增大，流场的不对称性越明显；在收扩喷管喉道宽高比（ARi）为2时，热射流被分成两股。     

支持向量机在航空发动机故障诊断中的应用

提出了一种基于支持向量机的航空发动机故障诊断方法。该方法在利用恰当的工具或方法提取到发动机故障的特征信息之后,采用支持向量机对特征信息与故障模式进行关联,实现故障模式的分类。该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广能力,将其应用于某型发动机的故障诊断中,取得了较好的效果。该方法尤其对于新型发动机的故障诊断具有一定的参考价值。      

网络化制造资源状态估计研究——基于主成分分析（PCA）和加权支持向量机（WSVM）

针对网络化制造资源配置受多因素影响,变化趋势复杂,难以用单一预测方法进行有效预测的问题,提出一种新的基于主成分分析和加权支持向量机的智能混合预测模型。模型首先使用主成分分析弱化数据序列波动性,然后借助加权支持向量机在处理小样本和模糊神经系统处理非线性模糊信息的优点,进行趋势预测。研究结果表明,所提出的模型能有效地提高状态估计方案的可行性,为网络化制造资源状态估计的在线实施提供了方便。     

喷管气动参数对推力矢量影响的数值模拟

以二元收扩喷管为对象,开展了基于二次流喷射的流体推力矢量技术研究。基于CFD技术,分析了激波矢量控制技术实现推力矢量的机理。重点分析了喷管落压比NPR,二次流总压比SPR,自由流马赫数Ma∞对流体推力矢量性能的影响。数值模拟结果表明:推力矢量的大小与斜激波的位置、角度以及流动分离区的大小有关。在所计算的参数范围内,推力矢量随喷管主次流的变化规律是:推力矢量角随NPR的增大逐渐减小;随SPR的增加,推力矢量角单调增加;在大落压比时,自由流马赫数对推力矢量的影响是有限的,而在低落压比时,自由流马赫数增加,推力矢量角减小。     

二次流喷射位置对流体推力矢量喷管气动性能影响的数值模拟

数值模拟了二次流喷射位置对基于激波控制的二维收-扩(2DCD)喷管的流体推力矢量气动性能,结果表明喷射位置对矢量角有较大影响,在喷管落压比NPR=4.5时,二次流喷射位置相对位于喷管发散段中部时,矢量角最大;在NPR≥7.2时,二次流喷射位置越靠近出口,矢量角越大.喷射位置对推力系数及流量系数的影响不大.      

军用飞机维修保障费用机器学习预测方法

介绍了军用飞机维修保障费用预测方法。确定影响费用值的元素为说明性变量,应用BP人工神经网络和支持向量回归估计（Support Vector Regression,SVR）理论模型,以及收集到的维修保障费用数据进行了训练并对某型飞机的维修保障费用进行了预测,将预测结果与实际费用值进行了对比,并将神经网络预测方法、支持向量机方法和其它预测方法进行了比较。     

不同矢量偏角下二元喷管内流特性的数值研究

应用多重网格MacCormack显式格式对不同矢量角下二元喷管的内部流动进行了模拟分析。计算时, 在细网格上采用了雷诺平均N-S方程与k-ε湍流模型方程;在粗网格上则采用Euler方程。数值计算给出了较清晰的流谱, 壁面压力分布的计算也与实验结果相吻合。通过计算结果分析了矢量喷管几何参数对流场的影响, 并对矢量喷管的推力特性进行了数值研究。      

基于支持向量经验模态分解的故障率时间序列预测

 针对故障率时间序列的非线性与非平稳特性,提出一种基于支持向量经验模态分解(SVEMD)的预测方法。首先,将故障率时间序列分解为多个固有模态函数(IMF)与一个余量(RF),利用最小二乘支持向量机(LSSVM)预测时间序列两端的局部极值点,以抑制传统经验模态分解(EMD)的边缘效应;同时以LSSVM回归方式形成包络线,以取代传统EMD中的三次样条插值;然后,建立各IMF与RF的预测模型;最终,将各IMF与RF的预测结果相加以获得故障率时间序列的预测结果。仿真结果表明,该方法的预测精度较传统基于EMD的预测方法与单一预测方法有显著提高,可实现对故障率的准确预测。