航天发射系统运行安全性评估研究进展与挑战

航天发射作为人类太空活动最为基础和最为重要的环节之一,是评判一个国家综合国力的重要指标,而航天发射系统运行安全性评估作为现代航天发射控制指挥与决策系统的核心,是保证航天发射安全运行的基础.首先,本文概述了现代航天发射系统,简要回顾了系统安全性研究发展历程,阐述了航天发射系统运行安全性评估的内涵.其次,通过综述航天发射系统运行故障检测与诊断、异常运行工况识别、运行过程安全分析与预测、安全性动态评估技术等方面的研究现状的基础上,总结出了航天发射系统运行安全性评估面临着系统极度复杂、决策风险性极大、先验信息少以及评估结果要求高准确性与实时性等方面的挑战.最后,本文对航天发射系统运行安全性评估有待研究的基础前沿问题进行了思考.     

航天发射场供气系统健康管理技术

针对新一代航天发射场采用全新的在线供气模式,难以有效评估单样本设备健康状态的问题,提出一种基于隐马尔可夫的设备健康状态管理与预测方法。首先,利用设备监测数据构建隐马尔可夫健康状态评估模型,通过对不同观测序列与不同观测次数下的预测准确率进行仿真,确定出最优的模型参数;其次,把实时数据代入模型,根据模型的计算结果取最小值,从而判断出设备的健康状态;最后,将当前数据与历史数据进行拟合,预测出系统的安全可靠寿命。经实际检验,该方法有效解决了单样本多状态设备的健康评估。     

基于GLCT及CPA-SVM的变转速齿轮泵健康状态分类研究

针对齿轮泵变转速工况,提出广义线性调频小波变换(Generallinearchirplettransform,GLCT)和食肉植物算法(Carnivorous plant algorithm,CPA)优化支持向量机(Support vector machines,SVM)相结合的齿轮泵健康状态分类识别方法。首先选取4组磨损量不同的轴套,利用改造试验台采集不同状态下齿轮泵的振动信号;然后,引入GLCT时频分析方法消除转速变化的影响,提取瞬时旋转频率,进行角度域重采样,提取角度域中峰值指标、脉冲指标、峭度指标,与阶次谱方均根值、阶次域阶次幅值作为特征参数;最后,引入CPA对SVM两个参数c和g优化的分类方法,进行齿轮泵的健康状态进行分类识别,为了进一步验证算法有效性将其与SVM和极限学习机(Extreme learning machine,ELM)两种方法进行比较。结果表明,提出的分类方法平均准确率可达93.75%以上,能有效提高分类识别准确率。     

加工沟痕对某特氟龙软管失效行为影响研究

针对某品牌特氟龙软管在使用过程中发生多起漏油故障，从服役环境、材质和制造质量进行分析，检查发现，失效软管内衬成分为聚四氟乙烯，内管内表面存在加工沟痕。选择同批次软管进行试验，结果表明：内表面加工沟痕形成结构上的薄弱位置，受内压或外载作用出现开裂贯穿，导致软管漏油失效；复杂的服役环境加速了这一故障过程的发生。     

基于网络演算的网络故障检测方法

在计算机网络系统中,由于存在外界攻击,设备寿命有限等原因,网络设备不可避免地会发生故障.本文提出了一种基于网络演算的故障检测方法,并证明了该方法能在确定的时延范围内检测出网络中节点发生故障及恢复正常的时间,以及节点的故障种类.在仿真算例上测试发现,本文的方法能及时检测出节点故障和正常的时间,且检测的平均准确率比当前常用的基于LSTM的方法高很多.     

比例控制回路压力补偿分析

针对带压力补偿功能的比例控制回路中传统单级补偿阀弹簧可调性差引发流量控制方式单一的问题,研究一种基于变压差压力补偿原理的比例控制手段。以一种带新型变压差压力补偿单元的马达控制回路为研究对象,针对控制回路进行仿真,获取仿真环境下比例控制阀流量及压力的变化规律,揭示负载发生变化时,带变压差压力补偿单元的比例阀控制回路系统的抗干扰特性和调速机制。最后比对实验结果并对仿真模型的正确性进行验证。结果表明：研究的变压差压力补偿回路相比传统单级压力补偿回路性能更优,可通过调节压力补偿阀先导元件的设定值使比例控制回路拥有更大的流量调节范围。     

电磁换向阀铁芯管开裂故障分析

针对某大型钢结构液压系统发生多起电磁换向阀铁芯管开裂故障,从阀件工作压力、服役环境和产品质量3个方面进行故障机制分析,通过平台动作过程中T口压力检测和铁芯管开裂特征材料失效分析,找出故障原因。结果表明:回油调速导致阀控箱内回油管实际压力大于阀件T口允许工作压力,并最终导致故障发生。     

深度学习在故障诊断领域中的研究现状与挑战

现代工业系统已呈现出向大型化、复杂化的方向发展,使得针对工业系统的故障诊断方法遇到一系列的技术难题.近年来,深度学习(deep learning)在特征提取与模式识别方面显示出独特的优势与潜力,将深度学习应用于解决复杂工业系统故障诊断的研究已初现端倪.为此,首先介绍几种典型的基于深度学习方法实现工业系统故障诊断方法;然后对基于深度学习实现故障诊断的主要思想和建模方法进行描述;最后总结和讨论了复杂工业系统故障的特点,并探讨了深度学习在实现复杂工业系统故障诊断方面所面临的挑战,展望了未来值得继续研究的方向.