第六届全国民用碳纤维复合材料学术会议简讯

由国家建材局科技委和军工办联合主持召开的第六届全国民用碳纤维复合材料学术会议于1992年7月15日至19日在黑龙江省五大连池市召开。国家建材局科技委、军工办及化工部军工办有关领导,国家建材局、化工部、冶金部、航空航天部、科学院及教委等部委所属的科研院所、生产厂家的专家与代表共51名出席了会     

基于ZP-FFT提高雷达检测性能的仿真分析

当目标的多普勒频率与FFT滤波器组不精确匹配时,信号单元的部分能量会产生泄漏。提出了对FFT输入信号进行零填充(Zero-Padding,ZP)的ZP-FFT方法,并推导了相应的处理增益(Processing Gain,PG)公式。与FFT、FFT-DWT (Discrete Wavelet Transform)和FFT/FFT-DWT相比,ZP-FFT在保持较低运算量的同时提高了PG值。仿真结果进一步表明, ZP-FFT在整个频率范围上有比其它三种方法更好的检测性能。     

清洁、高效、节能铜阳极炉生产实践

介绍金隆铜业一号阳极炉、三号阳极炉分别应用稀氧燃烧技术(DOC)和重油乳化技术,以提升其燃料燃烧效率,减少废气排放;并在一号阳极炉成功应用透气砖技术,增强熔体搅拌力度,改善氧化还原反应动力学条件,提升阳极炉冶炼反应速率,以达到低碳节能高效。     

改进的机载阵列调频连续波合成孔径雷达前视成像方法

机载阵列前视合成孔径雷达(SAR)信号模型中忽略载机速度会影响成像。针对该问题,在调频连续波(FMCW)SAR信号模型中考虑了载机速度,分析了载机速度的影响和载机连续运动引入的多普勒频率偏移的特点,结合Frequency Scaling算法,研究了机载阵列FMCW SAR前视成像。成像仿真和性能参数分析表明:改进方法可精确实现载机运动条件下的FMCW SAR前视成像。     

西安国际展览中心结构设计

西安国际展览中心是西安市政府重点工程 ,西安商贸城的标志性建筑。该工程屋盖为大跨度斜拉索钢屋架 ,下部为大柱网预应力混凝土框架 抗震墙结构 ,钢筋混凝土灌注桩基础 ,设计中融合了多种结构新技术。详细阐述了有关设计要点及成果 ,对同类工程设计具有重要的参考价值。     

纤维缠绕设备的创新和发展

本文介绍了芯模、树脂浸胶槽、挂线环等纤维缠绕设备的创新型发展,并重点介绍了多绕丝嘴缠绕系统和模块化虹吸预浸单元的设备对批量生产的重要作用。     

基于FFT-DWT提高MTD检测性能的仿真分析

针对快速傅里叶变换和离散小波变换（FFT-DWT）方法中的小波选取进行讨论,比较了FFT输出信号在不同小波的5种信号边界延拓模式下的处理增益（PG）值,得到了FFT-DWT方法中适应不同小波的最优边界延拓模式,分析了daubechies, symlets, coiflets, biorthogonal, reversebior和dmeyer小波在最优延拓模式下的PG值,得到了适应FFT/FFT-DWT的最优小波（Haar小波）.从简化设备的角度,提出了只用FFT-DWT进行处理的方法,并给出适应该方法的最优小波（零延拓模式下的db2小波）,比较了FFT/FFT-DWT方法和FFT-DWT方法在不同情况下的检测概率曲线,结果表明FFT-DWT方法在简化设备的同时保持了较好的检测性能.     

基于VMD-EEMD-LSTM的涂层型关节轴承剩余使用寿命预测方法

涂层型关节轴承由于其结构紧凑且具有较好的摩擦性能，在航天航空设备领域有广泛的应用前景，对其剩余使用寿命(Remaining useful life,RUL)进行有效预测，能够为设备的维护提供一定的理论依据。因此，提出了一种基于变分模态分解(Variational mode decomposition,VMD)、集成经验模态分解(Ensemble empirical mode decomposition,EEMD)以及长短期记忆神经网络(Long Short-term memory neural network,LSTM)模型的剩余使用寿命预测方法。首先，利用VMD以及EEMD对轴承摩擦扭矩信号进行特征提取，并根据时间相关性进行特征筛选，得到相关性较高的3组特征序列，对筛选出的特征进行相对归一化处理作为模型输入，减小不同工况下摩擦扭矩幅值变化带来的影响；最后，选择超参数优化区间对LSTM进行贝叶斯优化，得到贝叶斯优化-LSTM模型，对涂层型关节轴承的RUL进行预测。研究结果表明，该预测模型融入了能够表征涂层型关节轴承退化信息和寿命衰减的多个信号特征，对不同工作载荷下的轴承均有较高的RUL...     

基于LSTM网络的IISPH流体仿真方法

传统基于物理方程的IISPH流体仿真模型有计算量大、耗时等缺点，对此提出一种基于LSTM神经网络的IISPH流体仿真方法，通过神经网络回归非线性物理模型得到LSTM模型并作为流体仿真的数据驱动项。首先，使用IISPH方法物理求解器获取一次迭代过程中压力项前后的数值，设计一个特征向量作为神经网络的输入，用来训练神经网络模型；然后将该模型替换原有方法中压力项计算方式，作为新的数据驱动，来预测所需要的压力加速度；最后，通过对BP神经网络、随机森林等传统机器学习方法试验对比，LSTM在大幅度提高速度同时，准确度最高。试验证明，与传统方法相比，基于LSTM的流体的IISPH方法在降低极小准确度情况下，速度得到大幅度提升。