Arcadia建模方法与SysML建模方法比较研究

基于模型的系统工程与传统系统工程相比,有着形象化、具体化、沟通效率高等多种优势。基于系统建模(System Modeling Language,简称SysML)语言进行建模用途广泛,但是通过实践,针对系统架构和系统运行场景分析,基于Sys ML的建模方法特点并不突出。而Arcadia的基于模型系统工程建模有着简单、清晰等特点,对于系统架构和系统定义均有着Sys ML所不具备的特点。通过系统设计的目标与特点,对基于Sys ML的建模方法和Arcadia方法进行比较研究和实践,总结两种方法在基于模型的系统工程领域中的优劣。

基于小波包分解和RBF神经网络的民机液压泵源故障诊断研究

液压泵源是民机液压系统的动力部分,对于民航飞机飞行的安全起着重要的作用。由于民机液压泵结构复杂,故障机理繁多,因此其故障诊断难以用常规方法实现。提出了基于小波包分解和RBF神经网络的民机液压泵源故障诊断方法。采集民机液压泵轴向和径向的振动信号,利用小波包分解将振动信号进行分解,得到的各频带信号的能量作为神经网络的输入。经过RBF神经网络的计算以实现民机液压泵源的故障诊断。

飞机锂电池健康管理方法研究

2013年Boeing 787因电池安全原因停飞以后,锂离子电池健康管理越来越受到工程领域和学术研究关注,锂离子电池容量退化现象是不可避免的现象,电池健康管理领域研究的主要内容是电池寿命预测方法。在本文中,我们提出了一种基于数据驱动的方法,它结合了最小方差支持向量机和逻辑回归方法,实现了对电池寿命退化预测精度的改善。

基于强跟踪粒子滤波方法的锂离子电池寿命预测

锂离子电池寿命预测是电池预测与健康管理领域研究的重要方向,精确的电池寿命预测可以增强电池的可靠性,使用电设备的使用得到合理规划。在本文中,我们使用了强跟踪粒子滤波方法来逼近锂离子电池剩余寿命预测过程的非线性和非高斯过程,预测电池的剩余寿命,在局部实现了对电池寿命退化曲线跟踪效果的提升。

航空发动机转子故障特征提取方法研究

航空发动机的转子系统扮演着重要的角色,如果在运行过程中出现预期之外的故障会造成严重的后果。为了预防这类事件,采用转子的振动信号作为目标信号,对振动信号进行智能基函数分析,采用支持向量机分类器测试所提取的智能特征。实验表明,该方案的分类精度达到95.6%,是针对航空发动机转子系统故障诊断的一种有效的特征提取方法。

基于平移不变性稀疏编码的滚动轴承故障诊断

滚动轴承在工业领域中扮演着重要的角色,为了预防故障发生,文章引入了平移不变性稀疏编码作为一种特征提取技术用于滚动轴承故障诊断,利用平移不变性稀疏编码对振动信号进行分析,采用分类器用于测试所提取的稀疏特征。实验表明,该方案达到了较高的分类精度,是针对滚动轴承故障诊断的一种有效的特征提取方法。