在实现e^(N)方法时,需要搜索流场中的不稳定波,并大量求解当地边界层的稳定性问题,因此为高效求解当地边界层的不稳定波参数,提出了一种基于神经网络的线性稳定性分析方法(neural network-based linear stability analysis,NNLSA)。采...在实现e^(N)方法时,需要搜索流场中的不稳定波,并大量求解当地边界层的稳定性问题,因此为高效求解当地边界层的不稳定波参数,提出了一种基于神经网络的线性稳定性分析方法(neural network-based linear stability analysis,NNLSA)。采用卷积神经网络给出最不稳定波频率ω、展向波数β、流向波数αr和增长率σmax的初值对,再通过迭代法计算失稳扰动波的实际空间失稳波数和增长率。使用平板数据集训练神经网络模型,并利用平板和尖锥算例对NNLSA方法的准确性和计算效率进行验证。结果表明:神经网络部分对不稳定波参数的预测结果与线性稳定性理论的计算结果吻合较好;LSA部分可根据神经网络提供的预测值,通过迭代法找到最不稳定波;NN-LSA方法的求解效率较高,求解时间比全局搜索方法约低20~50倍,大大减小了人为因素在计算过程中的影响。本文提出的NN-LSA方法可以实现自动分析边界层流动的线性稳定性,具有一定的应用潜力。展开更多
低截获概率(low probability of intercept,LPI)雷达信号凭借其卓越的抗截获能力,在现代电子战中得到了广泛应用。但LPI雷达信号的低峰值功率使其极易被加性白高斯噪声(additive white Gaussian noise,AWGN)淹没,导致信噪比(signal-to-n...低截获概率(low probability of intercept,LPI)雷达信号凭借其卓越的抗截获能力,在现代电子战中得到了广泛应用。但LPI雷达信号的低峰值功率使其极易被加性白高斯噪声(additive white Gaussian noise,AWGN)淹没,导致信噪比(signal-to-noise ratio,SNR)较低,给信号的检测和识别带来了极大的挑战。为了从AWGN背景中提取原始LPI雷达信号,本文提出了一种名为LPI-U-Net的深度神经网络(deep neural network,DNN),用于端到端的时域LPI雷达信号增强。该网络由特征提取模块(feature extract module,FEM)、特征聚焦模块(feature focus module,FFM)和信号恢复模块(signal recover module,SRM)组成。首先FEM通过卷积操作提取信号的特征,然后FFM利用卷积和通道间注意力进一步关注对信号增强任务有利的特征,最后SRM利用反卷积操作从特征中重构信号,从而完成LPI雷达信号增强。仿真实验表明LPI-U-Net在低SNR下的LPI雷达信号增强性能优于传统信号处理中典型的降噪方法,验证了其可行性和有效性。展开更多
航空发动机结构与系统的复杂性导致轴承的故障诊断方法通常面临特征提取与模式识别的困难。针对以上不足,考虑实际工程诊断的实时性与准确性,提出了一种新的基于转子位移概率密度信息(probability density information of rotor displac...航空发动机结构与系统的复杂性导致轴承的故障诊断方法通常面临特征提取与模式识别的困难。针对以上不足,考虑实际工程诊断的实时性与准确性,提出了一种新的基于转子位移概率密度信息(probability density information of rotor displacement,PIRD)的航空发动机轴承智能故障诊断方法。其主要对一维卷积神经网络(1-dimensional convolutional neural network,1DCNN)模型进行改进,在传统的卷积层前面增加了PIRD的提取层,可以提取转子振动位移信号的概率密度信息,有效地降低了数据的冗余度,同时保留了故障监测的重要指标。提出的PIRD-CNN诊断模型保留了1DCNN端到端的故障诊断优势,将该模型在航空发动机试验台产生的轴承故障数据进行测试,其对轴承故障诊断精度可达96.58%,与基准研究相对比表明,PIRD-CNN能够快速且更加精准地诊断航空发动机轴承的故障。展开更多
文摘在实现e^(N)方法时,需要搜索流场中的不稳定波,并大量求解当地边界层的稳定性问题,因此为高效求解当地边界层的不稳定波参数,提出了一种基于神经网络的线性稳定性分析方法(neural network-based linear stability analysis,NNLSA)。采用卷积神经网络给出最不稳定波频率ω、展向波数β、流向波数αr和增长率σmax的初值对,再通过迭代法计算失稳扰动波的实际空间失稳波数和增长率。使用平板数据集训练神经网络模型,并利用平板和尖锥算例对NNLSA方法的准确性和计算效率进行验证。结果表明:神经网络部分对不稳定波参数的预测结果与线性稳定性理论的计算结果吻合较好;LSA部分可根据神经网络提供的预测值,通过迭代法找到最不稳定波;NN-LSA方法的求解效率较高,求解时间比全局搜索方法约低20~50倍,大大减小了人为因素在计算过程中的影响。本文提出的NN-LSA方法可以实现自动分析边界层流动的线性稳定性,具有一定的应用潜力。
文摘航空发动机结构与系统的复杂性导致轴承的故障诊断方法通常面临特征提取与模式识别的困难。针对以上不足,考虑实际工程诊断的实时性与准确性,提出了一种新的基于转子位移概率密度信息(probability density information of rotor displacement,PIRD)的航空发动机轴承智能故障诊断方法。其主要对一维卷积神经网络(1-dimensional convolutional neural network,1DCNN)模型进行改进,在传统的卷积层前面增加了PIRD的提取层,可以提取转子振动位移信号的概率密度信息,有效地降低了数据的冗余度,同时保留了故障监测的重要指标。提出的PIRD-CNN诊断模型保留了1DCNN端到端的故障诊断优势,将该模型在航空发动机试验台产生的轴承故障数据进行测试,其对轴承故障诊断精度可达96.58%,与基准研究相对比表明,PIRD-CNN能够快速且更加精准地诊断航空发动机轴承的故障。
