一、Wavelet analysis of helicopter noise signal（论文文献综述）
张鹏[1]（2021）在《基于磁记忆检测的输气管道缺陷识别诊断技术分析》文中研究说明近年来,大口径、高压力的输气管道在我国相继建设,如果输气管道在建设和运行中出现缺陷而不能及时识别和处理,那么这些管道的安全运行将面临着,非常巨大的挑战,严重时甚至造成管道介质泄漏,引发爆炸等灾难性事故。如果能够及时准确识别输气管道的缺陷,就能及时采取相关措施,将管道缺陷解决在萌芽之中,确保输气管道不发生严重的安全事故。本文基于金属磁记忆检测技术,对西部某在役输气管道的进行了缺陷识别进行了实验研究。具体的研究内容如下:首先对输气管道事故多发的原因进行了总结分析,其次磁记忆检测机理进行了分析研究,基于原理分析和数学推导,提出了磁记忆检测技术在输气管道的缺陷识别应用中的判断准则,并进行了实验验证。其次针对磁记忆检测信号发生的特征及噪声信号的相关特点,通过傅里叶变换和传统小波分析等方法对实验得到的特征信号进行了降躁处理,并针对其不足和缺陷提出一种改进的,引入权重指标的小波阈值分析方法,将其应用在磁记忆检测技术中。最后基于BP神经网络和磁记忆检测技术管道缺陷类别进行了划分,运用该方法对管道缺陷进行了识别和检测,对识别的结果进行了验证。全文研究表明:输气管道事故多发的原因在于埋地管道缺陷精确探测困难,管道运行缺乏备用管线,野外维修作业难度大,地形复杂导致管线安装建设难度大。现有将磁记忆检测技术应用到管道事故诊断中大多只能作定性分析,而不能定量确定判断准则。本文从能量分析的角度,由地磁场和外部载荷入手,结合现有的研究和推导,基于分子场理论对磁记忆检测在管道缺陷识别和事故诊断的判定准则作了定量化的研究。提出在管道的应力集中处,漏磁场法向分量取值的正负性会跃变,且过零的定量化判定准则。实验验证的结果表明该判定准则能够用来判断管道缺陷,但需要进行降噪处理。研究发现傅里叶变化处理、小波分析中的软、硬阈值函数方法等信号降噪方法本身都存在一定缺陷性,运用这几种方法处理的实验结果表明其处理效果无法达到降噪要求。因此引入权重指标,提出一种新的改进型小波阈值的磁记忆检测信号降噪处理方法,并通过实验和理论对其处理效果进行验证,发现改进后的降噪方法均方根误差仅仅为0.317,信噪比达到27.312,其处理效果优于传统小波阈值降噪方法。最后依据管道缺陷裂纹的成核与扩展机理,对管道安全管理状态进行相应的划分为无缺陷状态、应力集中状态、裂纹状态三种状态。设计并训练了适用于磁记忆检测技术在输气管道缺陷识别和事故诊断中应用的BP神经网络,使用训练后的BP神经网络对管道缺陷和事故进行识别和诊断,发现对管道缺陷识别正确率达86.7%,可以有效支撑对输气管道的事故诊断。
姚俊[2]（2020）在《基于声发射技术的齿轮断齿检测研究》文中进行了进一步梳理在机械运行过程中,传动的核心部件齿轮长时间处在高温,重载荷,周期运转的环境中,工作时间累计一定程度以后齿轮运行可靠性差。停机检查影响工作效率,增加不必要的工作,必须针对齿轮研究可以在线检测故障的方法。针对齿轮故障检测中故障特征难以提取的问题,以齿轮声发射信号为研究对象。首先确定了小波分解层数选择了合适的小波基,然后对声发射信号做小波变换。根据断齿前后信号能量谱系数的变化情况来重构信号。最后对断齿的重构信号做频谱分析。结果显示断齿故障特征突出,表明该方法能够有效诊断故障。具体内容安排如下:（1）研究齿轮几种常见的损伤类型,并分析故障原因。分析了多种故障检测方法,将声发射方法作为研究本文信号收集的方法。然后分析了声发射法的检测原理及应用,分析多种信号检测系统并选择最佳一种用于采集本文实验信号,分析了信号的多种处理方法等。（2）构造齿轮的模拟信号,以模拟信号为对象分析信号处理方法,分析了小波变换的缺点与优势。确定小波分解层数,选择适合分析齿轮运转信号的小波基。分析了正常信号的能量谱以便后文与断齿信号做对比。（3）搭建了齿轮声发射信号的收集平台,分别收集齿轮在正常与断齿状态下电机转速为1400r/min、900r/min、600r/min时的声发射信号。首先对其去噪分析,再计算断齿状态下每层信号的能量谱并与正常状态下情况做对比,根据断齿前后能量谱变化来重构信号。最后对断齿的重构信号做频谱分析,可以清楚地显示出故障特征。
叶杨[3]（2020）在《声发射技术在直升机旋翼桨叶损伤识别中的应用研究》文中认为直升机在长期的飞行任务中,旋翼桨叶极易发生细微损伤,其对直升机飞行安全的威胁不亚于那种肉眼可见的严重损伤。声发射检测技术是一种动态无损检测技术,能够实时且有效地检测出材料中正在发生和发展的细微损伤,论文研究基于声发射技术的旋翼桨叶损伤监测的相关技术。主要研究工作及如下:首先,基于NI Compact RIO嵌入式测控系统与Lab VIEW软件平台开发了一套旋翼桨叶声发射信号监测系统,编制了声发射数据采集控制软件和相应用户界面;其次,针对桨叶工作环境下的强背景噪声问题,研究了声发射信号的降噪方法。结合小波变换和独立分量分析各自优点,提出了小波独立分量分析联合去噪算法。与小波阈值去噪对比分析的结果表明,联合去噪效果优于小波阈值去噪;再次,针对损伤声发射信号的特征提取问题,研究了核主成分分析方法,并利用断铅模拟声发射损伤数据,进行了实验验证。结果表明,该方法可显着降低数据冗余;然后,提出了用于损伤定位的2维3点式传感器布置方案,研究了利用支持向量机的分类与回归功能进行损伤定位的方法,并进行了实验验证;最后,根据声发射信号峰值频率与损伤模式的对应关系,研究了对桨叶损伤模式的分类方法。将提取的特征参数输入支持向量机,进行了损伤模式的分类实验,取得了良好效果。
郭洋[4]（2019）在《基于深度学习的声目标识别技术研究》文中指出有效探测识别低空飞行器已成为雷达等传统监控手段亟待解决的问题,而声目标识别凭借全向探测、被动探测和隐蔽性好等诸多优势,在低空飞行器探测识别方面获得广泛的关注和应用。本文以国防和公共安全的实时监控为应用背景,针对直升机这一典型低空飞行器飞行过程中连续识别的准确率和鲁棒性问题,在深入总结和分析直升机声信号产生机理和特性的基础上,对声目标识别中声信号预处理、特征提取和识别等关键技术进行研究,提出基于深度学习的声目标识别框架。为提高连续识别过程的正确率和鲁棒性,本文提出了一种基于复合深度神经网络的直升机声学特征提取和识别框架。复合深度神经网络由卷积神经网络和长短时记忆神经网络以并行结构组合,进行直升机声学特征的优化,完成直升机类型识别。针对直升机声信号特性,本文对卷积神经网络进行了改进,使得该复合深度神经网络在信号短时谱基础上优化声信号特征表征并提取前后帧之间的相关信息,弥补传统声目标识别方法不能充分利用目标信号时间历程信息的缺陷。真实外场实验数据测试结果显示:相较于传统识别方法,该框架显着提升了直升机进入有效探测范围后连续识别的鲁棒性和目标识别正确率。针对直升机声目标识别中环境背景噪声影响识别鲁棒性和正确率的问题,本文提出了一种基于卷积神经网络的直升机声信号预处理框架,并将其与识别框架耦合。该框架利用卷积神经网络映射预处理特征与预处理目标之间的关系,并经实验确定最优预处理特征和目标,且证实其弥补了传统预处理方法破坏声信号谐波结构的缺陷。同时,为进一步提升识别正确率,耦合了预处理模块和识别模块。实验结果证明其可略微提升识别正确率。
吕宏政[5]（2019）在《基于非接触测控系统的直升机旋翼桨叶故障诊断方法研究》文中进行了进一步梳理旋翼作为直升机的显着标志,其是集普通固定翼飞行器机翼、副翼、方向舵、升降舵等部件功能于一身,是直升机上升、悬停、转向等操作力的直接来源。鉴于旋翼桨叶在直升机飞行过程中的重要地位,对其状态进行实时监测,实现在灾难性事故发生前的提早诊断预测,可以提高直升机飞行的安全性,并为飞行后的人工保障、零件替换提供依据和参考。考虑到旋翼桨叶的工作环境,开展基于非接触测控系统的,基于振动信号分析的旋翼桨叶故障诊断方法研究就显得十分必要。论文首先研究了基于振动信号的故障诊断的一般流程,对其中试件的损伤类型,信号分解方法,特征提取方法都进行了研究。其次,通过Ansys有限元软件,对旋翼桨叶进行了模态以及随机振动分析,比较了不同故障情况下桨叶的响应情况。随后,采用无线数据传输的方式完成了对9种不同情况桨叶的振动试验。而为了去除信号中的噪声,利用稀疏表示的方式实现了对加速度信号的自适应降噪。接着在降噪数据的基础上,计算了不同故障情况下桨叶的加速度功率谱密度,并依此完成了对桨叶健康状态的判断。最后,通过变分模态分解、交叉样本熵对故障桨叶进行了分类。研究结果表明,基于稀疏表示的降噪方法能有效识别信号中的主要分量,并去除噪声。而加速度功率谱密度能较好的反应桨叶的健康状况,这与有限元分析的结果相一致。变分模态分解则能将信号分离成多个模态分量,而基于这些模态分量的改进的交叉样本熵的特征对于桨叶故障有较好的区分度。
唐朝[6]（2019）在《直升机旋翼噪声源分离方法与试验验证》文中指出直升机旋翼噪声是当前直升机技术的研究热点之一。本文针对复杂流场中旋翼气动噪声源的分离识别问题,基于设计的新型试验模型和测量手段,提出了一种旋翼不同类型噪声的分离识别试验新方法。第一章,介绍了本文的研究背景、研究意义及国内外研究现状,总结了关于直升机旋翼噪声的数值模拟和试验研究两方面的新进展,在此基础上提出了本文的主要研究工作。第二章,设计并研发了一种能够产生稳定高强度涡的新型双级涡流发生器。首先建立其不同类型出口段仿真模型,并对其产生的涡流场特性进行了数值分析,在此基础上采用PIV技术进行流场测量,测得其在不同来流风速下产生的涡强度和涡核半径,测试结果与CFD分析结果吻合较好,为后续桨/涡干扰噪声试验提供了技术支撑。第三章,建立了悬停状态下旋翼不同类型噪声的试验测量方法。首先在无升力状态下,开展了对称NACA0015翼型无扭转模型旋翼的噪声测量试验,获得了无载荷噪声时的噪声。此时对应单纯的厚度噪声;然后给旋翼加上不同的总距,即可测得旋翼不同工况下厚度噪声加载荷噪声的合噪声。随后,基于自主设计的新型涡流发生器,对无升力情况下的模型旋翼增加涡干扰,试验测量获得了包含厚度噪声和桨/涡干扰噪声在内的总噪声特性。在此基础上,通过不同的旋翼总距角和桨尖马赫数,进行厚度噪声、载荷噪声与桨/涡干扰噪声的综合测量,同时得到不同类型噪声的空间辐射方向和影响其强弱的参数特征。试验结果还表明新型涡流发生器与模型旋翼的组合能有效地测量分析旋翼桨/涡干扰噪声特征,并通过不同总距角和转速等获得了旋翼各类型噪声特性,为直升机旋翼气动噪声特性的参数影响规律研究和噪声源的分离识别提供了有效的研究手段和丰富的试验数据。第四章,开展了悬停状态下高速脉冲噪声的试验测量研究。首先基于二维欧拉方程,计算NACA0015翼型阻力发散马赫数,得到其阻力突增的马赫数。然后根据计算结果更换相应试验设备后逐步提高桨尖马赫数至0.894,测量高速脉冲噪声的声压值并进行了时频分析,获得了旋翼高速脉冲噪声的发声机理与传播特性。第五章,对本文的主要工作做了总结,概括了本文的创新点,并对该课题后续的研究工作进行了展望。
邸忆[7]（2018）在《运动声阵列对被动声目标的快速跟踪理论研究》文中提出二十一世纪尖端科技的发展对现代战争环境产生了深远的影响,各国在武器装备研发中越来越重视弹药智能化水平的提升。本文以智能反坦克BAT子弹药为应用背景,开展了（弹载）运动声阵列对单个典型装甲声目标的快速跟踪理论研究,全文研究的主要内容包括:被动声信号特性研究、目标观测信号的快速预处理研究、被动声目标快速特征提取研究、弹载声阵列对地面目标跟踪数据关联及航迹预测研究以及机动目标的快速跟踪滤波算法研究,具体归纳如下:（1）被动声信号特性研究。以典型装甲目标声信号产生机理及特性为基础,分析了声目标的声源特性,探讨了声信号在大气中的传输特性,给出了空气中声波传播模型和声速线性化模型,分析了声速随高度、温度变化的关系,研究了声信号在大气中的衰减规律以及声信号传播的多普勒效应,利用战场声信号复杂性及被动声探测双点源指向性,指出被动声探测的“盲特性”,通过目标声信号的产生机理,信号相空间重构及Lyapunov指数计算,验证了典型被动声目标辐射声信号的混沌性。（2）运动声阵列观测信号预处理方法研究。即目标观测信号的快速预处理研究,阐述了多传感器一致性数据融合的必要性,分析了传统数据一致性融合算法及其缺陷,结合本文研究的典型目标声信号特性,提出一种基于频谱相似性的数据一致性算法,通过半实物仿真试验验证了其可行性。针对单通道信号的自适应降噪问题,给出一种基于自适应经验模态分解算法的信号恢复方法,通过“静态”及“动态”半实物仿真试验进行了验证;针对阵列多传感器观测信号的快速降噪问题,提出了一种基于改进集合经验模态分解与信息融合理论的观测信号预处理算法,并通过多通道信号半实物仿真试验验证了算法的有效性。（3）被动声目标特征提取、选择及可分性研究。研究了传统的过零率、能量比等特征提取算法,针对传统特征提取算法的不足,提出一种基于改进集总经验模态分解和能量向量分析的声信号特征提取方法,通过目标实测信号的特征选取试验,验证了该算法的有效性。针对典型装甲目标的非线性特征,引入了数学形态学、分形几何理论,分析了几种传统分形维数估计方法,针对其中盒维数估计法计算复杂度较高的缺陷,研究了基于数学形态学的分形维数估计方法,并将其引入被动声信号的混沌特征提取中,最后,对战场目标声信号的过零率特征、能量向量特征以及非线性特征进行了可分性量化分析。（4）运动声阵列对声目标跟踪数据关联及航迹预测算法研究。针对运动声阵列目标跟踪数据关联快速性问题,从两个方面进行了研究。1)针对高斯线性系统下的目标跟踪数据关联问题,给出适合运动声阵列跟踪系统数据关联的基本模型和问题假设;把数据关联观测空间视为距离空间,将关联处理问题转化为一类组合优化问题,将蚁群算法引入目标跟踪数据关联中;针对标准蚁群算法的早熟收敛和容易陷入局部最优解的缺陷,将精英蚂蚁思想和优化排序策略引入标准蚂蚁系统,形成改进的蚁群算法,并将其与数据关联相结合,提出基于优化蚁群算法的数据关联方法,并通过线性高斯系统模型下的目标跟踪仿真试验,验证了该算法的快速性和有效性。2)针对高斯非线性系统下的目标跟踪数据关联问题,在己有的优化蚁群数据关联算法模型基础上,将其与粒子滤波相结合,给出一种优化蚁群数据关联融合粒子的数据关联方法,并通过高斯非线性条件下的单目标跟踪仿真试验验证了所提算法的有效性。此外,针对目标航迹预测数据计算成本过高的问题,利用灰色理论在预测中需要“少数据、贫资料”的优势,提出一种基于灰色残差修正的单目标航迹预测方法。分析了灰色理论及灰色模型,研究了标准灰色航迹预估模型GM（1,1）存在的缺陷,并对此提出了两种基于灰色残差修正模型:标准灰色残差修正模型和灰色Verhulst残差修正模型,并通过实例证明了本文所提灰色残差修正算法的有效性和优越性。（5）运动声阵列对被动声目标快速跟踪滤波算法研究。根据运动声阵列跟踪系统的动态模型,针对声目标机动辨识和机动目标快速跟踪,提出了两种机动目标快速跟踪方法。一是基于高斯、非线性系统假设下的跟踪滤波算法。简要分析卡尔曼滤波、扩展卡尔曼滤波、无味变换及无味粒子滤波;结合跟踪滤波估计实时性要求,针对无味粒子滤波的Sigma点选取策略,提出了一种基于改进无味粒子滤波的交互式多模型目标跟踪算法,通过仿真验证了所提算法的有效性和快速性。二是基于非高斯、非线性系统假设下的跟踪滤波算法。给出了有色噪声条件下,运动声阵列对目标跟踪的模型;针对机动目标最优模型组快速选取问题,提出了一种新的基于快速交互多模型与扩展Viterbi算法机动目标跟踪方法,并通过Matlab仿真试验验证了本文所提算法在确保跟踪精的同时,进一步提高了目标跟踪算法的实时性。
殷逸冰[8]（2018）在《面向气路部件健康管理的静电监测技术研究》文中进行了进一步梳理航空发动机的气路部件属于发动机核心部件,且所处的工作条件十分恶劣,因此对气路部件的监测尤为重要,是发动机健康管理技术的核心内涵之一。近年来,随着状态监测技术的发展,关于航空发动机气路静电监测研究逐渐升温。本文以面向发动机气路部件健康管理的静电监测技术为主题,开展了静电传感器传感模型推理及验证、基于稀疏分解的静电信号去噪方法、发动机气路故障模拟实验、基于智能学习方法的故障模式识别、涡扇发动机气路异常状态识别、基于静电数据的气路性能评估、气路静电监测软硬件系统开发等方面的研究。论文的主要工作和成果如下:（1）对发动机气路静电监测的研究现状进行分析和梳理,首先对发动机气路部件的正常颗粒物和异常带电颗粒物的来源进行分析,阐明气路异常带电颗粒物的危害以及带电机理;对发动机气路静电监测原理以及相关软硬件架构进行了分析,以现有进气道环状静电传感器和尾喷管棒状静电传感器为理论分析对象,结合实际需求,对两类典型静电传感器的传感模型进行数学推演研究,并利用静电滴定台架开展传感模型验证实验研究,研究静电信号影响因素和输出信号之间的关系,通过对传感模型的准确建模为后续传感信号的深层次研究提供坚实的理论依据和实验支撑。（2）针对静电信号中的噪声问题,对噪声干扰类型和来源进行分析,总结了以往针对不同干扰类型的去噪方法的不足,提出了一种基于稀疏分解的信号去噪方法,通过仿真信号和实测试车静电信号对所提方法进行了验证,并与其它经典去噪方法的去噪效果进行了横向对比,保证了静电信号去噪过程的灵活性和有效性。（3）为解决典型气路故障模式的识别问题,提出了四类典型气路机械故障的模拟实验方案,并开展了相关的气路故障模拟实验。根据静电信号的经典时频域-统计特征提取方法,对四类故障模拟实验所获取的样本数据进行特征提取并加以对比分析,对在四类典型气路故障模式下各自静电信号特征参数的特点和不同之处进行分析阐明。通过故障模式模拟实验得到的数据,进一步在经典特征参数的分析结果上提出静电信号的几类新特征指标,对各模式下样本提取新的特征,对新特征进行分析并提出了初始故障判别逻辑理论。利用Fisher准则方法对所提出特征指标的有效性进行验证,提出了一种基于SOM神经网络的故障模式识别算法,并对故障模式分类识别效果进行了实例验证,为气路故障模式识别提供了效果较好的智能识别方法。（4）为验证传感器应用效果,联合试车厂开展涡扇发动机静电监测试车搭载实验,介绍了试车实验过程中的所用的静电传感器和实验安装情况,并得到了静电监测原始数据,结合发动机的相关性能参数,对静电监测的效果进行评价,并建立了涡扇发动机AL参数的基线模型。分别使用排列熵和小波能谱熵法对发动机气路异常状态进行检测。提出了融合涡喷发动机静电监测数据及发动机性能参数对发动机气路性能的健康状态进行综合评估,基于逻辑回归算法量化发动机的性能,分析结果表明融合静电特征参数和性能参数的评估方法要优于传统的性能指标评价方法,能够为维修人员赢得维修预警窗口期。（5）为解决静电监测软硬件系统集成应用问题,设计了一套基于LABVIEW图形语言的航空发动机气路部件监测与诊断软件系统和一套基于嵌入式技术的便携式静电监测硬件系统。软件系统能够实现包括监测、存储、信号调理等基本功能。此外,在实时主系统基础上融合更多的信号处理方法,引入机器学习的方法实现离线诊断。设计了基于嵌入式的硬件监测系统,包括了数据采集模块和基于WinCE 6.0的显示模块开发,实现监测工程中基本的相关业务需求。
倪同兵[9]（2018）在《旋翼（尾桨）气动噪声的主/被动抑制方法及机理研究》文中研究表明目前,直升机的气动噪声尤其是旋翼桨-涡干扰（BVI）噪声,是直升机空气动力学领域的重要研究课题。本文针对直升机前飞状态下的气动噪声尤其是严重的桨-涡干扰噪声,开展了旋翼（尾桨）气动噪声的主/被动降噪方法及降噪机理研究。基于流固耦合的声学类比法,建立了一套用于旋翼（尾桨）气动噪声计算的CFD/CSD/FW-Hpds综合分析方法。在此基础上,分别对前飞斜下降状态下不同外形新型桨尖（主要是下反桨尖）被动控制方法降低BVI噪声的降噪机理和特性、IBC主动控制方法降低BVI噪声的降噪机理和参数影响、剪刀尾桨的降噪特性等进行了研究,揭示了主/被动不同降噪方法对BVI噪声的降噪机理。并进一步结合主/被动不同控制方法,对不同主/被动综合控制下的旋翼气动噪声以及前飞状态旋翼尾迹作用下的剪刀尾桨噪声进行了分析,结合旋翼（尾桨）的实际工况及其噪声辐射规律,探索出一套旋翼（尾桨）气动噪声的主/被动综合降噪方法。具体包括如下方面:作为研究背景,第一章首先指明了论文的研究目的和研究价值,针对直升机旋翼流场及气动特性计算方法、旋翼气动噪声计算方法、旋翼（尾桨）不同降噪方法等的国内外研究现状进行了概述,提出了当前研究中仍存在的问题以及本文相应的研究方法。考虑到桨叶的复杂运动特点及弹性桨叶的变形特征,第二章生成了一套由旋翼桨叶贴体网格和背景网格组成的适用于旋翼非定常流场数值模拟的结构运动嵌套网格系统。在此基础上,发展了一套适用于前飞状态直升机弹性旋翼流场及气动特性计算的高精度CFD/CSD耦合方法。其中,旋翼流场通过求解可压缩雷诺平均N-S方程进行数值模拟,为兼顾计算精度和效率,计算采用Roe-MUSCL空间离散格式、LU-SGS隐式推进格式和S-A湍流模型;考虑桨叶的弹性变形影响,建立了一个基于Hamilton原理和中等变形梁理论的有限元分析模型,给出了相应的旋翼气动/结构交界面的信息传递策略。算例验证表明,建立的CFD/CSD耦合方法在旋翼流场及气动特性计算等方面具有高精度的特点,为下一步开展旋翼气动噪声计算及降噪方法研究奠定了分析基础。结合建立的流场求解方法,本文第三章基于声学类比法及可穿透积分面方法,建立了一套高鲁棒性的旋翼气动噪声计算方法。在此基础之上,发展了一套适合于前飞旋翼的气动噪声计算模型,并且通过有试验结果可供对比的悬停和前飞噪声算例验证了噪声计算方法的准确性,为下文的降噪方法研究提供分析基础。同时,在消声室环境下对旋翼BVI噪声进行了初步试验研究,对BVI噪声的影响因素进行了试验分析,并将试验结果与计算结果相对比,进一步验证了本文计算方法的有效性,也为BVI噪声的降噪方法提供了降噪策略和方向。基于发展的流场和声场计算方法,第四章对旋翼气动噪声主要是BVI噪声的被动降噪方法进行了研究。对不同下反角的下反桨尖在斜下降飞行状态下的噪声特性进行了分析,结果表明下反桨尖可以有效降低旋翼的气动噪声尤其是BVI噪声。在此基础上,针对某参考桨叶设计了一个新的低噪声桨叶外形,重点研究了该桨叶与参考旋翼桨叶的气动噪声对比分析,结果显示该低噪声桨叶设计可以有效降低旋翼BVI噪声。同时,对前飞状态下剪刀尾桨在不同结构参数和不同桨叶外形参数下的气动噪声进行了计算对比,并进一步对旋翼尾流作用下的剪刀尾桨噪声进行了分析,获得了一些新的结论。第五章对旋翼BVI噪声主动降噪方法进行了研究。着重针对UH-60A旋翼的斜下降飞行状态,分别对有/无IBC噪声主动控制条件下的旋翼BVI气动噪声特性进行了模拟,并采用一种简化的推进配平模型以反映旋翼桨叶的实际运动。通过相位角、幅值和频率等不同控制参数的影响对比分析,结果表明:IBC主动控制方法减小了前行侧桨叶表面尤其是桨叶尖部的负压峰值,降低了桨-涡干扰发生位置附近的桨叶气动载荷;同时主动控制后的桨尖涡集中程度变弱,并且增加了桨叶与桨尖涡之间的相遇距离,从而显着降低了桨-涡干扰噪声;选取合理的相位角、幅值和频率等主动控制参数组合,BVI噪声降低可达7d B。在此基础上,开展了在IBC控制下前飞斜下降不同飞行状态的飞行参数（飞行速度、飞行轨迹）对BVI噪声的影响研究,发现在不同的飞行状态下,IBC控制皆可以有效的降低旋翼BVI噪声。第六章综合主/被动降噪方法,分析了综合采用不同降噪方法时的旋翼气动噪声特性,初步找到了不同主/被动降噪方法的噪声抑制规律,为寻求有效的旋翼气动噪声尤其是BVI噪声抑制方法提供借鉴。研究发现,在综合降噪过程中,IBC主动控制占主要作用。针对原参考桨叶旋翼和新设计低噪声桨叶旋翼,IBC控制的控制规律和效果有着一定的差别,具体为:对参考桨叶旋翼,IBC控制在前行侧降噪效果最好,而对低噪声桨叶旋翼,IBC控制却在后行侧降噪效果最好;在进行IBC控制后,噪声的传播方向发生了改变,有利于降噪。最后,第七章对全文的研究内容进行了总结,指出了本文的创新性,并且提出了后续需要开展的研究工作和展望。
于杰[10]（2017）在《基于声发射的直升机旋翼桨叶损伤在线监测方法研究》文中指出直升机旋翼桨叶由于长期工作在高动态气动环境中,受到交变弯扭复合载荷,很容易出现疲劳损伤,导致桨叶内部出现裂纹、分层等。这些内部损伤若不及时检测和修复可能造成严重后果。然而由于复合材料桨叶内部结构复杂,蒙皮多为变厚度混杂纤维复合材料,普通复合材料构件采用的无损检测方法不适用,必须针对复合材料桨叶研究行之有效的监测方法。因此,本文重点研究利用声发射技术对直升机旋翼桨叶的裂纹损伤进行监测。论文首先以直升机旋翼桨叶常用复合材料试件为研究对象,针对声发射信号在复合材料桨叶试件上的衰减、去噪和源类型识别等问题展开了深入研究。其次,利用断铅模拟试验研究了声发射信号在直升机部件常用复合材料上的传播特性,并通过试件断裂试验数据对所研究算法进行了验证;然后,研究了声发射信号的去噪和重构方法。利用MATLAB软件编写了FIR数字滤波器,对信号进行了信噪分离,再用小波能谱系数法得出信号最大能量所在的频率层,利用其重构含有损伤信息的声发射信号,即对信号进行第二次滤波;最后,利用声发射特征参数法对二次滤波后的重构损伤信号进行了综合分析,提取了损伤信号的特征参数,进而得出了不同损伤形式的特征以及损伤演变过程之间的联系。研究结果表明,通过FIR以及小波能谱系数法对信号进行两次滤波,得出的信号准确反映了损伤声发射信号的特征。通过对滤波后的信号进行分析,得出了直升机桨叶试件损伤破坏时四个阶段（基体开裂、纤维断裂、纤维与基体面脱胶开裂、分层）声发射信号的信号特征,为进一步进行直升机旋翼桨叶的健康监测打下基础。
二、Wavelet analysis of helicopter noise signal（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Wavelet analysis of helicopter noise signal（论文提纲范文）
（1）基于磁记忆检测的输气管道缺陷识别诊断技术分析（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 磁记忆检测管道事故诊断技术的研究现状 |
| 1.2.1 磁记忆检测技术优势 |
| 1.2.2 磁记忆检测机理研究进展 |
| 1.2.3 磁记忆检测信号影响因素研究进展 |
| 1.2.4 信号降噪研究进展 |
| 1.2.5 磁记忆检测缺陷识别 |
| 1.3 论文主要研究内容及方法 |
| 第二章 输气管道事故多发的原因分析 |
| 2.1 输气管道事故发生概况 |
| 2.2 输气管道事故多发的原因分析 |
| 2.2.1 埋地管道故障探测困难 |
| 2.2.2 管线需长期运行无法及时检测 |
| 2.2.3 管线沿线地形复杂导致缺陷检测难度大 |
| 第三章 磁记忆在输气管道事故诊断中的应用 |
| 3.1 基于能量分析的输气管道外部载荷和磁场的相互作用 |
| 3.2 磁记忆检测在输气管道缺陷诊断中的应用 |
| 3.3 输气管道应用磁记忆检测技术的缺陷判定准则 |
| 3.4 磁记忆检测技术在输气管道缺陷诊断中实验研究 |
| 第四章 磁记忆检测在输气管道事故诊断中的信号降噪分析 |
| 4.1 磁记忆技术在输气管道缺陷检测中噪声原因分析 |
| 4.2 对噪声信号的分解及处理研究 |
| 4.2.1 噪声信号的分解 |
| 4.2.2 傅里叶变换在噪声信号的处理中的应用 |
| 4.3 传统小波阈值降噪在磁记忆检测中应用分析 |
| 4.3.1 传统小波阈值降噪算法概述 |
| 4.3.2 软阈值方法对磁记忆检测信号降噪的研究 |
| 4.3.3 硬阈值方法对磁记忆检测信号降噪的研究 |
| 4.4 引入权重指标对传统小波阈值函数算法的优化改进 |
| 4.5 改进后的小波阈值降噪算法的效果验证 |
| 第五章 基于BP神经网络和磁记忆检测的管道故障识别及诊断 |
| 5.1 BP神经网络概述 |
| 5.2 磁记忆检测特征信号与管道缺陷的关联关系分析 |
| 5.3 输气管道缺陷状态划分 |
| 5.4 基于BP神经网络的磁记忆检测管道缺陷信号识别 |
| 5.4.1 BP神经网络设计 |
| 5.4.2 对设计的BP神经网络进行学习训练 |
| 5.4.3 基于BP神经网络和磁记忆的管道缺陷识别训练结果分析 |
| 5.4.4 基于BP神经网络和磁记忆的输气管道缺陷识别效果验证 |
| 第六章 总结及结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（2）基于声发射技术的齿轮断齿检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 齿轮故障诊断研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 基于声发射技术的齿轮故障诊断研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 本文的主要研究内容 |
| 2 齿轮故障形成机理与检测方法 |
| 2.1 齿轮故障类型与成因 |
| 2.2 齿轮故障检测的常用方法 |
| 2.3 齿轮故障的声发射检测应用 |
| 2.4 本章小结 |
| 3 声发射检测技术 |
| 3.1 声发射技术检测原理 |
| 3.2 声发射信号检测系统 |
| 3.3 声发射信号分析方法 |
| 3.3.1 声发射信号参数分析 |
| 3.3.2 声发射信号波形分析 |
| 3.3.3 频谱分析方法 |
| 3.3.4 小波分析方法 |
| 3.4 本章小结 |
| 4 基于小波分析的齿轮信号研究 |
| 4.1 断齿信号的模拟 |
| 4.2 小波分解层数的确定 |
| 4.3 信号处理中的小波基选择 |
| 4.4 齿轮信号的小波分解 |
| 4.5 本章小结 |
| 5 齿轮断齿声发射检测实验研究 |
| 5.1 齿轮断齿实验方案设计 |
| 5.1.1 实验目的 |
| 5.1.2 实验方案设计 |
| 5.2 断齿信号采集实验 |
| 5.2.1 实验平台与器材 |
| 5.2.2 齿轮断齿信号采集实验 |
| 5.3 齿轮断齿信号的分析 |
| 5.3.1 齿轮断齿声发射信号去噪 |
| 5.3.2 断齿信号的小波分析 |
| 5.3.3 齿轮断齿声发射信号频谱分析 |
| 5.4 本章小结 |
| 结论 |
| 总结 |
| 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（3）声发射技术在直升机旋翼桨叶损伤识别中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 复合材料无损检测技术 |
| 1.2.2 声发射检测系统 |
| 1.3 存在主要问题 |
| 1.4 本文的主要研究内容 |
| 第二章 直升机旋翼桨叶损伤声发射监测机理 |
| 2.1 声发射检测技术 |
| 2.1.1 声发射的产生与传播 |
| 2.1.2 声发射传感器 |
| 2.1.3 声发射信号分析方法 |
| 2.1.4 声发射检测技术的优缺点 |
| 2.2 直升机旋翼桨叶损伤监测机理 |
| 2.2.1 复合材料桨叶损伤过程 |
| 2.2.2 损伤源定位机理 |
| 2.3 本章小结 |
| 第三章 基于Lab VIEW的桨叶声发射损伤监测实验系统构建 |
| 3.1 实验桨叶模型 |
| 3.2 实验设备 |
| 3.2.1 传感器选型 |
| 3.2.2 前置放大器 |
| 3.2.3 NI Compact嵌入式系统 |
| 3.3 监测与数据处理软件开发 |
| 3.3.1 LabVIEW简介 |
| 3.3.2 软件平台结构 |
| 3.3.3 监控系统程序设计 |
| 3.4 本章小结 |
| 第四章 声发射信号去噪算法研究 |
| 4.1 小波阈值去噪方法 |
| 4.1.1 小波阈值去噪原理 |
| 4.1.2 阈值函数选择及阈值优化 |
| 4.1.3 小波基函数对比分析 |
| 4.2 小波独立分量分析联合去噪方法 |
| 4.2.1 独立分量分析 |
| 4.2.2 小波独立分量分析联合去噪 |
| 4.3 两种方法去噪效果的仿真对比 |
| 4.4 强背景噪声下桨叶损伤声发射信号去噪实验及效果分析 |
| 4.5 本章小结 |
| 第五章 桨叶损伤智能定位与损伤模式识别方法研究 |
| 5.1 核主成分分析特征提取 |
| 5.2 支持向量机 |
| 5.2.1 利用支持向量机进行分类 |
| 5.2.2 支持向量回归 |
| 5.3 桨叶损伤智能定位实验 |
| 5.3.1 基于KPCA-SVM的桨叶损伤源智能定位 |
| 5.3.2 损伤源智能定位效果对比 |
| 5.4 基于KPCA-SVM的桨叶损伤模式识别 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（4）基于深度学习的声目标识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 声目标识别的发展 |
| 1.3 国内外研究现状 |
| 1.4 本文主要贡献及章节安排 |
| 第2章 声目标识别技术理论基础 |
| 2.1 直升机声信号的特性 |
| 2.1.1 直升机飞行噪声产生机理及特性 |
| 2.1.2 风噪声的干扰特性 |
| 2.2 典型的特征提取方法 |
| 2.2.1 傅里叶幅度谱 |
| 2.2.2 谐波集检测 |
| 2.2.3 梅尔倒谱系数 |
| 2.2.4 小波包特征熵 |
| 2.3 常用分类器 |
| 2.3.1 人工神经网络 |
| 2.3.2 支持向量机 |
| 2.4 传统声信号预处理 |
| 2.4.1 谱减法 |
| 2.4.2 维纳滤波 |
| 2.4.3 小波分析法 |
| 2.5 本章小结 |
| 第3章 复合深度神经网络在直升机声目标识别中的应用 |
| 3.1 引言 |
| 3.2 复合深度神经网络模型 |
| 3.2.1 识别框架 |
| 3.2.2 卷积神经网络 |
| 3.2.3 长短时记忆神经网络 |
| 3.3直升机识别实验 |
| 3.3.1 标准数据库的建立 |
| 3.3.2 识别特征提取 |
| 3.3.3 复合深度神经网络参数配置 |
| 3.3.4 识别结果分析 |
| 3.4 本章小结 |
| 第4章 卷积神经网络在直升机声信号预处理中的应用 |
| 4.1 引言 |
| 4.2 基于深度学习的预处理技术 |
| 4.2.1 时频分解 |
| 4.2.2 预处理特征 |
| 4.2.3 预处理目标 |
| 4.3 声信号预处理实验 |
| 4.3.1 实验数据 |
| 4.3.2 基于深度学习的声信号预处理框架 |
| 4.3.3 识别与预处理模块耦合 |
| 4.4 本章小节 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（5）基于非接触测控系统的直升机旋翼桨叶故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于振动的损伤识别现状 |
| 1.2.2 振动信号处理方法研究现状 |
| 1.2.3 非接触测控系统发展现状 |
| 1.3 本文的主要研究内容 |
| 第二章 旋翼桨叶故障诊断理论 |
| 2.1 故障诊断流程 |
| 2.2 桨叶材料常见损伤类型 |
| 2.3 常见信号分解方法 |
| 2.3.1 经验模态分解 |
| 2.3.2 局部均值分解 |
| 2.4 常见特征提取方法 |
| 2.4.1 时域特征提取 |
| 2.4.2 频域特征提取 |
| 2.5 本章小结 |
| 第三章 旋翼桨叶有限元分析 |
| 3.1 旋翼桨叶有限元模型 |
| 3.2 旋翼桨叶有限元模态分析 |
| 3.3 含不同损伤旋翼桨叶的随机振动分析 |
| 3.4 本章小结 |
| 第四章 非接触测控系统设计 |
| 4.1 系统总体设计 |
| 4.2 硬件选择与设计 |
| 4.2.1 振动传感器 |
| 4.2.2 模数转换模块 |
| 4.2.3 无线模块 |
| 4.2.4 微处理器 |
| 4.3 软件设计 |
| 4.3.1 下位机端 |
| 4.3.2 上位机端 |
| 4.4 桨叶振动实验 |
| 4.5 本章小结 |
| 第五章 基于稀疏表示的自适应信号降噪方法研究 |
| 5.1 信号的稀疏表示 |
| 5.2 稀疏分解算法 |
| 5.2.1 匹配追踪及其改进算法 |
| 5.2.2 交替方向乘子法 |
| 5.2.3 FOCUSS算法 |
| 5.3 字典构造方法 |
| 5.3.1 分析字典 |
| 5.3.2 学习字典 |
| 5.4 桨叶振动信号自适应降噪的实现 |
| 5.4.1 实现过程 |
| 5.4.2 桨叶振动信号的降噪 |
| 5.5 本章小结 |
| 第六章 旋翼桨叶故障诊断方法 |
| 6.1 基于功率谱密度的损伤识别方法 |
| 6.2 基于VMD和交叉样本熵的故障分类方法 |
| 6.2.1 变分模态分解 |
| 6.2.2 交叉样本熵 |
| 6.2.3 支持向量机 |
| 6.2.4 优化算法 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 论文工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（6）直升机旋翼噪声源分离方法与试验验证（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究工作 |
| 第二章 新型涡流发生器的设计与分析 |
| 2.1 引言 |
| 2.2 涡流发生器设计 |
| 2.2.1 涡流发生器初步设计 |
| 2.2.2 涡流场模拟与分析 |
| 2.3 涡发生器流场测量与分析 |
| 2.3.1 PIV试验数据处理及结果分析 |
| 2.3.2 涡发生器改进设计 |
| 2.4 本章小结 |
| 第三章 旋翼不同类型气动噪声特性的试验模拟 |
| 3.1 引言 |
| 3.2 试验方法及内容 |
| 3.2.1 试验目标 |
| 3.2.2 试验设备及模型 |
| 3.2.3 试验内容及状态 |
| 3.3 噪声试验结果及分析 |
| 3.3.1 背景噪声的测量 |
| 3.3.2 厚度噪声的测量 |
| 3.3.3 载荷噪声的测量 |
| 3.3.4 桨/涡干扰噪声的测量 |
| 3.3.5 试验结果的综合对比 |
| 3.4 本章小结 |
| 第四章 旋翼高速脉冲噪声发声机理与传播特性试验 |
| 4.1 引言 |
| 4.2 试验方法及内容 |
| 4.2.1 试验目标 |
| 4.2.2 试验设备及模型 |
| 4.2.3 试验内容及状态 |
| 4.3 试验结果及分析 |
| 4.4 高速脉冲噪声计算结果与试验对比 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 研究工作总结 |
| 5.2 本文主要创新点 |
| 5.3 进一步研究工作及展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文 |
（7）运动声阵列对被动声目标的快速跟踪理论研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 相关的关键技术发展现状 |
| 1.2.1 BAT子弹药总体发展现状 |
| 1.2.2 声阵列技术综述 |
| 1.2.3 被动声探测技术综述 |
| 1.2.4 声目标跟踪关键问题综述 |
| 1.3 预期目标及关键问题 |
| 1.3.1 预期目标 |
| 1.3.2 关键问题 |
| 1.4 本文的研究内容及结构安排 |
| 2 被动声信号特性分析 |
| 2.1 典型目标声信号产生机理及性质 |
| 2.1.1 声信号基本属性 |
| 2.1.2 目标声信号分类 |
| 2.1.3 战场机动目标声信号产生机理 |
| 2.1.4 声目标简化模型描述 |
| 2.2 目标声信号传播特性 |
| 2.2.1 声速理论模型及线性化表述 |
| 2.2.2 声波传播模型 |
| 2.2.3 声信号传播的基本物理特性 |
| 2.2.4 声信号的衰减及多普勒效应 |
| 2.3 目标声信号“盲”特性分析 |
| 2.3.1 被动声信号“盲”特性 |
| 2.3.2 盲信号分离原理 |
| 2.3.3 多点声源干扰原理概述 |
| 2.4 目标声信号的混沌性分析 |
| 2.4.1 目标声信号的混沌性机制 |
| 2.4.2 声信号时间序列的相空间重构 |
| 2.4.3 声信号时间序列的Lyapunov指数 |
| 2.5 本章小结 |
| 3 声阵列探测信号快速预处理方法 |
| 3.1 多传声器数据一致性融合理论 |
| 3.1.1 传统数据一致性算法分析 |
| 3.1.2 声阵列频谱相似性数据一致性算法 |
| 3.1.3 半实物仿真试验设计及分析 |
| 3.2 目标信号降噪理论 |
| 3.2.1 典型干扰信号分析 |
| 3.2.2 目标声信号降噪理论 |
| 3.3 自适应信号降噪方法 |
| 3.3.1 自适应噪声抵消原理 |
| 3.3.2 EMD算法改进及参考噪声信号选取策略 |
| 3.3.3 基于改进EMD的自适应信号降噪方法 |
| 3.3.4 试验信号分析 |
| 3.4 阵列(多通道)信号降噪 |
| 3.4.1 多传感器信息融合方式 |
| 3.4.2 声阵列时延矢量封闭准则 |
| 3.4.3 EEMD及其改进 |
| 3.4.4 信息融合辅助改进EEMD的阵列信号去噪方法(IF-IEEMD) |
| 3.4.5 试验信号分析 |
| 3.5 本章小结 |
| 4 被动声目标特征提取与选择方法 |
| 4.1 目标声信号过零点理论模型及特征分析 |
| 4.1.1 过零点特征理论 |
| 4.1.2 目标声信号过零点理论模型 |
| 4.1.3 被动声信号过零点特征分析 |
| 4.2 声信号的能量特征分析 |
| 4.2.1 基于EMD和能量比的特征提取方法及分析 |
| 4.2.2 基于改进EEMD的战场目标声信号能量特征分析法 |
| 4.2.3 实测信号分析 |
| 4.3 声信号的非线性特征分析 |
| 4.3.1 目标声信号的混沌特征 |
| 4.3.2 目标声信号的形态学分形特征 |
| 4.3.3 声信号的混沌特征计算实例 |
| 4.4 类别可分性判据 |
| 4.4.1 特征向量整体可分性 |
| 4.4.2 单类目标特征向量可分性 |
| 4.5 本章小结 |
| 5 运动声阵列目标跟踪数据关联算法 |
| 5.1 数据关联及航迹预测 |
| 5.1.1 数据关联类型 |
| 5.1.2 数据关联 |
| 5.2 蚁群算法分析 |
| 5.2.1 组合优化问题描述 |
| 5.2.2 蚁群算法基本原理 |
| 5.2.3 蚁群算法模型分析 |
| 5.3 蚁群算法改进 |
| 5.3.1 改进的蚁群算法 |
| 5.3.2 优化蚁群算法分析 |
| 5.4 基于IACA的运动声阵列对声目标跟踪数据关联方法 |
| 5.4.1 IACDA模型 |
| 5.4.2 IACDA具体步骤 |
| 5.4.3 仿真试验及分析 |
| 5.5 基于IACA融合粒子滤波的目标跟踪数据关联方法 |
| 5.5.1 粒子滤波概述 |
| 5.5.2 IACDA-PF算法步骤 |
| 5.5.3 仿真试验及分析 |
| 5.6 一种基于灰色残差修正的目标航迹预测方法 |
| 5.6.1 灰色航迹预估模型 |
| 5.6.2 灰色航迹预估模型缺陷 |
| 5.6.3 灰色残差修正模型 |
| 5.6.4 仿真实例 |
| 5.7 本章小结 |
| 6 运动声阵列对目标跟踪快速滤波估计算法 |
| 6.1 机动目标跟踪模型概述 |
| 6.1.1 目标运动模型 |
| 6.1.2 高斯非线性条件下运动声阵列对声目标跟踪动态模型 |
| 6.2 非线性跟踪系统滤波算法研究 |
| 6.2.1 Kalman滤波与扩展Kalman滤波 |
| 6.2.2 UT变换与无迹粒子滤波(UPF) |
| 6.3 基于IUPF的运动声阵列交互式多模型目标跟踪算法 |
| 6.3.1 跟踪过程 |
| 6.3.2 仿真试验及分析 |
| 6.4 基于快速IMM和扩展Viterbi机动目标跟踪方法 |
| 6.4.1 有色噪声条件下弹载声阵列跟踪系统动态模型 |
| 6.4.2 fastIMM算法 |
| 6.4.3 IMM-EV算法 |
| 6.4.4 fastIMM-EV机动目标跟踪算法 |
| 6.4.5 仿真试验与分析 |
| 6.5 本章小结 |
| 7 结束语 |
| 7.1 本文完成的主要研究内容 |
| 7.2 本文的主要创新点 |
| 7.3 尚待进一步研究内容 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读博士期间研究成果 |
（8）面向气路部件健康管理的静电监测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词 |
| 第一章 绪论 |
| 1.1 论文选题依据 |
| 1.1.1 论文研究背景 |
| 1.1.2 航空发动机健康管理技术的意义 |
| 1.2 航空发动机气路部件健康管理技术综述 |
| 1.2.1 航空发动机气路部件状态监测技术 |
| 1.2.2 航空发动机气路部件故障诊断及健康评估技术 |
| 1.3 面向气路部件健康管理的静电监测技术综述 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内的研究现状 |
| 1.4 研究问题的提出 |
| 1.5 研究路线和章节安排 |
| 第二章 气路部件静电监测理论和传感模型推演验证研究 |
| 2.1 引言 |
| 2.2 发动机气路通道颗粒来源 |
| 2.2.1 发动机的尾气碳烟颗粒物 |
| 2.2.2 发动机气路中的异常颗粒 |
| 2.3 发动机气路静电监测原理及系统概述 |
| 2.3.1 气路静电监测原理 |
| 2.3.2 气路静电监测系统总体方案 |
| 2.3.3 硬件架构方案 |
| 2.3.4 软件系统方案 |
| 2.4 进气道静电传感器的传感模型推演及实验验证 |
| 2.4.1 进气道物理感应模型 |
| 2.4.2 环状传感器空间传感模型推演 |
| 2.4.3 信号影响因素理论分析 |
| 2.4.4 环状探极传感模型验证实验 |
| 2.4.5 模型验证实验小结 |
| 2.5 尾喷管静电传感器的传感模型推演及实验验证 |
| 2.5.1 棒状传感器空间传感模型推演 |
| 2.5.2 输出信号及影响因素分析 |
| 2.5.3 棒状探极传感模型验证实验 |
| 2.6 本章小结 |
| 第三章 基于稀疏分解的气路静电信号处理方法研究 |
| 3.1 引言 |
| 3.2 经典气路静电信号去噪方法 |
| 3.2.1 气路静电信号噪声分析 |
| 3.2.2 数字陷波器法 |
| 3.2.3 自适应滤波法 |
| 3.2.4 独立分量分析 |
| 3.2.5 经验模态分解 |
| 3.2.6 小波分析 |
| 3.3 基于稀疏分解的静电信号噪声处理方法 |
| 3.3.1 信号的稀疏分解 |
| 3.3.2 稀疏分解去噪信号模型 |
| 3.3.3 基于OMP算法的静电信号稀疏去噪算法 |
| 3.3.4 去噪效果评价方法 |
| 3.3.5 仿真信号去噪结果对比分析 |
| 3.3.6 常规试车静电信号去噪实例 |
| 3.3.7 故障模式下的静电信号去噪实例 |
| 3.4 本章小结 |
| 第四章 典型发动机气路部件故障模式模拟实验及分析 |
| 4.1 引言 |
| 4.1.1 基于传统气路性能参数的气路部件故障诊断 |
| 4.1.2 基于静电信号的发动机气路部件监控与诊断 |
| 4.2 基于气路故障模拟实验平台的故障模拟方案 |
| 4.2.1 四类典型气路部件故障模式描述 |
| 4.2.2 气路故障模拟试验平台的构建 |
| 4.2.3 吸入物故障模拟实验方案 |
| 4.2.4 气路部件掉块故障模拟实验方案 |
| 4.2.5 碰摩故障模拟实验方案 |
| 4.2.6 燃烧室积碳故障模拟实验方案 |
| 4.3 静电信号数据处理及频域分析 |
| 4.3.1 时域特征提取 |
| 4.3.2 信号频域分析 |
| 4.4 四类典型气路机械故障的静电信号特征描述 |
| 4.4.1 外来吸入物故障的静电信号特征分析 |
| 4.4.2 部件掉块故障的静电信号特征分析 |
| 4.4.3 燃烧室积碳故障的静电信号特征分析 |
| 4.4.4 碰摩故障的静电信号特征分析 |
| 4.5 不同故障模式下信号特征的分析 |
| 4.6 基于Fisher准则的特征有效性验证 |
| 4.6.1 Fisher准则 |
| 4.6.2 特征验证 |
| 4.7 故障模式智能识别的工程化应用方法 |
| 4.7.1 SOM网络原理和算法过程 |
| 4.7.2 四类故障模式的识别过程 |
| 4.8 本章小结 |
| 第五章 基于静电信号特征的气路状态异常检测及性能评估 |
| 5.1 引言 |
| 5.2 涡扇发动机静电监测试车实验 |
| 5.2.1 专用静电传感器的设计 |
| 5.2.2 尾气环境下传感器的安装和应力校核 |
| 5.2.3 涡扇发动机性能参数 |
| 5.2.4 涡扇发动机试车谱 |
| 5.3 涡扇发动机尾气静电信号特征的基线计算 |
| 5.3.1 典型试车下的静电信号 |
| 5.3.2 静电信号特征-性能参数的相关性分析 |
| 5.3.3 涡扇发动机静电信号特征参数基线模型的建立 |
| 5.3.4 AL参数基线模型用于发动机异常状态监测 |
| 5.4 基于熵值法的发动机气路状态异常检测 |
| 5.4.1 熵理论概述 |
| 5.4.2 排列熵 |
| 5.4.3 小波能谱熵 |
| 5.5 静电信号-性能参数融合的发动机气路性能评估方法研究 |
| 5.5.1 LR模型概述 |
| 5.5.2 模型描述 |
| 5.5.3 模型参数估计 |
| 5.5.4 基于LR模型的发动机气路性能评估流程 |
| 5.5.5 试车实验 |
| 5.5.6 特征选择和数据预处理 |
| 5.5.7 样本抽取 |
| 5.5.8 模型训练 |
| 5.5.9 评估结果 |
| 5.6 本章小结 |
| 第六章 气路部件静电监测软硬件系统的设计与开发 |
| 6.1 基于虚拟仪器技术的气路部件静电监测及诊断系统设计 |
| 6.1.1 虚拟仪器的概念 |
| 6.1.2 监测软件系统开发简介 |
| 6.1.3 EMFDS系统构架设计 |
| 6.2 EMFDS系统功能模块设计 |
| 6.2.1 EMFDS系统主界面 |
| 6.2.2 主程序逻辑结构 |
| 6.2.3 监测功能模块设计 |
| 6.2.4 数据管理模块设计 |
| 6.2.5 故障识别离线模块设计 |
| 6.3 基于嵌入式技术的硬件监测系统开发 |
| 6.3.1 数据采集模块框架 |
| 6.3.2 信号处理电路设计 |
| 6.3.3 模/数转换模块设计 |
| 6.3.4 协处理器模块设计 |
| 6.3.5 数据采集与存储流程 |
| 6.3.6 终端模块设计 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（9）旋翼（尾桨）气动噪声的主/被动抑制方法及机理研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号注释表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 旋翼流场及气动分析方法研究进展 |
| 1.2.2 旋翼气动声学的研究进展 |
| 1.2.3 旋翼(尾桨)降噪方法的研究进展 |
| 1.3 本文的主要研究工作 |
| 第二章 适用于直升机前飞旋翼噪声预估的流场计算方法 |
| 2.1 引言 |
| 2.2 前飞运动嵌套网格生成方法 |
| 2.2.1 旋翼桨叶网格参数化生成方法 |
| 2.2.2 旋翼运动嵌套网格方法 |
| 2.3 前飞旋翼流场CFD计算方法 |
| 2.3.1 前飞流场控制方程 |
| 2.3.2 流场空间离散 |
| 2.3.3 无粘通量的计算 |
| 2.3.4 湍流模型 |
| 2.3.5 流场时间离散 |
| 2.3.6 边界条件 |
| 2.3.7 加速计算方法 |
| 2.4 CFD/CSD耦合方法 |
| 2.4.1 旋翼桨叶动力学模型 |
| 2.4.2 旋翼桨叶运动方程的离散 |
| 2.4.3 旋翼桨叶运动方程的求解 |
| 2.4.4 弹性旋翼配平模型及求解 |
| 2.4.5 气动/结构交界面的信息传递 |
| 2.4.6 CFD/CSD耦合流场计算流程图 |
| 2.5 前飞流场算例验证 |
| 2.5.1 无CSD耦合时的前飞流场CFD方法算例验证 |
| 2.5.2 有/无CSD耦合的前飞流场算例验证对比 |
| 2.6 本章小结 |
| 第三章 前飞旋翼气动噪声计算分析方法及BVI噪声的发声机理试验研究 |
| 3.1 引言 |
| 3.2 前飞旋翼气动噪声计算方法 |
| 3.2.1 基于声学类比法的FW-H方程气动噪声计算模型 |
| 3.2.2 基于时域解的FW-H方程求解公式Farassat 1A |
| 3.2.3 基于可穿透积分面的FW-Hpds方法 |
| 3.2.4 延迟时间的计算 |
| 3.2.5 计算流程图 |
| 3.3 算例验证 |
| 3.3.1 UH-1H旋翼悬停气动噪声计算 |
| 3.3.2 AH-1G/OLS前飞噪声验证 |
| 3.4 BVI噪声发声机理初步试验研究 |
| 3.4.1 试验内容 |
| 3.4.2 试验环境、设备及模型 |
| 3.4.3 BVI噪声试验计算结果与试验结果对比 |
| 3.4.4 试验结果分析 |
| 3.5 本章小结 |
| 第四章 旋翼(尾桨)气动噪声被动降噪机理及特性研究 |
| 4.1 引言 |
| 4.2 下反桨尖外形对旋翼BVI噪声的影响分析 |
| 4.2.1 下反桨尖外形及网格生成 |
| 4.2.2 下反桨尖外形对BVI噪声的影响 |
| 4.2.3 下反桨尖降低旋翼BVI噪声的机理分析 |
| 4.3 参考桨叶外形改进后的BVI噪声降噪特性研究 |
| 4.3.1 低噪声桨叶与参考桨叶的外形对比 |
| 4.3.2 低噪声桨叶对旋翼BVI噪声的抑制分析 |
| 4.4 前飞状态剪刀尾桨降噪机理及特性研究 |
| 4.4.1 结构参数对剪刀尾桨噪声特性的影响分析 |
| 4.4.2 外形参数对剪刀尾桨噪声特性的影响分析 |
| 4.5 前飞状态旋翼尾流作用下的剪刀尾桨噪声分析 |
| 4.6 本章小结 |
| 第五章 旋翼气动噪声IBC主动降噪机理及参数影响研究 |
| 5.1 引言 |
| 5.2 小波分析方法 |
| 5.3 IBC控制参数对旋翼BVI噪声的影响研究 |
| 5.3.1 相位扫略的影响 |
| 5.3.2 幅值扫略的影响 |
| 5.3.3 频率扫略的影响 |
| 5.4 旋翼BVI噪声的IBC降噪机理研究 |
| 5.5 飞行状态参数对IBC降低BVI噪声的影响分析 |
| 5.5.1 不同飞行速度的影响 |
| 5.5.2 不同下降角度的影响 |
| 5.6 本章小结 |
| 第六章 前飞状态旋翼气动噪声主/被动综合降噪研究 |
| 6.1 引言 |
| 6.2 不同下反角桨尖旋翼在IBC控制下的噪声分析 |
| 6.3 低噪声桨叶旋翼前飞状态气动噪声主/被动综合降噪分析 |
| 6.3.1 参考桨叶旋翼在IBC控制前后的噪声分析 |
| 6.3.2 低噪声桨叶旋翼在IBC控制前后的噪声分析 |
| 6.3.3 有/无IBC控制下参考桨叶与低噪声桨叶旋翼噪声辐射特性对比分析 |
| 6.4 本章小结 |
| 第七章 总结和展望 |
| 7.1 研究工作的总结 |
| 7.2 本文的主要创新点 |
| 7.3 后续的研究工作与展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（10）基于声发射的直升机旋翼桨叶损伤在线监测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 直升机复合材料试件及损伤类型 |
| 1.2.2 直升机复合材料桨叶的无损检测技术 |
| 1.2.3 声发射检测技术的发展 |
| 1.2.4 声发射检测技术在直升机中应用现状及分析 |
| 1.3 存在主要问题 |
| 1.4 本文主要研究内容 |
| 第二章 直升机桨叶声发射损伤监测机理 |
| 2.1 直升机桨叶损伤监测的基本理论 |
| 2.1.1 复合材料桨叶损伤类型 |
| 2.1.2 复合材料损伤发生机理 |
| 2.1.3 常见裂纹监测方法 |
| 2.2 声发射技术的基本理论 |
| 2.2.1 声发射现象产生的条件 |
| 2.2.2 波的传播模式 |
| 2.2.3 波的模式转换、反射和折射 |
| 2.2.4 波的传播速度 |
| 2.3 声发射信号处理分析技术 |
| 2.3.1 声发射信号类型 |
| 2.3.2 声发射信号传统和现代处理技术 |
| 2.3.3 噪声的抑制与排除 |
| 2.4 本章小结 |
| 第三章 基于小波变换的声发射信号处理 |
| 3.1 连续小波变换及其性质 |
| 3.1.1 连续小波变换的性质 |
| 3.2 离散小波变换 |
| 3.3 声发射信号小波分析中小波基选取 |
| 3.3.1 常用的几种小波 |
| 3.3.2 小波基的选取规则 |
| 3.3.3 小波基的选择 |
| 3.3.4 声发射信号的降噪分析实例 |
| 3.4 本章小结 |
| 第四章 桨叶的声发射信号传播特性实验及分析 |
| 4.1 声发射波的传播原理 |
| 4.1.1 直升机桨叶试件声发射信号传播实验 |
| 4.1.2 声发射信号的衰减分析 |
| 4.2 广义谐波小波包 |
| 4.2.1 广义谐波小波概念 |
| 4.2.2 广义谐波小波变换 |
| 4.2.3 谐波小波包变换 |
| 4.3 声发射信号衰减的谐波小波包分析 |
| 4.4 本章小结 |
| 第五章 直升机桨叶损伤声发射实验及数据分析 |
| 5.1 直升机桨叶的声发射信号采集实验 |
| 5.1.1 试件的加工 |
| 5.1.2 实验条件与设备 |
| 5.1.3 实验过程 |
| 5.2 试件损伤声发射信号的处理 |
| 5.2.1 声发射信号滤波器的设计 |
| 5.3 小波能谱系数法 |
| 5.3.1 小波能谱系数法的应用 |
| 5.4 桨叶损伤声发射信号的特征分析 |
| 5.4.1 参数识别法的结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文的主要研究内容及结论 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
四、Wavelet analysis of helicopter noise signal（论文参考文献）
- [1]基于磁记忆检测的输气管道缺陷识别诊断技术分析[D]. 张鹏. 西安石油大学, 2021(09)
- [2]基于声发射技术的齿轮断齿检测研究[D]. 姚俊. 西南科技大学, 2020(08)
- [3]声发射技术在直升机旋翼桨叶损伤识别中的应用研究[D]. 叶杨. 南京航空航天大学, 2020(07)
- [4]基于深度学习的声目标识别技术研究[D]. 郭洋. 重庆邮电大学, 2019(02)
- [5]基于非接触测控系统的直升机旋翼桨叶故障诊断方法研究[D]. 吕宏政. 南京航空航天大学, 2019(02)
- [6]直升机旋翼噪声源分离方法与试验验证[D]. 唐朝. 南京航空航天大学, 2019(02)
- [7]运动声阵列对被动声目标的快速跟踪理论研究[D]. 邸忆. 南京理工大学, 2018(07)
- [8]面向气路部件健康管理的静电监测技术研究[D]. 殷逸冰. 南京航空航天大学, 2018(01)
- [9]旋翼（尾桨）气动噪声的主/被动抑制方法及机理研究[D]. 倪同兵. 南京航空航天大学, 2018(01)
- [10]基于声发射的直升机旋翼桨叶损伤在线监测方法研究[D]. 于杰. 南京航空航天大学, 2017(03)