对国际上流行的非火工释放装置的研究状况进行了综述,按解锁驱动方式的不同,将其分为熔断释放装置、石蜡驱动释放装置、基于形状记忆合金的释放装置、电磁铁驱动释放装置和电机驱动释放装置5大类,分析了各类装置工作原理、性能特点和应用背景,指出各类装置的不足及其潜在的问题;基于形状记忆合金的释放装置和直流电机驱动释放装置的显著优势,将会成为未来的主要研究方向。对小型航天器上非火工释放装置的研制及发展趋势,做出了预测与展望。

在对旋转机械进行故障诊断时，通常要从时域、频域或时频域提取故障特征参数，组成原始的故障特征向量，然而在众多的故障特征当中并不是每个特征对于故障分类都是敏感且有效的。为此，本研究提出了基于ReliefF算法和相关度计算结合的故障特征降维方法。采用ReliefF加权特征选择算法对原始各特征的分类能力进行评价，选择出分类能力较强的特征；再通过特征相关度算法剔除其中分类能力相近的冗余特征，将剩余的分类能力较强的特征组成最终的降维特征向量用于故障分类和诊断，实现原始特征的降维。通过液压泵和滚动轴承的故障诊断实验，并与传统的主元分析（PCA）方法对比，结果表明该方法能够用较少的降维后的信号特征获得更高的故障正确识别率。

提出了一种基于变分模态分解（VMD）消噪和核模糊C均值（KFCM）聚类相结合的滚动轴承早期故障识别方法。首先提出一种通过综合运用泄漏能量和互相关系数函数确定VMD预设尺度数K的新方法，弥补了VMD方法通常按经验选取预设尺度数方法的不足；然后对振动信号进行VMD分解得到K个限带的内禀模态函数（BIMF）分量，利用归一化的自相关系数函数能量集中比大于0．9的原则确定含有噪声的BIMF分量，并剔除这些含噪BIMF分量，再将剩余的BIMF分量叠加进行信号重构，实现了信号的消噪；最后计算各样本重构信号的均方根值和归一化能量值得到二维特征向量样本集，并输入到KFCM聚类器进行故障诊断。利用实测轴承故障数据进行验证，结果表明与经验模态分解（EMD）方法相比，可以有效地实现滚动轴承早期故障诊断。