软件测试的度量方法及其应用

软件测试是找出软件中的错误,它是保证软件质量的关键,软件测试的度量是对影响软件测试的属性所进行的定量测量.本文简述了应用软件测试度量技术时所应具有的基本知识,通过一个实例,介绍并讨论了一种实用的关于软件测试进度安排和软件错误数的度量方法.     

极区中层惯性重力波的VHF雷达观测

本文采用ＳＯＵＳＹＶＨＦ雷达１９８７年６月在挪威Ａｎｄｏｐｖａ（６９°Ｎ，１０°Ｅ）的观测数据，研究中层惯性重力波的传播特征．几个周期为数小时的准单色波例子，在垂直方向上有确定的相位移动，表明它们是惯性内重力波．通过分析波相关的流体速度东向和北向分量的变化，获得水平传播矢量的大小和方向，它们与中层高度上典型的观测值一致．同时还观察到三个等相面上行的惯性重力波，其速度偏振椭圆是逆时针旋转的．波相关的扰动速度为１５－４０ｍ／ｓ，说明在中层存在强烈的向下的能量传输．估算出它的运动学参量，周期为数小时，垂直相速度在０．ｌ—０．６ｍ／ｓ之间，垂直波长约为６．０ｋｍ．     

激光工艺制造SiCP-Al表面金属基复合物

研究了激光工艺预置SiCP表层厚度对表面改性层显微结构的影响,并研究了SiC颗粒与熔池的浸润行为,以及熔池内部SiC颗粒与铝合金基体之间的界面反应机理.与基体相比,涂层的硬度和耐磨性均有大幅度提高.     

基于支持向量机方法的发动机性能趋势预测

为了提高对航空发动机性能趋势预测的精度，提出利用支持向量机方法来预测表征发动机整体性能的参数一性能综合指数。建立了基于支持向量回归的一步及多步预测模型，利用该模型对性能正常衰退及性能异常发动机的综合指数分别进行预测，并与自回归(AR)模型的预测值进行比较。结果表明，基于支持向量机的预测模型比AR模型的预测精度更高，其四步预测精度由80．56％提高到88．51％。因此该模型尤其适合中、长期预测。     

叶片轮盘组合体模型的多点激振试验研究

 本文介绍了利用我院研制的电涡流激振器在叶轮组合体模型上实现非接触式多点激振的试验研究情况,分析了试验原理,论证了分离纯模态的激振力布点调力调相准则;列出了各模型的试验结果,并对叶片轮盘耦合振动的若干规律作了探讨。文中,还阐明了在复杂结构振动试验中采用多点激振的意义和需要解决的一些问题。     

嵌入式软件测试研究

简要介绍了软件测试的基本概念和理论;阐述了软件测试在产品研发过程中的地位与作用;结合嵌入式系统开发的经验和从事软件测试的体会,探讨了软件测试的策略以及如何进行软件测试的设计,并提出了针对我国企业软件测试现状的软件测试解决方案。     

制造误差对气体静压轴承涡流力矩影响分析方法研究

 采用有限元方法研究了制造误差对狭缝节流气体静压轴颈—止推轴承的涡流力矩的影响。对于轴颈—止推相连结构的气体轴承,通过相容变换进行统一编程计算;在离散化过程中,利用加权余量法将二阶偏微分方程降低一阶,放松了对插值函数连续度的要求,便于借助有限元技术分析狭缝节流气体静压轴承的流场参数。分析了狭缝气膜宽度误差和轴颈圆度误差对涡流力矩的影响,以及轴颈的不同安装角度、偏心等因素对涡流力矩的影响。经对比验证,有限元计算结果与实测结果基本一致,研究结果对于气体静压轴颈—止推轴承的设计、装配优化和性能预测有重要指导意义。     

碳纤维增强复合材料新钻型结构设计及其对比试验

在碳纤维增强复合材料(CFRP)制孔过程中,易产生毛刺、分层等制孔缺陷,而钻头结构是影响制孔缺陷形成的关键因素。对此,在原有钻型基础上设计了两种新钻型,研究了原有钻型和两种新设计钻型的钻削轴向力和制孔效果。结果表明,在相同钻削工艺参数下,原有钻型"V型"刃的修除阶段的轴向力归零速度最大,新设计的燕尾开槽钻型的最小,这与制孔缺陷的变化规律基本一致,轴向力归零速度与制孔缺陷具有较好的映射关系;3种钻型均能有效减少毛刺,与原有钻型相比,新设计的两种钻型均能更好的去除毛刺和降低制孔缺陷;原有钻型的制孔缺陷以撕裂为主,新设计的开槽新钻型和燕尾开槽新钻型则以分层缺陷为主。据此可为CFRP制孔的刀具结构设计提供新的设计思路。     

透射式水工质的高耦合效率激光推进模式

为了提高激光推进的耦合效率,防止光学器件污染,提出了透射式液体工质的激光推进模式。在这种推进模式中,Nd:YAG固体激光器中产生的450 mJ,7 ns激光穿过透明的玻璃基底后,与燃烧室中的液体推进剂相互作用,产生的等离子体在玻璃基底、燃烧室和液体推进剂的约束下膨胀,产生很高效率的动量转换,使靶获得初速度。纯水和黑墨水分别被用作推进剂,通过比较实验结果发现,在这种模式中墨水比水更适合做推进剂。通过改变燃烧室的长度和孔径,得到的耦合系数的最大值为17 858.3 N/MW。     

基于支持向量机的组合分类方法及应用

为了解决采用神经网络、决策树作为弱分类器的AdaBoost组合分类存在的不足,进一步改善组合分类效果,提出采用支持向量机(SVM)作为弱分类器的一种新的组合分类诊断方法——AdaBoost-SVM。该方法没有采用一个固定的SVM的核参数,而是自适应调整SVM中的核参数,从而得到一组有效的SVM弱分类器。通过对基准数据库的测试及航空发动机故障样本的诊断,结果表明,所提AdaBoost-SVM方法较好地解决了现有的Ada-Boost组合分类方法中存在的弱分类器本身参数选取困难问题及训练轮数的合理选取问题,并具有更好的泛化性能,更适合对分散程度较大、聚类性较差的航空发动机故障样本进行分类。