基于最小一乘的跑道入口高度计算

跑道入口高度是关系着飞机能否安全着陆的关键参数,在其计算中需要采用曲线拟合预测的方法。目前大多是采用基于最小二乘准则的拟合方式。由于最小二乘准则的局限性,当下滑道随机误差不满足正态分布,在飞行数据中出现异常点时会给预测带来较大误差。将最小一乘方法引入到跑道入口高度计算问题中,提高了算法的稳健性,很好地克服了这一问题。     

考虑筋条扭转弹性支持的轴压复合材料加筋板局部屈曲分析方法

考虑筋条的扭转弹性支持作用,采用里兹能量法建立了轴压复合材料加筋壁板蒙皮局部屈曲问题的理论模型。考虑筋条下缘条对蒙皮的影响,对该理论模型提出了一种改进计算方法。对典型复合材料加筋平板轴压局部失稳临界载荷进行算例分析,通过理论分析结果、试验结果和有限元仿真结果的比较,验证了本文方法的合理性。同时实验结果表明,采用本文方法可显著提高蒙皮局部屈曲载荷计算结果的精度。本文方法可用于复合材料加筋壁板蒙皮局部稳定性前期分析设计中。     

致谢

时光荏苒,岁月如梭!转眼间《航空工程进展》已经走过了两年的历程。过去的一年里,在中国航空学会和西北工业大学的领导下,在各位顾问、编委和审稿专家的倾力协助下,在广大作者与读者的热切支持下,《航空工程进展》不断夯实基础、日益稳步发展,圆     

PSO-LSSVM在民机气动性能数学建模上的应用

目前风洞试验仅为民用飞机飞行性能提供有限数据.全飞行包线的技术支持对于民机飞行试验十分重要,需要采用数学建模和参数辨识的方法.选择合适的机器学习算法是参数辨识中最为关键的一步.支持向量机(SVM)采用结构风险最小化原理,尤其适用于小样本情形.根据A320非巡航起降阶段的几组真实数据,以及全机气动力估算的结果,使用最小二乘支持向量机建立预测模型.随后采用粒子群算法优化模型参数从而提升泛化能力.由此实现民机飞行包线的气动性能整体建模与辨识.与Ma=0.78时的实验数据相比较,PSO-LSSVM模型的预测结果吻合,是一种有效的气动数学建模方法.     

基于支持向量回归机的航材周转件需求预测

将机器学习应用于航材库存管理之中,提出了基于支持向量回归算法的航材周转件需求预测模型。将聚合处理后的周转件月需求数据分为训练集和测试集,以训练集为输入,选取核函数和模型参数,对支持向量回归机进行训练。应用训练完成的支持向量回归机,以测试集对模型进行验证,预测结果证明了模型的有效性。     

经济先发地区居民收入对幸福感影响的实证研究——基于非参数、半参数及分位数回归方法

选择经济先发居民为研究对象,通过构建半参数及分位数回归模型,系统研究绝对收入、相对收入、期望收入等变量对幸福感的影响,我们发现:绝对收入对幸福感有显著的正相关关系;相对收入对高学历者影响不显著,但对低学历者影响显著;绝对收入对幸福感越低者的影响越显著;相对收入对中低幸福感群体影响显著,每周工作时间对低幸福感群体影响显著且强度大,但对高幸福感群体的影响力在降低。     

中航工业沈飞民机工程研发中心

中航工业沈飞民机工程研发中心是集民用飞机结构设计、强度设计、系统安装设计、客户支持、适航管理、材料及工艺、构型管理、标准化等多专业于一体的综合性民用飞机设计研究单位。工程研发中心拥有一支200余人的研发团队,60%人员具有海外工作经历,先后参与加拿大庞巴迪C系列项目、中国商用飞机项目、荷兰福克A350项目的联合设计及国产新型涡桨支线飞机项目的设计工作。2011年,工程研发中心研发设计体系通过了AS9100C版认证,标志着中心具备了独立承接民用飞机机体结构研发设计任务的资质。     

基于广义回归神经网络的传感器故障检测

为了研究航空发动机试验中精确数学模型未知的多传感器故障诊断问题,采用基于广义回归神经网络(General Regression Neural Network,GRNN)组的故障检测方法,提炼出传感器之间的约束关系和故障规律,构建了一组多输入多输出GRNN,用于估计传感器输出,与测量值生成残差,通过与门限值比较判断可疑传感器,找到神经网络组中的具有最小可疑传感器数的GRNN。采用可疑传感器的估计信号做为重构信号交叉验证其它GRNN。通过验证即可确定可疑传感器为最终故障传感器。为了控制神经网络的回归精度,将多输入多输出神经网络分解为多个多输入单输出网络。通过仿真数据验证了该方法用于传感器故障检测的可行性。     

一种基于非线性回归的载人航天器密封舱内在轨噪声分析方法

文章提出一种载人航天器密封舱内噪声非线性回归通用分析方法,可基于地面噪声试验测得的数量较多的数据样本和在轨噪声测试获取的少量数据样本,建立密封舱内位置–在轨噪声的数学模型。经验证该模型能够较为准确地拟合密封舱内在轨噪声水平,从而为开展载人航天器的降噪设计、优化噪声仿真模型和验证降噪措施效果提供数据支持。     

基于小波变换和支持向量机的开关电流电路故障诊断新方法

针对开关电流(Switched current,SI)电路的故障诊断和定位问题，为进一步提高故障诊断准 确率，提出了基于小波变换和粒子群优化(Particle swarm optimization，PSO)支持向量机 (Support vector machine，SVM)的开关电流电路故障诊断新方法。该方法首先对节点电流 信号进行蒙特卡罗分析，然后通过小波分解计算分形维数，再利用核主元分析（Kernel pri ncipal component analysis，KPCA）降低特征值维数，实现最优故障特征的提取。最后通 过PSO SVM完成对各种故障模式的分类。对六阶切比雪夫低通滤波器进行了仿真实验验证， 获取了较高的故障诊断准确率，与其他方法进行比较，实验结果显示了本文方法的优越性。