基于CBR技术的航空远程故障诊断和维修体系

提出建立以CBR技术为核心的航空远程智能故障诊断和维修体系,其优点在于知识库的可维护性好,而且诊断过程和结果具有可解释性和透明性。     

基于支持向量机的航空发动机滑油监控分析

提出了一种基于支持向量机的航空发动机滑油金属含量预测方法。详细分析了支持向量机用于时间序列预测的理论基础,并给出了运用支持向量回归进行多步预测的一般公式,提出了用最终预报误差(FPE)准则优化选取嵌入维数。与传统的AR预测模型相比,支持向量机由于采用了新型的结构风险最小化准则表现出优秀的推广能力。经过数值仿真得出自回归(AR)模型仅适合于短期预测;支持向量机预测推广能力强、具有较强的鲁棒性和容错性,对较长区间预测仍具有较好的效果。最后,将其应用于某型发动机滑油的铁金属含量预测,取得了较好的效果。     

利用激光冲击强化提高均压孔结构的疲劳寿命

研究了用激光冲击强化的方法提高均压孔部位疲劳寿命的可行性.使用流水约束层和铝箔涂层,利用波长为1 064 nm,脉宽为20 ns,能量为35 J,光斑直径为5 mm的YAG激光器对试样进行了激光冲击强化处理.实验结果表明,该方法可以有效提高均压孔部位疲劳寿命.利用扫描电镜对试样断口进行了观察和分析,并对疲劳寿命提高机制进行了讨论.     

航空发动机转子部件故障诊断的模糊聚类方法

提出了用模糊C-均值聚类进行航空发动机转子部件故障诊断的方法。应用实例表明,所提出的方法是有效的,具有一定的应用价值。     

改进YOLOv4的表面缺陷检测算法

为解决航空发动机部件表面缺陷检测精度低、检测速度慢的问题,提出一种改进的YOLOv4算法进行智能检测。在路径聚合网络（PANet）结构中融合浅层特征与深层特征,增大特征检测尺度,同时去除自下而上的路径增强结构,提高小目标检测精度和整体检测速度;根据各类缺陷数量不同的情况,优化聚焦损失中的平衡参数,增加权重因子调节各类缺陷的损失权重,将改进后的聚焦损失代替分类误差中的交叉熵损失函数,降低样本不平衡和难易样本对检测精度的影响。实验表明：相比于原始YOLOv4算法,改进后的YOLOv4算法在测试集上的平均精度均值（mAP）为90.10%,提高了2.17%;检测速度为24.82 fps,提高了1.58 fps,检测精度也高于单发多框检测（SSD）算法、EfficientDet算法、YOLOv3算法和YOLOv4-Tiny算法。     

基于分岔理论的轴流式压气机旋转失速主动控制技术

旋转失速是轴流式压气机的一种基本气动不稳定工作现象,首先通过对Moore-Greitzer压缩系统模型的非线性动力学分岔分析,发现旋转失速是由亚临界的音叉分岔所造成;其次提出了一种基于分岔理论的非线性主动控制算法,采用压气机压比作为输入测量信号,节流阀位置作为输出激励信号;最后采用分岔软件AUTO进行了计算机数值仿真,仿真结果表明,提出的非线性主动控制算法使得音叉分岔由亚临界转变为超临界,从而消除了旋转失速迟滞环,以及扩大了压气机的稳定工作范围.此外,由于控制系统仅仅需要一维布局的传感器和激励器,因此同时具备了较好的工程应用前景.     

TC17钛合金激光喷丸应力场及支持向量机应力热松弛模型

对TC17钛合金进行了不同功率密度下激光喷丸强化,使用X射线衍射仪测试了激光喷丸冲击波诱导的残余压应力场的分布,测试了不同温度真空保温下残余压应力的热松弛规律,最后基于支持向量机理论建立了残余压应力热松弛预测模型,并用试验结果对模型进行验证.研究表明:TC17钛合金在功率密度为4GW/cm2时表层残余压应力场最佳;残余压应力在280℃和450℃真空保温150min后分别有11.24%和27.11%的松弛;在280℃和450℃交替保温160min后应力松弛33.9%;残余压应力在试验温度保温160min后有大部分剩余,可以有效提高TC17钛合金抗疲劳性能、基于支持向量机的预测模型能够较精确的表征TC17钛合金的应力松弛规律,满足工程使用要求,对其他材料表层残余压应力热松弛分析具有借鉴意义.      

激光支持爆轰波的仿真研究

采用了爆轰波的C-J起爆模型,计算了激光支持爆轰波初始参数,得到激光功率密度与爆轰波波面初始参数的关系.利用流体力学的方法建立爆轰渡在靶与约束层双重约束作用下的二维辐射膨胀模型,用Fluent软件进行仿真研究,得到了激光冲击强化后不同时间对应的爆轰波压力和轴向速度分布,仿真结果与激光冲击强化GH742试件后表面残余应力分布的实验结果一致.     

一种基于指数损失函数的多类分类AdaBoost算法及其应用

 提出一种新的多类分类AdaBoost算法——使用多类分类指数损失函数的前向逐步叠加模型FSAMME（forward stagewise additive modeling using a multi class exponential loss function）。该算法是基于原始的两类分类AdaBoost算法归结为使用两类分类指数损失函数的前向逐步叠加模型的统计学观点,将两类分类的前向逐步叠加模型自然扩展到多类分类情况下得到的,并采用多类指数损失函数和前向逐步叠加模型对FSAMME进行了详细的理论证明。该算法大大降低对弱分类器的精度要求,只需每个弱分类器的精度比随机猜测好;算法简单明了,不用把多类问题转化为多个两类问题,而是直接求解多类分类问题,大大减小计算复杂度和计算量。通过对基准数据库的测试分类及航空发动机故障样本的诊断,结果表明:FSAMME算法一方面可达到较高的分类诊断准确率,其准确率明显高于AdaBoost.M1,略高于AdaBoost.MH;另一方面可大大减小计算成本,满足在线快速分类诊断的要求。     

对现代企业数字化管理的探讨

从组织、供应链管理、客户关系管理等方面对数字化管理理论进行了探讨 ,并提出了数字化管理模型。