MIMO窄带加宽带非高斯随机振动试验

提出了一种用于多输入多输出窄带加宽带非高斯随机振动试验方法。首先，详细分析了随机相位与非高斯随机信号偏度和峭度的关系，提出了一种可用于快速生成具有指定偏度和峭度的迭代相位调节法。其次，根据控制通道之间的耦合关系，利用各通道之间随机相位的不相关特性，实现了多通道非高斯随机信号生成的解耦。然后，将生成的非高斯随机信号作为参考输出响应，采用时域逆系统方法生成驱动信号，并利用控制算法分别对响应信号的功率谱、偏度和峭度进行控制。最后，通过三轴向振动台试验验证了本文提出的多输入多输出窄带加宽带非高斯随机振动试验方法的可行性。结果表明，控制点上加速度的功率谱被控制在了±3 dB的容差限内，满足预设的容差要求。同时，时域响应信号的峭度和偏度也满足给定的参考要求。     

风雷软件LES开发设计与验证

基于国家数值风洞风雷软件开源框架，设计开发了LES(Large Eddy Simulation)湍流模型，主要包括Fourier谱/有限差分方法 LES求解器和有限体积/有限差分方法 LES求解器。简要介绍了采用的不可压缩流动求解的投影法、Fourier谱/有限差分混合方法、亚格子模型等理论方法，给出设计的软件框架和计算流程，尤其说明采用的松/紧2种耦合模式。通过数值模拟不可压缩槽道湍流、亚临界雷诺数圆柱绕流、NACA0012临界攻角的低频振荡算例，验证求解器的计算精度和复杂湍流模拟能力。基于风雷开源框架设计的开源LES模型，具备高精度数值格式、亚格子模型、湍流统计等通用模块，可为国内学者提供一个LES湍流模拟研究的开放平台。     

基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆（LSTM）网络对于多维数据特征识别和提取上存在不足的问题，在其改进模型嵌套式长短期记忆（NLSTM）网络的基础上，提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络，保留捷径连接中的卷积神经网络结构，既能充分提取时序特征又能保证有用数据在网络层中的跳层传递，并融入注意力机制构建多层残差网络，注意力机制的使用能够选择出对预测结果有重要影响的信息，有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析，结果表明：所述方法能有效建立监测数据与发动机健康状态之间的关系，剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%，比未融入注意力机制方法平均降低18.9%，有效提高了预测精度。     

基于函数链神经网络的深度分类器

目前的宽度学习系统（Broad learning system，BLS）通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接，网络权值可以用求解伪逆的方法快速求得，避免了耗时的训练过程，从而成为快速而高效的学习方法。然而在追求高精度结果的过程中，BLS对于增强节点数量的需求过于巨大，容易造成过拟合问题。为此，本文提出了基于函数链神经网络（Functional-link neural network，FLNN）的深度分类器（FLNN based deep classifier，FLNNDC），旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构，每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点，而不是全部映射节点。和原宽度结构相比，在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。     

以“精”为业助力航空——走进精密制造技术航空科技重点实验室

精密制造技术作为装备制造业中的关键技术,长期以来被世界各国列为产品研发和技术应用的重点。精密制造技术航空科技重点实验室依托于北京航空精密机械研究所,以国家重点工程与型号的任务需求为牵引,紧密围绕航空武器装备的科研与生产任务,长期从事精密/超精密加工、精密测量、智能制造等基础及应用基础研究,为我国多个型号航空武器装备的研制、生产与发展做出了很大贡献,并且创造出了显著的经济与社会效益。