基于多智能体系统的飞机舵面故障诊断方法

采用了多智能体系统方法对飞机系统的舵面故障诊断问题进行分析.首先从飞机系统的复杂性角度分析了该方法对其进行故障诊断的适应性,然后提出了对组成飞机舵面故障诊断系统的各智能体进行分类、建模和编码的方法,并在此基础上提出了故障诊断智能体的交互模型.在仿真实例中,采用Simulink建立了F-16飞机的仿真模型,用JADE平台构造了故障识别智能体以通过数据融合来对具体的舵面故障进行诊断,并利用MAC-Sim建立了Simulink与JADE平台之间的信息互通.仿真结果说明,该方法能够通过智能体的交互与协作来实现飞机舵面单故障和组合故障的在线协同诊断.     

飞机结构多处损伤研究现状

多损伤是老龄飞机最主要的损伤形式,在文中介绍了多损伤应力强度因子的计算方法和多裂纹连通准则,飞机结构多损伤裂纹扩展模型和可靠性分析研究现状.     

LY12铝合金微动腐蚀特性及损伤机制研究

微动广泛存在于航空航天等各种机械构件中,加速构件接触表面及表层裂纹的萌生与扩展.由于海军飞机服役环境的复杂性,铝合金构件腐蚀相当严重,因此了解铝合金微动腐蚀规律具有极其重要的作用,有助于减少微动腐蚀,为老龄飞机的维护提供更多技术指导.结合微动损伤理论分析了铝合金在大气和盐水中的微动特性,总结了微动磨损过程主要的损伤机制...     

飞机结构搭接件腐蚀试验研究

分析了导致海军飞机结构腐蚀的主要因素,基于飞机地面停放环境谱,对航空LY12CZ铝合金等多种材料搭接试验件进行了5,10,15,20,30等多个当量年限的加速腐蚀试验及修复后加速腐蚀试验及海洋环境下的暴露试验,利用显微镜对试件表面涂层、金属基体材料腐蚀情况进行观察和测量,根据腐蚀评价指标对试验件腐蚀状况进行了分析比较,...     

基于RHC的航班着落调度多目标优化算法

研究了基于滚动时域控制(RHC)策略的终端区进场航班动态排序问题,目的是在终端区空中交通繁忙的情况下,有效地为到达航班安排合理的着陆次序,在满足安全间隔兼顾管制员负荷的情况下,给出航班经过多目标优化的着陆时间,提高航班进场率,降低飞行延误成本。建立了基于RHC的航班动态排序模型,并利用精英保留策略的遗传算法对一个算例进行验证计算。算例仿真结果表明,进场率得到了提高,延误时间和成本明显减少,验证了方法的有效性。     

基于全知熵的模式集成不确定性度量模型

不确定性是模式集成的一个固有性质,不确定性度量对模式集成具有重大影响。本文提出一种度量模型,在该模型中模式对象及其属性清洗模块使该模型免受规模影响。根据模式集成多属性分阶段决策的特点,本文基于粗糙集理论的全知熵不确定率进行各阶段的不确定性度量,并把过程模型的不确定性度量引入到总体不确定性的度量中,最后给出了合成多不确定率的方法。实例分析证实所设计模型是可行、有效的。     

苯并恶嗪树脂基的Z-pin拉挤工艺(英文)

Z-pin技术是一种有效的复合材料层间增强方法,本文对苯并恶嗪树脂的Z-pin拉挤工艺进行了深入研究。以差热扫描量热仪(Differentialscanningcalorimeter,DSC)分析苯并恶嗪固化特性为基础,结合外观检查和Z-pin短梁剪切试验研究得到合适的拉挤模具温度。设计了Z-pin拔脱试验并利用该试验研究了后烘道温度对Z-pin与层合板结合强度的影响,获得了后烘道的最优温度。最后分析了Z-pi的显微照片并对Z-pin质量进行整体评价。结果表明,苯并恶嗪树脂加热至70°C时,其粘度可满足拉挤需要,工艺适用期约为4h;随着模具温度的升高至140°C,Z-pin的短梁剪切强度逐渐提高,并且截面形状圆度更佳;随着后烘道温度降低,Z-pin与层合板的结合强度提高,但当温度低于200°C时,Z-pin内部出现了气泡,后烘道温度的最佳温度为200°C。     

基于模糊综合函数的目标识别融合及B/S模式在智能监控中的应用

针对虹桥机场通信管网人井的监控问题,本文利用基于模糊综合函数的目标识别融合理论实现多传感器决策级数据融合,提高通信人井井盖监测的准确性,并以B/S模式构建分布式通信人井多传感器集中智能监控系统。这两种理论保证了本套在线实时监控系统成功地应用于虹桥机场,保证了机场的通信管网安全畅通。     

降落伞开伞过程的试验研究

探讨了降落伞充气过程中开伞动载的产生原理及其影响因素,提出了在风洞中模拟真实开伞动载的可行性。在此基础上,对小型平面圆形伞的开伞过程进行了试验,研究了开伞过程中伞衣形状和伞衣所受载荷之间的关系。试验表明:开伞载荷受降落伞阻力和附加质量变化率产生的力影响最大;在开伞过程中伞衣会发生“呼吸”现象,伞衣所受最大载荷出现在伞衣第一次完全充满时。同时,变速风洞的伞衣载荷研究表明,变速风洞可较好地模拟实际开伞情况。     

基于BP神经网络的复合材料性能预测

针对复合材料性能表征十分复杂、困难的情况,利用人工神经网络的BP算法,建立了复合材料性能预测模型。模型由3层神经元组成,分别为输入层、隐含层和输出层。以碳/陶瓷复合材料性能与成分的关系为研究对象,选取了38组实验数据作为学习样本,模型总误差为0.18,用建立的网络预测未知,并给出预报曲线。和试验值相比较表明,所建立的网络能反映碳/陶瓷复合材料组分与其材料性能之间的关系,为实验设计提供了新的思路,节省了时间和劳力。