工业CT检测技术在5 kN发动机研制中的应用

针对5 kN发动机结构焊缝和复合材料喷管不可检不可测的难题,开展了工业CT检测技术研究。分析了复杂结构焊缝和复合材料喷管的常规方法检测难点,利用工业CT检测技术穿透能力强、不受工件复杂结构影响的优势,对5 kN发动机产品中的电子束焊缝、氩弧焊焊缝、复合材料喷管等结构进行了检测试验,得到了良好的检测效果。结果表明,工业CT检测技术可以识别5 kN发动机产品中的气孔、未焊透、分层、裂纹等缺陷,并实现对缺陷的定位与测量,可为焊缝质量评估提供依据。     

基于离散粒子群算法的航空发动机总装工艺优化方法

为了提高航空发动机总装工作的效率与质量,加强对总装工序和总装机件的管控,量化不同总装人员工作任务量,提高发动机总装的一致性和可追溯性,提出了1种发动机总装分区优化方法。以改进的2进制粒子群算法为基础,平衡了发动机总装各区域的工作内容,最小化各总装区域的工作差异,增强了每个区域装配机件的关联度,提高了总装工作的并行度,从而提高了装配质量。以某型发动机总装区域划分工作为实例,通过上述算法进行了总装区域划分,量化了所有装配区域每一工序的具体装配内容,减小了不同装配区域间的机件差异,杜绝了缺件、剩件等装配问题。     

基于模型的装备维修性设计控制技术

伴随数字化设计方法日趋成熟,飞机装备维修性设计面临如何与三维数字化设计环境下功能性能设计同步的难题。对比分析了数字化环境维修性设计与传统维修性设计的主要差别,提出了基于飞机装备数字化设计环境维修性设计流程,研究了维修性设计参数的表达模型以及维修性参数信息在三维设计数字环境中的转化、集成与利用方式。基于图论和网络节点框图,提出了一种以节点网络图、单节点维修时间模型、维修过程时间模型为表征的飞机装备维修性设计与控制方法。经实例验证,提出的这套基于数字模型的维修性设计技术,对装备在数字化设计环境下同步开展维修性设计具有一定的工程指导价值。     

某型装备轴承件无失效时的可靠性参数估计

针对寿命服从威布尔分布的某型装备轴承件在无失效数据时的可靠性参数估计问题,首先,以失效概率为待估参数,取其先验分布为Beta分布,在2个超参数的先验密度函数为2种不同情形下,建立了失效概率的2种EBayes估计模型,分析了稳健性、渐近性和单调性;然后,对威布尔分布参数进行了加权最小二乘估计,进而建立了可靠度的2种E-Bayes估计模型,分析了稳健性和单调性;最后,结合实例数据进行了可靠性参数估计与分析,指出第2种估计模型更加合理有效。     

基于火箭橇的无人机碰撞民用飞机试验技术研究

无人机碰撞民用飞机关键部位损伤程度的研究是民航领域关注的新型热点问题。本文首次提出采用 火箭橇试验评估无人机碰撞民用飞机的安全性。通过对碰撞速度、碰撞位置、无人机姿态、参数测量等进行研 究,设计碰撞技术方案,论述火箭橇的设计、弹道控制设计、强度校核和测试方案,并进行试验验证和仿真计算。 结果表明:本文设计的火箭橇碰撞试验方案是可行的,实现了单一弹道上的连续多点碰撞及多视角、全覆盖、高 稳定的全过程记录;可为后续开展同类碰撞试验提供必要的技术参考,所开展的多发次碰撞试验也为无人机碰 撞民用飞机的安全性评估提供了有效的试验数据。     

多变量全局寻优与智能优化在星座组网中的应用

顶层任务规划通常与星座组网紧密结合,小卫星分散灵活的特性尤其适用于星群规模化在轨运行。针对热点区域覆盖和全球覆盖的不同任务需求,提出了对构型多变量进行全局寻优和利用智能优化技术进行星座构型优化的方法,两种优化方法可分别获得小规模星群最优效能与超大型星群的较优效能。优化方法不受轨道类型和任务目标分布的约束,具有良好的鲁棒性。     

一种基于工程化气动加热算法的天线热防护设计

高超音速气动热仿真技术是提高天线热防护能力的重要支撑之一,为了进一步缩短研制周期和节约成本,本文提出了一种以冷壁热流和壁面恢复焓为输入条件,以MATLAB和CFD联合迭代快速求解高速气流中天线温度场的工程化算法。在利用气动热试验证明仿真结果与实验数据的高一致性后,以该仿真方法对一个高速气动加热时长为500 s的天线实施了防隔热优化设计,根据仿真评估出的导致核心器件温升的主、次要因素,针对性地提出改进措施,最终目标印制板由过往的320℃下降到了142℃,热控效果显著。     

基于表观细粒度辨别网络的近海船舶目标检测方法

近海船舶目标检测是一项非常具有挑战性的任务,受到学者专家广泛关注。基于卷积神经网络（CNN）和注意力机制的检测器在近海船舶目标检测方面的应用取得了显著成就。然而,船舶目标检测存在着表观相似和背景干扰导致检测过程中出现误检的问题。为此,本文提出了一种用于Faster RCNN（更快的基于区域的卷积神经网络）的表观细粒度辨别的检测头模块。该模块包括类别细粒度分支和高效全维动态卷积定位分支。其中类别细粒度分支通过全局特征建模和灵活的感知范围来挖掘和利用类别细粒度辨别特征,高效全维动态卷积定位分支通过高效灵活的感知船舶边界信息来区分目标与背景,从而减少误检漏检问题。通过在近海船舶公开数据集Seaships7000 上进行实验验证,本文算法减少了误检漏检,提升了检测器性能。     

惯性推算误差抑制的神经网络自学习模型设计与验证

惯性推算误差抑制是提升复杂场景下组合导航定位性能的关键,现有采用运动约束或系统误差高阶建模的方法从运动学模型及传感器误差模型出发,通过经验确定参数及模型的最优解。深度学习隐式模型能够挖掘数据之间的隐含关系,进行自主化参数寻优,并在提升惯导误差建模精度方面具有一定优势。总结了现有主流网络模型设计的优缺点,通过对比不同的输入输出方案进行优选,最终利用卷积神经网络构建了一套惯性误差抑制的轻量化神经网络自学习模型,并利用实测车载数据验证了该模型的有效性。实验结果表明,在GNSS信号失锁300 s的路段I和失锁285 s的路段II,网络模型速度约束的算法相较于纯惯性推算和传统NHC算法均有一定提升,融合NHC及网络模型速度约束的算法在水平定位精度上分别改善了41.7%~47.4%和26.7%~36.6%,一定程度上抑制了惯性推算误差。     

无人车基于激光雷达/视觉的目标体积自动测量方法

近些年,基于激光雷达和视觉的目标感知在无人系统中得到了广泛应用。目标的体积测量在很多应用场景可以发挥极其重要的作用,然而对识别感知目标的体积测量,目前尚无大量研究。首次提出了一种基于激光雷达/视觉的无人车目标体积自动测量方法,实现了无人车与目标体积测量功能的结合。通过在LeGO-LOAM算法中加入点云畸变补偿,相较于原始LeGO-LOAM算法,无人车在高速情况下的构图精度得到提升;通过将激光雷达与视觉进行深度融合,实现了目标的自动识别与全局定位;通过基于平面拟合的地面分割与欧式聚类,实现了目标点云轮廓的实时获取;通过设计一种基于切片法的不规则物体体积测量方法,实现了无人车在运动情况下对目标体积的自动估计。最终,分别通过Gazebo仿真和实际试验验证了算法的有效性。试验结果表明,所提算法在无人车运动的情况下对静态目标物的实时体积测量精度优于3%,具有较好的工程应用价值。