成功转型靠质量

9月7日,世界主要飞机制造商波音公司在北京发布其2011中国市场展望。今年的展望较之去年的更为乐观。根据波音的预测,在直至2030年的未来20年内,中国将需要5000架新飞机,价值6000亿美元。中国航空市场在未来20年将呈现长期强劲增长,客运量(RPK)将以年均7.6%的速度增长,货运量年均     

基于雷达航迹的航空器质量估算

为保障基于轨迹运行的顺利实施,必须提高四维航迹预测的精度,而四维航迹的精准预测依赖于航空器质量准确估算。鉴于此,构建并分析了航空器能量模型;基于雷达航迹与航空器基础资料( BADA),提出了新型的航空器质量估算方法与步骤;利用最小二乘算法求解了航空器质量的估计值;分别基于预测航迹、雷达轨迹与QAR数据,采用相对误差作为评价指标,实施验证与分析。验证结果表明,提出的方法可将航空器质量估算误差控制在5%以内,从而能够有效地提高航迹预测精度。     

基于灰色神经网络的APU维修成本预测研究

对APU的维修工作进行分析,提出APU维修成本的结构组成,利用APU在翼性能参数与维修成本的映射关系确定预测参数,在传统灰色预测方法的基础上融合BP神经网络,构建了基于灰色神经网络的APU维修成本预测模型。以某航空公司APS3200型APU维修数据为样本,运用MATLAB对影响参数进行关联分析,并对所建立的模型进行拟合和验证分析。该模型具有样本少、训练快、预测精度高等特点,实现了对APU维修成本的准确预测,可为航空公司年度APU维修预算制定、维修合同谈判、经济性拆发等提供决策支持。     

基于GARCH族优选模型的舰船器材消耗预测

器材消耗量预测是做好技术保障工作的前提和基础,受设备生命周期、任务类型、海洋环境及使用设备人员的技能水平等因素的影响,舰船器材消耗量序列会随着时间的推移而产生波动现象,丛集效应和高峰厚尾特征明显。根据 AIC(A-Information Criterion)准则,对 GARCH(Generalized Autoregressive Conditional Heteroscedasticity)族模型进行比较优选,寻求一种更为合适的预测模型,实现对消耗量的准确预测。     

小样本条件下多应力加速寿命试验预测方法

鉴于导弹中的电子设备价格昂贵、可用于试验的样本量少,在开展加速试验以及寿命预测的实际工作中通常为小样本的背景。文章研究探索小样本条件下多应力加速试验寿命预测方法,分别建立通用对数线性模型、 BAS-BP神经网络模型、灰色–支持向量回归模型,结合多应力加速试验数据在各应力条件下的样本容量分别为 56组、20组、10组、5组的情况下,比较 3种模型的预测效果,分析各模型的适用场合和时机,探索小样本条件下模型的选优问题,为小样本条件下多应力加速试验寿命预测提供有益的借鉴。     

基于MPC和ESO的无人直升机姿态控制

针对无人直升机在干扰下的姿态跟踪问题,提出了一种基于模型预测控制(MPC)和扩张状态观测器(ESO)的复合控制器。首先,对存在扰动的无人直升机姿态通道进行建模;然后,设计了一种模型预测控制器完成无人直升机的姿态跟踪控制,同时,构造扩张状态观测器对姿态模型控制输入进行补偿,实时估计风扰动等外力影响;最后,通过阵风干扰下的仿真试验,验证了所设计控制器的有效性。飞行试验表明,相比于传统PID控制,所设计的MPC-ESO控制器跟踪精度高、响应速度快、抗扰能力强,具有较好的工程应用价值。     

考虑小载荷强化的模糊疲劳寿命预测理论

在实际工程应用中,多选用Miner法则进行疲劳寿命预测。由于小载荷特别是在疲劳极限附近的载荷对结构或材料的损伤不容忽略,考虑到小载荷的每一次循环对材料产生损伤的同时还产生了强化作用,建立了基于小载荷强化损伤的寿命预测模型以及相应的模糊疲劳寿命计算公式。该模型不但考虑了低于疲劳极限的载荷的强化作用,还引入隶属函数来描述小载荷的累积损伤的模糊性,完善了Miner法则的适用范围,提高了预测精度。两个不同载荷谱的疲劳寿命预测实例验证了该模型的有效性。     

复杂背景下红外弱小运动目标检测的新方法

提出了一种用于检测不同类型复杂背景下红外弱小运动目标的新方法。该方法能够根据图像信息自动选择背景预测算子;同时,针对不同类型复杂背景中目标和背景特性的差异,提出了“局部小目标可辨识度”的概念,并定义了一种有效的方法将其量化。在此基础上,采用蒙特卡罗实验方法构造了一种新的阈值函数,实现了单帧目标的检测,然后采用移动加权管道滤波提取目标的运动轨迹。实验结果表明,该方法对不同类型复杂背景的红外弱小运动目标具有很好的检测性能。     

基于在线LS-SVM算法的变参数混沌时间序列预测

研究利用最小二乘支持向量机(LS-SVM)预测变参数混沌时间序列。变参数混沌系统适合于描述现实中的复杂混沌现象,但由于参数的慢变导致系统动力学特性不断发生变化,基于Tan-kens嵌入定理的建模预测方法难以适用,其时间序列预测可以看作是小样本学习问题。最小二乘支持向量机是在二次损失函数下采用等式约束求解问题的一种支持向量机,保留支持向量机优点同时计算量大大减少。提出用一种具有遗忘机制的最小二乘支持向量机在线递推算法,并引入历史数据的高次项预测变参数混沌时间序列。对典型变参数混沌时间序列的预测结果表明,该方法具有较高预测精度,能快速跟踪预测变参数混沌时间序列。