基于等效刚度矩阵的复合材料机翼盒段优化设计

通过刚度矩阵转换,将复合材料层合板等效成正交各向异性材料板,并采用beam单元模拟加筋桁条。将机翼盒段的蒙皮厚度和加筋桁条面积作为设计变量,机翼盒段的质量作为目标函数,运用多岛遗传算法和序列二次规划算法相结合的优化方法,对多变量、多约束条件下的大展弦比复合材料机翼进行结构优化设计。通过算例分析,机翼的复合材料结构质量下降了9.55%,优化时间较短。     

基于小生境遗传算法的风电场布局优化

基于小生境遗传算法对风电场内风力机机组的布局进行优化。在优化过程中,考虑等风速同风向和变风速变风向两种简化的入流模式,采用修正的Jensen尾流模型模拟机组之间尾流的相互干扰效应,以单位发电量所消耗的成本最低为目标,使用小生境遗传算法优化风电场机组的排布。文中给出了优化后的风电场布局轮廓图、风电场机组台数、总发电量、目标函数值以及风电场的效率。通过与以前的相关研究对比分析,表明本文的方法取得了较优的结果,可为将来真实风场的风力机排布提供参考依据。     

振动环境下焊点疲劳失效与裂纹扩展分析

采用子结构方法对振动加载条件下组装有EBGA器件的印制电路板系统进行有限元建模,研究了振动环境下焊点疲劳速率与环境温度、振动频率之间的关系;然后又利用局部/整体相结合的方法对EBGA焊点中由于热循环试验导致的微裂纹在振动试验条件下的扩展情况进行了分析,研究结论可以为HALT试验中振动试验方案的制订以及热循环与振动试验结合方式的优化提供理论指南,最后对分析结果进行了试验验证。     

步退应力加速试验方法及其应用

针对具有多种失效模式"竞争"失效的仪器设备、分系统或系统提出了一种基于可靠性增长理论的步退加速试验方法,这种方法可实现环境试验与可靠性试验的相结合,可以借用可靠性增长试验管理和分析评估方法进行分析评估,也是一种加速可靠性增长试验。文中最后探讨了这种步退加速试验方法的适用范围。     

符合适航认证要求的燃油温度计算方法

基于适航认证需要,以某型飞机中央翼油箱隔舱在规定工况下实测的燃油温度变化曲线为输入条件,借助于MATLAB多项式分段拟合功能,获取了各个阶段燃油温度变化规律的高阶函数表达式;采用Monte Carlo评估模型中规定的指数衰减方程来表征燃油温度变化规律,其中环境总温(TAT)由评估模型中所指定方法获取,平衡温差和时间常数...     

改进的模拟温补晶振宽温补偿方法

当要求模拟温补晶体振荡器(TCXO)在宽温范围内频率温度稳定性优于±1×10-6时,使用传统补偿方法通常一次成功率低.通过对温补精度影响因素的分析,得出温补网络中热敏电阻测试方法和计算模型误差较大.因此,提出一种改进的宽温补偿方法.首先,参考热敏电阻在宽温范围内在线测试,获得实际数据;然后,待使用热敏电阻依据参考热敏电阻测试数据进行比例建模,得到各温度对应电阻值;最后,将建模后的待使用热敏电阻代入温补网络计算程序,采用遗传算法优化计算网络参数.通过与传统方法的对比试验,表明该方法建模的热敏电阻与实际测试值更接近,温补网络计算程序更灵活,温补一次成功率提高到约90%以上.      

基于制动意图识别的电动汽车能量经济性

制动能量回收是提高电动汽车能量经济性的主要技术措施,准确识别驾驶意图是制动能量回收的关键。分别建立驾驶员收起加速踏板阶段和踩下制动踏板阶段的制动意图识别模型,采用模糊控制方法对制动意图进行识别,以小强度制动、中强度制动和紧急制动作为量化的驾驶员制动意图输出;依据制动意图识别结果制订了2种能量回收模式;基于欧洲经济委员会(ECE)法规线和I曲线建立了制动力分配策略和计算模型;针对不同的能量回收模式,以Cruise和MATLAB/Simulink为平台,建立了制动系统仿真模型,计算制动能量回收率和电动汽车续驶里程。结果表明:能量回收模式不同,电动汽车的制动能量回收率不同;在一个新欧洲驾驶循环(NEDC)中,考虑收起加速踏板阶段模拟发动机制动的能量回收模式能够提高制动能量回收率;NEDC循环工况的续驶里程提高了5.69%。      

一种新型的挠性航天器作动器布局优化方案

针对挠性航天器振动抑制中的作动器优化配置问题,综合考虑闭环系统的可控度和作动器的电缆长度,提出一种新型的复合优化指标,在完成振动抑制的同时,有效缩减作动器电缆长度,减小航天器能量损耗及电磁干扰;在此基础上,采用遗传算法,完成作动器安装位置的快速寻优。本文采用实际尺寸的挠性帆板有限元模型,通过大量的数值仿真,验证了所提方法的有效性     

基于GA-SVM的GNSS-IR土壤湿度反演方法

针对提高大范围土壤湿度测量精度的问题,研究了土壤湿度的全球卫星导航系统干涉测量法（GNSS-IR）,提出了一种基于支持向量机（SVM）的土壤湿度反演模型,利用遗传算法（GA）的自动寻优功能寻找SVM的最佳参数。结果表明,GA-SVM模型在测试集上得到的土壤湿度反演值与实测值的平均绝对百分比误差（MAPE）仅为0.69%,最大相对误差（MRE）为1.22%,线性回归方程决定系数达到了0.956 9。进一步与统计回归、粒子群优化的SVM模型（PSO-SVM）及反向传播（BP）神经网络方法进行对比,结果说明:在样本数目有限的情况下,GA-SVM方法更适用于土壤湿度的GNSS-IR技术反演,且反演精度较高,泛化性能良好。