宽体机发动机在低航段比运行状态下的使用策略研究

随着新冠肺炎疫情在全球蔓延,宽体机大量执飞国内航线,航段比及利用率大幅下降,导致发动机小时包修成本大幅上涨。通过充分利用各宽体机小时包修合同条款,优化宽体机使用策略,可降低其小时包修费用的支出。     

微小卫星三机异构一体化计算机设计

当前微小卫星的星载计算机与运载计算机多分别采用不同结构的计算机系统设计,导致资源浪费和运载计算机的可靠性较弱。文章提出了一种微小卫星一体化计算机的设计,即采用三机异构备份的设计方案。在发射运载阶段,以数字信号处理器（DSP）为核心的运载计算机作为主机,以高性能FPGA为核心的时变计算机作为备机;在在轨运行阶段,以ERC32处理器为核心的卫星平台计算机作为主机,时变计算机经重构后作为备机。此设计不仅提高了运载计算机的可靠性,而且对卫星平台电子系统在能源、热控、遥测遥控、有效载荷、姿态轨道控制等方面的综合管理能力也有全面提升,并且还具有灵活的扩展性和较强的适应性。     

国外深空探测器着陆缓冲系统的特点和应用

主要介绍国外月球和行星探测器的着陆缓冲系统的特点与应用。着陆缓冲系统的基本类型包括软着陆机构、气囊缓冲装置和空中悬吊机结构。其中：软着陆机构由着陆架（腿）、缓冲器和展开锁定机构组成,具有质量较大,结构较简单、可靠的特点,在美国“勘测者”、“阿波罗”、“梦神”和苏联月球号等着陆器中得到了应用;气囊缓冲装置由气体发生器、气囊组件,以及缩回与展开机构组成,具有质量小、包装容积小和着陆稳定性好的特点,在美国“火星探路者”、“火星探测巡视器”,苏联早期月球号着陆器,以及欧洲“贝皮一哥伦布”水星探测器中得到了应用;空中悬吊机结构由空中悬吊机及其推进系统等组成,具有着陆速度低、冲击小和安全可靠的特点,在美国“火星科学实验室”的好奇心号巡视器上得到了应用。     

航空液压泵磨损状况预测

磨损是航空液压泵典型的渐进性故障之一,因磨损量难以测量,对磨损状况进行准确的预测比较困难.针对上述问题,提出了基于多尺度数据的支持向量机预测方法,该方法将支持向量机用于时间序列预测的基本理论和数据多尺度分解、相空间重构方法结合,能更有效地挖掘时间序列的内在联系及变化规律.采用回油流量作为反映航空液压泵磨损状况的敏感信号,将其分解为趋势项和随机项,采用多尺度支持向量机作等维信息一步预测和多步预测,利用网格方法对预测模型参数寻优.对比传统支持向量机算法分析其预测精度,结果表明:多尺度支持向量机模型预测精度更高,适于中长期预测.      

基于大规模训练集SVM的发动机故障诊断

提出了一种新的学习策略,用于解决发动机故障诊断中大规模支持向量机(SVM)的训练问题.通过保留初始SVM分类器支持向量超平面附近的样本以及错分样本,使最终得到的约减集规模明显缩小,从而可在保持较高分类精度的前提下使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短.探讨了序贯最小优化(SMO)算法的参数选择和实现过程中的关键问题,为这种极具潜力的算法在发动机故障诊断中的实际应用奠定了坚实的基础.仿真实例表明,这种基于大规模训练集SVM的发动机故障诊断方法有效、可靠,容易实现,可以作为工程应用的基础.      

基于支持向量机的冗余陀螺故障诊断方法

为了弥补最优奇偶向量法在冗余陀螺故障诊断中存在的不足,提出了基于支持向量机的故障诊断方法.在最优奇偶向量法的基础上,将冗余陀螺测量单元中所有陀螺的奇偶残差看做整体,作为多故障支持向量分类机进行训练数据,并从训练数据预处理、核函数选择和参数寻优等方面进行了研究.将训练后的支持向量分类机用于对九陀螺冗余测量单元的故障诊断试验,试验结果表明,该方法具有良好的故障识别率、较低的漏检率和虚警率.     

利用支持向量机预测大磁暴期间Dst指数的变化

利用支持向量机（SVM）模型对大磁暴期间Dst指数进行预报研究.以1995-2014年期间的80次大磁暴（Dst≤-100nT）事件共2662组观测数据为研究对象,以对应时间的太阳风参数为模型输入参数,同时建立了神经网络模型和线性机模型进行对比,并利用交叉验证提高预测结果的可靠性.为比较不同模型的预测效果,选用相关系数（CC）、均方根误差（RMS）、磁暴期间Dst指数最小值预测结果的平均绝对误差以及Dst指数最小值出现时间预测结果的平均绝对误差等统计量作为对比参数.结果显示SVM模型的预测效果最好,其中相关系数为0.89,均方根误差为24.27nT,所有磁暴事件的最小Dst值预测平均绝对误差为17.35nT,最小Dst值出现时间的预测平均绝对误差为3.2h.为进一步检验模型对不同活动水平磁暴预报效果的可能差异,将所有磁暴事件分为大磁暴（-200 相似文献   

基于机器学习的管材数控弯曲质量预测

在管材数控（NC）弯曲过程中,可能出现起皱、过度减薄的质量缺陷,同时会不可避免地发生回弹,都将严重影响成形质量。为了对数控弯曲成形质量进行预测,提出了使用有限元模拟与机器学习相结合的方法,并建立了快速的成形质量预测方法。首先,建立了有效的管材数控弯曲的参数化有限元模型,在工艺参数取值范围中随机选择进行大量的模拟实验作为样本,完成学习数据的挖掘。随后,基于径向基函数（RBF）神经网络建立壁厚减薄与回弹程度的预测模型并使用支持向量机（SVM）建立管材起皱的预测模型。最后,使用模型对新的实例进行预测,并利用模拟与数控弯曲实验对预测模型进行验证。 该方法可以对大直径薄壁管材数控弯曲质量进行有效的预测,提高弯曲管件零件设计效率。