模态参数识别在飞行颤振试验中的应用

 本文介绍了飞机飞行颤振试验的简况、颤振试飞数据处理的特点和一些特殊要求。简要介绍了用频域参数识别方法和时域参数识别方法识别模态频率和阻尼的基本原理和基本数学模型。文中着重介绍了为解决颤振试飞中所获得的信号的信噪比差,而又要求识别的模态阻尼值的精度比较高这个矛盾和为了尽量缩短数据分析所花费的计算时间而采取的若干措施。     

新型刀具识别技术，实现快速可靠的刀具破损检测

机械加工厂在生产过程中常常要面对刀具破损问题，识别刀具破损的位置和原因也成为机械加工过程中的一个难题。传统的非接触式刀具破损检测系统根据激光光束是否被遮挡来判断刀具是否正常：被遮挡时，表明刀具正常；未被遮挡时，表明刀具破损。     

模糊关联方法在齿轮箱故障诊断中的应用

模糊关联度故障识别方法是运用灰色系统理论与模糊数学隶属函数相结合，克服了故障诊断的模式向量中参数量纲不同、数量级差异的缺点，综合了灰色系统理论和模糊理论的优点，使故障诊断识别的多参效法更加完善。但此种方法的关键是隶属函数建立的可靠性，关系到故障诊断的准确程度。     

环境激励条件建筑结构的试验建模研究

通过环境激励模态识别技术对一座中高层新结构大楼环境激励试验建模研究。首先介绍了试验模型设计 ,并在现场测量整栋大楼在环境激励下的振动响应。然后采用新发展的频率空间域方法 ( FSDD)进行模态识别 ,分别在 0～ 4.5 Hz和 0～ 6.5 Hz频率范围识别出 9阶弯曲和扭转模态频率和振型。采用频率空间域方法识别了结构的阻尼特性 ,并得到满意的结果。所得试验模型已成功应用于 CFT大楼的有限元动态模型修正。所研发的试验建模技术可望在结构响应预报 ,健康监测和振动控制中发挥重要作用     

一种直升机粘弹减摆器时域模型参数识别方法

在时域内建立了直升机粘弹减摆器的非线性模型。该模型基于不可逆热力学原理，在线性滞弹性位移场(Anelastic displacement fields，ADFs)模型的基础上，通过一组材料状态变量函数引入了粘弹性材料的非线性特性；文中以硅橡胶为研究对象，在粘弹减摆器实际工作中比较典型的幅值和频率范围内，进行了简谐实验，并通过两位移幅值(0．1cm，0．6cm)的应变／应力滞迟回线直接进行模型参数识别。最后，通过与线化复模量、不同幅值的应变／应力的滞迟回线等实验数据比较，证实了本文模型具有较好的可靠性，为进一步研究直升机粘弹减摆器的性能和带减摆器的旋翼气弹分析奠定了基础。     

用传递函数试验方法确定运载火箭结构模态参数

本文以运载火箭为例,阐述了通过传递函数(随机激振)求模态参数的方法。由传递函数的虚频、实频、相频曲线识别出固有频率、固有振型、模态阻尼比、模态刚度和横态质量等参数,并与传统的正弦调谐激振法求得的结果进行了比较,最后讨论了两种方法的优缺点。     

神经网络与D-S理论结合的HRR识别研究

基于D-S(Dempster-Shafer)证据理论,比较和研究了相关数据和不相关数据的融合方法,分析了多传感器数据融合的算法:集中式融合算法和分布式融合算法.经过实验证明,执行分布式有反馈融合算法时的效果最好.然后利用该算法,提出了和线性内插神经网络相结合的识别方法.利用4种飞机的步进频率雷达的高分辨率一维距离像,将神经网络的识别结果作为证据分别送入传感器进行融合,进行识别研究.实验证明,与单纯利用神经网络的方法比较,目标的正确识别率得到了改善.     

RFID技术在航空领域的应用研究

射频识别(RFID)技术现已广泛用于物流、金融、零售等各个行业.航空领域的RFID应用起步较晚,通过对RFID技术在飞机制造商、原始设备生产厂家(OEM)、航空公司的一些典型的应用案例的分析,提出RFID技术应用于航空领域所面临的挑战及必要性,为其未来航空业自动识别技术的发展指明了方向.     

基于多标签协同学习的跨域行人重识别

跨域是行人重识别的重要应用场景,但是源域与目标域行人图像在光照条件、拍摄视角、成像背景与风格等方面的表观特征差异性是导致行人重识别模型泛化能力下降的关键因素。针对该问题,提出了基于多标签协同学习的跨域行人重识别方法。利用语义解析模型构造了基于语义对齐的多标签数据表示,以引导构建更关注行人前景区域的局部特征,达到语义对齐的目的,减少背景对跨域重识别的影响。基于行人图像全局特征和语义对齐后的行人局部特征,利用协同学习平均模型生成行人重识别模型的多标签表示,减少跨域场景下噪声硬标签的干扰。利用协同学习网络框架联合多标签的语义对齐模型,提高行人重识别模型的识别能力。实验结果表明：在Market-1501→DukeMTMC-reID、DukeMTMC-reID→Market-1501、Market-1501→MSMT17、DukeMTMC-reID→MSMT17跨域行人重识别数据集上,与NRMT方法相比,平均精度均值分别提高了8.3%、8.9%、7.6%、7.9%,多标签协同学习方法具有显著的优越性。