一种自适应的曲面剖分算法的实现与性能分析

根据曲面求交的基本原理,结合自适应理论,构造出了一种新的剖分算法。这种算法提高了曲面求交的精度和效率,简化了曲面求交算法的复杂性,同时有效地解决了曲面求交中的漏点漏线、自交等各种问题。     

一种航天器交会与接近路径规划算法

针对非合作交会与接近任务中近程导引段航天器的三维路径规划问题,提高其在多约束条件下的寻优性能,提出一种融合混沌映射、自适应随机动态扰动、随机探索机制以及反向学习策略的混合蝙蝠算法。首先,利用Circle混沌映射进行种群初始化,提高种群多样性;在全局搜索中引入自适应随机动态扰动系数,并在位置更新时进行位置限定,提高算法全局寻优的性能;在局部搜索中融入柯西分布的逆累积分布函数,避免算法进入局部最优。同时,引入分段随机的反向学习策略,进一步提高种群多样性,平衡全局寻优与局部探索的性能。然后,以基于升序排列的路径节点进行三次样条插值编码,构造躲避障碍物求解航天器三维路径的适应度函数,结合混合蝙蝠算法求得平滑路径曲线。最后,通过对比仿真表明了所提方法的最优路径次数较对比算法增加,最差路径次数减少,路径平均解减少。     

基于代理模型全局优化的自适应参数化方法

对于翼型气动隐身设计问题,设计变量的配置对设计结果影响很大,而简单地增加设计变量不能保证得到理想的结果。提出一种适用于代理模型全局优化的自适应参数化方法：利用全局敏感性分析方法——基本效应法,得到设计空间关于目标函数的敏感区域信息,并以此为根据增加设计变量;利用节点插入算法将低维样本在高维空间内进行重构,避免了重新取样的工作量。相对于传统固定设计空间维度方法,自适应参数化方法在设计空间的敏感区域扩展维度,能够更加精准地描述外形并反映目标的变化趋势。通过飞翼布局翼型的气动隐身优化算例,证实自适应参数化方法可以大幅提高优化设计质量和效率。     

某型飞机地板网格翻转系统输出接头接触仿真分析

某型飞机地板网格翻转操作平台的一个输出接头通过接触受力的形式传递载荷,该连接形式无法使用常规线弹性静力学求解。由于该接触问题具有普遍性,本文结合相关的接触分析软件,对该结构进行了接触仿真分析,完成了结构的强度校核,提供了一个接触分析通用的解决方案。     

某型飞机减摆回油补偿器抗磨损结构改进

针对某型飞机减摆回油补偿器尾端盖通气孔有漏油痕迹情况,本文对活塞结构开展改进研究,通过重新设计活塞结构,解决了漏油故障。     

基于NADCAP技术降低荧光渗透检测过程中的人为差错研究

通过在荧光渗透检测领域导入NADCAP技术应用来降低该过程中的人为差错研究,探讨推进的重点和难点,提出运行步骤及持续改进方向,将荧光渗透检测过程中存在的易错点从技术层面进行防人为差错设计,并从顶层策划和过程控制方面有针对性地制定缓解方案。通过应用,可以学习和掌握先进的管理理念,为有效改进质量控制手段提供参考。     

粒子群算法在APU转子平衡工艺中的应用

在辅助动力装置（APU）装配工作中,转子组件平衡是极其重要的步骤。由于转子组件零部件的动力学参数未知,为达到维修工艺所需的剩余动态不平衡量,需要对各零部件的装配角度进行多次匹配尝试,但现装配工作依赖工作者经验而缺乏理论性指导,所测数据无法得到有效利用,造成极大的工时浪费。本文运用欧拉公式对不平衡量的表达进行简化,并使用粒子群算法求解,编写计算机应用程序应用于APU转子平衡工艺,可提高装配质量与效率。     

基于LightGBM算法的机场聚合离场延误预测

航班延误预测具有非线性聚合的动力学特征。在保证准确率的前提下为提高预测效率,提出一种基于轻量级梯度提升机(Light gradient boosting machine, LightGBM)算法的机场聚合离场延误预测模型。通过对历史航班数据的分析处理,提取时间特征、飞行计划特征和延误特征三类重要特征,并以提取出的特征作为输入变量,采用LightGBM算法基于广州白云机场的历史运行数据对航班延误时间进行预测。结果表明：模型预测延误时间与实际延误时间吻合良好;与其他常用算法的预测结果相较而言,所提模型在各种预测指标上结果更优,效率更高。     

单幅图像的三维重构视觉系统特征点提取算法的研究与实现

实现基于单幅二维图像不标定欧氏重构三维场景的关键技术之一是有效提取彩色伪随机编码图像特征角点。为给图像特征点匹配提供更多的样本信息,采用定位于彩色图像Harris算子探测特征角点,并动态给出角点响应的自适应阈值条件。特征点提取实验及三维欧氏重构结果证实了该方法的适用性和有效性。     

基于改进Q学习的IMA系统重构蓝图生成方法

重构蓝图定义了故障状态下系统软硬件资源的重新配置方案,是实现综合模块化航空电子系统重构容错的关键。提出了一种基于改进Q学习的重构蓝图生成方法,综合考虑负载均衡、重构影响、重构时间、重构降级等多优化目标,并应用模拟退火框架改进探索策略,提高了传统Q学习算法的收敛性能。实验结果表明,与模拟退火算法、差分进化算法、传统Q学习算法相比,本文提出的改进Q学习算法效率更高,所生成重构蓝图质量更高。