台风-浪-流耦合作用下新型浮式风能-波浪能联合发电装置水动力特性（英文）

中国南海风能-波浪能资源丰富,风浪联合发电装置目前却处于概念研发阶段,加上近几年超强台风等极具破环力的极端海况频繁出现,对海上浮式平台安全性提出了严峻挑战。针对现阶段研究缺少对风浪联合发电装置在极端海况的安全性分析,本文以半潜式风力机（Semi-OC4）与振荡浮子式波浪能装置相结合的风浪联合发电装置（OC4-WEC）为研究对象,基于MCT(Model coupling toolkit)建立中尺度WRF-SWAN-FVCOM(W-F-S)实时耦合平台,分析超强台风“威马逊”过境全过程海上风电场风-浪-流的时空演变;再结合了中/小尺度嵌套的方法分析了OC4-WEC平台的流场特性。结果表明：建立的W-S-F平台对台风路径的模拟精度较单WRF模式提高了42.51%;台风-浪-流作用下OC4-WEC平台较半潜式风力机垂荡运动幅值减小38.1%,纵荡运动幅值减小26.7%,纵摇运动幅值减小23.4%     

基于优化智能网络的发动机推力指令模型

针对航空发动机性能退化缓解控制中推力指令模型输入量有限问题,提出1种双智能网络串联的推力指令建模方法.其中子模型Ⅰ采用BP网络映射与推力密切相关的气路参数,其输出作为子模型Ⅱ的输入;子模型Ⅱ采用优化极端学习机(ELM)算法,输出为额定发动机推力,并以此推力为性能蜕化缓解控制指令.为了减小ELM网络规模,提高推力指令模型实时性,采用微分进化算法(DE)优化ELM初始网络参数.数字仿真验证表明:各飞行包线内推力指令模型预测值最大相对误差小于4‰,远优于单一神经网络最大8.17％和单一极端学习机最大14.5％的误差,模型推力指令计算时间仅需0.64ms,实时性好,验证了该推力指令模型的有效性.     

涡扇发动机气路传感器故障诊断

为了实现对某涡扇发动机传感器故障的在线诊断,提出并设计了1种基于在线贯序极端学习机的故障诊断算法。其核心思想是在定位某传感器故障后,在线建立针对该故障传感器"预学习"的信号重构算法,解决多故障混叠问题。在线信号重构算法以泛化能力指标为判定条件,利用选择策略对算法网络权值进行选择性更新,提高了故障诊断系统的实时性。以某型涡扇发动机为对象开展了传感器故障诊断与重构仿真,结果表明:该算法能够对发动机单、双传感器故障进行准确地诊断与信号重构,且具有良好的实时性。     

宇宙中六种最极端的黑洞

美国航宇局于2010年11月16日发布了钱德拉天文望远镜发现的一个迄今最年轻的黑洞。黑洞是由超新星爆炸留下的残余物质形成的,是宇宙中最奇异的天体之一。即便是在这些奇异的黑洞当中,还有一些更极端的,以下即是宇宙中最极端的黑洞。     

冰雪天气下基于MFOA-KELM残差修正的跑道温度混合预测

道面温度短时精准预测是跑道积冰预警的关键因素之一, 为了解决单一机理预测模型随预测时间延长而造成误差累积的问题, 提出了一种冰雪天气下跑道温度混合预测方法。将跑道温度机理预测模型与核极限学习机(KELM)相结合, 建立一种数据驱动修正残差的跑道温度机理预测模型。针对果蝇优化算法(FOA)收敛速度慢、易陷入局部最小值的问题, 引入权值更新函数和距离扩充因子, 调整果蝇的全局寻优效果, 避免陷入局部极小值。利用改进的果蝇优化算法(MFOA)对KELM的正则化参数与核参数联合优化, 以冰雪天气下跑道温度实际数据为例, 建立基于改进果蝇优化核极限学习机(MFOA-KELM)的跑道温度混合预测模型, 并在不同时间尺度下对该混合预测模型进行仿真测试。实验结果表明:与单一机理预测模型相比, 当预测时长为120 min时, MFOA-KELM混合预测模型的平均绝对误差至少减小了61.43%, 在残差阈值为±0.5℃时, 平均预测准确率为91.25%。可见, MFOA-KELM混合预测模型具有更高的预测准确性, 研究结论显示该混合预测方法能够为机场跑道温度短时精准预测提供新思路。      

基于在线滚动序列核极限学习机的涡轴发动机非线性模型预测控制

针对涡轴发动机控制系统设计,提出了1种基于在线滚动序列核极限学习机的非线性模型预测控制方法。综合考虑直升机旋翼扭矩、燃气涡轮转速、动力涡轮转速、涡轮级间温度和压气机喘振裕度等信息,设计具有较好实时性、精度和泛化能力的多输出在线滚动序列核极限学习机作为预测模型,引入预测模型输出与发动机输出的误差进行反馈校正,利用序列二次规化算法在线求解包含限制约束的预测控制问题。在某型直升机/涡轴发动机综合平台的仿真环境中进行了直升机大幅度机动飞行仿真验证,结果表明:该模型预测控制器相比于传统串级控制具有更好的控制品质,可显著降低动力涡轮转速超调/下垂量。     

抗离群值的鲁棒正则化贯序超限学习机

针对离群值环境下的在线学习问题,提出一种鲁棒正则化贯序超限学习机(Robust regularized online sequential extreme learning machine,RR-OSELM)。RR-OSELM以增量学习新样本的方式实现在线学习,并在学习过程中基于样本的先验误差进行逆向加权计算以降低学习模型对于离群值的敏感性;同时RR-OSELM通过融合使用Tikhonov正则化技术进一步增强了其在实际应用中的稳定性。实验结果表明,RR-OSELM具有较同类算法更好的鲁棒性和实用性,对于离群值环境下的在线建模与预测问题是积极有效的。     

先进复合材料在未来飞行器中的应用

复合材料在飞行器结构中的用量已经成为航空航天结构的先进性标志之一,其优越的综合性能非常适应未来飞行器的发展趋势.文章概述了先进复合材料在航空航天结构应用中的主要发展历程,结合未来飞行器的发展趋势,预测了先进复合材料在未来飞行器运用中可能带来的新挑战新机遇.     

基于隶属度和LMK-ELM的航空电子部件诊断方法

为提高航空电子部件模块级故障诊断精度，提出一种新的面向"软聚类"的局部多核学习（LMKL）-超限学习机（ELM）离线诊断方法。通过引入模糊C均值聚类对样本空间进行模糊划分，挖掘聚类内部多样性的同时，实现了对过学习的抑制；将模糊划分产生的隶属度信息融入LMKL-ELM的优化过程，运用基于初始-对偶混合优化问题的三步优化策略克服了局部核权重二次非凸的问题，在l₁-范数与l₂-范数约束下分别给出了相应的更新方法。将所提方法应用于某型机前端接收机，结果表明：与4种流行的多核诊断方法相比，该方法可有效避免漏警、抑制虚警，在l₁-范数和l₂-范数约束下，其诊断精度比其他方法的平均值分别提升了4.09%和5.13%。     

极端低温下电液伺服阀温漂特性分析

针对电液伺服阀在极端低温下温漂大的问题，以＋40℃时电液伺服阀初始零偏为基准，采用线性回归方法分析了某型射流管伺服阀不同温度的零偏试验数据，得到了极端低温下的伺服阀温漂与＋40℃时初始零偏的数学关系。分析与试验结果表明：极端低温时射流管伺服阀的温漂与＋40℃时的初始零偏存在非常显著的线性关系。温漂与电液伺服阀制造与装配工艺过程密切相关，与结构及其装配不对称有关。电液伺服阀结构上的微观不对称现象，在极端低温下显现出来，尤其是呈现出较大的温漂。降低温漂的主要措施是提高电液伺服阀结构与装配的对称性，降低初始零偏。