方形截面导弹动态摇滚特性研究

介绍了高速风洞自由摇滚实验技术的实验装置、实验方法、数据采集等.开展了方型截面导弹大迎角下的摇滚特性研究,给出了典型的结果,研究结果表明随着模型迎角的增加,方形截面导弹呈现不同的滚转运动形态,包括静态稳定、准极限环摇滚、双周期震荡和等速滚转.最后对摇滚的机理进行了探讨与分析.     

高维小失效概率下的改进线抽样方法

 针对隐式极限状态方程的可靠性分析,提出了一种基于失效域样本模拟的高效线抽样法。该法采用马尔可夫链来快速得到失效域中的条件样本,利用这些失效域中的样本可以得到线抽样的重要方向,并且这些样本还可以作为线抽样的样本,来得到隐式极限状态方程失效概率的估计值。由于该法可以较准确地得到线抽样方法的重要方向,因此线抽样的效率可以得到提高,另外失效域的样本又可以作为线抽样的样本,从而进一步降低所提方法的计算工作量。算例表明所提算法的计算精度和效率均高于传统线抽样方法。     

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。      

QAR数据在航空发动机监控中的应用研究

QAR设备虽已在民航界广泛应用,但目前对QAR数据的应用有限,浪费了大量数据信息。对此,提出通过采用多种监控逻辑并存的方法,建立监控体系,解决QAR数据的监控问题、3种监控逻辑被用于该体系：双发差异监控,EHM方法数据监控,数据极限监控。这些逻辑各有利弊,互为补充。通过对实际发动机QAR数据的监控测试．证明运用该方法所建立QAR数据监控体系的可行性和有效性,一定程度上解决了QAR数据监控问题。     

振动试验极限控制应用实例

介绍了某产品振动应力筛选试验,通过对产品采用极限控制,并组合配以虚拟参考点（2点控制）以及响应点（2点控制）的方式,保证产品在试验过程中不会受到过强的力学应力,避免产品内部敏感元件的损坏。这种振动试验与常见的振动试验有很多不同点,从某产品振动试验实践,阐述此类试验有关技术问题。     

基于恒应变率控制的椭圆凹模胀形试验方法

为确定2A16-O铝合金板材在不同温度及应变率下的成形极限曲线(FLCs),应用改进Hollomon公式获取满足外插可靠度的拟合应力应变,通过有限元分析(FEA)不同椭圆度的椭圆凹模胀形破裂位置,优化工艺参数得到指定应变路径下的成形极限点,建立了液体压力与等效应变及应变率的公式,推导出压力变化率与应变率的定量关系。以应变率控制的椭圆凹模胀形与单拉试验相结合,获得2A16-O铝合金板材在不同温度及应变率下的FLCs,为定量分析应变率的影响规律和评判理论预测方法的准确性提供了依据。      

板料应力成形极限判据的有限元分析程序

为了解决在板料成形有限元数值模拟中以依赖于加载路径的应变成形极限为判据所存在的问题,以板料塑性变形时所遵循的应力应变转换关系、H ill二次厚向异性准则为计算模型,基于有限元商用分析软件DYNAFORM,开发了用于板料塑性成形工艺的以应力成形极限为判据的有限元分析程序。利用该程序分析了两种拉深件的有限元数值模拟结果,实现了用应力成形极限图作为判据对板料成形极限的预测分析。所开发的以应力成形极限作为判据的有限元分析程序为分析多道次板成形的成形极限提供了新的手段。     

微分学基本定理在极限计算中的应用

本文讨论了微分学的基本定理在极限求解过程中的三种应用,总结了一些简化极限运算的方法.     

联合特征子空间下Wasserstein距离对齐的胃CT图像识别

为提高小样本下胃肿瘤的辅助诊断性能,结合临床实践,研究联合特征子空间下Wasserstein距离对齐的胃CT图像识别方法。首先,为减少源域特征和目标域特征之间的差异,进行有效迁移,利用主成分分析(Principal Component Analysis, PCA)法寻找子空间的线性变换基向量,构建联合特征子空间,实现数据全局均值和协方差的对齐;然后,采用基于最优传输理论的Wasserstein距离算法进一步衡量子空间内正负标签数据特征之间的分布距离,增加正负标签数据特征之间的区分度,实现细粒度迁移;最后,针对传统极限学习机算法容易过拟合且稳定性差的问题,使用L₁范数正则化对输出权重矩阵进行稀疏约束,提高模型鲁棒性,实现迁移特征的有效分类。实验结果表明,该方法在内部测试集的AUC为0.891,外部测试集的AUC为0.897,一定程度上可为医生提供较好的诊断参考,具有现实意义。