飞机舱门锁机构多失效模式可靠性分析方法

如何提高飞机舱门锁机构关闭系统的可靠性计算效率,减少计算时间,降低舱门故障率是亟待解决的 问题。选取某型飞机舱门锁机构为研究对象,通过 LMS建立飞机舱门锁机构仿真模型,研究锁机构关闭过程 中最大液压力失效和关锁时间失效模式的影响因素,考虑两种失效模式之间的相关性,基于重要抽样法和 B-P 神经网络方法,计算飞机舱门锁机构多失效模式下的可靠性;将这两种方法仿真计算结果与传统蒙特卡罗方法 计算结果进行对比,结果表明:以上两种计算飞机舱门锁机构可靠性的方法是合理的,其误差范围均在3%以 内,且两种方法的计算效率相较于传统方法均有所提高;其中,B-P神经网络方法比重要抽样法计算精度和效 率更高,更适用于研究飞机舱门锁机构的可靠性问题。     

一种步进频率信号认知雷达波形优化设计方法

认知雷达常用于完成探测、跟踪、成像及识别等多重任务,为提高其综合性能,需兼顾多方面因素研究其波形优化设计问题。基于此,提出一种基于压缩感知（CS）RIPless准则的步进频率信号认知雷达波形优化设计方法。首先,建立了目标回波信号稀疏模型,分析了其与发射信号模糊函数之间的关系。其次,根据模型中观测矩阵的构造,基于RIPless准则,将波形设计问题转化为概率分布的互相干参数及其协方差矩阵的条件数的优化问题,从而通过自适应寻优算法,获得优化的步进频率信号脉冲重复时间间隔序列和子脉冲频率序列。相较于传统方法,所提方法在信号发射与接收之间形成了信息实时反馈和信号优化重构的闭环,在高概率准确重构目标径向一维距离像的同时,也实现了发射信号模糊函数的优化。最后,仿真计算验证了所提方法的有效性。     

基于CBR—模糊综合评判的空中停车率预测研究

为了解决航空发动机设计初期用以预测空中停车率(IFSD)的可靠性信息不足且信息大多具有模糊性的难题,结合发动机自身的特点,利用模糊数学的方法构建空中停车率的预测模型。通过模糊综合评判法,充分利用相似机型的历史数据,将空中停车率的影响因素与评价集合相结合建立评判矩阵,并采用层次分析法(AHP)对因素权重进行赋值,对其指标做出综合评判。同时,考虑到性能参数上的相似程度对于预测的影响,加入基于实例推理技术(CBR)的相似度量,对两者权重进行合理分配得到最终的预测值。最后将模型应用到实际分析中,结果表明预测模型在早期设计阶段具有良好的实用价值。     

基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。     

飞行仿真气动力数据机器学习建模方法

基于机器学习思想,提出了一种大空域、宽速域的气动力建模方法。该方法利用飞行仿真弹道数据辨识的气动力数据,采用人工神经网络技术,实现了对高度、速度、姿态和舵偏角等多维度强非线性特性的全弹道气动力数据的高精度逼近。首先,分析了神经网络层数、隐含层神经元个数等对建模误差的影响,通过对典型弹道气动数据的神经网络建模计算,确定了较合适的神经网络层数和较优的隐层神经元个数。进而,利用飞行仿真的弹道数据辨识出沿弹道的气动力,采用神经网络建立了包含多个弹道融合的气动力模型,输出量分别为三轴气动力系数和力矩系数。最后通过气动模型输出量与原样本数据的对比,以及4条未参与训练弹道气动数据的预测,验证了该气动力建模方法具有较高的精度。建模结果表明:采用神经网络方法建立的飞行器气动力模型,对拟合多源耦合输入全弹道非线性气动力是可行的和有效的,在样本覆盖的高度、速度、姿态和控制舵偏角范围内,气动力拟合能力较强,并具有一定的外推性。该项研究可以为基于飞行试验数据的气动建模提供新的方法,并且能为飞行器气动力数据挖掘、飞行仿真和总体性能分析提供参考。     

无人机类脑吸引子神经网络导航技术

当前无人机在非结构化或未知环境下飞行主要采用SLAM进行导航与定位,存在如下突出问题：依赖高精度昂贵激光雷达等环境感知传感器;需要建立准确世界和无人机物理模型;受环境影响较大;自主智能水平较低,无法较好地满足无人机对导航系统的要求,需要发展自主智能的导航方式。基于吸引子神经网络的类脑导航技术,无需训练模型参数,不依赖高精度传感器,无需精确建模,且复杂环境下鲁棒性较强,具有解决上述问题的潜力。简要阐述了动物大脑导航机理,分析了吸引子神经网络和基于吸引子神经网络的类脑导航关键技术,最后讨论了吸引子类脑导航技术在无人机应用中的挑战。     

基于深度学习的混合翼型前缘压力分布预测

提出了一种基于深度学习的混合翼型前缘压力分布预测方法,通过对翼型几何特征提取、压力分布曲线的参数化,建立了卷积神经网络模型（CNN）,并利用计算流体力学（CFD）的计算结果作为其训练样本,实现对混合翼型前缘压力分布的预测。结果表明:两种方法计算结果的拟合优度大于0.98,基于深度学习的计算方法耗时1.7 s,CFD方法耗时大于50 s,计算时间大大缩短。该方法能够在满足计算精度的条件下提高计算效率并可应用于其他的翼型设计过程。      

连续式风洞二喉道调节马赫数控制策略

为了降低连续式跨超声速风洞压力波动,提高马赫数稳定性,需要对二喉道调节马赫数控制方式进行研究,针对现有文献鲜少对该控制策略描述等问题,以0.6m连续式跨声速风洞为例,对二喉道控制马赫数的原理进行分析,基于运动控制器加伺服驱动器双PID(proportion-integral-derivative)控制模式实现二喉道位置精确控制,提出了二喉道和压缩机转速的组合控制流程,并采用分段变参数模糊PID加串级控制的算法实现马赫数精确控制,最后进行了试验验证。结果表明马赫数控制精度优于0.001,且每个马赫数极曲线(9个攻角阶梯)的时间可控制在4min以内,证明所提出的控制策略是有效的,可为连续式跨超声速风洞的设计调试提供参考。      

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

基于LSTMAttention网络的短期风电功率预测

提出一种基于LSTMAttention网络的短期风电功率预测方法。首先,使用LSTM网络对数值天气预测(NWP)数据的特征信息进行提取,同时采用注意力机制有效分析了模型输入与输出的相关性,从而获取了更多重要时间的整体特征;其次,使用卷积神经网络(CNN)提取NWP数据的局部特征,并引入压缩和奖惩网络(SE)模块学习特征权重,利用特征重新标定方式提高网络表示能力;最后,将局部特征和整体特征进行特征融合,通过分类器输出分类结果。利用NOAA提供的美国加利福尼亚州某风电场的数据进行案例分析,证明了所提方法的有效性。试验结果表明,与BP神经网络、自回归积分滑动平均模型(ARIMA)模型和LSTM模型相比,LSTMAttention模型具有更高的预测精度,证明了该方法的有效性。