加油控制失效时飞机通气系统性能计算

飞机地面压力加油系统通气能力计算是飞机燃油系统设计的重要环节.基于流体网络算法,给出了飞机地面压力加油系统和通气系统的计算模型,并对某型飞机地面压力加油控制失效时,油箱通气系统的通气能力进行了计算,获得了油箱承受的压力.通过计算结果与最大压力限制的比较,验证了地面加油通气系统的通气能力.模型对飞机地面压力加油通气系统的设计具有指导意义.     

千兆网技术综述

本文从千兆以太网及其发展现状，特点、标准，如何构建千兆以太网以及千兆以太网的发展前景等几方面对千兆以太网技术进行了较详细的描述，使读者从理论上更好地了解千兆以太网。     

高密度永磁同步电机的变参数等效磁网络分析

针对双“I”型转子结构的内置式高密度永磁同步电机(PMSM),基于MATLAB/Simulink平台提出了一种变参数等效磁网络法,充分考虑转子漏磁,且通过变参数环节,自动调节各部分磁导率,计算铁心饱和,提高了变参数等效磁网路法的计算准确性。利用该磁网络,分析了转子尺寸参数对电机空载电磁性能以及气隙磁密波形的影响,为高密度PMSM初步设计提供了一种有效快速的分析手段。     

基于二进制粒子群算法的战时航空网络规划研究

领空作为国家资源的一部分,其使用、调配关系到国家的安全与发展,在战时,将更多的空中资源调配给军航使用,有利于保障军事行动的顺利进行。基于此,提出一种基于二进制粒子群算法(BPSO)的战时航空网络规划方法。首先,对航空网络建模,收集航班数据;其次,建立航空网络性能评价体系;然后,以使用尽可能少的民航机场维持预期网络性能为目标,以作战意图和战场环境为约束条件,通过BPSO 算法进行求解;最后,进行仿真分析。结果表明:该方法能够结合作战意图、反映战场环境、合理调配航空资源,为战时航空管制工作提供决策依据。     

基于DBN的不均衡样本驱动民航发动机故障诊断

在结合深度置信网络(DBN)、采样与集成技术的基础上,提出了基于不均衡样本驱动的民航发动机故障诊断模型。该模型通过分析民航发动机历史飞行数据,利用DBN提取性能参数中的内部特征,利用采样技术将不均衡样本均衡化,采用集成技术进行故障分类。将该模型应用到CFM56-7B系列发动机历史飞行数据,实验结果表明:与常用故障诊断方法相比,该模型的准确率高达0.996,AUC值高达0.948,可以有效处理民航发动机样本高维、不均衡问题。      

基于DQN的反舰导弹火力分配方法研究

反舰导弹作为海上作战的主战武器,由于其精度高、射程远、威力大等特性长期以来一直被当作舰艇编队的主要防御对象。针对反舰导弹打击舰艇编队的火力分配问题,我们提出了一种基于深度Q值网络求解反舰导弹火力分配策略的算法。不同于现有的基于领域知识的方法,深度Q值网络无需依赖任何先验信息,就能够通过与模拟器的交互自动求解最佳的攻击策略。该算法使用深度神经网络拟合Q值函数,解决了传统强化学习中的状态空间过大无法遍历的问题。实验结果表明,在各种不同的舰队防御配置下,深度Q值网络求解得到的攻击策略均获得了最佳的毁伤效果。     

NT网在计算机实验室的实现与应用

本文从教学需求的角度,减轻机房管理员维护工作量的角度,并考虑到性能／价格比的因素,论述了NT网在计算机实验室的设计与实现以及它的功能与应用。     

民机机载系统网络安保适航政策分析

随着信息化、网络化技术的不断发展,机上互连接口的数量和种类越来越多,在带来性能提升的同时也引入了安保风险,给民机安全性带来了挑战。梳理了新一代民机内部网络域、外部网络域的接口类型,总结了国际民航组织、美国联邦航空局、欧洲航空安全局等各机构针对网络安保问题的审定政策,分析机载网络安保相关的工业标准及审定要求,给出了在实际审定中的审定要素和要求。本研究可为我国民机机载系统网络的适航审定提供理论支撑。     

模块化永磁直线游标电机等效磁网络及漏磁分析

在模块化永磁直线游标电机的初始设计及优化设计中,使用有限元方法(FEM)计算漏磁系数时需要耗费大量的建模和计算时间。针对这一问题,建立该种电机的等效磁网络模型,在建模期间,考虑气隙中的边缘效应,并计算永磁体组与定子齿在不同相对位置时的等效磁导,得到该种电机在一个周期内不同相对位置时的漏磁磁导和漏磁系数的数学解析表达式。采用FEM验证了该数学解析表达式的准确性。研究结果为模块化永磁直线游标电机的设计提供了理论依据。     

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。