基于计划到达时刻的四维航迹规划

为了加速空管自动化与智能化技术的应用与实施,提出了水平航迹与高度/速度剖面分阶段设计的四维航迹规划方法。基于动态时间规整与层次聚类方法实现历史雷达航迹聚类分析,完成水平航迹设计。建立速度剖面规划模型,通过航迹生成器与速度调整器交互协作,精细化控制进场时间,以满足计划到达时间要求。以上海浦东国际机场PINOT进场航班为例实施验证,结果表明,四维航迹规划方法可有效实现航班的计划到达时间,从而减少航班延误,提高终端空域运行效率。     

深度置信网络在发动机气路部件性能衰退故障诊断中的应用研究

为提高发动机转动部件性能衰退故障诊断精度,针对传统的浅层网络和支持向量机(SVM)方法在诊断时存在泛化能力欠缺、易产生局部最优解等问题,引入近年来在模式识别领域取得巨大突破,模拟人脑多层结构的深度置信网络(DBN)进行发动机部件性能衰退故障的诊断。为改进深度置信网络性能,提出一种在无监督和有监督训练阶段都可自适应调整权值的改进算法(ad_DBN)。以涡扇发动机为对象,将两种DBN算法与BP,RBF和SVM方法从诊断精度、计算时间、抗噪能力三方面进行综合比较分析。结果表明DBN算法诊断精度明显优于反向传播(BP)神经网络,径向基(RBF)神经网络和支持向量机(SVM)方法,得益于权值的自适应调整,ad_DBN诊断的平均精度高达97.84%,其抗噪声能力也明显优于其他算法,能够提高故障诊断的有效性和可靠性。     

应急通信中 WSN 的角色及生存性分析

无线传感网（WSN）具有部署方便、灵活健壮的特点,在应急通信场合发挥着重要作用,但复杂恶劣的网络环境对无线传感网的设计和部署提出了更高要求。说明了应急通信的特点,并分析了应急通信中无线传感网的角色及面临的技术挑战。从网络生存性的角度归纳了网络生存性的相关研究工作,并重点探讨了应急通信环境下无线传感网的生存性技术问题。     

F-35飞机全球备件保障模式研究

F-35飞机作为美国国防战略至关重要的组成部分,由于备件短缺及全球范围内管理和运输零备件困难导致飞机性能不能满足作战人员需求。本文系统分析了F-35飞机全球备件保障模式及备件保障网络构成,总结其面临的问题与挑战,并介绍未来国防部对F-35飞机全球备件模式的设计,为我军装备航材备件体系建设提供参考和借鉴。     

基于功能脆弱性的空中交通相依网络流量分配

依据空中交通管理与航班运行规则,采用复杂网络理论构建由机场、航路与管制扇区组成的相依网络模型,建立不同扰动策略的影响规则,提出以网络流量熵和交通流损失比变化率为指标识别网络功能脆弱性。并以网络总流量熵最小为目标,建立基于改进遗传算法的网络流量协调分配策略,以降低空中交通相依网络的脆弱性。以民航华北地区空域为原型,发现了其相依网络脆弱性表现规律和脆弱源,采用遗传算法求解网络流量分配方案,优化结果降低了网络总熵值和功能脆弱性,其中机场网络流量分配后效果最为显著,验证了方法的有效性,研究结果可为空中流量管理决策提供一定的理论支撑。     

基于飞行签派员的航空公司运行效率提升研究

航空公司运行控制中心是航空公司的核心,而飞行签派员又是运行控制中心的核心,运行控制中心的 效率直接影响到航空公司的运行安全与效益。根据航空公司飞行签派员的特点和管理现状,对效率量化和效 率评估进行分析研究,采用改进层次分析法(AHP)和物元可拓模型相结合的方法,建立适合我国航空公司飞 行签派员运行效率评估模型;针对评价指标在实际情况下更具有针对性和可操作性,提出4项准则和16项指 标组成的基于签派员航空公司运行效率评价指标体系,并进行算例分析。结果表明:所构建的评价指标体系合 理有效,能够真实反映出航空公司的运行效率与飞行签派员、运控设备、AOC组织结构与工作环境和航空公司 管理规定有着密切联系,为公司运行效率的提升提出理论依据。     

配对进近模式分析及研究进展

配对进近模式是在近距平行跑道上运行的,旨在提高仪表气象条件下的进场效率的一种高效进近模 式,该模式的完整流程在国内鲜有阐述。本文重点分析配对进近程序在近距平行跑道上运行时各阶段的流程, 以及配对进近程序的实施对机型、设备以及人员的具体要求;结合目前国内近距平行跑道的运行情况,国际上 对配对进近模式的研究和应用现状,指出我国引进配对进近模式的迫切性以及该模式今后的研究和发展趋势。     

基于图像识别的机械振动信号特征提取与寿命预测方法研究

滚动轴承作为许多机械设备的关键组件,被广泛应用于机械制造、航空航天等领域,其健康状态直接影响了相应设备的剩余寿命,因此在设备故障预测与健康管理(Prognostics and Health Management, PHM)领域,滚动轴承寿命预测具有很高的研究价值。目前基于数据驱动的轴承寿命预测方法主要利用特征提取并构造健康因子(Health Indicator, HI),然而在这一过程中特征的选择与融合依然依赖于专家先验知识,并且健康因子也很难从复杂的时序数据中进行提取。因此,提出了一种新型的数据驱动寿命预测算法,在特征提取方面,通过连续小波变换(Continuous Wavelet Transform,CWT)将传感器振动信号转换为时频谱图,再通过深度残差网络(Deep residual network, ResNet)结合时空卷积网络(Temporal Convolutional Network, TCN)将时频谱图中的时域频域特征构造成为健康因子,最后完成剩余寿命预测。本研究在PRONOSTIA数据集上与现有的数据驱动算法进行了对比,证明了该算法可以更准确地完成剩余寿命预测。