铝合金与橡胶软油箱抗老化涂层接触腐蚀机理研究

通过对7A04-T6包铝合金及去包铝合金与三种橡胶抗老化涂层材料在高温、高湿环境中的接触腐蚀产物SEM形貌分析及EDS成分分析,表明铝合金与橡胶抗老化涂层接触腐蚀形貌特征为点蚀,腐蚀严重时试样表面局部或全部被大量腐蚀产物所覆盖,腐蚀产物的主要元素为Al,C,O,Mg,Zn,Cl,Si,S.提出了铝合金与橡胶抗老化涂层"接触-扩散-吸附/沉积物层与电解质薄液膜层形成/腐蚀闭塞区形成/阴离子加速自催化腐蚀/点蚀-晶间腐蚀-剥落腐蚀"的接触腐蚀过程及机理.     

腐蚀条件下结构耐久性分析裂纹扩展规律研究

建立了考虑腐蚀影响的耐久性分析相对小裂纹扩展公式。将腐蚀条件下结构使用过程简化为相互独立的停放预腐蚀和腐蚀疲劳过程。以一般环境下的耐久性分析相对小裂纹扩展公式为基础。考虑地面停放环境和腐蚀疲劳的影响。引入地面停放预腐蚀影响系数和腐蚀疲劳影响系数，建立腐蚀条件下考虑环境影响和应力水平的裂纹扩展模型。为腐蚀条件下结构耐久性分析奠定基础。     

单目视觉三维运动位姿测量方法研究

针对基于点特征的单目视觉位姿测量,研究了一种基于不共面5个编码特征点的单目视觉解算算法,利用大靶面高分辨率相机采集运动物体姿态图像,利用目标物体上编码特征点间的几何约束关系,通过正交迭代解算算法完成目标物体的位姿测量。实验结果表明：位移测量不确定度优于0.5mm,姿态测量不确定度优于0.05°,可满足航空航天领域试验测量要求。     

基于特征融合和集成学习的运动想象脑电解码方法

开发高性能的脑电解码方法一直是脑机接口系统研究的重点和难点。为了进一步提高运动想象脑电解码的性能,提出了基于特征融合和集成学习的脑电解码方法。首先,针对每个通道脑电信号提取方差、自回归(AR)系数和带通功率特征,接着进行特征融合。其次,提出两种新的集成学习方法,分别是基于K最近邻(KNN)的集成学习模型和基于最小绝对值收缩和选择算子(LASSO)的集成学习模型。其中,KNN集成模型针对KNN分类器的K值以及闵式距离的P值进行集成,LASSO集成模型针对LASSO分类器的正则化参数进行集成,这两种集成学习方法计算简单且不需要烦琐耗时的交叉验证过程进行模型选择。最后,在三个公开的运动想象脑电数据集上验证所提方法的有效性。实验结果表明,新提出的集成学习方法,其分类结果优于支持向量机、随机森林等现有的分类器。LASSO集成模型优于KNN集成模型,在三个数据集上取得了71.75%的最高平均分类准确率。     

21世纪初固体推进剂技术展望

从高能、低特征信号、能量管理型及含硼富燃料推进剂等主要方面综述了各国近年来在固体推进剂技术方面的最新进展,分析展望了固体推进剂技术２１世纪初发展的趋势及主要技术方向,并提出了预测性的看法。     

基于贝叶斯更新的飞机结构腐蚀可靠度模型

民用飞机结构腐蚀发展的时变性和样本采集的局限性,给腐蚀检测数据分布函数的确定及参数的估计带来了很大的不确定性。针对这一问题,给出了基于贝叶斯公式的合理分布函数选取及参数估计方法。为满足在役飞机结构可靠性动态管理的需求,基于贝叶斯更新思路,将反映结构性能退化共性规律的预测模型视为先验模型,沿着具体结构生命周期不断挖掘利用新信息,建立具体飞机结构腐蚀失效概率和可靠度的动态预测模型。算例采用某型民用飞机地板梁结构腐蚀的无损检测数据,结果显示：腐蚀深度的合理分布为双参数威布尔分布,基于贝叶斯更新后的腐蚀失效概率计算得到的结构可靠度与未更新的显著不同。表明更新后的可靠度因为既考虑了模型参数的历史先验信息,又利用了当前数据实时更新了预测模型,从而有效地降低了有限样本带来的不确定性,使得预测值稳健且具有时变性,更符合工程实际。     

舰面设备海上环境防腐蚀研究

针对某舰面部分设备受到高热、高湿的海洋环境及海水飞溅影响,发生不同程度腐蚀现象,列出了部分紧固件、65Mn弹簧、销轴、锁定机构、波导、电连接器等受到腐蚀的十个问题。研究分析了该舰面设备使用的环境,报告了研究过程及解决十个问题的对策,提出了舰面设备耐海上环境腐蚀工作的建议。该研究成果能较好的解决已经暴露的十个问题。     

语言引导的多粒度特征融合目标分割方法

语言引导的目标分割旨在将文本描述的目标与其所指代的实体进行匹配,从而实现对文本、实体之间关系的理解与指代目标的定位。该任务在信息抽取、文本分类、机器翻译等应用场景中具有重要的应用价值。基于Refvos模型提出一种语言引导的多粒度特征融合目标分割方法,能够对特定目标精准定位。利用Swin Transformer和Bert网络,分别提取多粒度的视觉特征和文本特征,提高对整体与细节的表征能力;将文本特征分别与不同粒度视觉特征进行融合,通过语言引导增强特定目标表达;通过卷积长短期记忆网络对多粒度融合特征进行优化,在不同粒度特征间进行信息交流,得到更精细化的分割结果。在UNC、UNC+、G-Ref、ReferIt数据集上进行训练并测试所提方法。实验结果表明：相比Refvos,所提方法在UNC数据集的val、testB子集中IoU结果分别提升0.92%、4.1%,在UNC+数据集的val、testA、testB子集中IoU结果分别提升1.83%、0.63%、1.75%。所提方法在G-Ref、ReferIt数据集的IoU结果分别为40.16%和64.37%,达到前沿水平,证明所提方法的有效性与先进性...