大型复合材料筒形结构自动铺带技术

采用国产T300/605热熔法预浸料,对大型复合材料筒形结构自动铺带技术进行了研究.通过对自动铺带角度的工艺优化,铺带角度进行微调,实现了复合材料筒形结构的满覆盖铺放.在此基础上进行了大型复合材料筒形结构的自动铺带工艺试验,对自动铺带工艺试验件进行无损检测及取样性能测试.结果表明:预浸料铺覆性良好,自动铺带成型的预浸带间隙或重叠≤1 mm,铺带角度与理论铺带角度偏差≤0.2°.试验件成型质量良好,自动铺带技术可以满足大型复合材料结构高质量成型需求.     

基于图像分析的显微视觉自动聚焦系统

开发了用于显微视觉对准装配的自动聚焦系统.系统采用基于图像空域分析的聚焦方式.首先通过对比,选择计算量最小的y向一阶差分算子作为系统的聚焦测度;然后通过合理选择聚焦窗口,优化了聚焦效果;最后提出一种不同于通常爬山法的自动聚焦策略,实现该方法的核心是建立聚焦函数与离焦量之间的函数关系,本系统采用3次样条插值估算未测聚焦函数值的办法构建了这种函数关系.应用结果表明该系统自动聚焦的准确性与实时性满足要求.     

翼伞系统自动归航轨迹的设计

从六自由度动力学仿真结果入手,分析了翼伞系统飞行的基本特性,在此基础上进一步简化了模型。对于分段规划法,详细介绍了其设计的思想和各阶段的特点,并根据不同的情况提出了一整套的归航方案。对于最优控制法,介绍了其建模过程,在求解中采用了单位为1的量和等数量级的预处理方法,以提高计算精度,也便于加权因子的选择。通过算例验证了两种方法的可行性,并通过对比说明了各自的特点,为工程实际的运用提供了一定的参考。     

智能测量系统的模块实现

设计智能测量系统主要用于动静态角度的自动连续测量,包含两个主要功能模块:一是基于CPLD,实现对AD的控制,将被测信号数字化处理,同时负责向工控机传送数据;另一个是基于PC104工控机,设计智能测量系统数据处理软件,利用工控机计算被测信号的频率、幅值、失真度和输入信号相位差,实现了测量系统数据处理的自动化。     

战壕终结者美国XM307“先进班组支援武器”

上世纪80年代末期，美国就率先推出集发射动能弹和高爆榴弹于一体的步榴合一武器系统——理想单兵战斗武器（OICW），接着又推出了发射高爆榴弹的自动榴弹发射器——理想班组武器（OCSW），这两种武器引领了轻武器的发展潮流，世界各国竞相提出和制定了自己的“未来士兵”计划。[编者按]     

自动测试系统校准方法研究

自动测试系统的校准是计量界面临的一个新问题,国内还没有相关的校准规范。以实际工程项目为基础,采用一种面向实际应用的自动测试系统校准方法。对于系统中的仪器,根据实际的测试需求及精度不同分别采用仪器检定和仪器校准方法,对于自动测试系统特有的测试通道采用回路标定、替代标定两种标定方法,满足了被测设备的测试准确度要求,实际测试也证明了该方法的可行性。     

一种数据采集卡自动校准系统及关键技术研究

数据采集卡已成为航空航天设备、现代武器装备生产验证、维修保障系统的重要部分。介绍了一种专用数据采集卡自动校准系统,分析了设计背景及实现的功能,同时提出了校准过程中噪声抑制、通道低电势和控制高可靠性三项关键技术的解决途径。     

飞机制造工装中典型配套结构自动建模技术

飞机制造工装中存在大量配套结构,其中各元件在空间方位和结构尺寸等方面具有严格的关联关系,但这些元件并不总是构成一个完整的组合件,而是独立隶属于工装总体结构.现有的配套结构建模技术需要繁琐的人工操作,为了实现这类结构的自动建模,提出了基于结构关联关系的虚配件技术.首先,根据配套结构的构成元件间的依赖关系引入虚配件的概念,并以此为基础对配套结构进行了形式化定义和表示;其次,研究和建立了配套结构自动建模原理,并对其中涉及的语义模型解释、文档创建及子件安装等关键算法进行了详细说明;最后,通过V形块组件结构实例测试,验证了所提方法的正确性和有效性.     

液体火箭发动机试验推力自动校准加载系统的研制

液体火箭发动机推力是火箭发动机关键的性能参数,在发动机研制试验过程中推力测量是十分重要的。推力校准是推力测量中一项重要的环节,而校准加载系统又是力值传递的基础。介绍了推力校准加载系统的组成、工作原理,提出了推力校准自动加载系统研制的关键技术要点,并分析了攻克要点的技术途径。经试验验证,该加载系统可对0t～100t推力进行自动校准,校准加载稳定度为0.001%,提高了推力校准的效率和准确度。     

基于量子万有引力搜索的SVM自驾故障诊断

针对自动驾驶仪在实际测试过程中故障样本较少的情况,提出一种基于量子万有引力搜索算法(QGSA)的支持向量机(SVM)故障诊断模型。SVM能较好地解决小样本、非线性问题,适用于自动驾驶仪的故障诊断。为进一步提高万有引力搜索算法(GSA)对参数寻优的收敛速度和收敛精度,将基于GSA的QGSA应用于SVM的参数寻优中,以解决SVM由于参数选取不当导致过学习或欠学习的问题,从而获得最优的分类模型。通过模拟实验分析,当训练样本数量为50时,基于QGSA的SVM故障诊断模型分类准确率便能达到96.530 6%,而基于遗传算法(GA)的SVM故障诊断模型分类准确率为92.040 8%,基于GSA的SVM故障诊断模型分类准确率为91.632 7%。仿真实验结果表明,基于QGSA的SVM故障诊断模型具有更好的故障诊断能力。