航空发动机传感器解析余度模型的建立方法

为了使用解析余度模型对传感器故障进行诊断,提出了1种基于K-均值聚类与改进微分进化算法优化的极端学习机(IDE-ELM)的发动机传感器解析余度模型建立方法。为避免求解ELM算法时H矩阵奇异,采用K-均值聚类对试验数据进行聚类处理,然后从每类数据中选取1组数据组成训练样本用于训练;利用IDE算法优化ELM的输入层权值和偏置,提高ELM的泛化能力。利用飞行试验数据进行了仿真验证。结果表明:基于K-均值聚类和IDE-ELM设计的传感器解析余度模型具有较高的精度,可用于FADEC系统双通道传感器的故障诊断。     

基于并联构型的飞机装配调姿定位机构精度研究

针对飞机装配中机身壁板等组件调姿定位问题,本文首先提出了一种基于3-UPS并联构型的飞机装配调姿定位机构,该机构可以实现飞机组件装配的6自由度调姿与定位.同时,为提高飞机组件装配精度,分析了各运动副铰链间的误差间隙对飞机装配调姿定位机构姿态的影响,并据此建立了3-UPS并联机构的有效杆长模型.进一步地,基于并联机构位置正解得到了飞机装配调姿定位机构的定位精度模型.最后,通过MATLAB仿真分析了间隙的存在对机构运动精度的影响,为基于3-UPS并联机构在调姿定位中的控制补偿提供了理论基础.     

金属掺杂类金刚石薄膜研究进展

类金刚石薄膜(DLC)因具有优异的力学性能和摩擦学性能而受到广泛关注,但内应力高、热稳定性差等问题制约了它的应用和发展。将适量的金属掺入DLC薄膜中,由于金属与碳的键合作用不同,掺杂后形成的纳米晶或纳米金属碳化物颗粒具有高的活性,增加了晶界滑移,改善了薄膜结构,进而提高了薄膜的力学性能和摩擦学性能,为薄膜的应用和发展提供了新思路。对目前金属掺杂DLC薄膜的研究进行了综述,提出了未来一段时间内金属掺杂DLC薄膜的发展趋势。     

定子永磁型双凸极非稀土永磁电机谐波电流抑制

定子永磁型双凸极非稀土永磁电机(NREDSPM)采用剩磁较高的铝镍钴(AlNiCo)永磁代替传统的稀土永磁,降低电机制作成本的同时也可配合磁化绕组对电机气隙磁场进行调节,使电机获得较好的性能。但受电机本体参数影响,NREDSPM在运行时相电流中含有大量的谐波,严重影响电机的效率和稳定性。为解决此问题,采用了一种PI控制器并联谐振调节器的电流环控制方法。该方法结构简单,易于实现,且无需增加硬件成本,可对电流谐波进行有效抑制。一台1.25 kW的NREDSPM样机在试验平台上进行了试验,试验结果验证了所用方法的有效性。     

嵌入化合物FeOCl(HQ)0.78的合成与性能研究

利用水热合成法制备了一种新的有机-无机杂化化合物——F eOC l(HQ)0.78,其中HQ为8-羟基喹啉。嵌入的有机分子与主体材料的摩尔比为0.78,远远高于一些非共面的有机分子的嵌入量,结构表征后表明HQ的共平面垂直于F eOC l的ac面。低温磁化率、穆斯堡尔谱学和电子顺磁共振研究表明,化合物F eOC l(HQ)0.78表现为弱的反铁磁性,微观磁结构由F eOC l中的非共线结构转变为共线的反铁磁结构。     

归一化RBF网络的结构优化策略

针对归一化RBF网络，利用基于山峰函数的减法聚类算法构造归一化RBF网络的初始结构，采用奇异值分解(SVD)算法分析了网络隐含层节点与奇异值、累积贡献率以及索引向量的关系，并对归一化RBF网络的结构进行了优化。最后，对该优化策略的可行性和有效性进行了仿真验证和性能比较。     

一种图像分割方法的实现

本文基于模糊数学理论中的模糊Ｃ－均值聚类算法,将其思想用于图像分割。通过与其它经典方法的比较,证明了这种方法具有较好的处理效果和较强的抗噪能力。     

基于证据理论聚类算法的故障诊断

为了正确高效地诊断故障,以并发故障为例,建立了基于证据理论聚类算法的诊断模型,提出了基于Dempster理论的聚类算法,该聚类算法既分析每个单类,还考虑单类的各种组合,并利用质心特性,将单类聚类原型推广为适合组合类特性的聚类原型。通过故障实例说明,本文模型既适合普通故障诊断,更适合并发故障诊断,且计算的时间复杂度较小。     

运输类飞机结构腐蚀位置和腐蚀型式研究

本文基于典型腐蚀环境下某成熟机型服役期间的结构腐蚀历史数据,对运输类飞机结构的腐蚀区域、腐蚀位置和腐蚀型式进行了统计分析,明确了机身区域和飞机结构连接部位贴合面的腐蚀普遍性,确定了飞机结构贴合面区域和非贴合面区域的腐蚀型式。根据腐蚀基本原理,从运输类飞机结构的材料种类、表面保护、结构贴合面防腐蚀缺陷以及环境因素几个方面,进一步对结构腐蚀原因和腐蚀规律进行了分析,解释了运输类飞机结构的腐蚀位置和腐蚀型式分布特点。     

基于无监督学习视觉特征的深度聚类方法

基于自编码器的特征提取技术广泛应用于图像聚类分析,在较简单的图像集上取得了令人满意的聚类结果,但自编码器的特征表示能力有限,很难捕捉到复杂低质图像的局部特征。本文提出一种基于非对称结构卷积自编码器（Convolutional auto-encoder with an asymmetric structure, ASCAE）的学习视觉特征的深度聚类方法,其中非对称结构的卷积自编码器用于学习特征表示,然后使用K-means算法对特征数据进行聚类分析。为进一步提高特征表示能力,ASCAE方法的网络采用变步长的卷积层和全连接的重构误差正则约束网络的重构误差。在7个公开图像集上的实验结果表明该网络有很好的特征表示能力,并且使得K-means算法能提供很好的聚类结果。在COIL-20和MNIST图像集上,聚类方法ASCAE的聚类精度分别为0.754和0.918,优于同类型的4种深度聚类方法（AEC、IEC、DEC和DEN）。