具有多个执行机构Lurie系统的时滞相关稳定性

Ｌｕｒｉｅ时滞控制系统是工程实践中经常遇到的一类重要的非线性控制系统,本文根据微分方程理论,提出了不确定性具有多个执行机构的Ｌｕｒｉｅ时滞控制系统时滞相关稳定的充分性判据,并给出系统衰减速度的估计方法。该方法仅需假定时滞有界,因而其结论适扩用于变时滞的系统。文末给出应用本文结果的两个应用实例,并与相关成果进行了比较,计算结果表明了本文方法的有效性。     

碳纤维加筋板的超声相控阵C扫描检测可靠性研究

碳纤维加筋板结构在现代航空器中被大量应用,超声波相控阵C扫描技术是这类结构在役环境下的有效检测手段之一,被广泛应用。对于同一个损伤,在实际检测中会出现从不同的方向检测结果不一致的现象;这种现象在传统单点超声波C扫描检测中是不会发生的。本文从试验件表面曲率、缺陷特性等方面对这种不一致性进行了分析和探讨,并给出了避免这一类不确定性发生的建议。     

纺丝工艺对炭纤维缠绕复合材料强度转化率的影响

通过不同纺丝工艺的聚丙烯腈基炭纤维表面状态、NOL环及Φ150 mm容器的实验研究,分析了不同纺丝工艺对湿法缠绕复合材料聚丙烯腈基炭纤维强度转化率的影响。结果表明,干喷湿纺炭纤维比湿法纺丝Φ150 mm容器环向纤维强度转化率要高出11.9%~15.4%,湿法纺丝的炭纤维复合材料NOL环层间剪切强度要比干喷湿纺炭纤维复合材料高7.4~34.1 MPa。因此,干喷湿纺的炭纤维可应用于固体火箭发动机缠绕壳体、压力容器等主要承受拉伸应力的领域,可充分发挥其纤维强度;而湿法纺丝工艺制成的炭纤维与树脂基体结合紧密,利于载荷的传递,可应用于承受压缩剪切等复杂载荷的领域,从而发挥这两种纤维各自不同优势。     

基于小波包变换及相关系数法的复合材料层合板冲击位置识别研究

复合材料较为广泛应用于航空、航天等工程领域,但对冲击载荷十分敏感。因此,对复合材料结构承受的冲击载荷进行在线监测以及冲击位置的实时识别具有重要意义。文章以复合材料层合板为研究对象,基于两个冲击位置的距离越靠近则接收到信号幅频特性相似度越高的特点,采用FBG光纤光栅传感器,通过小波包变换的方法来提取能量特征向量,同时结合相关系数法来实现复合材料层合板的冲击位置识别。在480 mm×480 mm的复合材料层合板上开展冲击实验,8次实验皆完成了冲击位置识别,其中7个点距离误差为0 mm,实现精准识别,另一个点误差在6%以内。     

FCD1软脆光学镜片的高效研磨加工

针对FCD1软脆光学镜片高效高成品率的精密加工问题,本研究提出了一种使用复合结合剂金刚石丸片的精研加工技术,其金刚石丸片研具采用了金属、树脂和添加剂等复合结合剂。在精研过程中,丸片表层金刚石磨粒对工件的切深一致性避免了工件表面易出现的深划痕,可有效减少后道抛光工序加工时间,从而提高FCD1软脆光学镜片的生产效率和成品率。     

CVD技术制备Ta/W层状复合材料

运用化学气相沉积(Chemical Vapor Deposition,CVD)技术制备了W体积分数分别10%,13%和18%的Ta/W两层层状复合材料,采用金相显微镜(OM)、扫描电镜(SEM)和室温拉伸实验对复合材料的性能进行分析。结果表明:运用CVD技术可以制备W体积分数不同,且密度优于理论密度99.4%的层状复合材料;复合材料中Ta,W层的晶粒均为柱状晶粒,离界面越近,晶粒越细;沉积态复合材料的力学性能优于纯CVD Ta和CVD W;1600℃×2 h的热处理后,复合材料的界面扩散层宽度显著增大,力学性能高于沉积态的力学性能,最高抗拉强度可达660 MPa。     

复合材料胶补飞机损伤金属结构疲劳寿命分析

针对复合材料单面胶接修理飞机损伤金属结构疲劳寿命分析时,多种失效模式耦合作用、残余热应力和附加弯曲力矩以及裂纹非均匀扩展的影响,提出了一种能够综合考虑上述影响因素的复合材料修理损伤金属结构疲劳寿命评估方法。算例分析结果与试验结果吻合,表明本文方法可为复合材料单面胶接修理损伤金属结构疲劳寿命估算提供参考。     

一类滞后不确定相似组合系统的分散控制

本文给出了一个使滞后的相似组合大系统镇定的分散鲁棒控制器的设计方法。不确定性是时变的,是以不确定参数出现在每个子系统中,而存在于互联项中的不确定性假设可能知道它的边界,当系统具有某种特征时,简化了一般控制器的设计。     

CLVD 法制备C/C复合材料工艺探索研究

研究了采用化学液气相沉积法制备C／C复合材料的工艺过程，分析了不同预制件、温度、浸泡时间等工艺参数对致密速度、效果的影响，并总结出了一套快速高效的致密方法。     

FAST FEATURE RANKING AND ITS APPLICATION TO FACE RECOGNITION

A fast feature ranking algorithm for classification in the presence of high dimensionahty and small sample size is proposed. The basic idea is that the important features force the data points of the same class to maintain their intrinsic neighbor relations, whereas neighboring points of different classes are no longer to stick to one an- other. Applying this assumption, an optimization problem weighting each feature is derived. The algorithm does not involve the dense matrix eigen-decomposition which can be computationally expensive in time. Extensive exper- iments are conducted to validate the significance of selected features using the Yale, Extended YaleB and PIE data- sets. The thorough evaluation shows that, using one-nearest neighbor classifier, the recognition rates using 100-- 500 leading features selected by the algorithm distinctively outperform those with features selected by the baseline feature selection algorithms, while using support vector machine features selected by the algorithm show less prominent improvement. Moreover, the experiments demonstrate that the proposed algorithm is particularly effi- cient for multi-class face recognition problem.