STABILITY OF THE HIGH-ORDER BAM AND ITS PERFORMANCE ANALYSIS

由Ｔａｉ提出的高阶双向联想存储器（ＨＯＢＡＭ）推广了Ｋｏｓｋｏ的ＢＡＭ，它不仅拥有ＢＡＭ的优点，而且放宽了连续性假定以得到可靠的回忆，并大大改进了ＢＡＭ的存储容量和纠错性能。然而，Ｔａｉ对于ＨＯＢＡＭ的性能分析仅限于计算机模拟，并没有给出理论分析结果。本文填写了此方面空白，并给出ＨＯＢＡＭ稳定性和存储容量的理论证明，使得该系统能从理论上得以保证所有训练模式对成为其稳定点。     

基于模板技术的GUI编程

主要介绍了C 泛型编程技术在GUI开发领域所使用的WTL技术.从模板的基本概念入手,介绍了ATl/WTL技术的基础概念,并且从WTL的窗口实现和消息处理机制两个方面分析了其实现原理.还简单介绍了WTL在WINDOW平台下开发应用程序的过程以及自绘制按钮的开发.     

低湍流度风洞中的斜置翼三维边界层测量试验研究

在西工大低湍流度风洞中，于不同后掠角和湍流度下，以４５°单丝热线探头，在斜置翼上测量三维边界层速度型并计算特征参数的情况表明：横流影响的规律性明显，三维速度型扭曲相当复杂；后掠角和湍流度增大时，速度型和厚度的发展、不同层次的流线偏移和特征参数的变化受横流影响更为明显。     

Menger PM-空间上复合映射不动点定理的推广

设（X，F，△）和（Y，－↑F，△）是两个完备的MengerPM－空间，△是连续的H型t－范数，函数Φ（t）满足条件（Φ1)，本文在映射T：X→Y和S：Y→X满意更一般的条件下给出了关于复合映射TS和ST的不动点定理。这一定量进一步推广了Fisher,Sehgal和Bharucha-Reid等的有关结果，也是作者“MengerPM－空间上复合映射的不动点定理”一文的一般推广，最后给出了几个有用的结果作为本文主要定理的推广论。     

飞机型架参数化设计系统的开发与应用

本文介绍了AutoCAD二次开发飞机型架参数化设计系统的结构、功能、应用。说明对AutoCAD进行二次开发使得工装型架设计绘图效率大为提高。     

考虑未知扰动的RLV再入鲁棒容错姿态控制

针对复杂再入环境下的可重复使用运载器姿态控制问题,考虑大气的未知干扰、气动参数建模的不确定性以及可能发生的执行器部分失效故障,基于增量反步法和径向基函数（RBF）神经网络设计了姿态角回路和角速度回路的控制器。基于神经网络良好的未知逼近能力,采用RBF神经网络对增量反步法设计过程中的泰勒展开高阶项以及上述未知扰动和故障产生的影响进行逼近估计,并在控制律中进行补偿。经过仿真验证,所设计的控制系统能够在未知扰动影响下有效提高指令的跟踪精度,并且对飞行器的本体特性建模依赖较少,具有良好的鲁棒容错能力。     

基于机器学习的非定常流场网格自适应

现有针对非定常流场数值模拟的网格自适应方法,通常每隔一段时间步就进行一次网格调整,增加了计算复杂度和精度损失。针对这一问题,本文基于间断伽辽金（discontinuity Galerkin, DG）有限元法提出了结合BPNN(backpropagation neural network)和MMPDE(moving mesh partial differential equation)的非定常流场网格自适应方法。该方法首先采用DG有限元法对Navier-Stokes方程进行非定常计算,得到统计意义上的网格间断量;然后以初始网格和间断量训练BPNN回归模型,用于预测任意位置节点的间断量;接着使用MMPDE变分法移动网格节点,使其符合统计意义的间断量分布;最终通过Laplacian网格平滑法保证网格单元质量。圆柱绕流非定常流场算例的验证结果表明,该方法能够在不改变网格拓扑结构和不增加节点数的情况下完成一次性网格自适应,显著提高了非定常流场数值计算的精度和效率。     

总温畸变下跨声压气机失速过程非定常模拟

为研究进气总温畸变条件下跨声压气机失速机理,对德国Darmstadt跨声单级压气机开展进口周向范围180°、高温区500 K总温畸变条件下全环非定常数值模拟研究。结果表明进气总温畸变条件下压气机流量显著减小,总压比大幅下降。压气机转子出口面不同周向位置的总压径向分布不同。对于顺转子叶片旋转方向,在高温区总压逐渐减小,低总温区域的转子出口总压高于高总温区域。随压气机逐渐接近失速点,总压径向分布不均匀性增大。当流量进一步减小后,总温畸变下诱发旋转失速的先兆波为突尖型,最先出现失速先兆的周向位置是转子叶片离开低温区、转入高温畸变区时。失速先兆的周向传播速度约为88.9%转子转速,失速初期失速团的周向传播速度约为66.0%转子转速。整个失速过程伴随转子出口流量的大幅度波动,由失速团沿周向的运动和合并引起。     

多源数据融合与改进注意力机制的轴承智能故障诊断

单一传感器信号不能全面表达机械设备的运行特征且容易受到自身品质、性能的影响,为此本文提出了一种多源数据融合与改进注意力机制相结合的滚动轴承智能诊断方法。采集不同位置的传感器振动信号作为模型的输入向量,每一个传感器信号作为一个通道,将多通道信号同时送入模型特征输入层;引入改进注意力机制建立各通道和空间动态权重参数,随着模型训练,不断增强故障特征、弱化无用特征;运用深度卷积神经网络模型的卷积、池化等操作将多传感器信号进一步融合并提取故障特征,输出诊断结果。在进行滚动轴承故障诊断实验时,该方法诊断准确率达到100%,高于准确率最佳值为97.42%的单传感器。与其他方法相比,本文方法可以自适应融合多传感器数据以满足诊断任务的要求,具有良好的自适应性和鲁棒性,为滚动轴承的故障诊断提供了一种可行的方法。     

基于SAE-SA-1D-CNN-BGRU的涡扇发动机剩余寿命预测

为解决涡扇发动机监测数据维度高和寿命预测准确度低的问题,提出一种基于深度学习的寿命预测方法,开展了利用 神经网络获取涡扇发动机剩余寿命的研究。利用堆叠自编码（SAE）网络从高维传感器数据中提取健康因子（HI）,采用1维卷积神 经网络-双向门控循环单元（1D-CNN-BGRU）方法捕捉HI序列中的空间和时间特征,并引入自注意（SA）机制对捕捉的特征分配 权重,使用全连接层输出涡扇发动机剩余使用寿命（RUL）,以此构建复合神经网络进行面向涡扇发动机高维数据的寿命预测。结 果表明：利用NASA官方网站提供的涡扇发动机寿命试验公开数据集C-MAPSS对该方法进行验证,取得了均方根误差16.22和评 分函数225的结果。证明了基于SAE-SA-1D-CNN-BGRU的寿命预测方法可实现涡扇发动机寿命的有效预测,能为涡扇发动机 维修保障及健康管理提供有效决策支撑。