基于产品-服务系统概念的商用飞机研发模式初探

我国商用飞机制造业正面临着市场化的趋势,飞机主制造商的关注点逐步向产品服务延伸,即可持续性发展。纵观飞机产品全生命周期,主制造商对于产品的研制应是面向包含飞机产品、服务产品及整个运营保障维护体系在内的整体化、系统化、综合性的研发工程,即商用飞机产品服务系统。本文基于产品服务系统概念,创造性地提出了有别于传统的、新型商用飞机研发模式的设想。本文介绍的新型商用飞机研发模式是基于系统工程方法,其研发过程主要包含捕获利益攸关方需要、建立产品服务系统功能架构、建立产品与服务功能关系矩阵以及产品服务系统技术解决方案定义共四个关键过程,文中开创性的提出了适用于该研发模式的、面向产品服务功能绩效实现的功能层级分解结构,作为整个研发过程的重要环节。     

基于滑模变结构和扩张状态观测器的电动舵机复合控制方法

为提高电动舵机伺服系统的鲁棒性,同时解决实际工作中电动舵机不确定负载引起的跟踪精度低的问题,提出了一种采用指数趋近率的滑模变结构控制率结合扩张状态观测器对负载扰动进行实时估计的电动舵机的伺服控制方法,给出了控制器设计方法和试验验证。仿真和试验结果表明,与常规的滑模控制器相比,采用扩张状态观测器的变结构控制能有效提高电动舵机的跟踪性能。     

温度边界层对壁湍流多尺度相干结构的影响

用热线风速仪以高于对应最小湍流时间尺度的分辨率精细测量了风洞中壁面加热平板湍流边界层不同法向位置流向速度分量的时间序列信号, 与常温情况相比, 热对流加速了壁湍流中流体的动量、质量和能量的交换, 加快了湍流边界层的发展;用子波分析方法研究了壁面加热对壁湍流多尺度相干结构喷射和扫掠条件相位平均波形的影响, 显示热对流明显增大了缓冲层相干结构扫掠过程和喷射过程的强度, 是增强壁湍流中流体的动量、质量和能量交换的根本原因.      

多压电膜式零质量射流激励器的设计与性能研究

设计了一种多压电膜式零质量射流激励器,并利用热线风速仪,得到了对应于射流中心线上固定位置处速度最大时的最佳频率.在该频率下,测量了零质量射流在不同孔径时沿中心线的速度分布;测量、分析和比较了不同激励膜数目对射流出口速度分布的影响.表明:在其他条件完全相同的情况下,一片振动膜时的激励器出口中心线上的平均速度和峰值速度,都较5片膜的情况小一半左右,而3片和5片压电膜时的激励器性能差别却不大.也就是说,虽然压电膜的数目增加能使激励器出口射流的能量增加,但这两者之间并非呈线性关系.此外还用PIV测量方法,直观地显示了射流出口的涡结构.      

飞机服役环境当量加速腐蚀折算方法研究

文中依据飞机服役机场地面环境谱与腐蚀损伤等当量原则,建立了环境加速腐蚀当量折算关系,给出了飞机结构主要高强度铝合金材料的当量折算系数α及HR-α、T-α曲线。依据建立的当量折算关系编制的加速环境谱,对飞机铝合金构件进行加速腐蚀试验研究,得到了温度(T)、相对湿度(RH)对环境当量折算系数的影响规律,为飞机结构防腐控制及日历寿命研究提供了工程技术依据。     

某飞机系列粉末合金刹车盘改进技术的研究

通过改进整盘钢骨架两面烧结粉末合金刹车盘的结构,直接成形卸荷槽,取消冲卸荷槽工序,完全解决该刹车盘长期存在的在后续加工及使用过程中的掉块问题。     

层次化的网络设计与实现

随着通信技术和计算机技术的发展,网络结构的选择直接影响着网络的运行效率、可靠性和网络安全.层次化网络设计在网络结构设计中比以往使用的非层次化网络设计有着很多优势,也是网络结构的设计趋势.     

探讨飞行器翼身不同结构刚度对翼尖位移和结构重量的关系

为了研究大展弦比双机身布局无人机中翼身结构不同刚度对结构响应的影响,本文采用有限元分析与满应力优化相结合来探讨这一问题.计算结果表明:机翼与机身之间不同刚度对结构响应存在影响.建议结构设计时注意这一现象并加以利用,从而得到轻量化的结构设计.针对算例进一步计算与分析表明:采用本文方法得到的结构优化方案,同样也能够满足该飞机的静、动气弹要求.结论:采用本文方法,不仅可以研究飞机部件之间不同刚度对飞机结构响应的影响,还可以进行全机的结构方案设计,并对此方案进行刚度、强度、颤振和控制面效率的分析与评估.     

联邦学习安全与隐私保护综述

联邦学习是一种新型的分布式学习框架,它允许在多个参与者之间共享训练数据而不会泄露其数据隐私。但是这种新颖的学习机制仍然可能受到来自各种攻击者的前所未有的安全和隐私威胁。本文主要探讨联邦学习在安全和隐私方面面临的挑战。首先,本文介绍了联邦学习的基本概念和威胁模型,有助于理解其面临的攻击。其次,本文总结了由内部恶意实体发起的3种攻击类型,同时分析了联邦学习体系结构的安全漏洞和隐私漏洞。然后从差分隐私、同态密码系统和安全多方聚合等方面研究了目前最先进的防御方案。最后通过对这些解决方案的总结和比较,进一步讨论了该领域未来的发展方向。     

基于函数链神经网络的深度分类器

目前的宽度学习系统（Broad learning system,BLS）通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接,网络权值可以用求解伪逆的方法快速求得,避免了耗时的训练过程,从而成为快速而高效的学习方法。然而在追求高精度结果的过程中,BLS对于增强节点数量的需求过于巨大,容易造成过拟合问题。为此,本文提出了基于函数链神经网络（Functional-link neural network,FLNN）的深度分类器（FLNN based deep classifier,FLNNDC）,旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构,每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点,而不是全部映射节点。和原宽度结构相比,在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。