建立学习型企业组织的几点思考

随着市场竞争的深化,企业面临的竞争已由产品竞争、质量竞争、技术竞争、服务竞争深入到人才竞争,进而又逐步深入到人的学习力的竞争和企业学习力的竞争。因此,建立学习型企业组织已成为企业生存与发展的必然选择。综观中外的优势企业,都是在学习方面处于领先地位的企业。建立学习型企业组织应从以下几个方面着手。     

一种基于神经网络的前馈控制器设计

本文根据文献的思想，以弹载雷达天线伺服系统为应用背景，针对具有确定性结构和多数，但不易准确建模的实际系统，设计了一种控制结构。数字仿真试验表明，该方案对上述系统具有可行性及良好的控制性能。     

浅谈激发学生对英语学习的兴趣

“兴趣是最好的老师。”培养学生的学习兴趣、提高教学质量一直是英语教学改革的重点。本文从因材施教，逐步探索适合我院学生的英语教学模式，强调能力的培养，创新英语课堂教学、做学生的良师益友，充分调动学生学习英语的积极性等三方面对这一问题加以论述。     

飞行员导航专家系统

论述一个飞行员导航专家系统方案。此系统包括二次通道：飞行员助理（ＰＡ）通道和飞行员助理学习（ＰＡＬ）通道。ＰＡ通道完成导航计算、形势判断和决策，通道还将显示出当前形势及给飞行员提出的建议。ＰＡＬ通道完成知识库（ＫＢ）的更新，包括：对飞行员完成的操作作出评价、综合归纳知识和规则以及知识库的修正更新。对系统所涉及的一些原则方法和算法进行了研究。     

基于深度学习的水下条纹投影三维测量方法

水下加工制造在航空、船舶等领域发挥着重要作用,制造过程的原位在线三维检测成为水下制造质量保障的迫切需求。条纹投影轮廓术（FPP）作为经典的光学三维测量技术之一,具备无接触、快速以及高精度等优势。然而,在浑浊水体中,由于光的吸收和散射作用,相机捕获的条纹光强衰减、对比度降低、图像细节模糊、引入大量噪声,导致条纹图质量不佳。根据低质量条纹计算出的相位具有不可忽视的相位误差,造成三维测量精度下降。为减小水下吸收与散射的影响,提出了一种基于深度学习的端到端的条纹图像增强算法,运用条纹图像增强卷积神经网络（FPENet）将低对比度高噪声条纹转换为高对比度低噪声条纹后获取更准确的相位结果。FPENet针对不同浑浊度水体皆可有效提高条纹质量,降低相位误差。尤其在高浑浊度水体中,相位误差可减小50%左右,显著提升水下FPP的测量精度,对于提高FPP在复杂场景中的适用性具有重要意义。     

基于卷积神经网络的航天复合材料缺陷智能检测

针对传统的缺陷图像识别处理方式存在着准确度与辨识度不足,且处理缺陷种类单一的问题,提出了一种基于Cascade R-CNN和Mask R-CNN的神经网络模型。首先,为了提高缺陷检测的可视化效果和检测准确度,在实例分割卷积网络Mask R-CNN的基础上,结合级联神经网络Cascade R-CNN结构,组合成了新的级联实例分割Cascade Mask R-CNN网络;其次,对组合而成的级联卷积神经网络进行了训练,将训练好的模型对复合材料缺陷图像进行了检测。实验结果表明:检测的平均准确度达到了91.5%,平均置信度达到了97.3%,达到了检测精度的要求。该研究成果可运用于航天复合材料缺陷识别。     

国产深度学习推理框架嵌入式适用性研究

随着端侧AI应用的不断丰富及深度学习技术的不断渗入,端侧深度学习模型部署需求日益增长。各机构研发出不同的AI推理框架来实现深度学习模型部署的高性能全景统一目标,通过接入多训练框架利用多硬件资源的方式来进行推理性能的加速。选择四个典型的国产深度学习推理框架,分别从设计原理、落地实现和特殊优化方式三个维度进行介绍与对比,并通过实验验证性能、支持精度、硬件支持这三个衡量指标对比探究四个框架是否适用于航空领域任务需求。     

主动学习基自适应PC-Kriging模型的复合材料结构可靠度算法

针对复合材料机翼随机固有频率可靠性分析复杂、高维、高度非线性和计算时间长的问题,本文提出了一种主动学习基自适应PC-Kriging模型的可靠度算法。在基自适应PC-Kriging模型中,采用一种基自适应策略来确定多项式混沌展开部分的正交多项式基,以近似数值模型的全局响应,Kriging用于高阶非线性插值以近似数值模型的局部响应。在主动学习可靠度计算框架中,引入加权K均值聚类,在一次迭代中添加K个对失效概率贡献较大的候选样本点以减少迭代次数和加快收敛速度。通过一个高度非线性的数值算例分析,证明了所提方法的有效性和准确性。将该方法应用于复合材料板和复合材料机翼的随机固有频率可靠性分析,获得了准确高效的可靠度计算结果。     

面向结构静力试验监测的高精度数字孪生方法

试验验证和数值仿真是评估结构强度的两种典型方法,然而基于离散传感器的试验验证方法难以保证结构应力监测覆盖度,数值仿真方法又因为对物理实体的简化和理想化处理而导致应力结果精度不足,如何综合利用两种强度评估方法的优势并进行数据融合以实现结构应力场监测是一个具有挑战性的问题。提出一种面向结构静力试验监测的数字孪生（DT-SSTM）方法,可获得高精度的结构静力试验数字孪生模型,以实现结构应力场的实时监测与强度评估。DT-SSTM方法包括离线、在线2个阶段。离线阶段,采用梯度提升树（GBDT）算法对仿真数据进行训练,建立预训练模型。在线阶段,基于集成学习理论,采用Stacking算法对试验数据响应值与预训练模型响应值之间的残差进行训练并建立残差模型。通过叠加预训练模型与残差模型实现多源数据融合,建立高精度的数字孪生模型。最后,开展了开口矩形壁板轴向拉伸试验来验证DT-SSTM方法的有效性。结果表明,DT-SSTM方法能够建立高精度的结构静力试验数字孪生模型,且相比同类数据融合方法具有更高的全局、局部预测精度以及融合效率,为结构应力场实时监测提供了一种新颖的解决方案。     

航空发动机叶片表面损伤与检测研究进展

航空发动机叶片的工作环境极其恶劣,表面会出现各种类型的损伤。在损伤早期进行表面检测能够有效预防因损伤扩展导致的叶片失效断裂。发动机叶片表面损伤的检测和评估主要由人工操作,严重依赖工作经验,但人工检测不仅效率低下,而且检测结果容易受到人为因素的影响。为了高效、高精度地检测发动机叶片表面损伤,从叶片失效形式出发,综述了发动机叶片在停放和运行2种状态下的损伤机理,并重点阐述了涡流检测、渗透检测等常用于叶片表面损伤检测的方法。总结了基于机器视觉的检测技术,分析机器视觉检测面临数据集稀缺和单一性的挑战,认为收集大量数据并进一步完善评估标准是未来发动机叶片表面损伤检测系统研究的重点方向。