基于故障树与马尔科夫分析模型的发动机系统安全性评估

安全性评估是发动机适航验证的重要方法之一,故障树与马尔科夫分析方法是安全性评估常用的方法,两种方法在安全性评估的不同时机具有各自的特点。针对故障树与马尔科夫在安全性评估中的应用时机进行了深入的研究,分析结果表明：对于失效率为常数的顺序相关的系统,若部件是主动失效部件(即姿伊t较小),应用故障树与马尔科夫分析方法均可准确评估系统的失效概率,采用故障树可以减少运算的复杂性;若部件是潜在失效部件,由于部件暴露时间较长(即姿伊t较大),使用马尔科夫的分析方法可以更精确的评估系统的安全性。     

计算机辅助FMECA与FTA正向 综合分析方法研究

FMECA(Failure Mode Effect and Criticality Analysis)和FTA(Fault Tree Analysis)是分析系统故障因果关系的两种常用技术.大量工程实践表明,它们在用于系统安全性、可靠性分析时取得了显著的效益.这两种技术分别独立应用时,既有各自的优点,也存在着一定的缺陷和不足,为此综合了FMECA与FTA的优点,阐述了复杂动态系统FMECA与FTA综合的思路,着重阐述了由计算机辅助FMECA向FTA正向综合建立故障子树的推理算法,通过三余度舵机系统的应用,证明该方法效果良好.     

大规模场景的百分比近邻软阴影绘制算法

针对传统软阴影绘制算法在面对大规模三维场景时绘制效率较低的问题,文章基于四叉树加速结构的阴影图构建,研究了邻域节点的搜索方法和遍历顺序的选择方法,提出了一种基于四叉树的百分比近邻软阴影算法。实验结果表明,与传统算法相比,该方法能够有效提高大规模三维场景的软阴影绘制效率,且性能稳定,可以渲染出高质量的软阴影效果。     

某型航空发动机α1、α2不调节及喷口不随动故障分析

针对某引进型航空发动机使用过程中出现的α₁、α₂不调节及喷口不随动故障,基于故障树分析方法,通过试验验证、分解检查等查明了故障原因,制定了控制措施,可为类似故障的分析提供参考。     

航天器智能诊断系统开发研究

提出了基于故障树的故障报警方法和诊断方法,提出了面向故障树的报警知识和诊断知识表示方法及相应的报警和诊断推理策略,最后,在Windows环境下,用BorlandC++实现了一个原型系统,并通过对“实践-四号”卫星能源系统故障模拟实验台的诊断验证了系统的有效性。     

网络系统的广播技术和广播算法

讨论了计算机网络系统中的广播问题,重点放在广播算法上。首先,介绍了广播的概念和广播技术在网络中的应用。然后介绍了几种广播算法,其中包括：独立发送分组法、多目的地址法、生成树算法、逆向路径转发算法和扩散法,并提出有效的扩散算法改进思想。最后给出这几种算法的模拟结果和可靠性分析。     

民用客机液压系统逻辑控制单元故障分析及排除

通过采用故障树的分析方法,运用故障机理分析、故障定位及故障复现的故障归零思路,分析了逻辑控制单元的设计规范及其变更,进行了新旧逻辑控制单元的对比试验,检查了逻辑控制单元与飞机的交联信号等,最终定位故障在逻辑控制单元内部元件失效,顺利排除了故障。     

贝叶斯网络在飞控系统可靠性评估中的应用

把一种基于贝叶斯网络的故障树分析法应用于飞控系统俯仰控制功能的可靠性评估中,突破传统故障树分析法的局限性——各部件独立、状态为二值,不但可以计算系统的可靠性指标,而且可以定量给出某个事件或某几个事件在系统可靠性中所占的地位,找出系统的薄弱环节。     

某型运输机飞控计算机动态故障树分析

针对现代运输机飞行控制系统具有结构相对复杂,大量使用数字技术,可靠性要求高和具有容错功能等特点,本文以某型运输机为例,建立飞行控制系统主计算机动态故障树模型,并应用动态故障树分析方法进行动态故障树分析。     

A comparative study of decision tree,random forest,and convolutional neural network for spread-F identification

Ionospheric spread-F (SF) is a commonly observed phenomenon of electron density perturbation in the F-layer. The ionospheric irregularities structure has an adverse effect on the propagation of electromagnetic waves in the ionosphere. The automatic identification of ionospheric spread-F and statistical study of the formation of spread-F are of great significance to the study of the physical mechanism of ionospheric inhomogeneity and for prediction of ionospheric irregularities. In this paper, we describe and implement three automatic identification methods of spread-F based on machine learning: decision tree, random forest, and convolutional neural network (CNN). The performance of these automatic identification methods was verified using a large set of test data. Results show that the accuracy of all three methods on identifying ionograms with spread-F exceeded 90%. After comparing the results of the three methods, we found that the decision tree method was the simplest and with the structure easiest to be understood, and it required the shortest interpretation time. In terms of the identification results, the random forest method provided better results than the decision tree method, and the CNN method was the best at accurately identifying ionograms with spread-F.