多铺层碳纤维蜂窝板模型修正

 蜂窝板是现代飞行器的主要承力结构,通过分析各形式响应面适用范围,提出Linear-and-Gaussian组合核支持向量机(SVM)响应面和基于分组控制策略的改进粒子群优化(IPSO)算法。用ANSYS的SHELL91单元建立多铺层碳纤维蜂窝板的有限元模型(FEM),并通过正交试验设计和F值检验确定待修正结构参数,构造Linear-and-Gaussian响应面以拟合待修正结构参数与蜂窝板模态频率的关系并检验响应面模型有效性。最后,用基于分组控制策略的IPSO算法对响应面模型中的结构参数进行修正,修正后参数代入原有限元模型得到修正模型。通过对修正前后模型模态频率与基准模型模态频率在测试频段内外的对比,证实了修正后模型具有良好的复现能力和预测能力。     

灰色犹豫模糊集的核与灰度的灰关联决策方法

首先,将犹豫模糊扩展为灰色犹豫模糊集。其次,用灰色系统“核与灰度”的方法代替了传统中预设决策者风险偏好的数据增补方法,在不改变信息域的前提下,提升了可信度。进而将“核与灰度”运算法则扩充到灰色关联度的决策中。最后,通过实例演示了方法的适用性和可行性,并与相关文献方法进行了对比研究与分析。     

识别信号对尾流激励的叶片气动力Volterra 降阶模型的影响

针对涉及动、静叶干涉的叶片气动弹性振动问题,基于Volterra级数方法,建立了尾流激励的叶片气动力降阶模型,分析了稳态条件和识别信号幅值对气动力降阶模型辨识精度的影响。结果表明:所建立的气动力降阶模型能够正确表征尾流对叶片的激励作用,不同流场稳态条件和阶跃信号幅值下气动力降阶模型的结果基本相同。     

基于树形马氏链模型的可靠性分析方法

复杂系统的极限状态函数非线性程度较高，在进行可靠性分析时，易导致失效概率的计算误差大、效率低，针对上述问题，提出了树形马氏链（TMC）算法和基于该算法的可靠性分析方法。树形马氏链是对原始马尔可夫链的改进，其状态转移过程更加灵活，具备局部多链并行和自适应探索失效域边界的特性。树形马氏链通过多候选状态点扩大对失效域信息的收集，生成能充分反映失效分布特征的样本，对该样本进行自适应核密度估计得到近似最优的重要抽样分布密度函数，从而提高计算结果的准确度。文末的数值算例和工程算例验证了算法性能，计算结果表明算法对设计点、抽样起点的位置不敏感，处理强非线性及复杂串联系统问题时，能在少样本量下得到相对高准确度的计算结果，且在样本量改变时，计算结果相对稳定可靠；工程算例给出了所提方法在实际问题下的效率，体现了所提方法的工程应用价值。     

基于核密度估计算法的飞机载荷谱统计技术

受到实际条件限制,现阶段的飞机载荷谱实测均采取小子样实测方法,小子样实测数据是取自真实母体的一个简单样本,很难保证数据的充分性、完整性.传统的均值统计法无法对数据缺陷进行弥补.为了克服小子样数据不足问题,将核密度估计技术用于载荷谱统计,取得了良好效果.介绍了核密度估计的相关理论基础,并以某型机下沉速度谱的统计为例,详细介绍了将核密度估计方法用于载荷谱统计的数学过程.结果显示:核密度估计方法对还原载荷谱原貌、补充小子样数据的不足问题具有良好作用.      

基于FSS-kernelBSS方法的机械故障诊断

机械设备发生故障时,故障特征的提取是很重要的.为了从观测信号中分离出不同的故障特征源信号,并根据分离信号准确地进行故障诊断,从观测信号样本出发,提出了基于有限支持样本核函数的盲源分离(FSS-kernel BSS)方法.此方法利用有限的观测样本估计信号的概率分布,得到了评价函数,具有很好的自适应能力.仿真试验结果表明:此方法能成功地分离超、亚高斯混合信号,与其他盲源分离方法相比,此方法具有更好的分离性能.将该方法用于转子不平衡和支座松动的复合故障信号的盲分离,分离出了各复合故障的主要频谱.分离结果表明:此方法应用于机械设备复合故障诊断中是可行的.     

基于稀疏核增量超限学习机的机载设备在线状态预测

为实现对机载设备工作状态的在线状态预测,提出了一种稀疏核增量超限学习机(ELM)算法。针对核在线学习中核矩阵膨胀问题,基于瞬时信息测量提出了一个融合构造与修剪策略的两步稀疏化方法。通过在构造阶段最小化字典冗余,在修剪阶段最大化字典元素的瞬时条件自信息量,选择一个具有固定记忆规模的稀疏字典。针对基于核的增量超限学习机核权重更新问题,提出改进的减样学习算法,其可以实现字典中任一个核函数删除后剩余核函数Gram矩阵的逆矩阵的前向递推更新。通过对某型飞机发动机的状态预测,在预测数据长度等于20的条件下,本文提出的算法将预测的整体平均误差率下降到2.18%,相比于3种流形的核超限学习机在线算法,预测精度分别提升了0.72%、0.14%和0.13%。     

基于动态集成算法的航空发动机气路参数预测

针对单一学习机对航空发动机气路参数预测困难的问题,提出了基于动态加权核密度估计（DWKDE)组合方法的集成预测算法,该组合方法选择测试样本的近邻样本,通过评估学习机在近邻样本的局部性能动态确定各学习机的权值,并基于该权值利用加权核密度估计实现数据序列的集成预测。该组合方法不易受离群值和样本不对称分布的影响,将该组合方法用于AdaBoost.RT和AdaBoost.R2算法,获得了改进后的集成学习算法。实验证明:相比于神经网络和原始集成学习算法,改进后的集成学习算法较好地提高了航空发动机气路参数序列的预测精度,方均根误差（RMSE)指标至少可降低27%。      

平滑粒子流体动力学(SPH)方法的进展

平滑粒子流体动力学(SPH)方法是一种无网格Lagrangian计算技术,在处理一些问题时,比以Lagrangian坐标系和Eulerian坐标系为基础的常规网格有独特的优越性,特别适用于处理物质质点的流动性极大的问题,如超高速碰撞问题.文章对SPH的理论和计算方法做了简单的介绍,并对其发展过程和现状做了简单的回顾.     

航空发动机传感器信号重构的K-ELM方法

针对航空发动机传感器信号重构,提出了评价核极限学习机（K ELM）模型性能的一种快速留一交叉验证方法.结果表明:该方法可以避免原始的留一验证方法N次模型的显式训练,将计算复杂度降低为原来的1/N（N为样本数目）.该算法可以快速准确评价核极限学习机的性能,为核极限学习机确定最优的核参数.