基于DEA技术的装备研制设计评审优化方法

以飞机总体设计的评审为例,提出了基于DEA技术的飞机总体设计评审方法。首先,介绍了DEA的基本理论和应用步骤;然后,对输入、输出指标体系进行了确定和分类,并采用DEA Solver 3．0软件进行设计方案基于CCR模型的DEA有效性求解;最后,探讨了非DEA有效方案的改进方法、DEA有效方案的排序方法以及DEA最有效方案的优化目标。     

用双激波模型计算风扇/压气机非设计点的性能

根据现代高速风扇/压气机内激波波系的真实结构,将适用于预测高速叶型激波损失的双激波模型引入基于基元叶片特性的流线曲率法程序,发展了一种用于预估高速风扇/压气机非设计点性能的方法。该双激波模型考虑了来流马赫数和攻角变化,较真实地反映了高马赫数风扇/压气机的实际工作状况,扩展预测风扇/压气机非设计点性能的能力。利用该模型,本文分别对一台叶尖马赫数达到1.4的大涵道比风扇和一台叶尖马赫数高达1.5的三级风扇的非设计点性能进行了计算,计算结果与试验结果保持了较高的吻合性。     

基于用户自定义变更的本体进化

提出一种基于用户自定义变更的本体进化方法。首先给出了该方法的形式化描述,建立了本体一致性模型和原子变更及冲突消解方法,然后对用户自定义变更模型进行语义描述,将用户自定义变更转换成原子变更,并对其进行了优化。最后给出了用户自定义变更及优化的实例。结果表明:本方法可以很好地满足本体进化过程中用户的复杂需求,并实现了本体变更的形式化描述,解决了各种变更中的冲突问题。     

基于误差模型的权重二值神经网络近似加速

针对智能识别系统精确度和硬件复杂度之间的均衡设计问题,提出了一种基于误差统计模型的权重二值神经网络近似加速方法.在提出了一种获得高精度轻量神经网络的权重二值化处理算法基础上,引入近似加法器、消除乘法器以进一步提高能效.最终提出了一种系统级误差统计模型用于系统评估和优化设计,该设计能够分析和预测权重二值神经网络近似加速系...     

含边界和损伤因素的纺织复合材料细观胞元模型

纺织复合材料的细观力学分析通常以胞元模型为基础,胞元边界条件的合理施加是获得精确分析结果的关键之一。本文以平面机织复合材料为例,讨论了细观胞元的选取和周期边界条件的施加方法,在此基础上建立了二维细观有限元模型,通过与全厚度模型分析结果的比较,研究了周期胞元模型的合理性,特别是边界效应和局部损伤等非周期因素对分析结果的影响,给出了这些因素下胞元边界条件的处理方法。     

面向代理模型的机翼变形计算方法

按照机翼结构设计的原则,对内部结构还未确定的机翼提出了一种通用的变形计算方法。机翼的平面形状可看作由多个梯形组成,机翼弯曲变形为三次函数,扭转变形为一次函数。只要给定翼梢挠度与扭转角,即可计算机翼变形情况下的几何模型,使代理模型能够预测变形后机翼的气动载荷分布。文中给出了两个实际机翼的算例。算例结果表明,本文模型预测的变形与实际结构有限元分析给出的变形吻合较好。     

浅析民航维修人员心理健康对安全生产的影响

通过对某民航维修单位开展心理调研,结合人为因素分析和归类系统—维修延伸分析模型,关联得出该维修单位易发生的不安全行为和人员状况,并在此基础上提出民航维修单位提升员工心理健康水平的建议和对策,以减少人为因素造成的不安全事件。     

高速加工HSK工具系统的力学模型

根据HSK工具系统的结构和工作机理建立了HSK工具系统的力学模型,分析了影响工具系统刚度的主要因素和载荷与加工质量之间的关系,揭示出HSK工具系统刚度变化的基本规律,理论分析结果与实验结果吻合.在此基础上,提出评估工具系统的性能不仅要考虑工具系统的静刚度,而且要进一步考虑工具系统的动刚度.最后,给出了HSK工具系统型号的选择原则,并建立了相应的优化操作条件.     

燃烧室电火花点火模型

为了准确掌握影响航空发动机燃烧室点火边界的关键因素,并建立燃烧室点火边界预测模型,对单头部燃烧室的点火过程及点火边界进行了试验与理论研究.获取了燃烧室点火过程的火核生成与传播特性曲线,形成了拓宽燃烧室点火边界的优化方法,基于点火恢复时间建立了燃烧室点火边界预测模型,并对预测模型的精度进行验证.结果表明:提高喷嘴雾化性能...     

试车数据驱动的涡轴发动机起动过程模型辨识

针对传统的采用解析法建立涡轴发动机起动过程模型复杂的问题,提出了一种基于变步长萤火虫算法优化的有外部输入的非线性自回归网络(CSFA-NARX)的涡轴发动机起动过程模型辨识方法。以涡轴发动机起动过程试车试验数据为数据样本,利用CSFA-NARX网络模型辨识得到涡轴发动机起动过程模型,并采用留一交叉验证方法对辨识模型的性能进行验证。结果表明：得到的辨识模型输出参数,如燃气发生器转速n_g、输出轴转速n_r和涡轮后温度T₄都较好地逼近了试车实测数据,各参数验证样本最大相对误差平均值分别为0.90%、1.51%、和2.01%;在相同训练与验证样本情况下,得到的辨识模型精度优于采用萤火虫算法优化的NARX网络(FA-NARX)、NARX网络和变步长萤火虫算法优化的BP网络(CSFA-BP)模型精度。