风力发电机输出功率条件子集区间估计方法

根据风力发电机的风速和输出功率历史数据,对风机输出功率均值与风速的关系进行最小二乘参数辨识,以此为基础求出风机输出功率偏差与风速的关系。采用Python概率分析确定风机输出功率偏差各子集的概率分布类型,估计其特征参数,以求出其概率密度函数,进而对风机输出功率偏差进行概率置信区间预测。基于风机输出功率均值与风速的关系和风机输出功率偏差子集的置信区间估计模型,实现了根据风速预报值对风机输出功率的置信区间进行预测。用实际风机的历史纪录对所提方法进行了测试和验证。结果表明:基于风速将风机输出功率偏差划分成多个子集,可提高风机输出功率概率置信区间预测的精准度。     

推力室冷却通道结构可靠性仿真及参数敏感性分析

为了准确高效评估液体火箭发动机推力室身部再生冷却通道的结构可靠性,建立了基于有限元热结构耦合计算的结构可靠性仿真流程。考虑发动机干扰因素、身部结构尺寸及内外壁材料性能的随机性,利用Monte Carlo(MC)仿真和Epps-Pulley(EP)检验确定危险点的等效应力分布,根据基于参数估计区间的应力-强度干涉模型及点估计下限和Lindstrom-Maddens(L-M)法,确定冷却通道结构可靠度置信下限,并进行参数敏感性分析。结果表明:该结构可靠性仿真能够确定内壁失效的危险点,得到工程上更具实用价值的可靠度置信下限;外壁的强度裕度远大于内壁,冷却通道的结构可靠性取决于内壁;提高推力室燃烧效率或选用导热率稍低,而强度更高的内壁材料,是提高冷却通道结构可靠性的有效途径。      

结合测试性验证的任务可靠性验证方法

针对目前任务可靠性尚无工程验证的现状,在基于现有测试性试验工程应用的基础上提出了一个任务可靠性验证方法。阐述了该方法的理论,分析了需评估的参数,介绍了验证的流程,给出了数据收集和处理的方法,并根据收集处理的结果给出了任务可靠性的评估方法,包括点估计、置信下限估计和置信区间估计。在基本可靠性评估的基础上综合测试性的数据,实现了对任务可靠性的有效评估,为任务可靠性的考核提供了依据。     

基于KPCA 和DBN 的航空发动机排气温度基线模型

为了给航空发动机整体性能的实时监控与健康管理提供技术手段,提出1种基于核主成分分析和深度置信网络相结合的航空发动机排气温度基线模型构建方法。以配装CFM56-7B发动机的飞机在运行过程中各系统产生的快速存取数据作为原始的数据样本,利用核主成分分析进行降维处理,选用高斯函数作为核函数,将降维后的数据作为深度置信网络的输入,建立航空发动机EGT基线模型,通过大量QAR数据验证了模型的有效性和正确性。与传统神经网络建模方法相比,所提出的建模方法不但降低了网络结构的复杂度,同时也提高了模型的精度。     

不确定度表述中包含因子确定的一点质疑

针对测量结果中出具扩展不确定度时给出置信概率的表达方式,在依据国家规范不同部分确定其包含因子时的不一致性进行了讨论,并给出了解决设想。     

以置信下限覆盖率为优化目标的加速寿命试验优化设计方法

航天产品长寿命高可靠的特点促使了加速寿命试验在航天领域的广泛应用。加速寿命试验优化设计可以有效地提高试验效率,对于价格昂贵的航天产品而言具有重要意义。考虑到航天产品可靠性评估主要关注可靠度置信下限,本文以置信下限覆盖率作为优化目标,提出了一种新的加速寿命试验优化设计方法。该方法可以结合实际约束条件,工程适用性较强。     

一种融合卡尔曼滤波的改进时空上下文跟踪算法

针对时空上下文跟踪算法对快速运动和遭受严重遮挡目标的跟踪精度下降问题,提出一种融合卡尔曼滤波的改进时空上下文跟踪算法。首先人工标记目标所在的矩形区域,然后利用改进的时空上下文算法对目标进行稳定跟踪,在跟踪过程中,基于连续两帧图像灰度的欧氏距离判定目标跟踪状态,当判定目标遭受严重遮挡时,利用卡尔曼滤波进行预测估计。算法对噪声有一定的容忍度,通过降低噪声对跟踪过程的影响,能够得到更优的目标区域。仿真实验结果表明:本文算法适用于不同光照强度下高速、高机动目标的稳定跟踪,并且对目标的尺度变化和短时严重遮挡具有鲁棒性。算法帧平均耗时为34.07ms;帧几何中心平均误差为5.43pixel,比时空上下文算法减少70.2%;目标轮廓面积平均误差为13.08%,比时空上下文算法减少52.7%。     

基于静态累积法的极小气体流量测量研究

通过静态膨胀法与固定流导法获得了(10-9～10-14)Pam3/s的氦标准气体流量,并采用静态累积法对所产生的极小气体流量进行了测量,相应的氦离子流上升率在(10-10～10-15)A/s范围.实验结果表明:气体流量静态累积时的离子流波动随流量降低逐渐增大,降至1.69×10-14 Pam3/s时,多个数据点已偏离上...     

基于形态自适应网络的无人机目标跟踪方法

针对无人机影像目标跟踪过程中常出现的目标方向变化、目标遮挡变化、样本多样性不足等问题,提出了一种基于形态自适应网络的无人机航空影像目标跟踪算法。首先使用基于数据驱动的方法对数据集进行扩增,添加了遮挡样本和多旋转角度样本,提高样本多样性;提出的形态自适应网络模型通过旋转不变约束改进深度置信网络,提取强表征能力的深度特征,使得模型能够自动适应目标形态变化,利用深度特征变换算法获取待检测目标的预定位区域,采用基于Q学习算法的搜索机制对目标进行自适应精准定位,使用深度森林分类器提取跟踪目标的类别信息,得到高精度的目标跟踪结果。在多个数据集上进行了对比实验,实验结果表明该算法能够达到较高的跟踪精度,可以适应目标旋转、目标遮挡等形态变化情况,具有较好的准确性和鲁棒性。