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。     

基于优化STD法的大飞机垂尾装配界面精加工过程模态参数识别

为减小大飞机垂尾装配界面精加工过程中产生的加工振动对其精加工质量的影响，需掌握装配界面加工过程的动力学特性，而动力学特性与其模态参数密切相关。因此，为获得装配界面各阶模态参数，针对其动态精加工过程，提出了一种优化STD环境激励下结构模态参数识别方法。该方法首先由装配界面的实测加工振动数据构造Toeplitz矩阵，并将其作为STD法的输入，进而求出装配界面各阶次模态参数，并构成模态参数下三角矩阵。然后利用模态置信因子及模态保证准则选出阶次相对稳定的模态参数作为装配界面的真实模态参数。最后，通过切削实验和锤击测试验证优化STD法的正确性和有效性。将锤击实验模态结果作为装配界面的模态参数测量参考值，以一阶模态频率识别结果为例，该方法相比于传统STD法和SSI法，识别精度分别提高了12.71%和3.82%；同理其余各阶模态参数识别精度均有不同程度的提高。通过优化STD法可准确高效地获得装配界面的模态参数，为其精加工工艺参数的合理选择提供了理论依据和技术支持。     

极大值Ⅰ型—正态模式结构可靠性的近似置信下限

对于两个分布参数都未知的极大值Ⅰ型－正态模型，在结构强度的方差比应力的方差大得多的条件下，给出了它的结构可靠性的近似置信下限。     

显微硬度工作基准装置测量不确定度评定

基于显微硬度的数学定义公式 ,对建立的数显式显微硬度工作基准装置的测量不确定度进行了评定。     

结构刚度指标统计确定

提供两种方法，确定结构刚度指标。第一种方法是已知刚度变差系数Ｃｆ，确定结构刚度指标。第二种方法是借助卡埃分布表，确定结构刚度指标。这两种方法都能得到满意的结果。文中还列举了许多实例，并指出了需要注意的问题。