基于模糊奇偶方程的非线性系统传感器故障诊断

 给出了一种非线性系统传感器的故障诊断方法。该方法将T-S 模糊模型、全解耦奇偶方程和参数估计相结合,同时对非线性系统的多个传感器的故障进行检测、隔离与识别。设计出用于产生残差的线性系统全解耦奇偶方程,并给出了全解耦奇偶向量的存在条件,全解耦奇偶方程产生的残差仅对一个传感器故障敏感,而对系统状态、扰动输入和其它传感器输出解耦。引入T-S 模型将全解耦奇偶方程推广到非线性系统中得到了模糊奇偶方程。传感器的故障模型表示为刻度因子和偏差的形式,根据残差信息应用卡尔曼估计方法可识别出故障模型的参数。最后给出了某型号飞机控制系统传感器的故障诊断仿真实例。     

轴对称矢量喷管机构优化设计

本文介绍了矢量推力技术的发展、现状和目前工程应用的主要矢量喷管方案。针对某轴对称矢量喷管，开发了优化设计程序，给出了建立数学模型、选择优化设计目标函数的一般方法。     

一种改进的自组织特征映射算法

针对SOM算法用于训练生成矢量量化码书存在的不足，提出了一种基于频率敏感的自组织特征映射算法（FSOM）．并应用到图像矢量量化中。实验表明，与SOM算法相比。FSOM算法具有更好的聚类特性和峰峰信噪比（PSNR），是一种有效的码书设计算法。     

创业企业剩余索取权配置问题研究

创业企业剩余索取权的配置，是创业企业合约中的关键内容。创业企业在运作过程中，需要创业者和投资者共同的努力，将创业企业剩余索取权配置问题与创业企业在运作过程中双边道德风险的激励问题相结合，提出分级剩余索取权配置方案，并通过理论模型求解，得出能对双方达到最优激励的剩余索取权配置比例。最后通过实例，分析了分级剩余索取权配置方案在实际中应用的方法。     

飞机操纵系统优化设计软件开发与运动仿真

飞机发动机操纵系统和舵面操纵系统通常采用连杆机构传递运动。本文介绍了飞机操纵系统的通用优化设计软件———ACSODS软件。本软件可根据传动系统的设计要求,对传动系统的各参数进行优化设计,同时生成系统运动的动态仿真图,因此,可以大大缩短传动系统的设计周期和设计费用。软件操作简便,界面友好,有较好的人机对话式的交互功能,并具有直观形象的设计特点,为设计者提供了一个高效、实用的设计平台。通过与实际系统的比较,设计结果完全能满足系统的要求。     

支持向量机在航空发动机起动模型辨识中的应用研究

支持向量机（SVM）可以优化网络,有效降低模型复杂性,不存在维数灾难和局部极小问题。本文以某型发动机起动调整试验的试车数据为样本,使用SVM对某一大气条件下的发动机起动模型进行了辨识,并使用另外一组试车数据．通过辨识模型对起动过程进行了仿真;最后,比较了SVM和RBF神经网络起动模型的辨识精度。结果表明,用SVM辨识发动机起动过程模型,方法简单,学习速度快,辨识精度较高。     

基于谐波小波包和SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断问题开展研究,设计了基于谐波小波包和支持向量机（SVM）的新型诊断方法.与传统的时频特征提取方法相比,谐波小波包具有盒状频谱和无限细分的优势.首先对滚动轴承的振动数据进行谐波小波包分解,利用各频段的小波分解系数计算特征能量,归一化之后作为特征向量,为设计的多类SVM模型提供训练样本和测试样本.利用SVM的非线性映射能力,将三个二分类器相组合设计了基于二叉树的多类SVM模型,实现了对滚动轴承的故障诊断.最后,利用Case Western Reserve University电气工程实验室的滚动轴承试验台的振动数据对设计的诊断方法进行了验证.结果表明,设计的诊断方法比传统的方法具有更高的准确率.     

基于DE-RLSSVM算法的航空发动机传感器故障诊断

为了使约简最小二乘支持向量机(RLSSVM)具有更好的稀疏性和泛化能力,利用微分进化(DE)算法选择RLSSVM的支持向量,提出了DE-RLSSVM算法.在benchmark回归数据集上的仿真试验表明该算法具有很好的稀疏性和泛化能力.然后将该算法用于航空发动机传感器故障的诊断,提出了基于DE-RLSSVM算法的航空发动机传感器故障诊断方法.该方法利用DE-RLSSVM算法对传感器故障进行监测,然后进行定位和隔离.数字仿真结果表明该传感器故障诊断系统能够实现对航空发动机传感器硬故障的检测与隔离.      

某型飞机平尾前缘抗鸟撞优化设计

进行了某型飞机部分平尾前缘结构的抗鸟撞优化设计。通过有限元分析对比研究了蒙皮厚度、翼肋个数、隔板对平尾前缘抗鸟撞性能的影响。从分析结果可以看出,增加隔板的方案对结构抗鸟撞性能的提高最明显。然后,进行了增加隔板的平尾前缘结构鸟撞试验,试验结果与模拟结果吻合良好,满足结构的抗鸟撞要求。     

SVM在气体减压器稳定性能中的应用

使用支持向量机(SVM)研究涡轮气封减压试验系统中高压卸荷膜片式减压器的稳定性问题,主要集中于以往方法不易涉及的多结构参数变化.针对稀疏易有残缺的小样本空间,与BP(back propagation)神经网络模型进行对比,得出SVM方法在所研究数据集上的一些结论:SVM模型预测性能在多结构参数变化情形下优于BP神经网络模型,预测误差平均降低了25.5%;SVM的泛化性好于BP;在双参数、三参数情形下,SVM模型为气体减压器的设计提供了更好的决策支持,给出了优化结构参数的设计建议.