基于融合神经网络的航空发动机剩余寿命预测

航空发动机的性能退化是影响飞机飞行安全的重要因素。准确预测发动机的退化过程,对于飞机安全飞行具有重要意义。针对航空发动机剩余寿命预测问题,本文提出了一种将卷积神经网络和长短期记忆网络相融合的数据驱动模型。与常规使用单一的神经网络不同,所提出的融合模型结合了两种神经网络的优点,利用卷积神经网络提取数据中的空间特征并采用长短期记忆网络提取时间特征。实验结果证实,在寿命预测中,所提出的数据驱动模型与已有的方法相比,评分和均方根误差分别下降了32%和6.4%,因此,所提出的数据驱动模型可对数据中所包含的信息进行充分挖掘,其对航空发动机寿命预测精度较高,并具有良好的稳定性。     

"学习型组织"与建设学习型高职教师队伍

党的"十六大"提出建设学习型社会,向小康社会迈进的奋斗目标.学校首先应该成为学习型组织,而教师职业的特殊性要求教师应成为学习型社会的先行者和示范者.对于创建学习型组织和建设学习型高职教师队伍,高职院校的领导要高度重视,加强领导和引导,提高广大教师的思想认识,增强其责任感和使命感.     

基于深度学习的飞行载荷测试与反演方法研究

飞行载荷测试技术对飞机的载荷设计、强度试飞以及寿命监控等有重要的意义。为了实现复杂翼结 构气动载荷的实时在线分布测试,提出基于精细化有限元仿真数据驱动的载荷反演方法;使用深度学习方法建 立神经网络代理模型,通过有限元方法构建典型载荷下的结构响应数据集,对模型进行训练;将基于深度学习 方法的翼面载荷反演结果与有限元计算结果进行对比验证。结果表明:总载荷的平均误差约为0.2%,压心位 置误差约为1%,该方法可以使用少量的应变测点数据对整个翼面结构的载荷分布实时反演与重构。     

一种嵌入式软件安全漏洞的代码加固方法

软件定义的概念和技术的发展和应用,装备嵌入式系统的功能主要由软件定义完成,导致装备嵌入式软件规模性和复杂性都在急剧增加,软件安全问题已经成为嵌入式系统乃至装备产品研制和运行维护的核心关注点.借助主流软件代码安全性检测技术,对装备嵌入式软件的漏洞行为和结构分析,建立装备嵌入式软件漏洞特征和系统不安全行为属性规约,通过对软件属性规约的逻辑演算,形成软件安全性加固需求,提出基于安全规约属性模板的漏洞加固代码生成技术,对软件代码中潜在的安全漏洞进行修复和加固,实现装备嵌入式软件强制安全保障.     

高性能树脂基复合材料轻质结构3D打印与性能研究

树脂基复合材料轻质结构具有轻质、高性能等优点,广泛应用于航天航空、高速列车和船舶等领域。通过对传统树脂基复合材料轻质结构制造工艺的综述分析,发现传统制造工艺具有过程复杂、周期长和生产成本高等缺陷,限制了树脂基复合材料轻质结构的发展。3D打印是一种先进的零件成形工艺,可实现复杂结构零件的快速制造,为高性能复合材料轻质结构的一体化制造提供了可能。介绍了树脂基复合材料轻质结构3D打印的研究进展,提出了基于连续纤维增强热塑性复合材料3D打印的高性能复合材料轻质结构的一体化制造工艺,并对其性能开展了初步研究。     

基于ELM的飞机数字化装配定位运动模型

针对飞机装配中开敞性较差环境下的串联装配机构半闭环定位运动控制问题进行研究,提出了基于极限学习机(EML)算法的飞机数字化装配定位运动模型。通过分析飞机数字化装配串联定位机构的运动学模型特点及性能要求,提出了飞机数字化装配定位运动的单隐含层前馈神经网络模型,并基于极限学习机提出了装配定位运动的数据辨识模型,且最后给出了基于极限学习机算法的定位运动离线辨识方法。通过将某大型飞机机身壁板柔性预定位工装作为试验平台进行验证,结果表明,获得的定位运动模型使直接装配定位精度达到±0.25 mm,满足某大型飞机机身壁板长桁的装配定位精度要求±0.50 mm。试验系统涉及的若干关键技术已应用于某大型飞机的壁板组件装配预定位柔性工装系统。     

机器学习在湍流模型构建中的应用进展

借助于高性能计算机和数据共享平台的发展,研究者可以获取大量的高分辨率湍流计算数据。近年来,随着深度神经网络等人工智能技术的发展,数据驱动的机器学习方法也开始应用于湍流模型中不确定度的量化以及模型的改进和构建中。湍流大数据与人工智能相结合是湍流研究的一个新领域。研究者在取得一定成果的同时也面临着诸多困难和挑战,例如模型的泛化能力和鲁棒性等。模型构建过程包含了数据处理、特征选择以及模型框架的选取与优化等诸多方面,这些方面在不同程度上影响模型的性能。本文从机器学习在湍流建模过程中的实现方法和模型的不同作用两方面分析总结了目前主要的研究工作进展,并对这类问题面临的挑战和未来的研究展望进行了阐述。     

基于深度学习的非定常周期性流动预测方法

为了克服传统CFD计算需要耗费大量的计算时间与成本的缺陷,提出了一种基于深度学习的非定常周期性流场的预测框架,可以实时生成给定状态的高可信度的流场结果。将条件生成对抗网络与卷积神经网络相结合,改进条件生成对抗网络对生成样本的约束方法,建立了基于深度学习策略采用改进的回归生成对抗网络模型,并与常规的条件生成对抗网络模型的预测结果进行对比。研究表明,基于改进的回归生成对抗网络的深度学习策略能准确预测出指定时刻的流场变量,且总时长比CFD数值模拟减少至少1个量级。     

基于IGA-ELM网络的滚动轴承故障诊断

为了提高航空发动机轴承故障诊断准确率,提出基于改进遗传算法优化极限学习机网络（IGA-ELM）的诊断模型。针对传统遗传算法易早熟等缺陷,对遗传算法的交叉操作和变异操作进行改进,并用改进的遗传算法优化极限学习机的输入权值矩阵和隐含层阈值,利用Moore-Penrose算法计算极限学习机的输出权值矩阵。使用IGA-ELM诊断模型对滚动轴承正常、内环故障、外环故障和滚珠故障4种工况进行诊断,并分析极限学习机隐含层神经元的数量和激活函数对轴承故障诊断的影响。为了验证改进遗传算法优化极限学习机的有效性,将传统遗传算法、自适应遗传算法和粒子群算法作为对比算法。经过分析表明：改进遗传算法收敛速度和收敛误差,均优于对比算法。     

利用神经网络的海杂波幅度分布参数估计方法

海杂波是制约对海雷达探测性能的主要因素之一,掌握其特性,具有十分重要的意义。经典海杂波统计模型在参数估计方法上以传统统计学理论为基础,在样本数较少的情况下,估计结果往往较差,导致建模准确度下降。此外,在复杂非均匀探测背景下,难以实现海杂波模型参数的准确实时估计。针对该问题,文章将深度神经网络模型引入海杂波参数估计领域,通过构建合理的模型,使其具备海杂波幅度分布模型的高精度参数估计能力。该方法采用直方图统计的方法进行数据预处理,合理划分输入数据标签的分组区间,构建数据集训练神经网络,并利用测试数据得到神经网络估计结果。仿真数据和X波段IPIX雷达实测数据验证结果表明,与传统数理统计估计方法相比,该算法明显提升了海杂波统计模型参数估计精度。