数字化产品设计制造工程

CAD技术的发展过程大致可分为三个阶段:首先使用计算机(软件)完成各种复杂的设计计算.第二阶段开始用CAD软件作为工具,设计基于二维投影图的工程图纸,使设计员能摆脱绘制设计图的繁重劳动,集中精力进行创造性的设计思维.目前CAD可应用于建立产品的三维模型,完成产品数字定义,形成产品数据集,并用作制造产品的依据.     

某型发动机无失效数据的Bayes可靠性分析

在定时截尾试验中,有时会遇到无失效数据,特别是在高可靠性、小样本问题中更容易产生无失效数据。对某型发动机的无失效数据,在失效概率服从不完全Beta分布时,给出了失效概率的Bayes估计,并在引进失效信息后,给出了失效概率的Bayes估计和综合估计,从而可以得到该型发动机可靠度的估计。     

基于SQL SERVER7.0数据库安全管理技术的实现

该文结合笔者在用PB开发Microsoft SQL SERVER7.0client/server数据库系统的实践经验，阐述了如何实现网络安全管理的实用技术。     

一种适合于工程应用的准C~1连续Bézier三角曲面及其构造方法

本文比较系统地讨论了Clough-Tocher三角形分割模型在Bézier三角曲面设计中的作用。并从工程应用的角度提出了一种以Clough-Tocher分割为基础,旨在原三角形区域上构造9参数Bézier三角曲面的新方法。这种新的9参数插值不仅能够消除Clough-Tother分割产生的畸变插值区域对插值曲面品质的影响,还能够有效地减轻一般9参数三次Bézier三角曲面片之间的尖端连接。本文将从工程应用的角度把这种插值曲面称为准C~1连续的9参数Bézier三角曲面。在一些实际应用中,这种准C~1连续的插值曲面对3D离散数据的拟合效果是令人满意的。     

高速风洞腹部支架干扰工程计算方法

一种计算高速风洞腹部支架对模型纵横向气动力干扰量的工程方法，可以非常方便地分析腹支的位置、厚度、后掠角等几何参数对干扰量的影响。与支架干扰实验结果的比较表叨，本方法可以用作为选择腹支位置及几何外形参数的理论工具。     

BO－105旋翼模型第二期8米×6米风洞对比试验

１９９２年７月，在保持桨尖马赫数不变（ＭＴ＝０．６４）的条件下，利用ＢＯ－１０５旋翼动力相似模型（１：２．４５），在气动中心低速所８米×６米风洞进行了第二期悬停和前飞对比试验。本期试验结果与１９９０年的第一期试验结果以及国外的有关结果有较好的一致性。悬停时，旋翼功率～拉力特性、旋翼口质因素、桨叶稳态挥舞力矩、桨毂力矩特性等皆与１９９０年试验结果和国外试验结果吻合较好。等拉力系数配平前飞时，旋翼各操纵角～前进比曲线和前飞需用功率～前进比曲线与德国宇航院（ＤＬＲ）的试验结果比较一致。但桨叶信号与１９９０年的结果尚有一定差别。     

利用模态试验数据修正有限元分析模型

该文给出了一种利用部分测量模态修正结构有限元分析模型的实用方法。所得修正模型与模态试验数据有非常好的一致性,因而,具有一定的工程实用价值。     

Stacked-GRU网络在动力随动陀螺零部件选配上的应用

动力随动陀螺是红外导引头位标器的核心部件之一,其装配质量对于导弹制导精度而言有着决定性的作用。针对动力随动陀螺零部件一次选配成功率低的问题,提出了一种基于数据驱动的动力随动陀螺零部件选配方法。对动力随动陀螺零部件装配现状进行了分析,考虑到零部件装配参数间复杂的非线性映射关系,建立了堆叠门控循环单元（Stacked-GRU）网络数据驱动模型,对陀螺待装配零部件参数属性值进行了预测。根据预测结果指导了陀螺零部件的选配,并以陀螺典型零部件装配为例进行了验证。实验结果表明,所提方法能够实现动力随动陀螺零部件的选配,且预测精度优于传统神经网络。     

小样本下基于孪生神经网络的柱塞泵故障诊断

针对目前基于深度神经网络的柱塞泵故障诊断方法在小样本条件下精度低、模型欠拟合问题,提出一种小样本条件下基于孪生神经网络的柱塞泵故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同健康状态下的壳体振动信号;使用由卷积层和池化层组成孪生子网络自适应地从原始振动信号中提取低维特征,使用欧式距离判定输入样本对的特征相似度;通过相似度对比的方法扩大训练样本数量并训练孪生神经网络模型;最后,对测试样本进行健康状态识别。实验结果表明：与传统深度神经相比,所提方法在小样本情况下具有更高的准确率。同时,多通道数据融合实验表明：所提方法能够从不同通道的信号中学习到有关故障信息,多通道数据融合可以进一步提高诊断准确率。     

MEMS陀螺阵列的RCC-OBE估计融合方法

为提高微机电系统（MEMS）陀螺的精度,提出一种基于松弛Chebyshev中心（RCC）的最优定界椭球（OBE）算法,并用于陀螺阵列信号的融合。以单个陀螺误差输出模型为基础,建立了阵列系统的机动融合模型;由于噪声统计特性的不确定会导致传统融合方法精度下降,引入仅要求噪声未知但有界的集员估计理论,运用OBE算法实现角速率信号的稳健估计;在OBE算法中,往往采用椭球几何中心作为真实值的点估计,但该中心并没有理论上的最优特性,而可行集的Chebyshev中心具有很多优良特性,同时,考虑到准确的Chebyshev中心求解十分困难,转而求解可行集的RCC,作为速率信号的点估计,设计了以RCC作为输出的OBE更新过程和新的参数优化准则。采用6个陀螺构成的阵列进行了验证试验,结果表明基于该算法的阵列估计融合方法在获得角速率保证边界的基础上,可以进一步提高MEMS陀螺精度。