某飞机零批试制加工增重分析

本文根据某飞机生产试制中首批3架飞机空机理论重量和实际重量分别按零件分类和所属专业的统计比较,提出了控制飞机加工增重的重点部件(或专业)和主要零件,对造成加工增重的原因进行了探讨。     

DFBW飞机人-机闭环纵向着陆特性研究

本文根据试飞员的飞行体会和一组试飞曲线,提出驾驶员参数随着着陆过程变化的频率域模型,建立装有DFBW飞机的人-机闭环系统数学模型,编制非线性全量时域仿真程序,对纵向着陆过程动态作了全面的定量分析,其结果与装有MCS飞机的试飞情况吻合,验证了本文建模、程序可信度和精度,从而得出某DFBW飞机着陆特性是可被驾驶员接受的一些有益结论。     

一种基于间接健康因子的锂离子电池剩余使用寿命预测方法

针对锂离子电池实际运行过程中容量数据无法在线获取,退化特征存在局部再生现象,剩余使用寿命（RUL）无法通过单一模型准确预测的问题,提出一种基于间接健康因子（HI）的锂离子电池RUL预测方法。首先根据在线数据构建并筛选最优的HI,然后建立基于遗传算法优化的极限学习机（GA-ELM）关系模型,再通过变分模态分解（VMD）解耦间接HI各分量,并通过相关向量机（RVM）进行趋势跟踪与预测,最后将预测结果输入到GA-ELM关系模型中得到电池容量预测值。与NASA PCoE数据集的验证对比表明,文章所用方法在趋势预测和RUL预测结果上均优于其他对比方法,可以实现锂离子电池RUL的准确预测。     

基于统计特征空间提取和支持向量机的极暗弱小天体检测方法

小天体检测是小天体防御和预警的前提。针对小天体目标信噪比低、检测难的问题,提出了基于统计特征空间提取和支持向量机（SVM）的极暗弱小天体检测方法。区别于传统方法基于时间或空间上目标的能量和背景噪声能量的瞬时能量差别或是瞬时能量差别的累积,对目标进行检测。该方法不依赖目标能量大小,提取运动目标穿过背景时对稳定性产生的扰动来反演运动目标。将输入的图像序列转化为单像元时序信号,划分时序窗口提取统计特征,关联形成统计特征空间,利用更高维度的变化特性检测目标变化。通过SVM将暗弱小天体检测问题转化为目标与背景的二分类问题,避开了较难解决的阈值分割问题同时具有更好的泛化性能。利用真实数据与其他经典方法进行对比分析,使得分类准确率提高4.02%。该方法能够适应更低的信噪比,在极低信噪比下仍表现出稳定的检测性能。     

多机仿真系统中若干问题的解决方案

提出了多机仿真系统中需要解决的几个问题;在流程控制、台位之间时间同步、多机通信、调试联网程序方面给出了行之有效的解决方案。这些方案在实际应用中都取得了很好的效果,其中多机仿真系统流程控制和时间同步的解决方案可以直接用于同类系统的开发,搭建调试模块的思想对于调试复杂系统具有指导意义。     

树形结构SVMs多类分类的研究

介绍了SVM方法原理,为了将SVM在解决两类分类问题中的优越性推广至解决多类分类问题,分析构建树方法与SVM结合运用来提高SVM在进行多类分类时的训练效率的方法, 然后构造文本自动分类,实验说明该方法有较高的训练效率,并且所需的训练样本量大大降低。     

应用SVM的发动机故障诊断若干问题研究

支持向量机能够克服一般神经网络容易出现的过学习和泛化能力低等不足。提出一种基于支持向量机的航空发动机气路部件故障诊断方法,讨论了支持向量机的核函数选择和参数确定问题,并对"块算法"进行了分析。仿真实验表明,设计的正则化参数和核参数合理,故障分类器具有良好的分类准确性和泛化性能,可以对发动机气路部件的典型故障进行正确诊断。     

基于主成分分析和支持向量机的作战飞机效能评估

作战飞机效能的评估是防空作战中的重要问题,简述了效能评估的各种方法,建立参数效能模型时,首先要挑选特征参数,用主成分分析方法选择武器的特征参数。利用支持向量机建立了作战飞机的参数效能模型,通过实例与神经网络法的结果进行了比较,结果表明支持向量机比较精确和简单。     

先进复合材料自动铺丝设备研究现状与发展趋势

先进的复合材料由于其高比强度、比模量、大幅减重和良好的耐腐蚀性,已被广泛用于航空航天工业及其他领域。自动铺丝机是实现自动铺丝的必要设备,是影响铺放质量和生产效率的重要环节。因此,研发和改进自动铺丝机,成为制造复合材料复杂构件的最关键的课题之一。本文针对近年来国内外的自动铺丝设备,重点围绕铺丝机机床主体结构、纱架形式、铺丝头压力系统、加热系统与张力系统等方面,对当前自动铺丝机的研究与应用现状进行论述与分析,总结了国内外自动铺丝设备的研究成果,分析了国内外铺丝设备的优势与不足,最后探讨并总结了自动铺丝设备未来的发展趋势,为铺丝机的设计与优化提供了一个参考方向。     

数字孪生驱动的薄壁件铣削刀具磨损状态识别方法

薄壁零件由于其本身的弱刚性,铣削过程中极易发生颤振、变形,从而加剧刀具磨损,为提高薄壁零件的铣削加工效率和表面质量,提出了一种数字孪生与支持向量机（SVM）融合驱动的刀具磨损状态识别方法。利用时、频域分析和小波包变换提取特征向量,通过网格搜索与交叉验证（GSCV）的方法进行超参数寻优,结合SVM算法构建薄壁零件铣削刀具磨损状态识别模型。试验结果表明,SVM算法在高维小样本数据的分类识别问题中优势明显,对于不同铣刀磨损状态的识别准确率分别达到96%和90.16%,具有较好的泛化能力。结合机器学习算法构建高保真、轻量化的数字孪生体,并将其嵌入薄壁零件铣削过程监测平台,以解决加工过程中信号实时监测和刀具磨损状态在线识别的问题。