基于Deform软件二次开发和BP神经网络的TA15多向锻造微观组织预报

通过热压缩实验构建了TA15合金的热变形真应力-应变曲线,以此为基础分别建立了合金双相区及单相区温度区间的热变形本构方程;基于热压缩试样动态再结晶的统计数据建立了TA15合金的动态再结晶模型。借助Deform提供的二次开发功能实现相关数学模型的程序化,制定正交实验方案,实现了TA15合金多向锻造变形的微观组织仿真。通过正交实验分析得出各项因子的影响对象及强弱差异,提出了双相区及单相区温度区间内的多向锻造最佳因子组合。建立了TA15合金多向锻造变形微观组织的BP （Back Propagation）神经网络预测模型,将预测结果与有限元仿真结果进行比较,结果表明两种方法的预测结果基本一致,但神经网络具备有限元仿真难以实现的良好细节预测能力,能更为细致地实现对微观组织分布状态的划分。     

激波引燃冲压发动机一体化流场数值模拟

激波引燃冲压发动机是一种采用爆轰形式组织燃烧的吸气式高超声速飞行器动力系统。采用AUSMPW+迎风格式、氢氧7组分8步基于反应模型,在非结构网格离散域上求解二维多组分化学非平衡流Euler方程。采用发展的数值方法求解了激波引燃冲压发动机内外一体化流场,研究了台阶长度、斜劈尖角度对发动机流场结构和发动机性能参数的影响规律。计算结果表明,所发展的数值方法能用于激波引燃冲压发动机的一体化流场和性能预示计算;台阶长度和斜劈尖角度影响发动机流场结构和预混气体能量释放程度。推力和燃料比冲均随台阶长度的增大而增大,随斜劈尖角度的增大而减少。     

空间超高速撞击碎片云前端速度的预测模型

文章利用一组二级轻气炮发射2017-T4 铝质球形弹丸撞击6061-T6单层铝板的地面试验数据,通过选择适当的函数模型,采用多元函数拟合的方法,得到了碎片云前端速度与靶板厚度、弹丸直径和弹丸速度关系的三元二阶多项式模型。再用另外一组数据对该模型进行检验,验证了其对碎片云前端速度具有较好的预测效果。将以上两组数据同样用于建立“无量纲化”模型进行碎片云前端速度预测,并与前述多项式模型的预测结果进行比较发现,该多项式模型预测的方均根误差及平均相对误差均明显优于“无量纲化”模型。该多项式模型可用于预测空间碎片撞击航天器产生的碎片云的前端速度,有助于航天器的空间碎片防护设计。     

基于模糊集理论的航空四站装备综合性能评价研究

利用模糊综合评价的原理,在考虑四站装备的各种性能指标和装备综合性能的基础上,建立四站装备的综合评价数学模型,得出四站装备综合评价值,追求航空四站装备综合效益,为科学评价四站装备综合性能提供理论依据。     

对某型航空发动机参数的调整分析

分析某型发动机部件对有关性能参数的影响和调整机理,针对因部件效率下降较多引起的性能参数不能同时符合技术要求的问题进行分析,提出适当减小喷管喉部截面面积最小液压限制值来进行调节,使之符合技术要求。     

一种新的加权最小二乘支持向量回归机及其对性能退化航空发动机推力估计的应用(英文)

要实现航空发动机的性能退化缓解控制,需要设计一个高精度并具有良好实时性的推力估计器。针对这种需要,本文提出了一种新的加权最小二乘支持向量回归机,并在此基础上设计了性能退化推力估计器。和现有的加权策略相比较,基于此新的加权策略的推力估计器不仅能满足性能退化缓解控制对精度的要求也能满足实时性的要求。最后,仿真实验证明此加权最小二乘支持向量回归机以及基于此回归机设计的推力估计器的有效性和可行性。     

一种新型的基于预测的卫星资源分配方法

针对传统的按需分配方式所造成的长时延问题,提出了一种新型的基于业务预测的按需分配方法。该方法通过预测业务在等待队列中的长度,将预测信息发送给网络资源控制中心,再由控制中心动态地分配带宽资源,达到服务质量的要求。在阐述了按需分配和业务预测的基本算法后,通过仿真分析了不同的业务类型采用不同的预测信息发送间隔时间的时延性能,分析中考虑了实时业务比非实时业务享有更高的优先权,并且比较了常规按需分配与基于业务预测的按需系统分配方法的时延性能。仿真结果表明利用业务预测,选择合适的预测信息发送间隔时间,能够有效地改善带宽资源分配的时延性能,相比一般的按需分配方式服务质量有了明显的提高。     

基于区域预测和视觉注意计算的快速目标检测

提出了一种结合区域预测与视觉注意模型化计算的快速目标检测方法.通过分析图像近似均匀的3个水平子区域的方向特征图之灰度比率,灰度特征图之信息熵和子区域位置,建立了目标区域预测的判定准则.同时,通过优选特征和优化特征图之权重,改进了视觉注意计算模型.对于一幅待检测图像,根据区域预测的判定准则,实现目标区域的快速预测,并利用改进的视觉注意计算模型对目标区域进行视觉注意计算,实现特定目标的快速精确定位.实验结果表明:针对户外场景中的行人目标,与通过整幅图像的视觉注意计算来实现目标检测的传统方法相比较,该检测方法可使检测时间缩短30%,同时还能使检测准确率提高9%.      

利用神经元拓展正则极端学习机预测时间序列

为实现对于时间序列预测数据的准确预测,提出一种神经元拓展正则极端学习机(NERELM,Neuron-Expanding Regularized Extreme Learning Machine),并研究了其在时间序列预测中的应用.NERELM根据结构风险最小化原理权衡经验风险与结构风险,以逐次拓展隐层神经元的方式自动确定最佳的网络结构,以避免传统神经网络训练过程中需人为确定网络结构的弊端.应用于时间序列的仿真结果表明:NERELM可有效实现对于RELM最佳网络结构的自动确定,具有预测精度高与计算速度快的优点.      

PREDICTION OF SURFACE ROUGHNESS FOR END MILLING TITANIUM ALLOY USING MODIFIED PARTICLE SWARM OPTIMIZATION LS-SVM

It is difficult to construct the prediction model for titanium alloy through analyzing the formation mecha- nism of surface roughness due to the complicated relation between influential factors and surface roughness. A no- vel algorithm based on the modified particle swarm optimization （PSO） least square support vector machine （LS- SVM） is proposed to predict the roughness of the end milling titanium alloys. According to Taguchi method and features in milling titanium alloys, the influences of cutting speed, feed rate and axial depth of cut on surface roughness are investigated with the analysis of variance （ANOVA） of the experimental data. The research results show that the construction speed of the modified PSO LS-SVM model is two orders of magnitude faster than that of back propagation（BP） model. Moreover, the prediction accuracy is about one order of magnitude higher than that of BP model. The modified PSO LS-SVM prediction model can explain the influences of cutting speed, feed rate and axial depth of cut on the surface roughness of titanium alloys. Either a higher cutting speed, a lower feed rate or a smaller axial depth of cut can lead to the decrease of surface roughness.