某型发动机可靠性环境因子分析及应用

某型航空发动机在使用过程中故障率较高,结合其外场使用数据,以可靠性理论为基础,建立了基于Van Montfort方法的威布尔分布检验模型,根据该模型判定发动机主机的使用数据服从威布尔分布,确定了可靠度函数和故障率函数;针对发动机主机可靠性受环境影响的问题,建立了可靠性环境因子分析模型,以评估海洋环境条件对发动机可靠性的影响。并据此对使用单位和生产单位提出了一系列提高发动机使用可靠性的建议。     

结构阻尼混杂复合材料研究进展

纤维增强树脂基复合材料因其比强度比模量高、阻尼减振性能优异等优点已成为航空航天领域重要的结构材料。混杂化是实现复合材料结构承载与阻尼性能一体化的有效途径。本文以近十年结构阻尼混杂复合材料研究为基础,从微纳颗粒混杂、层内编织混杂、层间铺层混杂和插层结构混杂四个方面对结构阻尼混杂复合材料的阻尼减振性能进行了详细分析。指出了结构阻尼混杂复合材料在阻尼减振领域应用存在的问题并给出了建议。     

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。     

风洞流场马赫数补偿解耦控制研究

风洞流场参数-总压、马赫数之间存在严重的耦合关系。解决二者之间的耦合问题,对提高系统的控制精度、减小调节时间、增强系统的稳定性、鲁棒性,具有重大的现实意义。笔者首先以某风洞流场为研究对象,建立流场参数的逻辑模型,接着从补偿解耦的角度出发,借鉴多变量子空间补偿解耦思想,提出解耦补偿算法和补偿系数整定,建立流场参数补偿解耦模型。最后经过多次仿真实验、分析,进一步验证了该补偿解耦算法的有效性。     

面向空中小目标检测任务的YOLOv7改进模型

针对空中小目标检测任务,本文进行了基于改进的YOLOv7模型的空中小目标检测算法的研究,解决了当前空中小目标检测算法推理速度慢和检测精度不足的问题。首先,建立了涵盖多种目标尺度、姿态和天气条件的飞机目标基准数据集;其次,在YOLOv7基准模型的基础上,提出了一种基于广义特征金字塔网络和Wasserstein度量的目标检测方法;最后,在公开数据集与自建数据集上对该方法与其他主流算法进行了对比试验,结果表明,相较于原始YOLOv7模型,改进模型在自建数据集上对小目标检测的平均精确率提高了7.3%,并且推理速度高于大部分主流检测算法。本文研究为空中小目标检测任务提供了一种快速且高精度的检测算法,对于相关算法在航空航天领域的进一步工程应用具有重要的推动作用。     

基于深度神经网络的含运动边界非定常流场预测方法研究

针对飞行器设计过程中对流固耦合系统快速预测的需求,探索基于数据驱动的非定常流场建模策略,缩短流场演化求解耗时,从而加快流固耦合系统模拟速度。流固耦合系统中流场演化求解部分等价于含运动边界的非定常流场演化。本文提出了一种基于神经网络的流场预测模型,来学习并预测运动边界附近的非定常流场演化过程。此神经网络可以基于当前流场状态及边界运动信息预测出下一个时刻的流场状态。通过不同振动频率及振幅下的运动圆柱绕流问题,测试了本文提出的神经网络模型的预测精度及泛化能力。神经网络的预测结果和计算流体力学仿真结果中流场结构吻合度较高,且通过对预测的流场数据中边界上的压力积分得到的气动力也具有较高的精度。测试结果展示了该神经网络模型具有良好的预测性能,因此该方法可以用于快速、准确获得运动边界周围非定常流场状态。     

大型压力容器内部焊接点位实时检测方法

为了解决大型压力容器铝合金罐体内部防浪板自动化焊接过程中,机器人系统对焊接点位检测不智能、检测精度不高、检测鲁棒性差的问题,设计了一种结构光视觉引导机器人的多特征融合三维焊接点位实时检测方法。首先对工件进行视觉特征提取,得出多个感兴趣区域（Region of interest,ROI）,然后将多个特征融合,得到二维关键点,最后通过快速、无约束的系统标定确定三维预焊接点位。工业现场试验得出,相机坐标系下三维焊接点位提取最大误差为0.196 mm,平均误差0.099 mm,平均检测时间0.09 s,焊接点位检测精准、快速、智能,能够满足工业机器人焊接路径规划及自动焊接任务。     

基于迁移学习的无人机对地面目标识别研究

无人机对地面目标的识别精度受到数据集少和目标小的影响。传统深度学习需要大量有标注的数据集,限制了在具有小样本下的无人机对地面目标识别领域的应用。将迁移学习的方法用于卷积神经网络VGG16,并修改VGG16网络最后的3个连接层;同时利用单样本数据增强法将UC Merced数据集扩大到原来的8倍,对其进行验证和对比分析。实验结果表明,基于迁移学习的VGG16网络对地面目标识别的准确度可达97.62%,相较于未使用迁移学习的VGG16网络模型,整体提高了23.53%。并且在相同训练参数的设置下,模型比SqueezeNet、AlexNet、Inceptionv3、MobileNet-v2以及EfficientNetb0模型验证精度提高了3.63%～17.38%,收敛速度最快,可基本满足对地面目标的识别。     

一种基于自动特征学习的陨石坑区域检测算法

基于陨石坑的视觉导航技术成为一种新颖的高精度空间探测自主导航方式,如何从导航图像中精确地提取陨石坑区域是实现基于陨石坑视觉导航的首要条件。针对这一问题,根据陨石坑导航图像特点,提出了一种基于自动特征学习的陨石坑区域检测算法。首先,基于最大稳定极值区域检测算法提取陨石坑候选区域;其次,利用卷积神经网络（CNN）自动学习提取候选区域的特征;最后,通过支持向量机（SVM）实现候选区域的精确分类,得到真实的陨石坑区域。大量的仿真实验表明:与传统的基于人工特征的陨石坑区域检测算法相比,提出的基于自动特征学习的陨石坑区域检测算法具有更高的检测精度和更好的鲁棒性,在通用火星表面陨石坑数据集上,所提算法的F₁度量指标较于传统算法高出8%,可以广泛地应用于基于陨石坑的视觉导航算法中的陨石坑区域提取,为基于陨石坑视觉导航算法提供精确的导航路标输入。