基于特征的数控编程技术在航空企业的推广应用

针对国内航空企业飞机结构件数控编程中存在的重复工作量大、效率低、质量不稳定、规范性差等问题,通过面向多主机厂推广基于特征的数控编程技术,切实提高飞机结构件数控编程的效率与质量.首先概述了基于特征的快速程编(FBM NUAA)系统的整体架构,并且介绍了基于特征的数控编程技术在多家主机厂中的推广与应用情况,以及前期推广中遇到的问题,并提出了解决方案.根据多主机厂多机型过百项飞机结构件的实际应用结果表明采用基于特征的快速程编系统进行数控编程,刀轨平均自动生成率超过90％,编程时间较传统编程方式平均缩短70％以上.     

浅谈航空公司联盟对中国民航的影响

随着航空运输市场自由化,建立国际航空联盟、形成全球性的航线网络结构已成为民航运输业发展的一大趋势。国际航空联盟是航空公司进入国外航空运输市场、实现全球化发展战略的有效途径。目前国航和上航加入了星空联盟,南航和东航则选择了天合联盟。航空公司联盟的     

试验

联合防区外武器完成首次飞行测试 雷锡恩公司的联合防区外武器C-1完成首次自由飞行试验，从而使世界上第一个具有网络功能和移动海上目标攻击能力的防区外武器接近初始作战能力。     

100座级飞机如何帮助网络型航空公司做大做强枢纽——E190飞机在南航“广州之路”战略中的作用

网络型航空公司的最大竞争优势在于在其庞大的网络覆盖和众多的航线、航班选择：直达或中转；本公司或联盟；不同的时日；不同的时段等。在航线网络中，枢纽是核心部分。正确的枢纽战略是第一成功要素。然而，没有座级适当的飞机，再好的枢纽战略也无法实施。本文以中国南方航空广州枢纽为例来阐述100座级的飞机如何可以帮助网络型航空公司成功实施枢纽战略。     

深度置信网络在发动机气路部件性能衰退故障诊断中的应用研究

为提高发动机转动部件性能衰退故障诊断精度,针对传统的浅层网络和支持向量机(SVM)方法在诊断时存在泛化能力欠缺、易产生局部最优解等问题,引入近年来在模式识别领域取得巨大突破,模拟人脑多层结构的深度置信网络(DBN)进行发动机部件性能衰退故障的诊断。为改进深度置信网络性能,提出一种在无监督和有监督训练阶段都可自适应调整权值的改进算法(ad_DBN)。以涡扇发动机为对象,将两种DBN算法与BP,RBF和SVM方法从诊断精度、计算时间、抗噪能力三方面进行综合比较分析。结果表明DBN算法诊断精度明显优于反向传播(BP)神经网络,径向基(RBF)神经网络和支持向量机(SVM)方法,得益于权值的自适应调整,ad_DBN诊断的平均精度高达97.84%,其抗噪声能力也明显优于其他算法,能够提高故障诊断的有效性和可靠性。     

应急通信中 WSN 的角色及生存性分析

无线传感网（WSN）具有部署方便、灵活健壮的特点,在应急通信场合发挥着重要作用,但复杂恶劣的网络环境对无线传感网的设计和部署提出了更高要求。说明了应急通信的特点,并分析了应急通信中无线传感网的角色及面临的技术挑战。从网络生存性的角度归纳了网络生存性的相关研究工作,并重点探讨了应急通信环境下无线传感网的生存性技术问题。     

F-35飞机全球备件保障模式研究

F-35飞机作为美国国防战略至关重要的组成部分,由于备件短缺及全球范围内管理和运输零备件困难导致飞机性能不能满足作战人员需求。本文系统分析了F-35飞机全球备件保障模式及备件保障网络构成,总结其面临的问题与挑战,并介绍未来国防部对F-35飞机全球备件模式的设计,为我军装备航材备件体系建设提供参考和借鉴。     

基于功能脆弱性的空中交通相依网络流量分配

依据空中交通管理与航班运行规则,采用复杂网络理论构建由机场、航路与管制扇区组成的相依网络模型,建立不同扰动策略的影响规则,提出以网络流量熵和交通流损失比变化率为指标识别网络功能脆弱性。并以网络总流量熵最小为目标,建立基于改进遗传算法的网络流量协调分配策略,以降低空中交通相依网络的脆弱性。以民航华北地区空域为原型,发现了其相依网络脆弱性表现规律和脆弱源,采用遗传算法求解网络流量分配方案,优化结果降低了网络总熵值和功能脆弱性,其中机场网络流量分配后效果最为显著,验证了方法的有效性,研究结果可为空中流量管理决策提供一定的理论支撑。     

基于图像识别的机械振动信号特征提取与寿命预测方法研究

滚动轴承作为许多机械设备的关键组件,被广泛应用于机械制造、航空航天等领域,其健康状态直接影响了相应设备的剩余寿命,因此在设备故障预测与健康管理(Prognostics and Health Management, PHM)领域,滚动轴承寿命预测具有很高的研究价值。目前基于数据驱动的轴承寿命预测方法主要利用特征提取并构造健康因子(Health Indicator, HI),然而在这一过程中特征的选择与融合依然依赖于专家先验知识,并且健康因子也很难从复杂的时序数据中进行提取。因此,提出了一种新型的数据驱动寿命预测算法,在特征提取方面,通过连续小波变换(Continuous Wavelet Transform,CWT)将传感器振动信号转换为时频谱图,再通过深度残差网络(Deep residual network, ResNet)结合时空卷积网络(Temporal Convolutional Network, TCN)将时频谱图中的时域频域特征构造成为健康因子,最后完成剩余寿命预测。本研究在PRONOSTIA数据集上与现有的数据驱动算法进行了对比,证明了该算法可以更准确地完成剩余寿命预测。