企业知识生态系统内生与外生协同机制研究

通过对企业知识生态系统协同机制的研究,设计知识生态系统内生和外生协同机制.内生协同机制包括企业知识生态系统战略协同机制、内部环境协同机制、领导协同机制、知识主体协同机制、激励协同机制的设计.外生协同机制包括外部环境协同机制设计、行业发展协同机制设计、技术协同机制设计,从而保障企业知识生态系统正常运行.     

解读PEPEC最新题型

本文旨在解读PEPEC的最新题型短句复诵。全文介绍了该题的题型设定和评分机制,分析了《中国民航飞行员英语考试900句》各章节的难度系数。希望对参加PEPEC的考生及从事PEPEC培训的教员提供一定参考。     

机载系统NANDFlash存储技术

为了发挥NANDFlash在机载环境中非易失性、体积小、固态性、重量轻、低功耗、抗震动等特点,介绍了NANDFlash的存储特性,对NANDFlash存储的关键技术进行了改进,提出了基于域机制的地址映射方式和基于阈值的损耗均衡方法,为机载系统能够更加可靠、实时和安全地进行数据存储提供了选择。     

基于卷积双向长短期记忆网络的轴承故障尺寸估计

基于振动监测数据的航空发动机滚动轴承损伤大小识别,对于研究滚动轴承故障演化、故障预测和故障诊断具有重要意义。针对传统模型对先验知识依赖性高、特征提取不充分、故障尺寸训练类别有限等问题,提出了一种基于深度学习的滚动轴承损伤尺寸预计方法,能够对训练过程中未出现的中间尺寸进行准确识别。在经典模型的基础上,搭建了一种深度卷积网络与长短期记忆网络组合模型,该模型可对轴承振动信号的多维特征与时序特征进行充分提取,实现轴承故障的智能和高效诊断。最后,利用滚动轴承加速疲劳试验机,进行了多种转速与损伤尺寸下的滚动轴承故障试验,基于试验数据进行了方法的比较,结果表明,该组合网络的在正常和加噪的情况下预测精度分别达到99.94%和98.67%,较单独的深度卷积网络、长短期记忆网络及其他模型精度更高,比较结果充分表明了本文所提方法的优越性。     

基于多模型的航空发动机传感器混合故障诊断方法

本文在多模型架构下,提出一种航空发动机传感器在线混合故障检测与隔离算法。利用长短期记忆网络逼近航空发动机建模误差、健康参数变化、过程噪声和测量噪声等不确定性源引起的真实发动机与机载模型之间的偏差。将传感器测量输出与不确定性值的偏差用于一种基于多模型的混合卡尔曼滤波器组算法中,利用贝叶斯方法计算每个传感器在健康模式和不同故障模式下的条件概率,然后根据最大概率准则进行传感器故障检测与隔离,克服了阈值难以选取的问题。针对某型涡扇发动机传感器发生偏置故障、漂移故障和间歇性故障的情形进行仿真验证,并对比了不同传感器之间的检测与隔离精度。结果表明：所提出的方法可以在更高水平的退化下诊断出发动机传感器常见的故障,混合方法对不同不确定性源具有鲁棒性。     

对票价大战的反思

ARetrospectof"theAirFareWar"随着国家发展计划委员会和民航总局《关于加强民航国内航线票价管理,制止低价竞销行为的通知》的发布,历时一年多的票价大战,最终于2月1日偃旗息鼓。经历了这次大战,国内各民航运输企业均受到了不同程度的损失。虽然1998年全行业完成了旅客运输量5715万、旅客周转量786化客公里,分别比前年增长了对j％和1．7％,全行业亏损却达到了244亿元人民币。由于前几年对民航发展形势过于乐观,对于国民经济对航空运输的有效需求估计过高,致使总量控制失衡,运力过剩,是引起票价战的根本原因。目前国家已看到了…     

融合注意力机制的航天器重建信号异常检测

针对航天器遥测数据异常检测时先验知识缺失、难以进行有监督条件下机器学习的问题,提出一种融合注意力机制的航天器信号智能异常检测算法。首先,通过注意力机制捕捉航天器遥测数据长距离特征,分析注意力关系矩阵为异常溯源提供指导。其次,采用堆叠自动编码器压缩数据维度并基于此重建输入信号,利用输入信号与重建信号间的残差获取误差重构序列。然后,基于窗口阈值法标记误差重构序列异常索引,实现航天器遥测信号异常检测。最后,通过多通道航天器遥测信号算例验证算法在提高航天器遥测信号异常检测性能与可解释能力的有效性。     

冷轧无间隙原子钢中的微带生成机理

分析了冷轧体心立方金属中微带的形成原因.基于塑性变形理论,运用Taylor模型和Bishop＆Hill最大功原理,计算了变形体心立方晶体中滑移系上的切应变分布.计算结果表明,冷轧时当晶粒的轧向平行于晶粒的某些特定取向时,大量的局部切应变将集中产生在一个滑移面上并在此形成微带.这一高度局域性的切应变是形成剪切带的原因.此时,剪切带与轧制方向之间夹角为30°.另外,微带呈片状是双交滑移的结果,透射电子显微镜观察到的剪切带所在晶粒的取向和所在滑移面证实了这一微带的形成机制.     

基于数字地形的机场终端区离场航迹预测

高效准确的航迹预测能够掌握飞机的运行轨迹,是空管自动化与智能化领域的关键要素,旨在提高空中交通的运行能力和可预测性。针对高原机场终端区内离场航空器运行,通过挖掘大量历史数据的特征关系,提出基于长短时记忆(Long Short-Term Memory, LSTM)神经网络的航迹预测模型。此外,考虑高原机场复杂的地形环境使得离场航空器安全运行条件更为严苛,引入支持向量回归(Support Vector Regression, SVR)算法建立数字地形模型,得到离场航迹上经纬度所对应地形高度的剖面图。采用拉萨贡嘎国际机场的真实离场航迹与地形数据进行实例验证,结合地形条件对所预测离场航迹的安全性进行评估。实验结果表明：基于LSTM神经网络建立的离场航迹预测模型具有较高的精度,且离场航空器能够实现满足最小超障余度的安全运行。     

自适应融合 RGB图像特征的稀疏深度修复

深度修复的目的是从稀疏深度图像中恢复出稠密的深度图像。现有方法通常是以稀疏深度图像及其对应的 RGB图像为输入,通过 1个卷积神经网络恢复出密集深度图像。然而,普通的卷积层在处理稀疏且不规则的深度信息时有较大的局限性,同时,RGB图像特征和深度图像特征属于不同的模态。针对这些问题,文章提出了自适应稀疏不变模块,根据输入像素的有效性来处理稀疏深度,并提出了结合注意力机制的多尺度特征融合模块,在关注有效特征的同时,抑制不必要的特征,进一步提高深度修复性能。文章在 NYUv2数据集上进行了一系列实验,实验结果表明了所提出算法和模块的有效性。