删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

航空电子设备NSEE试验评价方法

本站小编 Free考研考试/2021-12-25

单粒子效应是指单个高能粒子作用于半导体器件引发的翻转、锁定、烧毁、栅穿等现象[1].以往研究认为单粒子效应主要发生在航天领域,但国外近年来的研究表明,各类飞机在3~20 km的自然空间环境中,同样会遭遇单粒子效应.只不过,航天领域诱发单粒子效应的高能粒子辐射源主要为重离子或质子,而在航空领域诱发单粒子效应的高能粒子辐射源主要为大气中子.大气中子辐射应力一般用注量率来表征,其国际典型值表述为:在高度12.16 km、纬度45°、能量10 MeV以上的大气中子每平方厘米每小时6 000个.在高度12.16 km、纬度45°、能量1 MeV以上的大气中子每平方厘米每小时9 200个[1].
这些大气中子穿透力强[2],金属材料几乎没有阻挡作用,因此会穿透机舱蒙皮,打在航空电子设备的核心指令控制单元或关键数据存储单元上,产生大气中子单粒子效应(Neutron Single Event Effect,NSEE),从而引发软错误、硬错误甚至硬失效,导致飞行控制系统、航电系统等出现黑屏、死机、复位、重启、数据丢失、命令错误等故障现象.有的会直接影响飞机的安全性与可靠性[3],有的则会误导飞机驾驶员产生错误判断与错误操作,从而间接影响飞机的安全性与可靠性.
NSEE对复杂航空电子系统的危害影响,当前在国际航空领域内已经达成共识.美国联邦航空局[4]、欧洲航空安全局[5]、波音[6]、空客[7]、GE、Honeywell、EMBRAER等均认为,自1992年首次证明飞机航空电子系统对宇宙射线诱发的软错误敏感以来,自然环境大气辐射效应已经成为航空电子系统安全性与可靠性的关键影响因素.各国政府与用户规范逐渐增加了大气中子诱发航空电子设备单粒子效应率[8]的评价要求,已经将NSEE防护设计和试验评价要求具体纳入了工程化标准[9, 10, 11, 12]或适航要求[13, 14, 15].
我国航空界在飞行器设计过程中,从航空电子设备可靠性及安全性角度,虽然提出了NSEE防护设计与试验评价的要求,但是因研究基础较弱,目前国内尚无相应的NSEE试验评价方法来支撑相应的设计工作.
本文提出了一套较为完整的航空电子设备抗NSEE危害能力的试验评价方法.并以某航空用卫星导航接收机为例,验证了此试验评价方法的可操作性和有效性.
1 航空电子设备NSEE故障类型及试验评价方法1.1 故障类型航空电子设备NSEE故障类型定义如下:
第1类故障为硬失效,其特征为断电重启不能恢复正常功能,需要维修.
第2类故障为硬错误,其特征为断电重启才能恢复正常功能.
第3类故障为软错误,其特征为软复位可恢复正常功能.
1.2 试验评价方法1.2.1 目的航空电子设备NSEE试验评价的主要目的是获得航空电子设备NSEE故障率或平均NSEE故障间隔时间,从而支撑判断NSEE对航空电子设备安全性与可靠性的危害.
1.2.2 航空电子设备NSEE故障率计算方法参考IEC 62396-1《航空电子设备大气中子单粒子效应应对策略》,航空电子设备NSEE故障率计算方法如下:
式中:λNSEE-HF为航空电子设备NSEE硬失效率,个/h;λNSEE-HE为航空电子设备NSEE硬错误率,个/h;λNSEE-SE为航空电子设备NSEE软错误率,个/h.
1.2.3 航空电子设备平均NSEE故障间隔时间计算方法航空电子设备平均NSEE故障间隔时间计算方法如下:

1.2.4 航空电子设备三类NSEE故障的平均故障间隔时间计算方法航空电子设备三类NSEE故障的平均故障间隔时间计算方法如下:
式中:i分别表示HF(硬失效)、HE(硬错误)、SE(软错误).
1.2.5 航空电子设备三类NSEE故障率计算方法航空电子设备三类NSEE故障率计算方法如下:
式中:fNSEE-i为任务环境下诱发航空电子设备相应NSEE故障的大气中子注量率,个/(cm2·h),通常采用国际典型值6 000个/(cm2·h);σNSEE-i为航空电子设备相应NSEE故障的敏感截面,cm2/板或cm2/Mbit.
1.2.6 航空电子设备三类NSEE故障敏感截面计算方法航空电子设备三类NSEE故障敏感截面计算方法如下:
式中:NNSEE-i为整个试验过程中记录的航空电子设备相应NSEE故障总数量,个;FNSEE-i为整个试验过程中记录的诱发航空电子设备相应NSEE故障的累积中子注量,个/cm2;Ns NSEE-i为整个试验过程中记录的诱发航空电子设备相应NSEE故障的试验件样品数量,个或Mbit;ANSEE-i为在14 MeV中子源辐照下航空电子设备相应NSEE故障的敏感截面与在真实飞行任务环境辐照下相应NSEE故障的敏感截面的差异修正系数,无量纲,一般情况下取1.
1.3 试验方法1.3.1 目的航空电子设备NSEE试验的主要目的是获得航空电子设备三类NSEE故障的敏感截面σNSEE-i.
1.3.2 试验应力终止条件计算方法参考IEC 62396-2《航空电子系统单粒子效应试验指南》,地面模拟试验应当证明航空电子设备在整个寿命周期能够经受住任务环境大气中子辐射的危害影响,因此,地面模拟试验应力应当远远高于航空电子设备整个寿命周期所遭受的大气中子辐射注量.
航空电子设备NSEE试验应力终止条件计算方法如下:
式中:FT为航空电子设备NSEE地面模拟试验应力,也即整个试验过程中给航空电子设备施加的累积中子注量,个/cm2;FM为航空电子设备整个寿命周期所遭受的大气中子辐射累积注量或辐射应力,个/cm2;T为航空电子设备的寿命周期,飞行小时;f为航空电子设备在整个寿命周期在飞行任务环境下的平均大气中子注量率,个/(cm2·h),通常采用国际典型值6 000个/(cm2·h).
1.3.3 试验应力起始条件确定方法初始中子注量率可在104~106 n/(cm2·s)附近调节,其目的是通过设定恰当而稳定的试验应力起始条件,使式(5)中在航空电子设备试验件样品数量Ns已知固定的前提下,可观测记录的NSEE故障数NNSEE-i与试验施加的累积注量FNSEE-i(试验累积应力)初步形成线性关系,然后启动试验,通过具有统计意义的试验数据NNSEE-i获得NNSEE-i与累积注量FNSEE-i比较精确的线性关系,从而寻找到航空电子设备NSEE的本征敏感特性,即NSEE故障敏感截面σNSEE-i.
航空电子设备NSEE试验应力起始条件计算公式如下:
式中:F0为地面模拟试验初始累积注量,个/cm2;f0为试验启动前调试确定的恰当而稳定的中子注量率,个/(cm2·h),通常调节范围为104~106个/(cm2·s);t0为试验调试时间,s,通常约为1 000 s.
航空电子设备NSEE试验应力起始条件确定方法是一个复杂的调试过程,简述如下:
1) 在104~106个/(cm2·s)附近调试出某一f0.
2) 由式(7)知在一定时间t0后,可以观察记录获得F0,即FNSEE-i=F0.
3) 由式(5)知可以观察获得NNSEE-i.
4) 向上或向下调试f0,观察航空电子设备试验件某些最为敏感的NSEE效应的NNSEE-iFNSEE-i可以形成初步的线性关系时,稳定此时的f0;通常,这就是试验应力的初始条件.
5) 此时,可以将NNSEE-iFNSEE-i的计数均清零,重新启动试验,并重新从零开始记录相应NNSEE-iFNSEE-i,进入正式试验.
1.3.4 试验时间计算方法由
推导出试验时间计算方法如下:
式中:tT为试验时间,h;FT为航空电子设备NSEE地面模拟试验应力,也即整个试验过程中给航空电子设备施加的累积中子注量,个/cm2,即式(6)的计算结果;f0为第1.3.3 节的结果.
1.3.5 MNSEE预估参考IEC 62396-1《航空电子设备大气中子辐射单粒子效应应对策略》中的评价原理,分析航空电子设备NSEE敏感器件清单,结合工程经验判断,考虑资源使用率,故障传递率,预估航空电子设备NSEE故障敏感截面σNSEE-i,代入式(1)~式(4),预估航空电子设备NSEE故障率λNSEE和平均NSEE故障间隔时间MNSEE,如图 1所示.其中,由NSEE敏感器件的敏感截面汇总计算航空电子设备NSEE软错误敏感截面的计算方法如下(NSEE硬错误或NSEE硬失效敏感截面的计算方法可以参照计算):
式中:σi为航空电子设备中诱发NSEE软错误的各个敏感器件的敏感截面,cm2/器件或cm2/Mbit;ni为航空电子设备中诱发NSEE软错误的敏感器件的器件数量或Mbit数量;εi1为航空电子设备中诱发NSEE软错误的敏感器件的位资源利用率,无量纲,通常由用户提供;εi2为航空电子设备中诱发NSEE软错误的敏感器件将软错误从器件级传递至航空电子设备形成设备级软错误的传递率,无量纲,通常可按10%计算.而NSEE硬错误与硬失效的传递率通常按100%计算.
图 1 航空电子设备MNSEE预估Fig. 1 Estimation of MNSEE of avionics
图选项


1.3.6 NSEE试验实施程序NSEE试验实施程序如下:
1) 试验系统搭建(包括:固定试验件位置、安置测试平台、连接试验件及测试设备).
2) 加载测试用例,进行联调联试,保证试验件能够正常工作.
3) 通知高压倍加器的操作者所需的初始中子注量率(初始值约为104个/(cm2·s))左右,中子注量率调试期间,试验件暂不加电.
4) 在获得所需中子注量率后,试验件加电,开始辐照试验前调试.
5) 循环遍历测试用例,调出合适的中子注量率,在注量率调试阶段出现的故障现象仅记录,作为调试数据,但不作为正式试验数据处理输入.
6) 注量记录仪清零,试验件断电重启并同步启动注量记录仪,重新累计注量并记录.
7) 辐照期间,循环遍历测试用例,如果试验件出现故障现象,必要时及时暂停辐照,进行处理分析并记录出现的故障现象及中子注量.
8) 故障处理分析和记录完成后,根据需要试验件断电重启,重复步骤7),直至符合试验终止条件.
9) 按所确定的试验终止条件终止试验.
10) 依据式(5)进行试验数据分类处理,计算航空电子设备NSEE故障敏感截面σNSEE-i.
11) 将步骤10)试验计算结果替换预估值,代入本文第1.3.5节所述的相应计算流程,计算航空电子设备平均NSEE故障间隔时间MNSEE.
2 试验案例2.1 试验件本文所选试验件为某航空用卫星导航接收机.航空用导航接收机接受天线接收的卫星信号,经过下变频处理、数字基带处理、软件解算,可实时给出导航设备的位置和速度信息.其功能框图如图 2所示.
图 2 航空用卫星导航接收机功能框图Fig. 2 Aircraft satellite navigation receiver function block diagram
图选项


2.2 试验应力确定2.2.1 试验源本试验采用国内14 MeV中子辐照源.
2.2.2 试验应力FT终止条件计算试验件产品总寿命T为30 000 h,大气中子注量率国际典型值f为6 000个/(cm2·h),依据式(6),计算得出

因此,FT取1×109个/cm2.
2.2.3 试验应力f0起始条件与试验时间tT确定依据本文第1.3.3节确定试验应力起始条件f0,依据本文第1.3.4节确定本次试验时间tT.初始注量率调试到f0时,NSEE故障数与累积注量成初步线性关系,然后,启动开展正式试验.试验约至tT时注意观察累积注量,满足终止条件时,停止试验.
2.3 MNSEE预估2.3.1 试验件NSEE敏感器件清单经分析,该试验件在14 MeV中子源辐射下,DSP、SRAM、FPGA为大气中子单粒子效应主要敏感器件,各敏感器件在试验件中的主要功能分别为:DSP主要完成软件解算功能;SRAM完成软件数据和程序代码的存储功能;FPGA完成卫星信号基带处理功能.
2.3.2 试验件NSEE敏感器件敏感截面σNSEE估算该试验件中DSP、SRAM、FPGA会产生单粒子翻转效应(SEU),其敏感截面典型值约为1×10-14 cm2/bit;其中DSP与FPGA还会出现单粒子功能中止效应(SEFI),其敏感截面典型值约为1×10-16 cm2/bit.这些敏感器件产生的SEU与SEFI效应可能会导致卫星导航接收机的部分或全部功能丧失.
2.3.3 试验件NSEE敏感截面σNSEE-i估算依据本文第1.3.5节,预估试验件板级试验中由于器件级SEU引发的板级软错误敏感截面约为6.750×10-8/板,由于器件级SEFI引发的板级硬错误敏感截面约为6.278×10-9/板,如表 1所示.
表 1 NSEE主要敏感器件清单Table 1 List of main atmospheric NSEE sensitive devices
序号 器件 器件数量 试验测试比特位数 主要敏感效应 预估敏感截面/(cm 2·bit -1) 资源利用率/% 故障传递率/% 预估敏感截面(cm 2·器件 -1)
1 DSP 1 RAM 8388608 SEU 1×10 -14 100 10 8.389×10 -9
整个器件 SEFI 1×10 -16 100 100 8.389×10 -10
2 SRAM 1 RAM 18874368 SEU 1×10 -14 25 10 4.719×10 -9
3 FPGA (1#) 1 CLB 33909664 SEU 1×10 -14 70 10 2.374×10 -8
BRAM 4939776 SEU 1×10 -14 70 10 3.458×10 -9
整个器件 SEFI 1×10 -16 70 100 2.719×10 -9
4 FPGA (2#) 1 CLB 33909664 SEU 1×10 -14 70 10 2.374×10 -8
BRAM 4939776 SEU 1×10 -14 70 10 3.458×10 -9
整个器件 SEFI 1×10 -16 70 100 2.719×10 -9
试验件合计 4 4个器件约100 Mbit SEU导致软错误 1×10 -14 64 10 6.750×10 -8/板
3个器件约82 Mbit SEFI导致硬错误 1×10 -16 73 100 6.278×10 -9/板

表选项


2.3.4 试验件NSEE故障率λNSEE-i估算依据本文式(4),采用大气中子注量率国际典型值6 000个/(cm2·h),预估该试验件在整个寿命周期NSEE软错误率约为4.050×10-4/板,NSEE硬错误率约为3.767×10-5/板,NSEE软硬错误率约为4.427×10-4/板.
2.3.5 试验件平均NSEE故障间隔时间MNSEE-i估算依据本文式(3),试验件平均NSEE软错误间隔时间MNSEE-SE为2 469 h;试验件平均NSEE硬错误间隔时间MNSEE-SE为26 546 h.因此,试验件平均NSEE软硬错误间隔时间MNSEE为2 259 h.
2.4 试验实施步骤NSEE试验实施步骤如下:
1) 试验系统搭建:试验系统主要由14 MeV中子加速器、屏蔽板、辐照电路板、试验件供电电源、供电及输入输出信号电缆、测试和控制系统等组成.辐照前,将试验件固定在靶前至少80 cm处,试验件垂直于试验件中心与靶心的连线;在靶与试验件之间竖立一块4 mm厚的铝屏蔽板,模拟真实的机舱蒙皮厚度;PC机、电源放置在测试间内;试验件与PC机、电源之间通过25 m电缆连接,试验系统布局如图 3所示.
图 3 试验构架示意图Fig. 3 Testing architectural layout schematic
图选项


2) 试验环境:试验环境温度为15~ 35℃;相对湿度为20%~80%;标准环境大气压约为760 mm汞柱.
3) 开展联调联试:测试设备交联关系如图 4所示.重点关注以下事项:①故障名称与故障分类的定义确认;②测试用例的版本与标识;③测试用例的资源利用率、故障传递率的初步分析与判断.
图 4 测试设备交联关系示意图Fig. 4 Testing equipment connection overview schematic
图选项


4) 依据本文第1.3.6 节开展试验.当注量达到109个/cm2时终止辐照,依据式(5),经试验数据处理可得出试验件NSEE软硬错误敏感截面σ,结果详见表 2,数据拟合结果如图 5所示,NSEE软硬错误数与累积中子注量成良好线性关系,验证了本试验方法的有效性.
表 2 试验件NSEE试验数据计算结果Table 2 Calculated NSEE test results for tested board
序号 故障现象 故障次数/次 累积注量/(109个·cm-2) 试验件样品数量/个 板级敏感截面/(10-9cm2·板-1) 故障类别 故障次数 任务环境中子注量率/(个·(cm2·h)-1) 故障率(10-5次·(板·h)-1) 平均故障间隔时间/h
1 死机 7 1.011 1 6.924 硬错误 7 6 000 4.154 24 073
2无定位181.011117.804软错误 21 6 000 12.463 8 024
3 定位超差 3 1.011 1 2.967
合计 28 1.011 1 27.695 软硬错误 28 6 000 16.617 6 018

表选项


图 5 试验件NSEE试验拟合结果Fig. 5 Test fitting results for NSEE tested board
图选项


2.5 MNSEE的试验数据计算结果由表 2可见,试验件NSEE硬错误率为4.154×10-5次/(板·h),NSEE软错误率为1.246×10-4次/(板·h),NSEE软硬错误率为1.661×10-4(次/板·h).试验件平均NSEE硬错误间隔时间MNSEE-HE为24 073 h;试验件平均NSEE软错误间隔时间MNSEE-HE为8 024 h;试验件平均软硬错误间隔时间MNSEE为6 018 h.
与表 1中预计结果相比,硬错误结果差异较小,主要差异在于软错误的差异.有可能是试验期间实际资源利用率偏小,这有待于进一步研究.3倍以内的误差在国际上已经是比较理想的数据.
3 结 论本文提出了一套航空电子设备抗大气中子单粒子效应危害能力的试验评价方法,即航空电子设备大气中子辐射可靠性参数MNSEE的计算方法,并通过某航空用卫星导航接收机试验案例证明了该方法在工程应用中的可操作性与有效性,具体结论如下:
1) 依据试验实施程序,可以分类获得航空电子设备NSEE硬错误、软错误的原始数据;依据式(5),可以获得航空电子设备NSEE故障敏感截面σNSEE.
2) 依据第1节所述的航空电子设备NSEE试验评价方法可以计算获得航空电子设备平均NSEE故障间隔时间MNSEE.
3) 依据航空电子设备MNSEE预估方法第1.3.5 节计算结果与依据航空电子设备MNSEE试验评价方法第1.3.6节计算结果在3倍以内.
本文MNSEE预估方法中资源利用率与故障传递率是两个比较复杂的参数,试验实施程序中的监测方法也是一项复杂的影响因素,均需要进一步研究以提高MNSEE预估结果与试验评价结果的一致性.
致谢 感谢北京圣涛平试验工程技术研究院航空电子设备大气中子单粒子效应数据库维护组白桦、孙旭朋、罗星等的大力帮助.
参考文献
[1] 潘泉,王增福,梁彦,等.信息融合理论的基本方法与进展(Ⅱ)[J].控制理论与应用,2012,29(10):1233-1244.Pan Q,Wang Z F,Liang Y,et al.Basic methods and progress of information fusion(Ⅱ)[J].Control Theory & Applications,2012,29(10):1233-1244(in Chinese).
Cited By in Cnki (278)
[2] Khaleghi B,Khamis A,Karray F O,et al.Multisensor data fusion:A review of the state-of-the-art[J].Information Fusion,2013,14(1):28-44.
Click to display the text
[3] Pravia M A,Babko-Malaya O,Schneider M K,et al.Lessons learned in the creation of a data set for hard/soft information fusion[C]∥12th International Conference on Information Fusion.Piscataway,NJ:IEEE Press,2009:2114-2121.
Click to display the text
[4] Gross G A,Nagi R,Sambhoos K,et al.Towards hard+soft data fusion:Processing architecture and implementation for the joint fusion and analysis of hard and soft intelligence data[C]∥15th International Conference on Information Fusion.Piscataway,NJ:IEEE Press,2012:955-962.
Click to display the text
[5] Hossain M A,Atrey P K,El Saddik A.Learning multisensor confidence using a reward-and-punishment mechanism[J].IEEE Transactions on Instrumentation and Measurement,2009,58(5):1525-1534.
Click to display the text
[6] David R P,Sampaio-Neto R,Medina C A.A linear adaptive algorithm for data fusion in distributed detection systems[C]∥11th International Symposium on Wireless Communications Systems.Piscataway,NJ:IEEE Press,2014:370-374.
Click to display the text
[7] Meng Z,Shi Z.Extended rough set-based attribute reduction in inconsistent incomplete decision systems[J].Information Sciences,2012,204(10):44-69.
Click to display the text
[8] Lu Z,Qin Z,Zhang Y,et al.A fast feature selection approach based on rough set boundary regions[J].Pattern Recognition Letters,2014,36(1):81-88.
Click to display the text
[9] Zheng K,Hu J,Zhan Z,et al.An enhancement for heuristic attribute reduction algorithm in rough set[J].Expert Systems with Applications,2014,41(15):6748-6754.
Click to display the text
[10] Shu W,Shen H.Incremental feature selection based on rough set in dynamic incomplete data[J].Pattern Recognition,2014,47(12):3890-3906.
Click to display the text
[11] Wang J S,Song J D,Gao J.Rough set-probabilistic neural networks fault diagnosis method of polymerization kettle equipment based on shuffled frog leaping algorithm[J].Information,2015,6(1):49-68.
Click to display the text
[12] Gao S,Wang J,Zhao N.Fault diagnosis method of polymerization kettle equipment based on rough sets and BP neural betwork[J].Mathematical Problems in Engineering,2013,7(2):91-103.
Click to display the text
[13] Liu C,Wu X,Wu N,et al.Structural damage identification based on rough sets and artificial neural network[J].The Scientific World Journal,2014,7(11):102-111.
Click to display the text
[14] Chen R C,Cheng K F,Chen Y H,et al.Using rough set and support vector machine for network intrusion detection system[C]∥2009 1st Asian Conference on Intelligent Information and Database Systems.Piscataway,NJ:IEEE Press,2009:465-470.
Click to display the text
[15] Niu W,Cheng J,Wang G,et al.Fast fault prediction model based on rough sets and grey model[J].Journal of Computational and Theoretical Nanoscience, 2013,10(6):1460-1464.
Click to display the text
[16] Han D Q,Dezert J,Tacnet J M,et al.A fuzzy-cautious OWA approach with evidential reasoning[C]∥15th International Conference on Information Fusion.Piscataway,NJ:IEEE Press,2012:278-285.
Click to display the text
[17] Yang J,Huang H Z,Miao Q,et al.A novel information fusion method based on Dempster-Shafer evidence theory for conflict resolution[J].Intelligent Data Analysis,2011,15(3):399-411.
Click to display the text
[18] Li Y B,Kang J,Xie H.The algorithm aiming at conflict to improve DS evidence theory[J].Information Technology Journal,2011,10(9):1779-1783.
Click to display the text
[19] Hu B,Shen B,Liu Q.An experience-feedback algorithm of DS evidence theory[C]∥2013 International Conference on Information Science and Computer Applications.Paris:Atlantis Press,2013.
Click to display the text
[20] Zhu H,Ma Z,Sun H,et al.Information correlation entropy based DS evidence theory used in fault diagnosis[C]∥2012 International Conference on Quality,Reliability,Risk,Maintenance,and Safety Engineering (ICQR2MSE).Piscataway,NJ:IEEE Press,2012:336-338.
Click to display the text
[21] Wang J F,Zhang Q L,Zhi H L.Fault diagnosis and optimization for agent based on the ds evidence theory[M]∥Advances in Swarm Intelligence.Berlin:Springer,2012:535-542.
[22] Xu C,Zhang H,Peng D,et al.Study of fault diagnosis of integrate of DS evidence theory based on neural network for turbine[J].Energy Procedia,2012,16(10):2027-2032.
Click to display the text
[23] Zhang L,Dong Y.Research on diagnosis of ac engine wear fault based on support vectormachine and information fusion[J].Journal of Computers,2012,7(9):2292-2297.
Click to display the text
[24] Zhang Q H,Hu Q,Sun G,et al.Concurrent fault diagnosis for rotating machinery based on vibration sensors[J].International Journal of Distributed Sensor Networks,2013,4(5):37-47.
Click to display the text
[25] Yager R R.On ordered weighted averaging aggregation operators in multicriteria decisionmaking[J].IEEE Transactions on Systems,Man and Cybernetics,1988,18(1):183-190.
Click to display the text
[26] 李弼程,钱曾波.一种有效的证据理论合成公式[J].数据采集与处理,2002,17(1):33-36.Li B C,Qiang Z B.An efficient combination rule of evidence theory[J].Journal of Data Acquisition and Processing,2002,17(1):33-36(in Chinese).
Cited By in Cnki (232)
[27] 邓勇,施文康.一种改进的证据推理组合规则[J].上海交通大学学报,2003,37(8):1275-1278.Deng Y,Shi W K.An advanced combination rules of evidence[J].Journal of Shanghai Jiao Tong University,2003,37(8):1275-1278(in Chinese).
Cited By in Cnki (112)
[28] Jousselme A L,Grenier D,Bossé É.A new distance between two bodies of evidence[J].Information Fusion,2001,2(2):91-101.
Click to display the text


相关话题/航空 大气 计算 测试 辐射

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 融合粗糙集与D-S证据理论的航空装备故障诊断
    随着航空电子装备的复杂程度不断提高,其故障模式呈现出多样化与复杂化的特点,现有检测手段大多都利用单一信息源对航空电子装备某一类故障进行诊断,缺乏多源多维信息综合处理能力,在诊断的可靠性和实用性方面也都存在不同程度的缺陷.因此,需要采用多传感器数据进行融合,进而提升诊断的准确度.近年来,多源信息融合技 ...
    本站小编 Free考研考试 2021-12-25
  • 基于自由尾迹/面元法的旋翼下洗干扰计算和直升机配平
    受旋翼涡系的影响,直升机工作在十分复杂的流场当中,旋翼的下洗流对机身振动、桨叶气动载荷和直升机的飞行性能都有十分重要的影响.长期以来,科研人员从数值计算和试验两方面对涡动力学方法进行了大量的研究[1,2,3],对旋翼/机身的复杂气动干扰的理解也愈发加深.当直升机在吊挂飞行、舰载和沙漠等复杂条件起降时 ...
    本站小编 Free考研考试 2021-12-25
  • 面铣刀正交车铣加工切屑厚度的计算方法
    在航空工业,存在着许多的回转体或是半回转体同时带有凸台、耳片或者窗口等异形特征的工件.这类工件在应用传统的方法进行加工时效率低、成本高,对工厂来说是个很大的挑战.近些年出现的车铣复合加工技术为应对这一问题提供了有效的解决途径.越来越多的研究人员开始重视这一新技术,并在许多方面对其进行了探索和研究[1 ...
    本站小编 Free考研考试 2021-12-25
  • 基于验前信息的测试性验证试验方案确定方法
    在工程实际中,为了判断装备的测试性设计水平是否达到了合同规定的指标要求,需要开展测试性验证试验.按照国家标准(GB5080.5—1985)所规定的测试性验证试验方案需要进行大样本试验,而复杂装备由于造价昂贵、研制经费紧张,大样本工程上一般较难实现,也不利于装备的尽早定型[1,2].Bayes方法充分 ...
    本站小编 Free考研考试 2021-12-25
  • 柔片式密封数值计算及性能分析
    柔片式密封作为一种非接触式密封,应用于高速转子系统[1],具有较好的密封性能.柔片式密封在结构上继承了刷式密封的径向柔性[2,3]特点,转子直径变化或偏移±1mm内对其性能影响很小.柔片式密封不存在“滞后效应”[4],其最大工作压差可达1MPa[5],且在较高的密封压差下仍能维持较小的质量泄漏率.优 ...
    本站小编 Free考研考试 2021-12-25
  • 基于几何方法的洲际航空编队飞行路径规划
    ?根据世界机场协会的预测,未来的20年内,世界航空运输旅客运输量将以每年4%的速度增加,2025年将达到90.95亿人;货运量以每年5.4%的速度增加,2025年达到2.14亿吨.为满足如此巨大的航空运输需求,预计2025年空中交通流量达到6.79亿架次[1].与此相适应,燃油消耗将达到每年480兆 ...
    本站小编 Free考研考试 2021-12-25
  • 红外窗口材料的热辐射特性测量方法
    ?飞行器在大气层内超声速飞行时,红外(Infrared,IR)探测系统面临复杂的气动光学效应,使红外探测系统的性能下降[1,2].高温绕流气体流场强烈的气动加热使红外窗口的温度迅速上升,高温红外窗口和高温气体产生强烈的气动热辐射,不仅使目标探测信噪比降低,还形成强烈的背景辐射,极易导致红外探测器饱和 ...
    本站小编 Free考研考试 2021-12-25
  • 航天器测试需求描述及其自动生成
    ?航天器包括卫星和飞船,其作为典型的安全苛刻系统,系统功能一旦失效将引起财产、生命等的重大损失以及环境可能遭到严重破坏[1,2].因此,其是否可信[3,4,5,6]已成为广泛关注的问题.可信性主要通过测试获取的数据进行评估和验证[7,8].随着我国航天事业飞速发展,特别是随着二代导航、军用遥感、军用 ...
    本站小编 Free考研考试 2021-12-25
  • 时变热辐射环境下高温合金蜂窝板三维热变形测量
    高温合金蜂窝板结构由较薄的高强度合金蒙皮和较厚的低强度蜂窝芯层焊接或黏接组成三明治结构,因其具有重量轻、强度高、高温环境下抗变形能力强、导热系数小等优点使之成为高速飞行器理想的隔热结构,已广泛应用于火箭、导弹、飞机等高速飞行器的热防护结构材料[1,2].20世纪40年代德国最早将蜂窝板结构应用于四引 ...
    本站小编 Free考研考试 2021-12-25
  • 高超声速气动热数值计算壁面网格准则
    近年来,高超声速临近空间飞行器迅速发展,随之带来的飞行器热防护问题日益突出,而气动热环境的准确预测对飞行器热防护系统的设计至关重要.随着数值方法和计算机硬件的迅速发展,计算流体力学(CFD)方法逐渐成为气动热环境预测的重要手段.但运用CFD方法模拟气动热环境的难点在于其精度受多种因素影响,如离散方法 ...
    本站小编 Free考研考试 2021-12-25