对提高大学作战指挥专业硕士研究生培养质量的几点思考

武警工程大学自1998年成为作战指挥学硕士学位授予点后,经过十几年的不懈努力和逐步发展,研究生培养质量不断提高。但在发展的同时也存在一些问题,这些问题如不能很好地解决,将制约作战指挥专业硕士研究生培养的质量。就影响和制约作战指挥专业硕士研究生培养质量的因素为切入点,对当前乃至以后提高大学作战指挥专业硕士研究生培养质量提出了几点建议。     

单脉冲测角在BM突防干扰机上的应用

高分辨雷达(HRR)使用目标HRRP检测目标,由此要求弹道导弹(BM)突防干扰机生成的多假目标信号中包含BM弹头HRRP信息,HRRP长度是HRRP的一个重要特征,需要通过测量雷达观测角计算得到,BM突防干扰机自旋,自身三维姿态难以提取,二维单脉冲测角系统难以应用,一维单脉冲测角系统根据自旋特点,可间断地测得雷达观测角,干扰机和BM弹头运动以及干扰机自旋对测角精度影响较小,间断得到的雷达观测角可以用来计算BM弹头HRRP长度,指出了干扰机章动是影响测角精度的主要因素,最后说明了探讨的方法对目前BM突防干扰机设计具有一定实际工程意义。     

Weibull分布环境因子工程计算方法

目前,常用的指数型环境因子计算公式缺乏广泛的适用性,不能适用小样本失效数据或零失效数据的情况,尽管工程中有相应的处理方法,但因有人为因素的影响使其结果不够客观。针对这一问题,提出Weibull分布环境因子小概率评估法,并给出工程具体实施方法,使结果更合理,更具实用价值。     

当代教师的基本素养

随着社会对人才培养质量要求的提高,对教师的素质有了更高的要求,要求当代教师具备教学反思的能力、终身学习的理念、执着的教育追求、高度的责任感、仁爱之心、宽容的情怀等基本素养。     

车辆装备保障分队单兵训练质量组合评价分析

针对当前部队车辆装备保障分队单兵训练质量评价中所存在的问题和不足,综合运用集对分析一四元联系数理论、马尔可夫链模型和熵权双基点法,尝试提出一种新的评价分析方法——SHE组合评价分析法,排除单兵原有基础差异对年度训练考核成绩的影响,考虑评价对象之间的情感因素和分队训练条件对单兵训练质量的影响,从而使评价显得更加客观、公正和公平．最后,结合算例,分析说明了此方法的具体应用．     

考虑多轴应力与共振影响的随机振动疲劳寿命预测

目前工程上计算结构随机疲劳寿命时,仍经常采用基于单轴拉-压疲劳寿命(Stress-Number of cycles,S-N)曲线的应力寿命方法。虽然使用简单方便,但这种方法不仅忽视了单轴S-N曲线且不能准确反映结构在多轴应力状态下的疲劳,还忽略了随机振动中共振对结构疲劳寿命的影响,因此该方法在预测结构在随机振动下的疲劳寿命时与实际寿命往往有较大误差。对此引入三轴因子来反映结构在随机振动下的多轴应力状态,同时推广得到其在频域上的表达式,并在此基础上引入非线性函数,提出了一个新的随机振动疲劳损伤参量——多轴振动因子。新的损伤参量不仅同时考虑了结构随机振动下的多轴应力状态与共振对疲劳寿命的影响,而且该损伤参量形式简单,便于工程应用。利用新的随机振动疲劳损伤参量,得到了适用于随机振动下的多轴S-N曲线,从而建立了一种新的随机振动疲劳寿命预测方法。通过对7075-T6和LY12CZ铝合金缺口试件的随机振动疲劳寿命进行预测,结果表明该方法较准确地预测了两种缺口试件随机振动下的疲劳寿命。     

【专题】人工智能装备质量监督效能研究

近年来,人工智能技术迅速发展和渐趋成熟,在装备领域的应用大放异彩,极大地拓展了传统装备性能,特别是自主性和智能化水平。但人工智能算法本身固有的逻辑推理性差、具有不可解释性和需要学习训练等特性给人工智能装备的质量监督带来了新挑战,现有评价手段的欠缺也使人工智能装备发展在实用可靠方面充满不确定性。本文在总结归纳人工智能装备新特性拓展和质量监督新挑战的基础上,重点围绕有效提升人工智能装备的质量监督展开研究。提出应在夯实基础能力设施建设、注重日常数据采集整理、灵活技术状态管控、研究有效评价手段、强化人才队伍建设和闭环质量信息反馈与利用等六方面加强人工智能装备质量监督的措施建议,以期为人工智能装备的发展建设提供参考。     

基于自适应Kalman滤波算法的航空发动机可测参数及其偏离量估计

针对采用估计可测参数偏离量建立航空发动机机载自适应模型的方案中,可测参数偏离量估计的问题,引入了CA(Constant Acceleration)模型,建立了简化的可测参数状态方程和测量方程,采用自适应Kalman滤波算法直接估计可测参数,由估计出的可测参数与发动机非线性模型计算的额定值之差,获得可测参数偏离量.为解决因简化的状态模型系统误差较大,采用标准Kalman滤波会出现估计严重偏离真值的问题,分析了标准Kalman滤波准则和状态模型误差对滤波结果的影响,采用动态调整状态预报在滤波估计结果中权重的策略,给出了单因子自适应Kalman滤波算法准则及递推公式,使滤波估计准确.对不同的可测参数分别采取序列滤波的方法,减少了运算量.以仿真产生的发动机测量数据为例,对系统模型和所设计的算法进行验证,计算结果表明,所设计的滤波算法具有很快的收敛速度和计算速度,结果优于标准Kalman滤波算法,具有更好的估计精度和一定的工程应用价值.     

装备维护系统效能评估人素系数的建模与分析

传统的系统效能评估模型中,一般不考虑人的因素。然而,在国内外航空装备的维护过程中,由于人为失误引起的系统故障却占了相当大的比重。提出对人机系统效能评估的改进模型,并建立了装备维护系统效能评估中的人素系数模型,通过对人的可用性、可信性及固有能力的分析,得出了人素系数的确定方法。此系数的确定使航空装备维护管理部门能够更合理地进行装备维护系统的效能评估,有利于更好地组织配置人力资源。     

Allocation of quality improvement targets based on investments in learning

Purchased materials often account for more than 50% of a manufacturer's product nonconformance cost. A common strategy for reducing such costs is to allocate periodic quality improvement targets to suppliers of such materials. Improvement target allocations are often accomplished via ad hoc methods such as prescribing a fixed, across‐the‐board percentage improvement for all suppliers, which, however, may not be the most effective or efficient approach for allocating improvement targets. We propose a formal modeling and optimization approach for assessing quality improvement targets for suppliers, based on process variance reduction. In our models, a manufacturer has multiple product performance measures that are linear functions of a common set of design variables (factors), each of which is an output from an independent supplier's process. We assume that a manufacturer's quality improvement is a result of reductions in supplier process variances, obtained through learning and experience, which require appropriate investments by both the manufacturer and suppliers. Three learning investment (cost) models for achieving a given learning rate are used to determine the allocations that minimize expected costs for both the supplier and manufacturer and to assess the sensitivity of investment in learning on the allocation of quality improvement targets. Solutions for determining optimal learning rates, and concomitant quality improvement targets are derived for each learning investment function. We also account for the risk that a supplier may not achieve a targeted learning rate for quality improvements. An extensive computational study is conducted to investigate the differences between optimal variance allocations and a fixed percentage allocation. These differences are examined with respect to (i) variance improvement targets and (ii) total expected cost. For certain types of learning investment models, the results suggest that orders of magnitude differences in variance allocations and expected total costs occur between optimal allocations and those arrived at via the commonly used rule of fixed percentage allocations. However, for learning investments characterized by a quadratic function, there is surprisingly close agreement with an “across‐the‐board” allocation of 20% quality improvement targets. © John Wiley & Sons, Inc. Naval Research Logistics 48: 684–709, 2001