复合材料强度退化规律对研究结构疲劳寿命具有重要意义，然而现有剩余强度模型均需利用剩余强度试验数据确认模型参数，模型构建成本较高。通过探究复合材料疲劳寿命和剩余强度的关系，以疲劳寿命累积分布函数为出发点，构建具有明确物理意义的损伤度，进而提出改进剩余强度模型。改进剩余强度模型不需要剩余强度试验数据，仅需初始静强度和疲劳寿命数据。在改进剩余强度模型基础上，构建S-N-φ疲劳寿命预测模型，该模型可以考虑初始静强度对疲劳寿命的影响。算例结果表明，改进剩余强度模型的预测精度是满意的，S-N-φ模型相比经典S-N曲线模型具有更好的预测精度。
为了研究大气湿度对分开排气涡扇发动机性能的影响，在某涡扇发动机性能模型的基础上，考虑了湿度对进入发动机空气热物理性质的影响，计算分析了不同环境温度和相对湿度对某涡扇发动机的推力、排气温度和燃油流量的影响，得到对应的湿度修正系数，并与发动机试验结果进行对比。结果表明：相同环境温度条件下，随着相对湿度的增加，发动机的推力、排气温度和燃油流量的换算值逐渐减小，且环境温度越高，大气相对湿度的影响越明显；发动机换算推力、换算排气温度、换算燃油流量的湿度修正系数与含湿量均呈线性相关的关系，且与试验验证结果基本一致；当环境温度低于0℃时，在实际工程应用中可以不考虑湿度对发动机性能影响。
针对现代飞机部件装配过程中存在的装配信息量大、装配工艺复杂的问题，提出了一种基于数字孪生等相关理念的在线可视化装配模型。综合考虑飞机部件装配过程前后所涉及的零件、装配件和段件的尺寸准确度等物理数据和工艺参数，并结合Oracle数据库技术搭建信息集成平台，以映射表的形式实现物理空间和孪生空间的数据交互，将装配过程中的各种信息进行可视化管理。该模型能够提高装配效率，同时帮助工作人员科学决策。
为研究某型涡扇发动机吞雹能力，按照CCAR-33R2标准33.78（a）条开展了整机吞雹试验方法研究及验证。梳理了试验流程，确定了试验条件，对发动机、试车台等进行了分析，开展了防护装置、摄影装置、投射装置设计，并对冰雹的制作方法进行了研究。通过投射装置实现了冰雹向发动机的投射，同时设计了试验前的校靶试验和空炮试验，通过校靶试验保证了投射的速度和准确性，通过空炮试验测试了投射装置对发动机进气的影响，又通过高速摄影验证了冰雹投射的速度和撞击位置的准确性。发动机吞入冰雹过程中推力出现短时减小，随后恢复了稳定工作，吞雹后发动机排气温度下降约2%～3%，转差变化约-0.6%～0.2%，推力下降约0.1%～1.6%；其余参数无明显变化，通过低压测点时域信号采集了风扇部分的冲击响应；试验后分解检查5片风扇叶片进气边变形，未出现掉块情况，未发现可能危及飞行安全的结构损坏，验证了某型涡扇发动机的吞雹适航符合性。
为了探究旋转状态下涡轮叶片内冷通道的流动换热特性变化，研究了入口雷诺数为3×104，旋转数分别为0、0.03、0.06、0.09和0.3时缩扩蜿蜒通道流阻及换热性能。结果表明：哥氏力与离心力共同将通道中心流体推向压力面，再由流程上壁面回流与中心流体形成涡旋，进而改变通道内流场结构。随着旋转数增加，通道阻力系数表现出先增大后减小的趋势。当旋转数从0上升至0.3时，通道阻力系数下降了53.79%。旋转通过强化流体扰动来破坏吸力面与压力面的边界层，增强通道整体换热能力，当旋转数从0上升至0.3时，第一、二流程局部换热能力增长速率明显高于其他流程，相较静止通道提升了68.49%，缩扩蜿蜒通道整体换热能力较静止状态提升了21.18%。
为了能在仅有健康状态数据条件下进行故障诊断，构建一种优化的swin transformer深度神经网络架构，对健康数据的特征进行提取并重构，提出一种滚动轴承故障诊断的无监督学习方法。与自编码器、深度编码器、卷积自编码器及稀疏自编码器进行对比，准确率分别为98.62%、76.46%、68.69%、77.69%、68.00%，与对比网络相比准确率提升20%以上。
纤维增强树脂基复合材料损伤机理复杂，为保证其长期稳定应用，需要采用先进的健康监测技术对其进行损伤监测。基于碳纳米纸传感器可灵敏监测电阻变化，对碳纤维增强聚合物（carbon fibre reinforced polymer composite，CFRP）复合材料进行冲击损伤监测，并设计出一套基于人工神经网络（artificial neural network，ANN）深度学习算法的损伤监测系统。通过数据分析可知，该系统可长期有效地监测CFRP的损伤发生与位置预测，且损伤位置精确度高达92%。该损伤监测系统可实现对复合材料健康状况的评估。
针对传统喷漆轨迹规划算法中需要大量搜索最近点对的缺陷，提出一种基于点云薄切技术的初始轨迹点提取算法。该算法通过计算点云模型密度确定切片厚度，并将薄片上的点设定为初始轨迹点，通过避免点对搜索的方式提高了运行效率。为解决传统线性插值算法导致的轨迹精度不足和曲率过大等问题，提出一种轨迹拟合算法。该算法首先将三维空间中的轨迹点映射到二维坐标系，并引入孤立森林算法去除轨迹点异常值，然后结合曲线拟合方法进行轨迹规划。实验结果表明，该算法规划的轨迹具有更高的精度和光滑度，同时提升了算法的整体运行效率。
基于transformer架构，提出一种面向学习轨迹的知识追踪预测模型（knowledge tracing prediction model for learning trajectories，LTKT），解决知识追踪领域使用transformer架构所存在的问题：网络中缺乏知识点信息、注意力被分散到众多关联较小的试题及忽略了学习能力在答题决策中的影响。LTKT在数据预处理阶段，采用教育领域的知识融通机制整合题目涉及的多个知识点，作为模型学习的一个信息维度。在编码器与解码器结构中，根据注意力呈现长尾分布的特点引入稀疏自注意力机制，并在其中嵌入包含绝对距离和相对距离的位置编码，使注意力集中在少数高度相似的试题上，同时加强模型对位置信息的感知。在预测策略上，使用双线性层融合学习能力特征与学生的知识状态，综合预测学生下一时刻的作答表现。在两个真实的大型公开数据集上进行实验，与其他优秀模型进行对比，结果显示LTKT的AUC有了明显提升。
为了解决经典K-均值聚类算法要求用户事先知道待处理数据的聚类数量及聚类结果对算法的初始化很敏感的问题，提出一种对K-均值聚类算法的改进措施并可视化地确定聚类数量的综合方案。首先，对数据进行标准化，使其服从正态分布，利用主分量分析（principal component analysis，PCA）抽取数据中最重要的特征以实现高维数据的降维；然后，采用最远质心选择和最小-最大距离规则对K-均值聚类算法的初始化进行修正，避免出现空聚类并确保数据的可分离性；在此基础上，采用统计经验法则估计聚类数量的可能范围，通过搜索在此范围内平方误差和（sum-of-squared-error， SSE）曲线的肘部估计最佳的聚类数量；最后，通过计算比较各个聚类的轮廓系数以评价算法的聚类质量，从而最终确定数据集固有的聚类数量。仿真结果表明，该方案不仅能可视化地确定数据集潜在的聚类数量，而且为大数据时代的高维数据分析提供了一种有效的方法。
伴随市场环境的复杂多变，高端装备制造业必须通过协同创新来增强技术实力及提高创新成效，其中伙伴选择是其实现创新的关键一步。首先，分析总结伙伴选择评价指标相关文献，并结合高端装备制造业协同创新发展需求，从互补性、兼容性、创新资源、创新能力、创新环境、声誉与信任及技术水平这7个维度，建立了高端装备制造业协同创新伙伴选择指标体系；然后，考虑到高端装备制造业的复杂性及专家评价的模糊性，在概率犹豫模糊环境下，构建基于可能度的平均解距离法（evaluation based on distance from average solution，EDAS）群决策评价模型，并将其应用到该指标体系下的协同创新伙伴选择中；最后，通过一个算例，对该研究方法加以验证，为高端装备制造业进行协同创新伙伴选择提供一定的参考。
