基于飞参系统记录数据野值点剔除方法研究

来源 :全国高等学校制造自动化研究会第十三届学术年会 | 被引量 : 0次 | 上传用户:pandengwei
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
当飞机上的传感器或大功率用电设备等出现机械故障和随机干扰时,飞行参数记录系样统所记录的数据往往出现野值。为了正确反映和重现飞机真实飞行过程,对野值点做出正确处理是十分必要的。 本文研究了利用多项式移动平滑算法和最小二乘法对野值点进行剔除及软件设计流程,通过matlab技术仿真表明,该方法简单可行,能有效完成野值点的剔除,并具有一定的普适性。
其他文献
本文对虚拟样机技术的信息与功能集成系统进行了研究。虚拟样机技术作为敏捷制造的关键使能技术,可以处理来自不同学科领域的知识。复杂产品开发过程普遍存在异构环境中异构数据的互访问题,其增加了虚拟样机协同并行设计的复杂性。以产品模型为载体,以产品 的不同的功能需求为线索,研究各领域内产品信息的知识构成与表达形式,并采用组件对象模型技术、直接几何访问技术、行为建模技术以及参数化设计思想等技术手段,完成参与系
为了提高数控加工的精度,本文分析了切削力对数控加工精度的影响。建立了CK7815进给驱动系统和切削进给径向受力的数学模型,并建立了它们的Simulink 仿真模型,进行仿真研究切削负载力矩与径向切削力对工件加工精度的影响。结果表明:切削负载力矩和径向切削力分别影响工件的轴向尺寸精度和径向尺寸精度。切削负载力矩越大,轴向误差越大;切削过程系数越小,机床和刀具的折算弹簧刚度越高,径向误差越小。实际中通
本文对三维轮廓跟踪智能控制技术应用进行了阐述。三维轮廓跟踪智能控制技术应用于汽车轮廓尺寸测量的核心在于采用多套光电传感器、激光测距传感器、超声波测距 传感器进行信号探测,智能控制单元把检测到的光电信号作为控制依据,控制驱动机构对被测对象轮廓实施三维步进跟踪,记录 车辆轮廓在长、高和宽方向轨迹参数,并把测得的数据传送到上位机,经上位机数据处理获得被检车辆的特征尺寸。进而与车辆管理数据库中的原始出厂数
本文介绍了一种采用美国NI公司的LabVIEW平台开发构建的基于工业PC机的火焰切割机数控系统,系统地阐述了数控系统的构成、模块、任务的划分、功能的确定、加工控制的数据流程、数控软件结构及上、下位机通信的实现方法。利用LabVIEW的多任务并行处理机制,使开发人员可轻松地实现在传统编程中难度较大的多任务并行处理。采用LabVIEW平台可实现系统界面和并行任务处理的快速开发,是较为方便快捷的一种开发
本研究利用自制的二维超声抛光装置并将其安装到精密磨床上,对500mm×400mm×16mm纳米ZrO2增韧AL2O3纳米陶瓷板进行抛光试验,测试结果表明:此超声抛光装置最大振幅达到18.34um,利用其进行超声抛光,能够提高抛光效率而且抛光表面粗糙度达到0.07um以下,平面度达到10um以下,为大平板纳米陶瓷超声抛光提供了一种有效的加工方法。
本文对复杂曲面电火花线切割加工运动分析及仿真进行了探讨,应用VC++ 6.0分析和OpenGL三维软件,实现了线切割加工系统的电火花仿真。
本文在产品配置和模块化设计的基础上,提出了一种面向客户个性化需求的产品快速设计方法。针对这种产品快速设计方法中产品配置相关性问题,按照产品功能模块划分原则对产品进行模块划分,定义产品各个功能模块间的相关性,建立产品功能模块间的相关性矩阵,运用所设计的排除算法,快速确定客户需求的个性化产品配置。以多媒体LCD 投影机为实例,对该方法进行了验证。
利用铺放轨迹的网格化生成法计算纤维铺放轨迹时,当轨迹点落到网格单元某个顶点,且这个顶点又被几个网格单元共享时,就必须有一个合理的计算方法选择下一步铺放轨迹要经过的网格单元,即出现了铺放轨迹衔接问题。本文提出了一种新方法,即利用平行投影的原理,将需要分析的网格单元和铺放基准向量投影到一个合理的投影平面内,在这个投影平面内进行网格单元的选择和铺放轨迹的计算,再将计算得到的铺放轨迹投影到铺放曲面。利用这
基于轮廓线重建三维表面是三维重建的一个重要方法。本文以人工牙为重建实例,分析比较了轮廓线连接中常用的方法,并提出了遇到的几个问题,分析给出了解决方案和算法。本研究利用最小对角线法来连接单轮廓线,通过周长比率法把多轮廓线的连接问题转化为多个单层轮廓线连接的问题,避免了连接过程中的锥体和错位现象,从而提高了重构质量,简化了重构算法。
熔融沉积成形(FDM)已广泛用于复杂原型制造和快速制模等方面。在FDM工艺的成形过程中,成形件精度受很多因素的影响,很难用一个精确的数学模型来描述。本文创造性地将BP神经网络应用于建立FDM成形件的精度预测模型。首先在分析各因素对精度影响程度大小的基础上,确定出主要影响因素,作为BP神经网络模型的输入参数。再根据实际情况,明确了输入层和中间层的维数,确定了模型结构。最终依据大量的实验数据,对模型结