可变弯度机翼后缘形态重构光纤监测技术

可变弯度机翼是一种变翼型变体飞行器，在飞行过程中可根据不同的飞行环境自适应调整机翼弯度来提高飞行效率，从而适应复杂多样的任务环境。针对可变弯度机翼后缘形态与偏转角度实时监测需求，研究了一种基于光纤布拉格光栅传感器的机翼后缘形态重构方法。采用数值仿真方法分析可变弯度机翼后缘的形态变化特征，得到可变弯度机翼后缘偏转位移与偏转角度之间关系。给出光纤布拉格光栅传感器布局形式，构建了基于应变和曲率信息递推位移重构原理的机翼后缘形态和偏转角度监测系统。基于光纤布拉格光栅传感器的机翼后缘形态重构相对误差约为6.39%，偏转角度辨识相对误差约为7.47%。研究结果表明，所提方法能够为可变弯度机翼后缘形态感知、姿态自适应调整以及气动外形优化提供技术支撑。     

基于光纤光栅传感器内埋的复合材料加筋板冲击位置识别

光纤光栅传感器是实现复合材料内部结构健康监测的最佳选择,可实现对复合材料冲击载荷位置的实时识别,锁定损伤区域,视情检测,提高效率,减小安全隐患.将光纤光栅传感器在复合材料层合板预浸料阶段埋入,通过热压罐固化方式成型为一体化结构,研究传感器对层合板不同位置载荷冲击的识别技术;并将12支光纤光栅传感器内埋于航空飞机典型复合材料加筋板结构,通过互相关函数算法成功实现了小尺寸加筋板结构的冲击定位判别.     

基于光纤光栅与BP神经网络的孔边裂纹监测研究

含孔金属结构的孔边裂纹监测对于保障飞行安全,增强飞机结构可靠性具有重要意义。为实现对孔边裂纹扩展的监测,进行含有孔边角裂纹的含孔铝合金板疲劳加载试验,得到含孔铝合金板试验件的a-N 曲线以及孔边裂纹扩展过程中光纤光栅应变传感器中心波长偏移量;利用包络分析法、BP 神经网络等损伤识别算法对试验数据进行处理与分析;建立能够以光纤光栅应变传感器中心波长偏移量识别孔边裂纹扩展的监测模型,并通过试验对监测模型进行验证。结果表明：此监测模型可有效识别出孔边角裂纹的扩展与穿透,对孔边角裂纹扩展长度监测的准确度达到了97.2%,未来可应用于全机地面疲劳试验、飞机结构健康监测等多种场景。     

NASA试验机翼变形实时传感器

NASA通过新型的光纤传感器系统设计,可以在飞行中实时“感觉”机翼的气动的变形,测出机翼的实时应力,进一步的研究将通过对机翼外形的主动控制实现对机翼表面气动载荷的重新分配,大大提高飞机的飞行效率和安全性,从而使机翼主动控制技术迈上一个新台阶。     

基于应变测量的结构载荷分布反演方法

针对基于应变测量的载荷分布反演,首先对比分析现有几种影响系数法,并讨论影响载荷反演精度的几个关键问题。为解决单位载荷工况选取的难题,提出一种基于施密特正交化的最大垂直距离逐步筛选基工况法,从设计载荷工况库中筛选载荷基工况和应变基工况,建立一套完整的工程可行的载荷分布反演流程。为解决反向矩阵病态化的难题,引入Tikhonov正则化方法。以某型飞机机翼疲劳试验作动筒载荷和光纤传感器数据为算例,假设3种应变测量误差情况（无误差、5%随机误差、10%随机误差）,验证了提出的载荷分布反演方法具有很高的预测精度和鲁棒性,可为新一代航空航天器的结构健康监控提供一条可靠的载荷识别途径。     

基于逆向有限元法的变形机翼鱼骨的变形重构

变形监测技术能够为自适应变形机翼的变形控制系统提供参考信息，是保证结构安全性以及优化结构的运行性能的重要手段。传统的基于光学成像的变形测量方法已经不能满足自适应智能结构的实时变形监测的要求。由于变形机翼表面受气动载荷影响，不便于直接在变形机翼蒙皮表面布置应变传感系统，目前还没有针对鱼骨结构这种真实复杂机翼结构的变形重构研究，大多针对机翼翼型的变形重构研究是将整个机翼简化成简单的翼形板、梁结构。针对上述问题，本文首次以真实复杂变形机翼主承力结构——鱼骨为研究对象，提出了一种基于逆向有限元（iFEM）算法与位移分段叠加思想结合的变形监测方法，根据Mindlin板变形理论建立四节点逆向壳单元，采用应变传感系统测得鱼骨结构表面应变分布作为算法输入，然后基于最小二乘变分方程求解结构应变场和位移场之间的传递函数，重构鱼骨结构的变形形状，为反演机翼翼型的变形形状提供方法。针对真实自适应变形机翼的主要承力构件开展了变形实验，实验结果表明，机翼鱼骨在分别偏转5°、10°、15°的情况下，逆向有限元法能准确重构鱼骨变形形状，验证了基于逆向有限元法的变形重构方法在真实自适应变形机翼结构变形重构研究中的有效性和准确性。     

基于光纤光栅传感的复合材料蒙皮结构修补监测研究

复合材料结构粘接修补是一项被广泛应用的工程技术。采用光纤光栅对复合材料蒙皮结构的损伤和粘接修补结构的全过程进行了实时监测,通过理论分析与试验相结合,发现光纤光栅传感器可对结构损伤进行识别,可对修补结构进行监测,并可评估修补结构的性能。基于光纤光栅传感的修补结构监测对飞机结构的修补评估、保障安全具有实际的工程价值。     

植入FBG的碳纤维复合材料全寿命周期结构状态研究

将光纤光栅传感器与碳纤维复合材料进行一体化集成设计,在碳纤维复合材料内部植入光纤光栅传感器,验证了埋置工艺的可行性,确认了其可实时监测环境温度值,研究了植入光纤光栅传感器后碳纤维复合材料的结构强度变化及光纤光栅的信号传递率。试验结果表明:碳纤维复合材料埋入光纤光栅传感器前后结构强度变化率小于10%,光纤应变信号传递率高于90%,光纤光栅传感器可以作为碳纤维复合材料结构进行从加工固化、使用过程直至破坏的全寿命周期的结构强度监测的有效手段。     

一种考虑截面任意变形模式梁的有限元模型

提出了一种考虑截面完整变形的截面插值梁模型,并用于机翼结构的建模与分析。首先引入截面插值函数——拉格朗日函数描述截面形状,以位移向量为未知变量描述截面位移,在此基础上依据插值理论构造梁单元位移场。不同于传统梁单元通过假定的中性轴的挠度和转角来确定梁截面各点位移,该梁模型摒弃了中性轴假设与平截面假设,通过截面插值函数得到梁截面面内、面外变形;然后通过有限元理论推导了梁单元刚度矩阵与质量矩阵;最后利用截面插值梁单元对机翼各部件进行有限元建模,并展开典型工况下的静力学分析以及动力学分析,与Nastran实体单元计算结果进行了对比分析,验证了该梁模型的有效性,为机翼的结构设计和强度分析提供了一种新的简化建模方法。     

压电-光纤综合结构健康监测系统的研究及验证

以某型无人机机翼盒段试验件为对象,进行了压电-光纤综合结构健康监测系统的研究。自主研发了国内首台集成压电多通道扫查系统,可实现多达552个激励 传感通道的损伤自动扫查,并同光纤光栅解调系统组合,自行开发了集成健康监测系统软件,构成了压电-光纤综合结构健康监测系统。基于该系统进行了大型碳纤维复合材料盒段试验件弯扭强度实验过程中的结构健康监测功能验证研究,监测结构尺寸达4000 m×1200 m×0.265 m,监测对象包括结构的应变场分布及抽钉失效。系统监测了全盒段上下壁板共34点的应变场分布情况,应变场监测准确;监测系统不仅对结构抽钉的缺失实现了准确监测,而且可以分辨所实验结构的4种抽钉缺失程度。     

基于超球体平方根无迹Kalman滤波算法的涡扇发动机气路部件故障诊断

研究了一种超球体平方根无迹Kalman滤波算法用来有效跟踪涡扇发动机气路部件发生渐变性和突变性故障的健康参数.该算法通过超球体单形采样来降低算法的计算量,采用测量残差协方差阵的平方根代替方差阵进行递推运算,提高了算法的计算效率和数值稳定性.分别采用扩展Kalman滤波算法、无迹Kalman滤波算法和超球体平方根无迹Kalman滤波算法对某型涡扇发动机进行仿真,结果表明:超球体平方根无迹Kalman滤波算法的滤波时间减少50%左右,能够实现渐变性和突变性故障中健康参数的准确估计,是一种有效的涡扇发动机气路部件参数估计和故障诊断方法.      

U-D分解的固定点平滑新算法及其在飞行试验中的应用

 本文根据Rauch固定点平滑公式,提出了一种U-D分解的固定点平滑新算法。这一算法不仅具有良好的数值稳定性和可靠性,而且计算量较少;计算效率是Bryson-Ho Y C固定点平滑计算效率的1.5倍以上。将这种新算法用于飞机运动状态初值的确定,提高了飞机气动参数辨识精度。     

改进的Sage-Husa自适应滤波算法在MEMS航姿参考系统中的应用

针对经典Kalman滤波和扩展Kalman滤波融合算法存在的计算量大、精度低、实时性差的缺点，引入了改进的Sage-Husa自适应扩展Kalman滤波算法。该算法对经典扩展Kalman滤波算法进行了自适应改进，并在此基础上利用加权渐消记忆法获取了遗忘因子，并通过预测残差得出了最优解。同时，用调整有偏增益估计的措施来保证系统噪声预测方差矩阵与噪声预测方差矩阵的对称性和正定性，对滤波器发散进行了有效的抑制，减少了算法的计算量。实验结果表明，该算法有效改善了可靠性、精确性及自适应能力。     

基于改进平方根无迹卡尔曼滤波方法的涡扇发动机气路状态监控

针对涡扇发动机气路状态监控存在模型未知或不准确导致滤波效果下降甚至发散的问题,研究了一种融入高斯过程回归（GPR）的改进平方根无迹卡尔曼滤波（UKF）方法.该方法利用GPR对训练数据进行学习,建立发动机气路部件状态监控的GPR模型,替代UKF方法中的非线性系统模型;采用超球体单形采样和平方根滤波方法来提高滤波的计算效率和数值稳定性.仿真结果表明:训练的GPR模型解决了UKF方法对发动机原系统模型和噪声协方差矩阵依赖性的问题;与扩展卡尔曼滤波（EKF）和平方根UKF方法相比较,改进平方根UKF方法精度更高,对健康参数的估计精度达到99.9%,实现了对涡扇发动机单个和多个气路部件健系参数的有效跟踪.      

航空发动机气路故障诊断的平方根UKF方法研究

设计了适用于双轴涡扇发动机健康参数估计的平方根UKF滤波算法,解决了线性卡尔曼滤波器估计结果准确性依赖于线性模型精度;常规UKF算法中由于计算误差及噪声信号影响引起误差协方差矩阵负定而导致滤波结果发散等问题.提出了根据测量残差变化改进滤波收敛速度与稳定性的方法.发动机渐变与突变故障模式下仿真结果表明,平方根UKF估计算法收敛速度快,稳定性强,精度高,是一种有效的发动机气路部件健康参数估计与故障诊断方法.      

基于改进强跟踪ASCKF算法的SINS/GNSS组合对准方法

大方位失准角下的SINS/GNSS组合对准系统呈非线性,采用传统的卡尔曼滤波方法进行初始对准易导致对准精度下降甚至滤波发散。基于此,提出了一种基于改进强跟踪自适应平方根容积卡尔曼滤波算法的组合对准方法。该方法采用QR分解求取协方差的分解因子,并在状态预测方差阵的平方根更新中引入多重渐消因子调整滤波增益;同时,基于Sage-Husa自适应滤波,引入改进的时变噪声估计器实时估计噪声的统计特性。仿真结果表明,采用改进的滤波算法进行大方位失准角下的组合对准,对准精度明显提高。     

Convergence analysis for inexact mechanization of Kalman filtering

A computational aspect of real-time estimation is considered, in which the estimation algorithm to be used has the standard optimal Kalman filtering structure, but the actual inverse matrix within the Kalman gain is replaced by an expedient approximation at each instant. In real-time applications, most Kalman filtering schemes are approximate to a degree as a consequence of numerical roundoff matrix inversion. The convergence properties and error estimates of such schemes are obtained to provide a theoretical basis for gauging the utility of using the above approximations of the Kalman gain matrix at each time instant. A new exponentially convergent scheme is also suggested for approximating the inverse matrix within the Kalman gain. Conditions are determined under which online approximate matrix inversion can be eliminated as the cause of Kalman filter divergence in real-time implementations     

基于双重卡尔曼滤波器的发动机故障诊断

提出了一种基于双重卡尔曼滤波器的航空发动机健康参数估计方法,实现了传感器发生故障情况下发动机故障的准确诊断.采用发动机动态工作点的测量数据,解决了可测量参数偏少导致故障诊断困难的问题;球面采样平方根UKF(UnscentedKalmanfilter)故障诊断滤波器具有更好的滤波稳定性与更低的计算量的要求,提高了故障诊断算法的效率与精度.某型双轴涡扇发动机故障诊断仿真结果表明,该方法可以准确的同步实现气路部件与传感器的故障诊断,是一种有效的航空发动机故障诊断方法.      

基于自适应扩展卡尔曼滤波的载波跟踪算法

精确的载波相位测量是精密测距中一个很重要的研究点。针对传统扩展卡尔曼滤波(EKF)的固定设计在先验信息不充分和动态变化环境中存在的不足,提出了一种基于自适应扩展卡尔曼滤波(AEKF)的载波跟踪算法。该算法通过实时监测滤波器新息或残差的动态变化,以修正状态噪声方差和观测噪声方差,进而调整滤波器增益,控制状态预测值和观测值在滤波结果中的权重。理论分析和仿真结果表明,本算法充分利用了观测信号的统计特性,克服了传统扩展卡尔曼滤波算法的不足,能够获得更好的载波跟踪性能。     

加权最小二乘—卡尔曼滤波算法在动基座对准中的应用

利用卡尔曼滤波算法进行估计需要给定初始状态估计值和初始误差方差阵.通常,初始状态估计值和初始误差方差阵由经验给定,而初始状态估计值和初始误差方差阵的选取影响着卡尔曼滤波的估计精度.文中提出了加权最小二乘-卡尔曼滤波算法,并运用到惯导系统动基座初始对准中,进行了仿真.仿真结果表明,利用加权最小二乘算法可得到更加精确的卡尔曼滤波的初始状态估计值和初始误差方差阵,提高卡尔曼滤波的估计精度,进而提高了初始对准的精度.