主动航天服关节助力外骨骼结构设计及优化

为克服航天服关节阻尼力矩对宇航员未来太空作业、星表探测以及骨骼肌能恢复训练的影响，设计一种可应用于航天服的关节助力外骨骼方案。首先，结合航天服结构分析，研制了第一代关节助力外骨骼样机。其次，根据使用反馈对第一代外骨骼样机进行结构优化，初步确定第二代外骨骼样机的设计模型，利用有限元软件对负重状态下外骨骼样机进行静力学分析及模态分析。最后，进一步优化第二代外骨骼样机的结构尺寸，优化后的整体质量相较于优化前第二代及第一代样机分别下降了19.34%和40.03%，验证了外骨骼样机结构优化方案的可行性。研究结果为主动航天服结构动力学分析和控制系统开发提供理论依据。     

基于ACMPE、ISSL-Isomap和GWO-SVM的行星齿轮箱故障诊断

针对从行星齿轮箱非线性、非平稳振动信号特征提取困难的问题，提出了一种基于自适应复合多尺度排列熵(ACMPE)、改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)和灰狼群优化支持向量机(GWO-SVM)相结合的行星齿轮箱故障诊断方法。利用ACMPE从复杂域提取振动信号的故障特征，构建高维故障特征集；采用ISSL-Isomap方法对高维故障特征集进行维数约简，提取出低维、敏感故障特征；应用GWO -SVM分类器对低维故障特征进行模式识别，判断故障类型。行星齿轮箱故障诊断实验结果分析表明:与多尺度排列熵(MPE)、复合多尺度排列熵(CMPE)等特征提取方法相比，ACMPE方法在分类效果和识别精度上更具优势；与局部切空间排列(LTSA)、等度规映射(Isomap)、加权Isomap(W-Isomap)、监督Isomap(S-Isomap)和监督型自组织增量学习神经网络界标点Isomap(SSL-Isomap)等降维方法进行比较，ISSL-Isomap方法降维效果最佳；所提方法的故障识别率达到100%，具有一定优越性。      

超声速涡轮叶型全局气动优化设计

针对涡轮叶型全局优化设计计算时间长、样本空间大等难点提出一种可行的优化设计方法,该方法将控制叶型的17个参数作为优化变量,采用第二代多目标遗传算法进行全局自动寻优。基于此方法,搭建了涡轮叶型全局优化设计平台。利用此平台,分别采用轴向稠度固定和自由优化两种方式对超声速涡轮叶型进行了优化设计。数值计算结果表明,两组优化设计叶型在设计工况下总压损失系数比参考叶型分别低19.5%和10.0%,流道中的激波强度更弱,且在变工况条件下都具有较好的气动性能。深入分析流场与激波结构后发现,外尾激波相比于内尾激波对总损失的影响更大,通过减小气流膨胀转折角或内尾激波气流转折角能够有效削弱外尾激波强度。     

基于粒子群优化算法的永磁电机热网络参数识别

监测永磁电机的永磁体温度对于保证电机的使用寿命至关重要,因为过高的温度会产生永磁体不可逆失磁现象。提出了一种基于粒子群优化算法的永磁电机热网络参数识别方法,实现用热网络监测永磁体的温度。该方法首先建立永磁电机的热网络模型,利用粒子群优化算法结合电机温升试验所得温度数据对热网络模型的主要热力参数进行识别；然后利用该热网络模型进行在线温度识别,识别过程能够快速收敛,具备良好的辨识精度；最后,通过对比仿真识别温度和电机温升试验数据,验证了该方法的准确性。     

基于IFA-HFS的雷达波形域LPI性能评估方法

针对雷达波形域低截获（LPI）性能评估的问题，提出一种应用改进萤火虫算法（IFA）求解指标权重的犹豫模糊集（HFS）评估方法。首先，介绍基于逼近理想解排序（TOPSIS）的犹豫模糊集理论，并从属性和方案2个角度构建指标权重的优化模型；其次，通过引入混沌理论，解决了萤火虫算法容易陷入局部最优的问题，给出用IFA求解指标权重的流程；再次，从雷达发射方角度，提取脉内、脉间5个波形域LPI性能评估指标；最后，得到利用IFA求解指标权重的犹豫模糊集评估方法。选取4种不同类型的雷达进行仿真对比，获得波形域LPI性能排序，验证了方法的快速性和有效性。      

高超声速风洞气动力/热试验数据天地相关性研究进展

高温真实气体效应、黏性干扰效应和尺度效应等高超声速流动特性突破了实验气体动力学传统的流动相似模拟准则，使得高超声速流动现象超出了经典气体动力学理论能够准确预测的范围。如何利用地面风洞试验数据预测天上的飞行状态，即天地相关性问题，成为制约新型高超声速飞行器研制与发展的关键性科学问题。本文概述了天地相关性的最新研究进展，并重点介绍了多空间相关理论与泛函智能优化关联方法。多空间相关理论认为，从更高维度空间视角看，不同风洞的试验结果都是内在相关的，而飞行试验可视为理想的风洞试验，所以地面风洞试验数据间的关联规律包含了天地相关性问题。泛函智能优化关联方法基于风洞群（能模拟不同参数区段的不同类型风洞）的试验数据，在泛函空间中利用专业化智能学习算法，从高维度的全参数空间出发，进行降维和自适应空间变换，自动推演出不同风洞共同遵守的不变规律，从而实现风洞试验数据的关联。验证实例和应用实践都表明，多空间相关理论与泛函智能优化关联方法是有效的，是高超声速气动力/热天地相关性研究的一个新方向。