多机械臂的分布式自适应迭代学习控制

针对拓扑结构为无向连通的多机械臂系统,提出了一种自适应与迭代学习相结合的分布式控制协议来实现整个系统对给定期望参考轨迹的一致性跟踪.通过引入一个适当的自适应迭代学习参数,所提自适应迭代学习控制协议能够克服机械臂系统中的干扰和模型不确定性,并且每个机械臂的自适应迭代学习控制(AILC)律仅需要利用其与邻居机械臂的相对交互信息.进一步,在只有一部分机械臂具有期望参考轨迹信息的前提下,该控制协议可以实现整个系统对期望参考轨迹的跟踪,同时能够保证轨迹跟踪误差与控制输入的有界性.此外,利用李亚普诺夫分析方法证实了所得结论的正确性,并且通过一个实例验证了所提自适应迭代学习控制协议的有效性.      

国外多模式霍尔电推进发展概况及启示

多模式霍尔电推进具有多个工作模式,调节能力强,相对于20世纪80年代以来广泛应用的只有一个工作模式的霍尔电推进器,其优势明显,能很好地适应诸如GEO卫星轨道转移和在轨位置保持,以及深空探测器和空间运输平台的主推进等多种任务,因此得到了广泛研究和应用.国外多模式霍尔电推进发展现状和趋势对我国多模式霍尔电推进的发展具有重要的启示作用.针对我国航天器对电推进的迫切任务需求,定量分析应用多模式霍尔电推进的收益,提出我国多模式霍尔电推进发展的建议.     

用于深层月壤采样返回的软质取心袋的设计与测试验证

月壤钻探采样技术尤其无人自主采样返回技术是我国探月工程的关键技术之一。文章提出了一种适于深层月壤钻探采样的取心机构,能够实现对月壤样品的原位包裹,以保持样品的层理特性信息。该机构选用Kevlar作为包裹样品用的软质取心袋材料,采用满足要求的编织工艺织造出致密薄壁的软袋,并对软袋进行了翻转抽拉力、力学性能及涂层测试分析等测试试验,验证其可满足深层月壤钻探采样任务的需求。     

基于工业机器人的飞机柔性装配技术

研究了基于工业机器人的飞机柔性装配技术,着重讨论了机器人精度补偿、末端执行器设计、法线检测与找正、系统控制、离线编程等关键技术。通过在小翼部件加工中的应用,达到了孔位精度±0.5mm、法向精度±0.5°等关键技术指标。结果表明,对于特定应用对象采用机器人技术进行飞机部件自动装配为一个理想、低成本的解决方案,随着当今工业机器人性能不断增强,配以末端执行器和相关的补偿系统,在航空工业作为装配平台是可行的。     

一种新型深空探测样品封装技术

对样品进行真空封装是深空探测取样及返回任务中的一项核心技术,它能够成功维持样品成分原态。文章提出了一种能够符合我国深空探测任务的样品封装技术,其封装机构由复合式开合机构及火工锁紧机构组成,是一种极低漏率、高可靠的多层金属真空密封容器。通过对这种复合式开合机构和火工锁紧机构的特性方程的推导,对多层金属真空密封的材料匹配等机理的分析,确认这种新型的样品封装技术的原理是正确和可行的。最后对原理样机的性能进行了验证,结果表明:封装机构的体积小、功耗低、可靠性高,样机的密封性能良好,设计具有创新性及工程实用性。     

气球型深空探测器技术研究进展

气球型深空探测器能够大大提高深空探测的机动能力,它不仅可以获取区域范围内的高分辨率观测数据,而且还可实现不同高度大气的原位测量。文章针对气球型深空探测器按技术特征进行了分类,并简述了各类气球探测器的原理和特点,重点总结了各类气球探测器在金星、火星和土卫六上应用的研究现状。针对我国未来的气球型深空探测器技术发展,提出首先以火星热气球为发展方向,与地球临近空间浮空器技术的发展彼此借鉴,促进关键技术领域的技术突破等建议,可为我国未来深空探测提供参考。     

BTi6431S钛合金盒形件热拉深成形工艺数值模拟

为研究BTi6431S钛合金热拉深成形工艺,本文以某型号飞行器天线盒盖为例,通过设计正交实验方案,先后分别对无压边情况下拉深成形进行了有限元数值模拟,用最薄壁厚减薄率作为描述零件成形结果的评价标准,得出该钛合金件在成形温度为650°C,首次拉深凹模圆角半径11mm、凸模圆角半径7mm、转角半径12mm、拉深高度25mm参数下,最薄壁厚减薄率最小(20.3%)。     

利用神经元拓展正则极端学习机预测时间序列

为实现对于时间序列预测数据的准确预测,提出一种神经元拓展正则极端学习机(NERELM,Neuron-Expanding Regularized Extreme Learning Machine),并研究了其在时间序列预测中的应用.NERELM根据结构风险最小化原理权衡经验风险与结构风险,以逐次拓展隐层神经元的方式自动确定最佳的网络结构,以避免传统神经网络训练过程中需人为确定网络结构的弊端.应用于时间序列的仿真结果表明:NERELM可有效实现对于RELM最佳网络结构的自动确定,具有预测精度高与计算速度快的优点.      

LEVEL DECISION-MAKING FOR AERO-ENGINE MODULES BASED ON INCREMENTAL KNOWLEDGE LEARNING

The maintenance of an aero-engine usually includes three levels, and the maintenance cost and period greatly differ depending on the different maintenance levels. To plan a reasonable maintenance budget program, airlines would like to predict the maintenance level of aero-engine before repairing in terms of performance parame- ters, which can provide more economic benefits. The maintenance level decision rules are mined using the histori- cal maintenance data of a civil aero-engine based on the rough set theory, and a variety of possible models of upda- ting rules produced by newly increased maintenance cases added to the historical maintenance case database are in- vestigated by the means of incremental machine learning. The continuously updated rules can provide reasonable guidance suggestions for engineers and decision support for planning a maintenance budget program before repai- ring. The results of an example show that the decision rules become more typical and robust, and they are more accurate to predict the maintenance level of an aero-engine module as the maintenance data increase, which illus- trates the feasibility of the represented method.     

基于预测扭矩前馈的涡轴发动机内模控制方法

基于内模原理设计了涡轴发动机功率涡轮转速控制器.针对主旋翼扭矩变化对功率涡轮转速的干扰,提出了一种基于极端学习机的扭矩预测方法.极端学习机训练基于动态仿真数据,其输入通过相关分析获得.基于内模原理的功率涡轮转速控制器采用极点配置的设计方法,将输入信号的内模直接加入控制器,实现鲁棒跟踪.扭矩前馈采用比例微分(PD)控制策略,实现对发动机负载变化干扰的有效补偿.数字仿真结果表明:极端学习机扭矩预测精度高,扭矩相对误差小于1.5‰,与不加前馈控制相比,所提出的控制方法减小了机动飞行过程中功率涡轮转速的超调或下垂30%以上.