自适应机翼翼型变形的研究现状及关键技术

自适应机翼具有巨大的应用潜力,是未来飞机设计的必然趋势,已经得到了广泛的关注。分别从自适应变弯度前缘、自适应变弯度后缘以及变厚度机翼三个方面阐述了其变形原理,并对使用的蒙皮、驱动方式、研究方法等进行了归纳总结,指出了未来的发展趋势,提出了自适应机翼亟需解决的关键技术,包括兼具大变形和高承载功能的柔性蒙皮的设计、自适应驱动系统设计、协同控制系统的设计、分布式传感器网络,可为自适应机翼结构的设计与实现途径提供一定的技术参考。     

1 种自适应循环发动机亚声速巡航节流性能研究

推进系统亚声速巡航的燃油经济性是决定战斗机作战半径的主要指标。在巡航过程中会因减少发动机推力带来进气道溢流量增加,使推进系统燃油经济性降低。自适应循环发动机如何利用自身变循环特征减小进气道溢流进而提高推进系统燃油经济性是解决这一问题的关键。研究了1种在亚声速巡航状态带可变风扇系统的自适应循环发动机,利用自身变循环特征,实现等流量降低推力的方法。通过对可变几何机构组合调节的研究,获取了等流量节流方案,并分析了发动机在这一过程中的性能和匹配情况。结果表明:这种带可变风扇系统的自适应循环发动机能够在一定推力范围内实现等流量节流,减少进气道溢流量,提升推进系统在亚声速巡航状态的燃油经济性。     

基于主成分分析法的地磁导航适配区域选择

地磁场信息量越大的区域,导航性能越好。借用数理统计和信息论中的概念,设定了多个评价地磁场信息特点的指标,并通过主成分分析法,排除了相关指标,得到综合指标值,客观、定量地分析了适配区的导航性能,从而选择最佳导航适配区。仿真表明,本文方法是一种选择地磁导航工作区的有效方法,选择的适配区导航误差小。     

适用于时变不确定系统的并行模型自适应估计

摘要： 针对受到潜在模型不确定性影响的系统,设计一种并行模型自适应估计(PMAE)算法.以往基于不确定性系统模型设计的滤波算法,在模型精确的情况下,性能往往不及传统卡尔曼滤波（KF）.为了解决该问题,设计基于多个并行滤波器的自适应状态估计算法,其中一个滤波器为KF,用于在未出现模型不确定性的情况下,对系统进行最优状态估计;另一个滤波器为扩维卡尔曼滤波（AKF）,用于在出现模型不确定性的情况下,对不确定性模型参数进行辨识.以空间目标监视为例,分析算法的性能.仿真结果表明,利用PMAE算法能够自适应地对两个并行滤波器进行切换和折衷,从而有效应对模型中存在不确定性和不存在不确定性两种情况.     

基于FQFD的太阳能无人机设计指标排序方法

为解决太阳能无人机（UAV）总体设计中任务需求表达模糊、技术指标重要度排序决策困难的问题,提出了基于模糊质量功能展开（FQFD）的太阳能无人机总体设计指标排序方法。该方法在传统质量功能展开（QFD）质量屋的基础上,引入三角模糊数,表征任务需求的不确定性和模糊性;在模糊隶属度函数未知的情况下,采用α加权修正水平截集去模糊化方法计算技术指标重要度,获得技术指标重要度排序,为总体设计优化决策提供依据。最后以长航时太阳能无人机的总体设计为例,对任务需求—工程特性—技术指标的两级质量屋模型进行计算分析,得到续航能力、巡航高度、动力系统效率、巡航速度和气动效率是太阳能无人机最重要的5个技术指标的结果。此方法客观性较强,可处理复杂的系统不确定性,为太阳能无人机总体方案设计及决策应用提供参考依据。     

临近空间高超声速跳跃滑翔式目标自适应跟踪模型

针对临近空间高超声速跳跃式滑翔目标跟踪问题,在将加速度建模为具有正弦波（SW）自相关随机过程的基础上,提出一种自适应非零均值正弦波相关（ANM-SW）模型。其核心是对正弦波相关模型进行均值补偿构建ANM-SW模型,并推导了模型状态方程;为深入分析均值补偿的作用,分别从时域和频域的角度探讨了自适应非零均值模型的物理本质;此外,为进一步说明模型的适应性问题,结合Kalman滤波推导了SW及ANM-SW模型状态更新的系统动态误差,验证了ANM-SW模型在机动适应方面的优越性;最终仿真表明与SW模型相比,ANM-SW模型在跟踪精度及机动适应能力方面具有一定的优势性。     

一种基于冗余测量的自适应卡尔曼滤波算法

针对目前自适应滤波算法的不足,在测量系统量测噪声方差未知的情况下,设计了一种基于冗余测量的自适应卡尔曼滤波(RMAKF)算法。通过对系统冗余测量值的一阶、二阶差分序列进行有效的统计分析,可以准确估计系统量测噪声统计特性,进而在滤波过程中自适应调节噪声方差阵R,提高滤波精度。以全球定位系统/惯性导航系统(GPS/INS)松组合导航系统为对象进行了仿真实验,结果表明该算法在测量系统噪声特性未知或发生改变时,可对其进行准确估计,在采用低精度惯性器件情况下,滤波结果较其他主要自适应卡尔曼滤波算法有较明显的改进。     

基于S-PSO分类算法的故障诊断方法

将监控数据的已知状态作为先验类别标签,构造出新的有监督的粒子群优化(S-PSO)分类算法,并对设备进行故障诊断。为提高故障诊断的准确率,降低随机性对分类算法的影响,提出了新的基于动态邻域的自适应探测更新(ADU-DN)的干预更新策略来拓展粒子搜索整个解空间的能力,引导粒子自适应地跳出局部最优区域,确保获得全局最优解;同时设计出基于最小类内距离、最大类间距离和训练样本最大分类精度的适应度函数,使得输出的最优类别中心兼顾了这3个因素,增强了分类算法在故障诊断中的通用性和容错性,提高了测试样本的分类精度。S-PSO分类算法有效克服了聚类算法只考虑数据间相似性特征、不考虑数据蕴含的物理意义以及不能很好指导样本分类的缺陷。对GE90发动机孔探图像纹理特征分类进行了对比研究,研究数据表明:S-PSO分类算法表现出了较强的鲁棒性,在故障诊断中的分类精度高于支持向量机(SVM)和常用神经网络模型。     

基于三迭代与二阶锥规划的机载MIMO雷达稳健降维STAP方法

针对机载多输入多输出(MIMO)雷达空时自适应处理(STAP)中期望目标导向矢量的失配问题,提出一种基于三迭代(TRIA)与二阶锥规划(SOCP)的稳健降维MIMO-STAP方法。首先将MIMO-STAP权矢量分解为发射、接收、多普勒3个低维权矢量的Kronecker积,然后分别限定实际发射、接收、多普勒导向矢量与假定导向矢量之间的误差范数边界,通过优化最差性能,利用SOCP对各个低维权矢量进行三迭代求解,最后进行权矢量合成。该方法在保证机载MIMO雷达获取稳健STAP性能的同时,通过三迭代降维处理,能够有效降低训练样本数需求与运算复杂度,因此更具有实际应用价值。仿真结果验证了算法的有效性。