基于自适应Kriging代理模型的交叉熵重要抽样法

对于复杂失效域和小失效概率耦合的可靠性分析问题，本文提出了一种交叉熵重要抽样（CE-IS）方法结合自适应Kriging （AK）代理模型的求解方法（CE-IS-AK）。所提方法基于交叉熵原理，用混合高斯模型逐步逼近最优重要抽样密度函数，并采用AK模型协助逼近过程中混合高斯模型的参数的更新，从而提高了CE-IS方法的计算效率。另外，本文还改进了CE-IS方法的收敛准则，避免了方法的冗余迭代，扩大了方法的适用范围。由于在CE-IS方法中引入了AK模型，因此，本文方法所构建的重要抽样函数在保证精度的基础上提高了效率。相较于AK-MCS方法，本文方法中引入了重要抽样的思想，因此在Kriging训练点数目基本相同的情况下，大幅缩减小失效概率计算时样本池规模，并且由于利用了混合高斯模型，因而对多失效域具有较好的适用性。算例分析也证明了本文所提方法的优越性。     

基于未知输入观测器的四旋翼无人机故障诊断与模型参考容错控制

对四旋翼无人机（Unmanned aerial vehicle， UAV）姿态控制系统的执行器故障诊断问题进行了研究，在系统模型方面全面地考虑了模型的非线性和四旋翼无人机在飞行过程中受到外部干扰的情况。由于未知输入观测器可以将干扰、误差等作为未知输入进行处理，对干扰不敏感而对故障比较敏感，故设计了一种新的未知输入观测器进行故障诊断。同时为了保持四旋翼无人机在故障发生后的稳定性或者仍然可以按照预定轨迹运动，在得到准确的故障估计后为四旋翼无人机姿态控制系统设计了模型参考容错控制器，使其可以跟踪给定的参考模型。仿真结果证明了本文提出的故障诊断与容错控制方法的有效性。     

基于客流密度的地铁列车空调夏季送风温度控制模型研究

客流密度是影响地铁列车客室内热舒适性环境的重要因素,传统的地铁列车客室温度控制主要是根据UIC-553标准,以室内外温差作为控制核心.本文通过构建全尺寸地铁列车客室-乘客-空调送风耦合的一体化模型,利用实车试验与数值模拟相结合的方法,对地铁列车客室内的热舒适性展开研究.探讨客流密度对地铁列车客室内热舒适环境的影响规律以及不同客流密度下客室平均温度与空调送风温度之间的关系,得到了不同客流密度下能满足人体热舒适性体验的空调送风温度,提出了一种基于客流密度的地铁列车空调夏季送风温度控制模型.     

封闭式仿生螺旋缠绕软体夹持器的设计与研究

针对目前软体夹持器缺乏螺旋缠绕变形的理论研究及传统多指软体夹持器夹持力不足的问题，开展了针对纤维增强结构的仿生软体夹持器螺旋缠绕变形特性的研究，提出了一种新的封闭式抓取方式。首先，设计了仿生软体夹持器，该夹持器由软体夹持装置、软体夹持套、紧固套及连接装置组成。其次，基于Mooney-Rivlin模型建立了驱动压强与驱动器螺旋缠绕变形后端面扭转角度的非线性数学模型，并对夹持器封闭式抓取的末端闭合特性进行了分析。然后，开展了单元驱动器螺旋缠绕变形的仿真及实验，结果证明了理论模型的正确性。最后，进行了仿生软体夹持器封闭式抓取实验。结果表明:封闭式仿生软体夹持器具有较大的负载能力及良好的目标适应性。      

一种电离层TEC格点预测模型

基于分析时间序列数据的门限控制单元（GRU）神经网络模型，利用电离层TEC网格点历史数据、太阳活动指数、地磁活动指数作为预测因子，提出一种高精度电离层TEC格点预测模型.对全球60个网格点的数据进行了模型预测和对比实验，得到北半球平均相对精度的均值为83.96%，高于南半球的73.60%，表明预测模型在北半球的适应性更好，且中低纬地区的适应性优于高纬地区；预测模型在磁扰动期的平均相对精度的均值比磁平静期平均相对精度的均值高，约1.95%；与基于递归神经网络（RNN）、长短时记忆网络（LSTM）和双向长短时记忆网络（Bi-LSTM）的电离层TEC单站预测模型相比，本文预测模型的均方根误差（RMSE）平均为原来的80.8%.      

散射对高温气体-碳黑颗粒混合物辐射传输的影响

基于全光谱k分布(Full spectrum k distribution,FSK)模型、MIE理论和有限体积法(Finite volume method,FVM),构建了均温、均质辐射参与性气体-碳黑颗粒混合物介质热辐射传输模型,并分析了碳黑不同尺寸、不同体积浓度以及介质不同路径长度和不同温度条件下,因忽略碳黑颗粒散射所导致的介质热辐射传输特性(如辐射热流、辐射源项)的计算误差。研究结果表明:体积分数不变,增大粒径,计算误差呈现出先增大后减小的趋势;数密度不变,增大粒径,或者粒径不变,增大体积分数,均将使得计算误差相应增大;粒径、体积分数不变,增大路径长度,或者升高介质温度,均将增大计算误差。通常对于含有大颗粒、高碳黑浓度的辐射参与性气体-碳黑颗粒混合物介质,碳黑颗粒散射不能忽略。     

基于自适应容积粒子滤波的车辆状态估计

针对车辆状态估计中由模型的强非线性、噪声的非高斯分布等相关因素导致估计精度下降甚至发散的问题,本文提出了基于自适应容积粒子滤波(Adaptive cubature particle filter,ACPF)的车辆状态估计器。首先基于非稳态动态轮胎模型,构建高维度非线性八自由度车辆模型。其次利用自适应容积卡尔曼滤波(Adaptive cubature Kalman filter,ACKF)算法更新基本粒子滤波(Particle filter,PF)算法的重要性密度函数,以完成自适应容积粒子滤波算法设计。利用车载传感器信息,运用ACPF算法实现对车辆的侧倾角、质心侧偏角等关键状态变量高精度在线观测。搭建Simulink-Carsim联合仿真平台进行了算法的验证,结果表明该算法状态估计精度高于传统无迹粒子滤波(Unscented particle filter,UPF)算法,且算法运算效率高于UPF算法,而传统PF估计值发散。研究结果为实现车辆动力学精准控制提供了理论支持。