数理统计方法在部件故障控制中的应用研究

机载部件的可靠性直接影响航空器的安全运行。本文通过对机载部件使用寿命的统计和失效分析,对部件的故障提出了有效的控制方法,并举例说明了此方法在维护中的使用。     

基于自适应径向基网络的舰船RCS统计特征识别方法

文章采用舰船RCS频域起伏序列的均值、标准差为识别特征向量,利用提出的基于样本密度的自适应径向基网络,进行舰船分类识别研究。自适应径向基网络采用改进的自适应PSO方法估计样本密度最优邻域半径,实现径向基网络中心的自适应选择。改进的自适应PSO方法采用能反映样本聚类特点的BWP指标为适应度评价函数,采用快慢结合的高斯自适应惯性权重调节策略,提高了最优样本密度邻域半径的搜索速度和精度。实验结果表明,自适应径向基网络能自适应获得径向基网络最优识别率对应的RBF中心及其位置分布,减少了对建模人员经验的依赖,提高了反舰导弹对舰船类型的识别分类能力。     

小型无人机气动参数辨识的新型HGAPSO算法

针对小型无人机(UAVs)研制中操稳特性和飞行控制律设计评估对气动参数辨识的需求,提出了一种混合遗传粒子群优化算法(HGAPSO)。该算法以粒子群优化算法(PSO)为主体,在粒子优化路径中,引入遗传算法(GA)的交叉变异操作,增强粒子群跳出局部最优的能力;同时采用Kent映射改进粒子种群的初始化,使初始种群在可行解空间内分布更加均匀,增强全局优化能力。基于仿真结果,依据辨识准度及辨识成功率,对比了HGAPSO、常规PSO和GA优化算法气动参数辨识的结果,然后用蒙特卡洛仿真测试随机观测噪声的影响,结果表明该算法兼备PSO算法高的搜索效率和GA算法的全局优化能力,对随机观测噪声不敏感。最后,通过设计小型UAV试飞示例进行综合应用评价,结果表明:HGAPSO算法基于真实试飞数据进行气动参数辨识取得了满意结果,具有良好的实用性。     

基于序列凸优化的高超声速滑翔式再入轨迹快速优化

针对具有热流、动压、过载以及多个禁飞区约束的再入轨迹优化问题,提出采用序列凸优化方法快速求解。利用归一化时间作为自变量解决终端时间自由问题,并引入辅助控制变量以减少序列优化结果中的高频振荡,在此基础上,通过线性化、离散化和非凸约束的凸化处理,将非凸非线性优化问题转化为二阶锥规划(Second Order Conic Programming,SOCP)问题,然后采用凸优化求解算法快速求解。数值优化结果与对比验证表明该方法能快速高效求解多约束条件下的再入轨迹优化问题,且计算效率和性能均优于传统的非线性规划方法。     

基于序列近似优化算法的固体运载火箭弹道设计

采用打靶法研究固体运载火箭弹道优化设计问题。针对打靶法中智能优化算法效率、优化问题中约束条件提法等方面的不足,引入序列近似优化算法,提出算法中径向基函数高斯核宽度的高效确定方法。数值仿真实验表明,提出的方法可在基本不带来计算量增加的前提下,显著提高代理模型精度,使序列近似优化算法得到改进,提高优化效率。设计固体运载火箭飞行程序。建立弹道优化设计问题数学模型,并将模型中相关等式约束合理转化为不等式约束,降低优化问题求解难度;基于改进后的序列近似优化算法完成某固体运载火箭弹道优化,原始计算模型调用308次之后便搜索到最优解,较传统智能优化算法显著提高了优化效率,优化方案末助推级液体推进剂消耗比原方案减少25.7%。     

多机场终端区进离场交通流协同排序方法

针对大都市及都市圈飞行冲突、空域拥堵和航班延误日益严峻的现状,研究了多机场终端区进离场交通流协同排序问题。综合考虑尾流间隔、跑道间隔、时间窗、进离场容量等约束限制,从时空多维角度引入航班满意度概念,建立了多机场终端区进离场交通流协同排序模型,设计了带精英策略的非支配排序多目标遗传算法(NSGA-II),寻求多机场终端区进离场排序问题的Pareto最优解。实例验证表明,所提方法可对多机场终端区进离场交通流进行优化排序,有效降低航班延误总时间,显著提高航班总满意度,并实现多机场系统对终端区空域资源的公平均衡使用。与经典的先到先服务策略相比,协同排序策略的整体优化效果较为显著,其中航班延误时间得到了一定的降低。     

基于参数化分析的柔性后缘优化设计

介绍了一种自适应柔性机翼后缘变形控制优化设计方法,该方法采用了由单个驱动器驱动的单块式分布柔性结构。该方法的关键在于设计一种合适的柔性后缘结构拓扑形式,使该自适应柔性机翼后缘能够达到精确的变形。阐明了柔性结构拓扑优化设计的数学模型,针对自适应柔性机翼后缘概念设计提出了基于参数化分析的拓扑优化设计方案,并进行了工程化圆整和尺寸优化。最终,通过非线性有限元分析和功能测试,验证了本文提出的柔性后缘优化设计方法的合理性。     

基于CPSO的UAV编队集结路径规划

针对多无人机编队集结路径规划问题,提出了具有合作机制的分布式协同粒子群(CPSO)算法。为了满足无人机运动学约束,采用曲率连续的PH曲线作为备选路径。基于协同进化思想提出CPSO算法,为每架无人机规划出一条满足机间协同约束的最优安全可飞行路径。仿真结果表明,规划得到的多条路径能够满足无人机运动学约束、安全性及无人机之间的协同性要求;相比于协同进化遗传算法,CPSO算法搜索成功率更高,稳定性更好。     

基于多岛遗传-模拟退火算法的气动外形优化

针对超声速翼型滑翔机的气动外形优化问题,提出了一种多岛遗传算法与模拟退火算法相结合的混合优化算法。首先,通过多岛遗传算法产生一个随机的初始种群,找到全局最优点附近区域的一个次优解;然后,将此次优解作为模拟退火算法的初值启动退火进程,缩小设计空间的范围,找到全局最优解。优化结果表明,所提混合算法可以有效地解决飞行器外形优化问题;在数量巨大的设计空间中,滑翔机的最优气动外形能够以较低的计算资源代价快速得到;双弧形翼型的气动特性较六边形翼型更有优势,叉形尾翼的静稳定性和控制效率高于十字形;优化后的外形极大地增加了滑翔机的滑翔距离。     

A cost driven predictive maintenance policy for structural airframe maintenance

Airframe maintenance is traditionally performed at scheduled maintenance stops.The decision to repair a fuselage panel is based on a fixed crack size threshold,which allows to ensure the aircraft safety until the next scheduled maintenance stop.With progress in sensor technology and data processing techniques,structural health monitoring (SHM) systems are increasingly being considered in the aviation industry.SHM systems track the aircraft health state continuously,lead ing to the possibility of planning maintenance based on an actual state of aircraft rather than on a fixed schedule.This paper builds upon a model-based prognostics framework that the authors developed in their previous work,which couples the Extended Kalman filter (EKF) with a first order perturbation (FOP) method.By using the information given by this prognostics method,a novel cost driven predictive maintenance (CDPM) policy is proposed,which ensures the aircraft safety while minimizing the maintenance cost.The proposed policy is formally derived based on the trade-off between probabilities of occurrence of scheduled and unscheduled maintenance.A numerical case study simulating the maintenance process of an entire fleet of aircrafts is imple mented.Under the condition of assuring the same safety level,the CDPM is compared in terms of cost with two other maintenance policies:scheduled maintenance and threshold based SHM maintenance.The comparison results show CDPM could lead to significant cost savings.