电动舵机模块化建模及动刚度仿真

颤振是一种危险的气动弹性失稳形式，舵机动刚度对舵系统的颤振特性具有不可忽视的影响，因此舵机的精确建模与仿真分析十分有必要。针对此问题，提出了一种电动舵机模块化建模方法及动刚度计算机模拟方法。以“直流电机-减速齿轮-滚珠丝杠-拨叉副”典型结构的电动伺服舵机为对象，将其分解为具备核心功能的子模块，充分考虑了实际结构中可能出现的主要非线性因素，再根据子模块之间的连接关系来搭建整体的舵机模型。基于该舵机模型，提出了利用步进正弦扫频信号激励、最小二乘法数据处理得到动刚度的计算方法，并以某舵机为算例，开展了舵机主要线性参数及非线性因素对舵机动刚度影响的研究。电动舵机模块化建模方法通用性好，便于不同舵机的拓展。电机转子阻尼、减速器的传动比以及输出轴处的阻尼对舵机的动刚度影响很大，间隙、接触刚度和摩擦这3类非线性因素对舵机的动刚度特性也具有重要的影响。      

基于变刚度变阻尼的柔性喷管动态模型

针对柔性接头动态迟滞曲线受控制系统控制位置精度和动态响应速度影响较大的问题,基于电液伺服机构和柔性接头变刚度变阻尼模型,构建了柔性喷管的电液伺服机构-变刚度变阻尼模型,将其和电液伺服机构-定刚度定阻尼模型进行了对比。分析了电液伺服机构主要参数、柔性接头工作参数等对电液伺服机构-柔性接头系统动态特性的影响。分析结果表明:电液伺服机构-变刚度变阻尼模型所构造的迟滞曲线可更准确地与实验结果相吻合,并符合迟滞曲线随频率变化的规律,反馈系数、放大器静态放大系数、电液伺服机构增益、滑阀流量增益等参数对系统动态特性的影响更为明显。该模型为固体火箭发动机电液伺服机构-柔性接头系统动态特性的调整提供理论依据。     

基于SVM和EKF的高超声速滑翔飞行器轨迹预报

高超声速滑翔飞行器（HGV）拦截问题中，轨迹预报是成功拦截的重要基础。针对HGV机动能力强、轨迹多变的特点，提出了一种基于支持向量机（SVM）和扩展卡尔曼滤波（EKF）的轨迹预报方法。在HGV的滑翔段机动模式分析的基础上，将HGV的机动运动分解为纵向运动模式和侧向运动模式，进而对运动模式的特征参数予以标定，形成SVM的训练集。建立地基单雷达轨迹跟踪模型，采用EKF对HGV滑翔段轨迹进行稳定跟踪并实现对运动模式特征参数的估计。基于SVM，建立了HGV运动识别框架，实现了对HGV滑翔段轨迹的预报。对平衡滑翔和跳跃机动2种典型机动模式进行数学仿真验证，结果表明，所提方法可以提高对该类目标的轨迹预报精度。      

基于MapReduce的CME参数识别模型并行计算技术

日冕物质抛射（Coronal Mass Ejection，CME）参数识别模型是太阳风预报过程的重要组成部分.在空间环境预报业务中，为提高太阳风预报的准确率，需要提高CME参数识别的精度.模型以计算任务串行的方式运行，运算效率低导致模型运算时间长，不能满足这种需求.CME参数识别模型的物理运算过程相互不独立，其在单节点上的运行方式不能满足并行化要求.基于MapReduce的并行计算框架，改进了CME参数识别模型的计算流程，提出CDMR（CME detection under MapReduce）方法，实现了CME参数识别模型的并行计算，并对比分析CME参数识别模型在串行计算和MapReduce并行计算下的运行时间，提高了模型的识别精度和计算效率.      

基于混合深度特征的红外目标抗干扰识别算法

复杂干扰条件下的红外空中目标识别技术是空战对抗领域的热点研究课题,复杂人工干扰严重遮蔽目标,导致目标特征的连续性与显著性遭到破坏,无法全面描述识别对象的特性,造成空中目标识别准确率下降。针对此问题,提出一种基于图像混合深度特征的空中目标抗干扰识别算法。首先,基于卷积神经网络进行图像深度特征的提取,将深度特征与梯度直方图(Histogram of Gradient, HOG)特征进行有效融合,构建混合深度特征。针对作战场景中的目标与干扰的对抗态势多样性,将支持向量机的二分类模型改进为三分类模型,对目标、干扰以及目标干扰粘连三种状态进行精确分类。实验结果表明：在复杂干扰环境下,基于混合深度特征的空中目标抗干扰识别算法正确率为92.29%,该算法可以有效地解决目标被干扰遮蔽、形成目标干扰粘连状态时的抗干扰识别问题。     

两次载荷分流齿轮传动构型的静力学均载特性

为改善面齿轮-圆柱齿轮两次载荷分流传动构型的均载特性,考虑齿轮的中心偏移、轴与轴承的承载变形等因素,依据构型的变形协调条件和力矩平衡方程,建立了传动构型的静力学模型,研究了轴的扭转和支撑刚度对均载特性的影响。结果表明:输入轴扭转刚度对均载特性几乎没有影响;分扭轴扭转刚度取合适的比值,则面齿轮分扭传动级可获得较好的均载特性,但圆柱齿轮分扭传动的均载特性几乎无变化;减小双联齿轮轴扭转刚度或增加双联轴支撑刚度可提高该构型的均载特性。因此,为提高该传动构型的均载特性,轴的扭转刚度和支撑刚度需采用参数匹配的设计方法。     

基于SE模块改进Xception的动物种类识别

Xception是Inception网络的一种极端化表现,在与Inception v3参数相近的情况下,它能够达到更高的准确度。由于神经网络提取的特征不一定都是有用特征,因此以Xception为基础,将SE(Squeeze and Excitation）模块加入该网络,调整特征通道的权重,使得网络的精确度得到提高。通过实验,融合SE模块的Xception网络训练精确度分别在Oxford-IIIT Pet数据集和CUB_200_2011数据集上提升了1%~1.7%和0.8%~1%,证明了SE模块能够进一步提升Xception的精确度。将改进后的Xception应用到动物种类识别中,根据精确度曲线对实验策略调整改进,最终在测试集上获得95.63%的识别率。     

基于结构动力学特性的损伤识别方法

基于等效模态应变/动能理论,提出了一种利用实际结构的测试数据识别结构中损伤位置的方法。在此基础上,研究了利用模型修正技术识别结构中损伤强度的方法。分别以一个单损伤平板结构和多损伤平板结构为例,通过仿真分析了以上方法的有效性。结果表明,以上方法可以有效识别结构中的损伤位置和损伤强度。     

高速颤振模型设计中颤振主要模态的判断

颤振模型设计时难以实现完全的动力学相似,需要对颤振主要模态进行合理选择。采用数值分析方法,对颤振模型设计时主要模态的选取问题进行研究。通过各阶模态振型下气动刚度系数的比较、指定运动形式下广义非定常气动力的计算和不同模态截断下颤振结果的收敛特性分析,研究了颤振分析时不同模态运动之间的相互影响,对模态运动引起的气动力和颤振特性变化进行评估。以高超翼面模型为研究对象的数值算例结果表明,几种分析方法所判断的颤振主要模态基本一致。其中基于振型的广义气动刚度系数参数,避免了非定常气动力的计算,可作为颤振模型设计或颤振分析时主要模态选取的快速判断方法。