飞机电动滑行系统驱动特性及节能减排性能分析

针对某中程飞机设计了基于主起落架机轮驱动的飞机电动滑行系统（AETS），并对其进行了仿真分析。利用MATLAB/Simulink对AETS进行了建模，分别构建了驱动电机模型、机械系统模型和排放性能评估模型；在此基础上进行了驱动能力、稳定性及节能减排性能的仿真。结果表明:所设计系统驱动能力良好，稳定性优异，节能减排效果明显。利用所设计系统驱动目标飞机在地面上滑行最大速度可达4.91 m/s，基本满足滑行要求；当外在负载波动时，其滑行速度能够平稳调节；在相同条件下，当滑行距离为1 500 m时，利用AETS代替主发动机驱动飞机滑行可节省燃油75%以上，减排CO、HC、NO_X等有害气体67%以上。      

增广误差模型算法在目标跟踪中的应用

针对目标机动运行过程中,滤波模型与机动状态模型失配的问题,提出了一种新的增广状态误差滤波模型。不同于现有增广方案,该模型从模型失配所致状态滤波误差的角度出发,将状态估计误差增广为一状态量,通过滤波估计后用其校正原状态量。算法分析表明,该增广滤波模型具有自适应调节多重渐消因子的等效特性,增强了对目标的跟踪能力。基于该增广状态误差滤波模型,给出了滤波算法设计并进行了仿真实验。实验结果表明,基于该模型的滤波算法在对机动目标进行跟踪时具有更强的鲁棒性。     

基于深度学习特征提取的遥感影像配准

传统的影像配准算法,如尺度不变特征变换(SIFT)、加速稳健特征(SURF)等,对遥感卫星影像配准存在提取特征点少、错误匹配多等缺点。文章使用数据驱动的随机特征选择卷积神经网络(RanSelCNN)方法,对Landsat-8卫星不同时相或同一时相具有重叠度的遥感影像进行配准,卷积层使用随机特征选择,增加特征提取的鲁棒性;训练时使用联合损失函数,同时对特征探测器和特征描述符进行优化,减少特征的错误匹配。结果表明:基于随机选择的深度神经网络的遥感影像配准能提取更多的特征点,有效降低错误匹配率。与传统的人工设计特征相比,该算法能明显提高卫星影像配准的精度。     

鸭式布局飞机矢量喷流对地面效应影响的风洞试验

针对单发鸭式布局飞机，通过低速风洞试验，研究了矢量喷流对飞机地面效应的影响特性。研究结果表明：发动机喷流使得飞机的地面效应增强，升力系数增加，降低飞机起飞/降落时的飞行速度，缩短起降距离，从而改善飞机起降性能。发动机喷管上/下偏转时，矢量喷流对飞机上下表面气流诱导不对称，均使地面效应阻力系数增量减小。在此基础上，基于数值模拟结果对喷流与地面效应的相互作用机理进行了分析。     

平台式重力仪航空重力测量数据后处理技术研究

针对航空重力测量对数据后处理的要求,结合平台式重力仪系统的组成与工作原理,在重力异常信号的频域特征基础上,设计出一套有严格频域规范的航空重力数据后处理流程,并对某海域实测数据进行了处理。结果表明,重力异常值内符合精度为12条东西测线达到0.43mGal/140s和0.84mGal/100s,4条南北测线达到0.39mGal/140s和0.79mGal/100s;以同测线GT-2A单次测量结果为标准值统计标准差,12条东西测线为0.72mGal/140s和0.98mGal/100s,4条南北测线为1.41mGal/140s和1.53mGal/100s。结果表明,设计的航空重力测量数据后处理方法可以实现重力异常信号的高精度提取。     

考虑舵机时滞的阵风减缓主动控制律设计

针对存在舵机时滞环节的气动伺服弹性系统，提出基于Padé近似和线性二次高斯（LQG）控制的阵风减缓主动控制律设计方法。利用Padé近似将舵机中的时滞环节线性化为一个高阶传递函数并引入气动弹性模型，建立线性的阵风减缓受控模型；利用LQG控制方法对线性化模型设计阵风减缓主动控制系统，并采用平衡截断法对所设计的控制系统进行降阶；利用Simulink将所设计的控制系统引入非线性模型中，得到von Karman连续阵风激励情况下系统的开/闭环响应情况。计算结果表明:根据所提方法设计的阵风减缓主动控制律能有效降低原气动伺服弹性系统的阵风响应，对研究对象机身过载的抑制在15%左右，而对翼根弯矩的抑制达到25%以上。      

基于核主成分分析的空域复杂度无监督评估

空域复杂度评估作为衡量空域运行态势、管制员工作压力的关键手段，是运行调控的基础。由于影响因素众多，不同因素间耦合关联复杂，且标定样本很难获取，空域复杂度的准确评估被公认为航空领域的一个挑战性问题。提出了一种空域复杂度的无监督评估方法。首先通过核主成分分析挖掘原始样本各维度的非线性耦合关系，准确提取能够最大化复杂度评估信息量的主成分，进一步设计了可按需定制的主成分聚类方法，实现了无监督条件下空域复杂度的准确评估，为空域划分、流量管理提供了有效的技术支撑。     

基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。     

尖侧缘机身布局的俯仰力矩特性及扰流板控制

针对尖侧缘机身布局在大迎角下存在的正俯仰力矩（抬头力矩）问题，通过风洞试验，首先研究了俯仰力矩的迎角分区特性及流动演化规律：线性增长区（迎角为0°~15°），俯仰力矩线性增加，全机从附着流到形成进气道前缘涡和机翼涡；非线性增长区（迎角为17.5°~32.5°），俯仰力矩非线性增加，机头涡出现，机头涡和进气道前缘涡逐渐增强，机翼涡增强后破裂；衰减区（迎角为35°~65°），俯仰力矩逐渐减小，机头涡增强后破裂，进气道前缘涡破裂发展，机翼涡完全破裂。其次，发现了机身前体是产生正俯仰力矩的主要来源，机头涡是导致大迎角下正俯仰力矩的主控流动。当迎角为40°时，前体各截面正俯仰力矩在进气道前缘处达到最大，主要是由于该处机头涡诱导产生了较强的法向力。最后，提出了大迎角机身扰流板控制技术，产生了较好的控制效果。当迎角为40°时，扰流板可使正俯仰力矩减少62%，其原因是扰流板降低了机头涡涡量及其诱导产生的法向力，减少了机身前体对正俯仰力矩的贡献。该控制技术的缺点是扰流板会带来一些升力损失和附加阻力。基于尖侧缘机身参考宽度的雷诺数为2.59×10⁵。     

高效率的特征型紧致WENO混合格式

特征型紧致加权基本无振荡（WENO）混合格式HCW-R结合了迎风紧致格式CS5-P和WENO格式，具有十分优异的分辨率特性。但在求解多维方程组时，HCW-R格式需要求解块状三对角方程组，因而计算代价十分高昂。采用迎风紧致格式CS5-F代替CS5-P，构造了一个新的特征型紧致WENO混合格式HCW-E。由于HCW-E的特殊形式，其可沿迎风方向、由边界处向内推进求解，避免了处理三对角或块状三对角方程组，从而其计算代价与显式格式无异。虽然就分辨率而言，HCW-E稍逊于HCW-R，但前者的计算效率要显著高于后者。因此，当花费相同的计算代价，HCW-E格式可以获得更好的数值结果。一系列求解Euler方程组的数值试验验证了HCW-E的高分辨率特性和相比HCW-R更高的计算效率。HCW-E格式的效率优势在求解高维问题时更为明显。