基于深度学习的组合体航天器模型预测控制

利用模型预测算法先预测控制结果后控制的类人行为特点，借助深度学习在多参数寻优上的优势，提出了一种基于卷积神经网络的模型预测控制算法，满足航天工程低硬件需求，实现组合航天器多场景下姿态控制律的重构。该算法首先利用模型预测控制将组合航天器从初始状态控制到预期状态，然后将控制过程中状态量用于3层3核卷积神经网络的训练，训练完成后，用该卷积神经网络代替模型预测对组合航天器进行控制，从而降低计算资源需求。仿真校验表明：该算法可预测5个控制周期内的控制参数，相比传统模型预测算法所需硬件计算时间降低约5倍，在一般硬件环境下30 s内即可完成各场景下的组合航天器姿态控制，控制精度在10 -4 量级。     

考虑颗粒形状的复合固体推进剂细观损伤分析

HTPB复合固体推进剂作为一种多颗粒填充的含能材料,其损伤过程复杂。为更直观地分析其受损过程,从细观角度出发,通过分子动力学方法建立圆形颗粒填充模型与多边形颗粒填充模型。在颗粒/基体界面嵌入了零厚度的内聚力单元,分别采用双线性内聚力模型与指数型内聚力模型的分离位移关系对其进行数值仿真,并通过了Hooke-Jeeves反演方法得到了内聚力模型参数。通过对5组加载速率下不同模型的试验结果与仿真结果对比,发现多边形颗粒模型更符合推进剂的细观结构;指数型内聚力模型更适合粘弹性材料的损伤;载荷速率的提高,使得材料的模量下降率升高。     

一种基于Deep-GBM的航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承故障信号难于识别的特点，提出了一种深度梯度提升模型（Deep-GBM）对振动信号特征进行逐层学习以提高分类模型的准确率。开展某型航空发动机中介轴承故障模拟实验，并采用经验模式分解(EMD)方法对采集的振动信号进行分解，提取内蕴模式函数(IMF)分量非线性动力学参数样本熵作为原始故障特征。采用Deep-GBM对中介轴承内环故障、内环和滚动体综合故障、正常、滚棒剥落、滚棒划伤五种不同状态进行识别。实验结果表明，所提出的Deep-GBM故障诊断准确率达到87%，相对于传统的机器学习模型准确率最高提升了28%，并具有良好的泛化能力。      

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。     

高柔结构连续壳体气弹模型通用制作方法

气弹模型制作是高柔结构风洞试验的关键点和难点。针对高柔结构，详细介绍了一种采用"开模、灌胶、再拆模"方式制作连续壳体气弹模型的方法:以石膏制作内模、有机玻璃雕刻外模，精确设计石膏内模和玻璃外模之间的缝隙尺寸，在缝隙内灌注DEVCON胶剂；胶剂固化后，拆模即制成连续气弹壳体模型。动力特性测试结果表明:该模型能够较为精确地模拟实际结构的质量、阻尼以及一、二阶振型和频率，能够再现典型的风致振动现象，证实了制作方法的可靠性。制作方法简便易行、造价低、精度高、通用性强，可为高层建筑、高柔烟囱、化工塔、电视塔、冷却塔等高柔结构的连续气弹壳体模型制作提供指导。     

不同亚格子尺度模型对气动噪声仿真精度的影响

大涡模拟（Large Eddy Simulation，LES）湍流模型在汽车外流场及气动噪声模拟计算分析中有着广泛的应用，高精度的非定常流场计算结果是有效进行气动噪声仿真分析的前提和基础。采用现代简易汽车模型（HSM模型），基于不同亚格子模型的LES对其进行非定常流场计算分析以及声场计算，并利用模型内部监测点的实验数据和仿真计算的结果进行对比验证。结果表明，使用WMLES模型可以得到更为准确的结果。     

基于全域CZM的复合推进剂细观损伤与断裂研究

采用全域CZM模型模拟了复合固体推进剂从细观脱湿到基体开裂,直至微裂纹扩展汇合,最后断裂破坏的演化过程,探索了其宏观力学行为发生发展的内在原因。数值模拟结果在微裂纹的开裂特征以及推进剂的宏观应力-应变曲线等方面与试验结果吻合较好。研究结果表明,采用全域CZM模型能有效模拟复合推进剂材料细观断裂破坏过程及其宏观力学性能;通过参数反演可知混合基体的初始刚度远小于颗粒/基体界面的,而粘接强度和粘接能大于界面的,这使得基体易变形而界面先脱湿;可将推进剂受拉伸载荷的细观力学行为分为四个阶段:无损伤变形阶段、界面部分脱湿阶段、脱湿与基体开裂并存阶段、微裂纹聚合断裂阶段。