不同速度运动汽车的磁异信号研究与探测

运动汽车随着速度的增加伴随着非稳态材料的产生，如汽油高温燃烧、高速摩擦引起自由电荷累积等。针对这些磁异信号难以采用适用于铁磁性材料的磁偶极子模型描述的问题，提出了结合磁偶极子模型和运动电荷等效模型的方法，理论计算不同速度运动汽车的磁异信号并分析其时域、频域特征，获得磁异信号与速度的依赖关系。采用隧道磁阻传感器（TMR）结合滤波、放大、模数转换技术构建弱磁信号探测实验装置，探测不同速度运动汽车的时域磁异信号，并采用傅里叶变换获得其频域信息，与理论模型相吻合。随着速度的增加，频域信号向高频方向偏移，对于从低频地磁背景场中提取目标弱磁信号极其重要。      

SAS与PANS模型在圆柱绕流中的应用比较

分别运用SST(Shear Stress Transport)、SST-SAS(Scale-Adaptive Simulation)、两种变fk(模化湍动能的比例)函数的SST-PANS(Partially Averaged Navier-Stokes)湍流模型对Re=3900的圆柱绕流进行了数值研究,重点从湍流结构捕捉、气动力计算、涡黏性控制等方面,比较了SAS与PANS两类RANS/LES混合模型的计算能力,并通过不同网格计算分析了模型的网格敏感性。数值结果表明:SAS及两种变fk方法的PANS模型均具有求解小尺度涡运动的能力,并能较好地反映出绕流尾迹的三维非定常特性,同时PANS模型能捕捉到更多的非定常结构;SAS模型中自适应尺度Lvk立足于当地流动,对网格依赖较小,计算的湍动粘度分布更合理,能够更好地计算剪切层及回流区;两种PANS模型网格独立性较差,出现了雷诺应力不足的现象;类DES可变fk函数构造相对简单,所得fk分布更准确,使用tanh函数计算的尾迹区fk值偏低,对流场调控能力稍差。     

单机寿命监控当量损伤计算模型研究

本文研究了各种等损伤计算方法,推导了指数形式的等损伤计算公式对应的过载转换公式,并验证了与其他等损伤计算公式的关系。以典型飞机疲劳试验载荷谱为基础,结合各种等损伤计算公式,通过数值计算确定了基于重心过载和单机寿命监控的当量损伤计算公式及损伤指数。在此基础上,分析确定了单机寿命监控的采样率和滤波门槛值,为实施单机寿命监控提供技术支持。     

共轴刚性旋翼气动干扰数值计算方法

建立了一个适用于共轴刚性旋翼气动特性分析的数值模拟方法。该方法采用任意拉格朗日欧拉方法(Arbitrary Lagrange Euler,ALE)描述的可压缩Navier-Stokes(N-S)方程求解流场,采用低数值耗散的Roe格式进行空间离散;使用多重嵌套网格方法以模拟双旋翼的运动。针对共轴刚性旋翼配平,引入"差量修正"策略解决了传统配平中雅克比矩阵计算复杂的问题。首先,对Harrington-2共轴双旋翼的悬停气动性能进行了计算,然后,对某2 m直径共轴双旋翼的悬停及前飞状态进行了计算,并与试验值进行了对比。结果表明:在典型状态下拉力系数的计算结果与试验值误差在3%以内,扭矩系数的计算结果与试验值误差基本在5%以内;所采用的数值计算方法对旋翼涡尾迹特征具有较高的捕捉精度,可以有效模拟共轴刚性旋翼悬停和小速度前飞下的复杂流场及其细节特征。     

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。