排序方式: 共有8条查询结果,搜索用时 265 毫秒
1
1.
针对运载火箭的时变结构模态参数辨识问题进行研究,基于时变自回归滑动平均(TARMA)模型,提出一种时变结构模态参数辨识的确定性演化方法。该方法利用小波基函数的良好局部函数拟合能力,将墨西哥帽小波函数作为TARMA模型时变系数的空间基底,构建了基于小波函数的泛函序列时变自回归滑动平均(FS-TARMA)模型,并发展了两步最小二乘估计方法,实现了时变系数的解耦估计。通过有限单元法,建立了阿里安V号芯级运载火箭时变有限元模型,对所提辨识方法进行了验证,结果表明:墨西哥帽小波基FS-TARMA方法能够有效地辨识系统的时变模态参数;与传统傅里叶基FS-TARMA方法相比,具有更好的辨识精度,并且能够准确地反映出模态局部细节特征。 相似文献
2.
为分析运载火箭整流罩锥壳夹层结构不确定性对结构热稳定性的影响并指导结构的轻量化设计,建立整流罩前锥段夹层圆锥壳模型,并建立温度场模型,据此对圆锥壳开展热稳定性分析,推导力热联合载荷作用下整流罩前锥段夹层结构失稳临界轴压。在此基础上,针对主要不确定性因素,开展灵敏度分析并建立区间不确定性优化模型,采用区间可能度方法将其转化为确定性问题,并采用遗传算法-区间分析算法(GA-CIAM)实现结构优化设计。计算结果表明:考虑气动力/热载荷及材料参数不确定性影响,对整流罩前锥段结构开展优化设计,在满足设计要求的前提下,有效实现结构轻量化。 相似文献
3.
针对月球探测器结构优化过程中存在的分析耗时和结构参数不确定性影响问题,提出了考虑结构参数不确定性的月球探测器结构快速优化框架。优化框架基于多域子结构运动综合方法,建立了月球探测器结构多域子结构模型,实现了模型规模的降低,提高了模型分析效率;基于区间场不确定性分析方法,建立了结构参数不确定性模型,并开展了探测器结构参数区间灵敏度分析;基于区间可能度理论实现了不确定性优化问题的转换。通过两个优化算例进行方法验证,优化分析结果表明,基于本文的结构优化框架,可以明显提高结构优化效率;通过与确定性优化结果对比,验证了考虑结构不确定性的结构优化可以提高分析结果的可靠性。 相似文献
4.
5.
6.
高超声速飞行器热防护系统设计中高精度气动热分析模型使得设计计算成本不断增加,基于数据驱动的气动热环境预示方法受到广泛关注。针对有限高精度模型计算成本下提升全局预示精度的问题,提出一种基于模糊聚类的批量自适应采样方法。根据预示误差分布特征通过聚类采用超球分割构建采样影响域,兼顾误差较大的重点采样域与全局探索;通过当地误差评分系数加权构建采样拒绝域,减小新增样本冗余;结合maxmin准则在综合确定的重点采样空间中新增样本,提升采样质量,进而实现预示模型全局精度快速提升。数值测试算例表明,所提方法与One-Shot、APSFC、CV-Voronoi方法相比能有效降低所需采样规模,加速提升预示精度。通过类HTV-2飞行器气动热快速预示实例,验证了方法的有效性与工程实用性。 相似文献
7.
飞行器的结构模态参数在线获取对其高效、可靠运行具有重要意义。传统时变结构模态参数辨识方法存在辨识虚假结果较多,抵抗测量数据中的极端异常值能力差等问题,难以有效应用于在线过程。建立一种基于长短时记忆网络的时变结构模态参数在线辨识网络模型,通过数据集构建过程离线地引入先验信息,同时结合模型自身特性,有效提升制约在线辨识应用的可靠性。实验结果表明:在不同时变规律下,与传统辨识方法相比,在线辨识模型能有效缓解虚假结果问题,同时保证辨识结果的连续性;采用α稳定分布模型对脉冲噪声进行建模,验证了其在测量数据包含由于偶发因素产生的极端异常值时在线辨识鲁棒性。 相似文献
8.
基于本征正交分解和代理模型的高超声速气动热模型降阶研究 总被引:3,自引:1,他引:2
气动热弹性分析是高超声速飞行器设计的关键技术之一。高超声速飞行器气动热的准确快速预测是气动热弹性分析的重要前提。针对当前气动加热工程计算、数值计算和实验研究均不能很好满足设计要求的问题,采用本征正交分解(POD)与代理模型(Surrogate)技术结合的模型降阶(POD-Surrogate)方法,建立了一种快速高效的高超声速气动热降阶模型框架。针对典型高超声速三维翼面气动热预测研究结果表明:当保留的POD基模态个数大于20时,PODKriging方法和POD-RBF(Radial Basis Function)方法的降阶模型得到的翼面温度分布与计算流体力学(CFD)计算温度L∞平均误差分别达到6%和14%,相对均方根误差(NRMSE)平均误差分别达到4%和12%,继续增加POD的基模态并不能提高降阶模型的预测精度;针对高超声速机翼气动热计算,POD-Kriging方法比POD-RBF方法具有更高的精度;针对典型的高超声速三维翼面气动热预测表明:基于POD-Surrogate方法的气动热降阶模型具有较高的精度和效率。 相似文献
1