基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆（LSTM）网络对于多维数据特征识别和提取上存在不足的问题，在其改进模型嵌套式长短期记忆（NLSTM）网络的基础上，提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络，保留捷径连接中的卷积神经网络结构，既能充分提取时序特征又能保证有用数据在网络层中的跳层传递，并融入注意力机制构建多层残差网络，注意力机制的使用能够选择出对预测结果有重要影响的信息，有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析，结果表明：所述方法能有效建立监测数据与发动机健康状态之间的关系，剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%，比未融入注意力机制方法平均降低18.9%，有效提高了预测精度。     

内装式空射运载火箭重力出舱机箭耦合动力学分析

研究了以运输机为平台的内装式运载火箭空射过程载机和火箭的耦合动力学建模。建模针对两个阶段：第一阶段，火箭固定于载机机舱内，两者构成一个整体，按照普通刚体的力学方法处理；第二阶段，火箭解锁后，沿着舱内的发射筒向外滑行，载机和火箭形成两刚体相互作用的耦合系统，基于牛顿-欧拉法建立系统动力学模型。载机在空射火箭过程中，油门和升降舵满偏，在加速前飞的同时拉大姿态俯仰角，火箭在自身重力分量和惯性力的作用下，沿着机舱内的发射筒加速向外滑行，直至与载机分离。数值仿真分析了空射过程载机的重要力学参数的变化过程，验证了载机操控策略的可行性和安全性，可为未来中国空射运载火箭技术设计提供数据参考。     

发射扰动与初始弹道耦合模型研究

针对火箭、导弹发射扰动与初始弹道互相耦合引起的弹道散布问题,提出发射扰动与弹道解算相耦合的计算分析模型。该模型以多体系统动力学为基础,建立能够模拟弹架相互作用和弹体初始扰动的发射动力学模型,并将弹体受到的气动载荷转化到弹体坐标系下进行刚体动力学计算以获得弹道参数。通过滚转弹应用实例分析表明,采用此模型能够有效模拟发射扰动与初始弹道相互耦合状态;弹架间隙扰动与气动载荷作用都会对弹体在飞行时的姿态角及飞行位置产生较大影响。当存在1 mm的弹架间隙且有气动载荷作用的影响下,与无弹架间隙和气动载荷的作用影响的结果对比发现,存在弹架间隙扰动的影响会使得弹体在飞行过程中的俯仰角和弹道倾角的幅值范围减小4°左右,也使得弹体在飞行过程中的Y向位移量在1.5 s时刻减小6 m左右;存在气动载荷作用的影响,会使得弹体在0.5 s撤去推力后的姿态角成波动式变化,滚转弹稳定飞行,也会使得弹体Y向位移量在撤去推力后持续的平稳增加。     

基于COSMIC掩星精密定轨数据的等离子体层电子含量研究

等离子体层是日地环境重要的组成部分.本文利用COSMIC掩星精密定轨数据经处理后得到的podTec文件获取等离子体层电子含量（PEC）对等离子体层进行研究.将podTec数据进行处理后获得的PEC（pod-PEC）和IRI-Plas经验模型提供的PEC （IRI-PEC）进行对比，发现pod-PEC与IRI-PEC符合得较好.在低（0°—20°）、中（20°—50°）、高（50°—90°）修正地磁纬度带下，分析了COSMIC在太阳活动极大年（2014年）3，6，9和12月的pod-PEC，得到如下结论:PEC随着纬度升高而逐渐减少，且3，9月PEC在中低纬关于磁赤道的南北对称性较好，6月北半球各纬度带的PEC明显高于南半球同一纬度带的值，而12月情况则完全相反，南半球中纬的PEC甚至会等于北半球低纬的PEC值；PEC在白天高而晚上低，高纬地区的PEC昼夜变化不明显；PEC具有明显的季节性.对于北半球，一年中PEC最大值出现在春季，冬秋季次之，夏季最低，具有明显的年度异常现象.      

MIMO窄带加宽带非高斯随机振动试验

提出了一种用于多输入多输出窄带加宽带非高斯随机振动试验方法。首先，详细分析了随机相位与非高斯随机信号偏度和峭度的关系，提出了一种可用于快速生成具有指定偏度和峭度的迭代相位调节法。其次，根据控制通道之间的耦合关系，利用各通道之间随机相位的不相关特性，实现了多通道非高斯随机信号生成的解耦。然后，将生成的非高斯随机信号作为参考输出响应，采用时域逆系统方法生成驱动信号，并利用控制算法分别对响应信号的功率谱、偏度和峭度进行控制。最后，通过三轴向振动台试验验证了本文提出的多输入多输出窄带加宽带非高斯随机振动试验方法的可行性。结果表明，控制点上加速度的功率谱被控制在了±3 dB的容差限内，满足预设的容差要求。同时，时域响应信号的峭度和偏度也满足给定的参考要求。     

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。     

倾角回转误差算法问题分析及改进

对倾角回转误差的算法和公式进行了积极探讨,对GJB1801-1993中倾角回转误差算法进行改进尝试并通过对测试方法进行理论分析和一组典型数据的计算结果对此予以进行证明。在此基础上对倾角回转误差算法进行了修正,增加约束条件:消除的一阶谐波分量必须幅值相同,相位相差90°,从而得到修正公式。再从基本误差定义出发,重新对倾角回转误差进行推导,得到了相同的结果。