面向航天器在轨装配的数字孪生技术

构建航天器在轨维修维护能力是确保空间系统长期稳定工作的有效途径,而对于空间环境中的在轨装配过程的模拟、监控、诊断和预测,目前的研究尚处于探索阶段,研究成果相对较少且缺乏整体解决方案。提出采用构建航天器数字孪生体的方式,来抽象表达航天器完成在轨装配的过程、状态和行为。首先分析了在轨装配航天器的结构组成及功能需求,然后系统阐述了航天器数字孪生体的数据组成、实现方式和作用,最后给出了航天器数字孪生体在设计、制造和在轨服务阶段的实施途径,并对航天器数字孪生体的作用进行了总结和展望。     

基于BP神经网络的复合材料失效分析

创建了基于BP神经网络方法预测复合材料在复杂应力状态下的失效模型.依据现有的试验数据,建立了基于BP神经网络的数学模型,并给出了网络在多次训练的统计性评价参数.以及单次样本泛化性能的评价参数,并利用这些参数实现了网络的结构优化和训练优化,得到了比较精确的网络模型,成功预测了复合材料的失效数据,拓宽了计算复合材料失效的范围,同时可以对复合材料的失效分析和试验设计进行指导.     

基于ARIMA模型的载人航天器氧分压分析及预测方法

载人航天器环控生保系统中的氧分压分析监测关系到航天员在轨的安全与健康,是地面控制中心重点关注的关键信息。提出了一种基于时间序列数据模型的载人航天器氧分压分析及预测方法,对在轨遥测数据进行处理分析,应用ARIMA模型对氧分压历史数据进行分解建模,并预测其未来趋势。通过对载人航天器氧分压在轨数据的实测分析,对历史数据拟合均方根误差为0.1537 kPa,预测均方根误差为0.1378 kPa,预测精度较高。该方法基于短期历史环境信息分析建模,实现对未来状态变化的有效预测,有效提升了现有预测方法的预测时长,提前识别系统运行过程中的异常状态。     

基于BP神经网络的多应力加速寿命试验预测方法

 针对多应力加速寿命试验(ALT)中传统的寿命预测方法存在建立加速模型及求解多元似然方程组困难的缺点,基于反向传播(BP)人工神经网络(ANN),利用BP神经网络良好的预测特性,建立了多应力恒定加速寿命试验寿命预测模型。首先,以加速寿命试验中的加速应力水平和通过经验分布得到的可靠度作为网络训练输入向量;以非线性最小二乘法对原始失效数据进行拟合并得到回归方程,利用回归方程生成大量的仿真数据作为训练目标向量;然后,建立3层BP神经网络并对网络进行训练。最后,把正常应力水平和设定的可靠度输入训练好的网络,得到预测的失效时间,进而给出可靠度函数的预测曲线。通过仿真算例对本方法进行验证,预测值和仿真值相比较表明,所建立的网络能反映应力水平、可靠度与寿命的关系,为多应力加速寿命试验的寿命预测提供了新的思路。     

基于Kohonen神经网络的飞机结构涂层失效分析

为了深入研究飞机结构涂层防护的失效过程,使用Kohonen神经网络结合电化学阻抗谱技术(EIS),对喷丸+喷底漆防护涂层的加速试验结果进行了分析。加速试验模拟了热冲击和盐雾环境,试件数据都是在试验过程中测得。将试件每周期的阻抗变化率作为神经网络的输入数据,用3组试件的试验数据对神经网络进行训练,用另一组试件数据进行测试。Kohonen神经网络将涂层失效过程分成了5个子过程,相比传统的3个过程分类可以得到更多的腐蚀信息。神经网络有效数据的分类结果与低频阻抗谱和腐蚀状态十分吻合,说明了Kohonen神经网络可以有效地预测涂层失效过程。     

某低压涡轮盘破裂转速分析与试验验证

为了研究轮盘破裂转速分析方法并提高破裂转速预测精度,基于有限元计算结果,采用平均应力法和局部塑性应变法对某低压涡轮盘破裂转速和破坏起始部位进行预测,并与试验和失效分析结果进行对比分析。结果表明:平均应力法和局部塑性应变法预测的破裂转速与试验结果吻合较好;局部塑性应变法预测轮盘破裂起始部位与失效分析结果吻合较好;对于研究的轮盘及其工作环境,平均应力法预测破裂转速偏低,局部塑性应变法预测破裂转速偏高;局部塑性应变法预测精度相对更高。     

基于轨道可达域的机动航天器接近威胁规避方法

面对日益复杂的空间安全形势,基于轨道机动可达域分析提出了机动航天器接近威胁计算、评估和规避方法。首先,基于可达性判据给出机动能力受限的航天器单脉冲轨道机动可达域求解方法。其次,通过判断在轨航天器自身轨道与来袭航天器机动可达域间的位置关系计算其位于威胁域内的区段,进而得到轨道危险区。再次,基于两航天器进出危险区的时间定义了威胁评价指标,从空间和时间的窗口匹配性角度分别评估在轨航天器受来袭航天器的威胁程度。最后,给出了基于最小化危险区的航天器最优多脉冲接近威胁规避策略,对比了多个脉冲方案结果。仿真结果表明,在轨航天器能够在满足给定约束条件下实现对危险区的机动避让,并以最小燃料消耗回归正常运行轨道。     

空间对接机构热真空环境对接与分离试验技术研究

为了验证对接机构在空间环境下的运动性能是否能满足设计要求,在研制过程中必须进行对接机构热真空环境下的对接与分离试验,试验方案的正确与否直接影响到航天器对接与分离的成败。针对对接机构在轨对接的工作过程,提出了利用飞轮模拟对接等效质量的试验方案,并根据提出的方案研制了对接机构热真空对接试验台,完成了对接机构热真空对接与分离试验。由试验结果可知,飞轮模拟等效质量的技术方案有效可行,可保证对接机构热真空对接与分离试验圆满完成。     

减涡器破裂转速预测方法及试验验证

采用数值分析同试验相结合的方法研究了减涡器破裂转速问题。根据减涡器支撑环孔边的应力状态,设计了支撑环结构的模拟试验件,开展了单调拉伸载荷下的破坏试验,得到了体现结构应力特征的破坏参数。进而基于有限元方法,将模拟试验件的破坏参数引入减涡器支撑环破裂转速预测中,并对比了不同破裂准则对破裂转速预测结果的影响。分析表明:所设计的模拟试验件与减涡器支撑环的应力梯度吻合较好,可准确描述结构应力特征;局部塑性法和基于材料强度的方法预测破裂转速时结果更为保守,分别比平均应力法的预测值低15%和23%,对此类结构的破裂分析具有工程参考价值。      

某载人航天器密封隔舱内CMG散热设计与分析

针对某载人航天器密封隔舱内单框架控制力矩陀螺(CMG)的散热问题,设计了射流式强迫对流散热系统,建立了隔舱内流动与传热仿真模型。通过仿真得到CMG转子表面气流和密封隔舱内流场分布特性,通过流动、传导和辐射耦合计算,获得了隔舱内设备温度分布,重点考察了CMG转子散热特性。仿真结果与真空热试验数据一致,验证了CMG散热设计的正确性和仿真模型的准确性。仿真分析方法和结果可为同类型密封隔舱内设备散热分析提供参考。     

超声速湍流密度脉动预测的神经网络方法

针对气动光学效应对湍流密度脉动预测的需求,发展了超声速湍流密度脉动预测的神经网络方法,从直接数值模拟（DNS）的超声速湍流边界层的流场数据中挖掘规律,建立了包含5个隐含层的密度脉动模型。实验结果表明,所发展的神经网络方法可以很好地预测密度脉动均方值,它不仅能很好地预测训练样本,对测试样本预测的精度和稳定性也显著高于传统模型,且具有一定的泛化能力。通过特征选择和加入先验信息,确定了密度脉动模型的7个输入参数特征量,进一步提高了模型的泛化能力和实用性。     

连分式扩充的粒子群神经网络压气机特性重构方法

对航空发动机压气机原始二维等转速线的数据点进行连分式扩充,通过两次网络训练,增加转速特性数据,在三维空间中进行BP(back propagation)网络模型重构.根据压气机特性数据空间分布的特点,引入压力比函数,调整计算区域,定义网络的输入输出数据,利用试探法确定隐含层维数.采用基于趋利避害原则的粒子群算法对网络的初始权值和阈值进行优化,建立了压气机压比和效率特性的整体代理模型.最后以某型发动机的低压压气机为例进行了压气机特性模型的重构.通过模型的校核与验证表明:采用这种方法建立的模型精度较高,优于普遍采用的传统二维插值方法和普通BP神经网络模型.最终建立的重构模型对于采用选配法、坐标法和部件法等以压气机通用特性曲线为基础的发动机模型的求解,可提高计算精度和迭代速度,具有一定的工程应用价值.      

动态模糊RBF神经网络焊接接头力学性能预测建模

建立动态模糊径向基神经网络RBF( Radial Basis Function,RBF)焊接接头力学性能预测模型,克服静态RBF和模糊神经网络( Fuzzy Neural Network,FNN)在结构辨识、动态样本训练及学习算法的不足。该模型的结构参数不再提前预设,在训练过程中动态自适应调整,适用动态样本数据学习,学习算法引入分级学习和模糊规则修剪策略,加速训练并使模型结构更加紧凑。利用三种厚度、不同工艺TC4钛合金TIG焊接试验数据对该模型进行仿真。结果表明：模型具有较高的预测精度,适用于预测焊接接头力学性能,为焊接过程在线控制开辟了新的途径。     

基于卷积双向长短期记忆网络的轴承故障尺寸估计

基于振动监测数据的航空发动机滚动轴承损伤大小识别,对于研究滚动轴承故障演化、故障预测和故障诊断具有重要意义。针对传统模型对先验知识依赖性高、特征提取不充分、故障尺寸训练类别有限等问题,提出了一种基于深度学习的滚动轴承损伤尺寸预计方法,能够对训练过程中未出现的中间尺寸进行准确识别。在经典模型的基础上,搭建了一种深度卷积网络与长短期记忆网络组合模型,该模型可对轴承振动信号的多维特征与时序特征进行充分提取,实现轴承故障的智能和高效诊断。最后,利用滚动轴承加速疲劳试验机,进行了多种转速与损伤尺寸下的滚动轴承故障试验,基于试验数据进行了方法的比较,结果表明,该组合网络的在正常和加噪的情况下预测精度分别达到99.94%和98.67%,较单独的深度卷积网络、长短期记忆网络及其他模型精度更高,比较结果充分表明了本文所提方法的优越性。     

基于BP神经网络的航空发动机故障检测技术研究

为了提高航空发动机故障检测正确率,将BP神经网络应用于航空发动机故障检测中。从某航空公司使用的CFM56-7B系列发动机的实际飞行历史数据中选取研究样本,对比了6种训练方法的效果并最终选择弹性BP法对网络加以训练并进行测试。结果表明:该方法对CFM56-7B系列发动机的排气温度指示故障、进口总温指示故障和可调放气活门故障的检测正确率高达83.33%。BP神经网络能够很好地应用于航空发动机的实际故障检测,其学习记忆稳定、网络收敛速度快,具有一定的工程实用价值。     

物理启发的深度学习模型及其在热端部件散热中的应用

热端部件散热是众多空天设备的关键技术。表面温度分布是散热设计中用到的重要信息,常规的解析建模手段和机器学习方法均无法有效地表达此类高维信息。近年来兴起的图像深度学习算法是解决表面温度信息预测的有效手段。然而,现有的基于大数据的深度学习方法往往对于物理数据和小样本数据不适用,体现为泛化精度差、数据兼容性差、可解释性差。因此,有必要结合传热的先验知识发展物理启发的新型深度学习算法,以增强高自由度、高复杂度散热对象上的设计能力。本文基于卷积算子和有限差分求解方式的类比关系,提出了一种物理启发式的循环卷积神经网络。以横向出流的冲击冷却为例,开展了变计算域大小、变工况、变尺寸的批量数值模拟,获取了冲击冷却关键特征的小样本图像数据。进一步通过神经网络的训练,构建了多参数、大范围内有较好拟合能力的温度、传热系数、压力代理模型。研究结果表明,本文提出的物理启发神经网络模型,对于计算域大小没有限制,可以统一表达不同空间范围内获取的物理数据的共性规律。模型的各类超参设定均具有明确的物理意义,且与经典的微分方程求解理论有一定的类比关系,增强了神经网络调参的方向性。通过传热物理规律与黑箱模型的融合,本文实现了小样本多参数物理数据的共性建模。该方法可以迅速重构热端部件的高维分布信息,可服务于热端部件的快速分析设计以及优化。     

结合先验知识的涡喷发动机神经网络点火识别

在分析某弹用涡喷发动机燃烧室点火特性的基础上，提出利用结合先验知识的神经网络来识别发动机点火时刻的方法。一方面，该方法通过先验知识对神经网络原始输人样本进行更合理的重组。另一方面，用神经网络的信息分布来描述燃烧室的点火条件，可以全面融合影响点火性能的各种因素。根据与试车数据的比较，结果显示：在少量训练样本情况下，神经网络识别器能保证较好的收敛速度和泛化能力。该方法可用于发动机点火点在线识别。     

神经网络模型在TDNS准则中的应用研究

时域Neal-Smith（TDNS）准则源于频域Neal-Smith（FDNS）准则和阶跃目标跟踪准则,被广泛应用于纵向驾驶员诱发振荡（PIO）趋势的预测研究。在该准则采用的人机闭环系统中,广泛运用结构简单且能反映飞行员基本行为特征的拟线性驾驶员模型。但在实际情况中,驾驶员的行为通常具有高度的非线性,为了更精确地描述驾驶员的非线性特性,采用神经网络方法建立驾驶员模型。利用某机的试飞数据对神经网络进行了训练和测试,生成了神经网络模型。针对TDNS预测准则,建立了相应的仿真模型,通过仿真运算,得到了该飞机的P10预测结果。研究表明：相对于传统的驾驶员模型,神经网络模型能够更好与真实驾驶员相匹配;在TDNS评估准则中运用神经网络模型具有实际的意义。     

轮盘弹塑性盘破裂准则的建立及变厚度轮盘破裂转速预测

建立了与材料延伸率相关的轮盘弹塑性破裂准则。为了验证所提出破裂准则的正确性,采用非线性有限元对变厚度轮盘破裂试验件的破裂转速进行了预测,并与试验结果进行了对比。结果表明,二者吻合很好。