永磁直线同步电机滑模控制系统

设计了一种基于滑模变结构的永磁直线同步电机(PMLSM)矢量控制系统。从直线电机的基本工作原理出发,通过坐标变换,建立PMLSM在两相同步旋转正交坐标系上的数学模型。基于滑模变结构和李雅普诺夫稳定性理论设计转速调节器,组成PMLSM滑模控制系统。为了验证该控制系统的有效性,在MATLAB/Simulink平台下搭建系统的模型并进行仿真。仿真表明,该控制系统具有很强的鲁棒性。     

高超声速飞行器操稳性能分析

以静稳定性衡量稳定性能,以可用过载衡量机动性,给出了高超声速飞行器操稳性能的计算方法。并以高超声速飞行器基准外形为例,计算了其在不同马赫数下的操稳性能,分析了操稳性能随马赫数的变化关系,为高超声速飞行器概念设计阶段的优化设计提供了操稳性能优化指标。     

飞机雷达天线系统隐身技术研究

分析了由飞机雷达罩、雷达天线和雷达舱内高频部件构成的雷达天线系统的散射特性,并研究了其隐身机理和隐身措施.提出了飞机雷达舱气动,隐身,结构一体化设计概念.     

强瞬变空气系统的模块化仿真建模

提出一种针对强瞬变空气系统的模块化建模方法,该方法将空气系统模型分解为由规范接口互联的4类基本元件,并考虑了空气系统强瞬变过程中容腔效应和气体惯性力的耦合影响.基于面向对象的技术开发了仿真程序,并使用公开的数据对模型进行验证.结果表明:该仿真模型能够正确模拟空气系统强瞬变过程中的局部逆流、压力波传导、多容腔耦合振荡等毫秒时间量级物理现象,不仅如此,其模块化的设计特征也为进一步耦合精细的空气系统元件和建立复杂空气系统网络奠定了基础,该模块化仿真方法在航空发动机空气系统的复杂动态响应特性和机理的研究中具有切实应用前景.      

驱动卫星捕获碎片的电子回旋共振离子推力器系统优化

近年来空间碎片数量急剧增加,已经对空间飞行器造成了严重的威胁。为此提出在碎片密集区域轨道(700km～1000km高度)的碎片处理方案,即利用微小卫星在电子回旋共振(ECR)离子微推进连续切向力作用下,不断进行轨道提升并进行碎片收集。基于此,进一步对电推进系统方案进行优化设计计算,在设计寿命1年的条件下,以推进系统质量最低作为优化目标,以加速电压和工质流量为变量,对电推进系统方案进行优化。最终得到的优化结果为工质流量0.25sccm (0.0244mg/s)、加速电压2488V时,推进系统总体最优,总质量7.288kg,推力器比冲2216s,推力535μN。     

受限资源下制导武器末制导机器视觉技术研究

针对精确制导武器末制导机器视觉技术应用需求,研究了基于卷积神经网络的、针对复杂背景及小目标的自主目标检测识别算法,并分别进行了网络性能评估和硬件资源需求定量评估。针对最优算法,提出了基于嵌入式受限资源下的高精度神经网络压缩算法,并对算法进行了普适性评估。基于GPU嵌入式平台,实现TensorRT路线网络优化,并在速度和精度两方面均衡考虑下,对裁剪与量化算法进行了详细实验验证。实验结果表明,高精度神经网络压缩算法在硬件资源受限条件下,可以有效提升推理速度,最终经算法优化后的网络结构,可以获得3倍以上的速度提升,网络精度损失小于5%。     

基于GSP仿真和SDAE的航空发动机故障诊断

为了深入研究航空发动机故障机理,提出基于航空燃气涡轮发动机性能仿真软件(GSP)和堆栈降噪自编码器(SDAE)的航空发动机故障诊断方法。通过GSP性能仿真方法模拟发动机在不同设计参数下的部件故障,并得到对应的运行状态参数;从每种故障类型下的长时间序列的状态参数中提取出向量化的曲线特征,构成故障样本;将故障样本带入SDAE模型中进行深度特征提取,经过前向传播和反向微调得到训练好的模型用于发动机故障诊断。结果表明:GSP能够通过参数更改来模拟微弱故障下的状态参数,从而构建多故障样本集;SDAE的重构误差和反向传播误差能够快速收敛到较小值,SDAE的故障诊断正确率为99.5%;与深度信念网络(DBN)、人工神经网络(ANN)以及经典机器学习方法支持向量机(SVM)相比,SDAE的故障分类正确率分别提高了0.8%、6.9%和10.1%。     

高超声速巡航飞行器气动布局优化软件设计

从总体性能指标角度出发,采用面向对象的编程方法,基于Visual C 开发了高超声速巡航飞行器气动布局优化软件。整个优化软件分为参数化建模模块、面元生成模块、性能指标计算模块、优化算法模块。各模块之间相对独立,通过函数接口实现互联,具有非常好的可维护性、可重用性和可扩展性。该软件实现了对高超声速巡航飞行器的气动力、气动热、隐身性能、操稳性能等总体性能指标进行气动布局多目标的优化,能够满足高超声速巡航飞行器概念研究和初步设计要求。     

基于深度残差收缩网络的滚动轴承故障诊断

滚动轴承的准确故障诊断是确保机械设备安全可靠运行的必要手段。针对多故障、长时间序列的滚动轴承振动信号,提出了一种基于深度残差收缩网络(DRSN)模型的故障诊断方法。首先,根据采集到的滚动轴承数据构造故障样本,针对多种故障类型下的长时间序列的振动信号,按照一定尺寸将长时间序列矩阵化,构成多故障类型的灰度图故障样本。从正常到故障的滚动轴承性能退化过程,通过多个采样点的随机采样,构造全寿命周期的故障样本用于故障诊断。其次,在多层深度学习模型基础上,将残差收缩网络模块加入到卷积神经网络(CNN)中构建深度残差收缩网络模型用于故障诊断,其中通过将残差项加入到网络中训练解决了多层网络模型的模型退化问题,利用软阈值化实现了样本降噪。最后,为了验证所提方法的有效性,采集了滚动轴承的多故障时间序列样本和全寿命周期故障样本用于故障诊断。实例验证的结果表明:所提深度残差收缩网络模型在处理含噪声样本时仍具有良好的鲁棒性,多层网络模型下没有明显的网络退化,能够保持较高的故障诊断正确率。在处理2种轴承故障数据集时,与其他模型相比,所提方法训练误差更低,平均故障诊断正确率提高1%~6%。      

脉冲等离子体流动控制机理研究

为了深入研究介质阻挡放电等离子体流动控制机理,采用数值仿真方法研究了激励器定常、非定常工作模式下,等离子体流动控制对边界层影响,并分析了不同模式控制流动分离的能力。仿真结果表明:激励器定常工作时,在壁面形成射流,非定常工作时,则在激励器下游诱导产生了一系列旋涡,同时旋涡向下游的运动加剧主流与边界层混合;不同工作模式,等离子体激励都能有效控制流动分离;非定常激励时,脉冲占空比为0.6时仍能有效抑制流动分离,控制效率更高。