基于机器学习的机翼气动载荷重构及传感器优化布置

风洞实验通过在机翼表面布置传感器来测量相应位置的气动载荷，由于传感器布置数量有限，难以直接得到整个机翼全息气动载荷分布。本文采用机器学习方法通过有限传感器数据重构机翼表面全息气动载荷，并提出了利用仿真数据对传感器进行优化布置的方法。从计算流体力学（Computational fluid dynamics,CFD）计算所得的机翼全息气动数据中选取有限位置数据模拟传感器实验数据，对比深度学习模型、高斯过程回归（Gaussian process regression, GPR）、支持向量回归（Support vector regression, SVR）与BP神经网络（Neural network, NN）对气动载荷的重构精度。通过评估由传感器数据重构的全息载荷精度对传感器布置方式进行优化设计。以M6机翼为例在给定的两个工况条件下验证本文所提出的方法。实验结果表明，GPR模型获得了最高气动载荷重构精度；给出了M6机翼在不同传感器总数下最优的截面数和单个截面布点数，最低传感器布置数下的最优布置方式，以及流场变化相对剧烈的前缘区域与展向截面的传感器布置方式。     

一种遥控异常情况下的卫星安全管理方法

针对卫星在轨管理过程中出现的数管直接指令和地面直接指令无法正常执行的遥控异常,从卫星遥控信息的传输流程、遥控译码的工作原理入手,对导致直接指令执行异常的因素进行了排查,定位了异常原因为遥控译码故障。提出了对于单一频段遥控通道的卫星,通过调整部件的指令控制策略和将直接指令转换为数据指令的方法来实现卫星管理;对于多个频段遥控通道的卫星,除以上两种方式外还可以通过拓展遥控上行通道的方法,增加遥控上行冗余度来降低遥控译码通道异常的风险。所提出的安全管理方法经故障卫星在轨管理阶段的试验验证,在一定程度上有效控制了因一路译码故障给卫星安全带来的风险,可为卫星其它重大故障的及时发现、定位和有效规避提供参考。     

基于功能原理的颤振模态参与度分析方法

颤振边界与颤振耦合机理对飞行器设计与颤振试验设计有着重要意义。模态坐标下的颤振计算通过各阶广义坐标的变化特性来确定颤振边界，并对颤振耦合机理进行分析。然而这常常依赖设计人员的工程经验，难以保证判别标准量化统一。基于功能原理提出了一种新的颤振模态参与度分析方法，通过广义坐标下广义气动力做功的能量累积，实现颤振模态参与度分析。分别采用频域方法与CFD/CSD方法对AGARD445.6标模进行颤振计算，验证了所提模态参与度分析方法的正确性。随后针对双体飞机颤振计算中发现的“漂移频率”现象，使用所提方法进行了解释，凸显了方法的优势。综合表明，所提模态参与度分析方法较好地反映了颤振耦合机理，具有指标正确可靠、结果归一化强、物理意义明确、适用于复杂结构复杂模态的特点。     

脉冲风洞天平-模型支撑一体化测力技术研究

机体/推进一体化气动性能评估是超高速技术发展的关键之一，一体化试验模型具有扁平比很高的特点，内部空间十分有限，传统测力天平安装时将占用模型大量空间，导致发动机相关设备难以安装，从而影响风洞试验的开展。针对上述问题，设计了天平-模型支撑一体化测力装置，并对其进行了强度分析和模态分析，验证了测力装置的强度和频响特性；其次，对一体化测力装置进行了静态校准，获得了相应的载荷计算公式；最后针对2.0m试验模型在Φ600mm脉冲燃烧风洞中开展了Ma5.0、Ma5.5、Ma6.0状态下的气动力载荷测量试验，并对该测量结果与成熟的盒式天平测量结果进行了对比，两者一致性较好，最大测量误差为Ma5.5状态下的法向输出结果，最大值为6.45%，能满足脉冲风洞测力要求。本研究提出的一体化测力装置可为脉冲风洞中机体/推进一体化气动力实验提供参考，进一步发展了脉冲风洞测力技术。