无人机飞行试验参数辨识研究

针对大型无人机飞行试验,探讨了无人机气动导数的参数辨识过程。根据无人机飞行试验数据特点及模态激励方式,分析并实践了相应的数据处理过程,修正了试飞数据;结合参数的相关性分析,建立了合适的气动模型,进行了气动导数辨识并验证了部分导数,辨识结果是真实可信的。所研究内容对验证和优化无人机空气动力和飞控设计进而合理地评价无人机的性能和品质具有重要意义。     

基于CAN总线的有效载荷温度测控系统

温度是有效载荷系统设计中的一个重要参数,针对空间粒子探测器阿尔法磁谱仪(AMS),介绍一种基于CAN总线的分布式有效载荷温度测控系统。系统采用数字式温度传感器DS18S20作为温度检测元件,以单总线实现远程数据采集模块的多点温度检测。基于探测器的地面测试系统,实验分析了数字式温度传感器空间应用的可靠性,并从软硬件角度提出了改善系统可靠性和测量精度的方法。     

基于灵敏度分析的结构动力模型修改

本文基于灵敏度分析和Taylor级数展开式提出了一种参数型结构模型修改方法。为了改进模型修改精度,本文从能量的观点出发引入一权矩阵,并给出模型修改方程的加权最小二乘解。数字算例表明本文方法具有很好的精度,并且在利用结构模态试验数据进行修改方面具有较好的适应性。     

用于低速风洞飞行器气动导数试验的绳牵引并联支撑系统

 为了用同一套绳牵引并联支撑系统来实现低速风洞静导数和动导数实验,采用理论与实验相结合的方法,总结了在WDPSS-8项目中所做的研究工作。结果表明,传统的杆支撑系统存在如支架对空气流场的影响等不可避免的缺陷;张线支撑系统很适合用于飞行器的静导数实验中,但它不能用在飞行器的动导数实验中;绳牵引并联支撑系统WDPSS-8能成功用于静导数实验中,且它在动导数实验中有潜在用途。WDPSS-8项目中的理论问题都得到解决,但实验方面还有不少问题有待解决。     

有机－无机杂化介孔二氧化硅的合成与表征

以正硅酸乙酯和含有亚脲基的桥联硅烷为前驱体,以十六烷基三甲基溴化铵为模板剂,在碱性条件下制备了具有"蠕虫状"双介孔孔道结构和高比表面积的杂化介孔二氧化硅材料,并采用XRD、FTIR、NMR、TEM、SEM等手段对制备的材料进行表征.研究发现,亚脲基均匀地嵌入到介孔孔壁中,随孔壁中亚脲基基团含量的增加,介孔二氧化硅的有序性下降,比表面积减小.     

基于自适应遗传算法的航迹规划研究

对传统遗传算法进行了改进,通过采用交叉概率和变异概率的自适应设计,避免了进化过程中固定的交叉概率和变异概率产生的个体早熟和收敛缓慢的现象。仿真算例结果表明,自适应遗传算法能够有效地提高遗传算法的全局寻优能力,加快算法的收敛速度,有较强的地形和威胁回避能力,可为低空突防飞行器提供满足战术要求的参考航迹。     

Bayes方法应用中验前信息可信度的影响分析

Bayes方法已在航空航天类装备的参数估计与决策分析中得到了广泛应用。但现有的研究主要集中于验前分布的构造与方法的工程应用,而对验前信息或验前分布可信性影响的分析较少。给出了验前可信度的定义与计算方法,建立了验前可信度的影响分析模型,给出了基于验前可信度要求的验后置信区间计算方法。以装备精度分析为例,给出了验前可信度影响的分析结果。     

航天器供配电智能管理技术研究

综述国外航天器供配电管理技术由传统遥控管理发展到智能管理的4个典型阶段,介绍了航天器供配电智能管理技术在空间站、科学观测及深空探测领域航天器上的应用情况;分析了目前国内航天器采用熔断器作为故障隔离主要手段、依托遥测遥控进行供配电管理的体制,归纳了国内航天器供配电体制的优缺点,并总结出国内航天器供配电智能管理系统的3项关键技术——智能配电管理技术、故障隔离技术和能源计划动态调度管理技术,可为航天器供配电智能管理系统关键技术的研究提供借鉴。     

电液复合系统中的相乘非线性控制

针对机载电液复合控制非线性被控系统,建立了系统的相乘非线性数学模型,提出了基于反馈线性化的在线滚动优化控制方法.系统的相对阶小于系统的阶数,因此通过反馈线性化将非线性被控系统化为一线性子系统和非线性部分,在保持非线性部分零动态渐近稳定的基础上,引入在线滚动优化提高系统的动态响应, 而且未建模动态具有很强的鲁棒性,目标优化函数取控制量的偏差和跟踪误差的偏差的二次型,并且通过状态反馈保持整个系统的稳定性.系统仿真研究表明该控制方法使得系统对不确定因素和外来干扰具有很强的鲁棒性,系统具有更好的动态性能.     

基于PNN与FNN模型神经网络控制器设计与分析

模糊神经网络和预测神经网络分别是基于经验和学习的新型神经网络控制系统,通过在卧式电液仿真转台中框控制器上分别采用这2种控制方法来研究它们的控制特性和应用范围.其中,模糊神经网络结合了模糊控制的经验和神经网络的学习能力,但控制精度取决于人为经验;所研究的预测神经网络采用了基于非线性自回归滑动平均模型建立预测模型,实现在线学习和在线控制,但初始阶段控制精度不高.仿真研究证明,根据具体的控制对象采用适当的控制方法或是将2种方法合理地结合起来将会达到较高的控制精度.