基于自适应预测校正的月球软着陆制导控制方法

应用自适应预测制导方法，研究月球软着陆过程中的制导控制问题。作为一种具有逻辑结构的构造性方法，本文概述了自适应预测制导方法的实现步骤。针对月球软着陆过程中制导控制量少于被控制量这一“欠驱动”问题，在已有的基于一阶特征模型的全系数自适应预测校正方法的基础上，将输入输出相等的系统拓展为输入少于输出的“欠驱动”系统，以满足对位置、速度矢量同时进行制导控制的需要。本文针对初始状态误差、推力偏差、质量偏差以及比冲偏差下的软着陆过程，进行了Monte Carlo仿真分析，结果表明，自适应预测制导方法可有效用于月球软着陆过程的制导控制，且具有较高的精度和较强的鲁棒性。     

一种基于自动分区的海量科学数据计算框架

在科学研究领域, 存储容量、处理效率和分析精度并不能适应科学数据的指数级增长速度。通过对科学数据结构与标准的研究, 提出了一个海量科学数据计算框架BSDF。提出了一种基于模型驱动的统一数据接口, 实现对异构科学数据的无差别访问；提出了一种基于元数据的自动分区算法, 通过参数预取与超平面维度计算确定任务颗粒度。实验结果表明:与H5Spark科学数据计算框架的基于9项基准测试的性能相比, BSDF计算框架提升了39%~68%；在特定领域PKTM的算法优化上, BSDF达到了41.62倍的加速比。      

基于零电压注入的航空电驱动用永磁电机系统零低速无位置传感器控制

针对航空电驱动系统零低速域高性能无位置传感器控制算法的需求，本文提出了一种基于零电压注入的无位置传感器控制策略。首先，针对传统高频注入法的高频噪声问题，引入随机高频信号代替传统信号，在估计的d轴中激励出与位置相关的响应电流。随后，对传统信号及随机高频信号的噪声产生与抑制机理进行理论分析；进一步分析死区效应对位置观测的影响，在随机高频信号注入基础上，额外注入零电压矢量，并设计死区补偿策略以抑制由死区效应所引起的位置观测误差。最后，通过MATLAB/Simulink验证了所提出无位置传感器控制策略的有效性。本文所提出的算法可实现零低速域的低噪声低谐波无位置传感器控制，对航空电驱动系统控制策略的设计具有参考价值。     

基于SMO和RLS的航空电推进永磁电机驱动系统

针对大功率航空电推进驱动系统高可靠性和轻量化特性的需求，本文提出了一种基于滑模观测器（SMO）和递推最小二乘法（RLS）的多模式无位置传感器控制策略。首先通过SMO对扩展反电动势进行观测，并对转速估算值进行多模式处理，实现了快速、准确地提取出电机的转子位置角及转速等信息；再由RLS对永磁体磁链等参数进行辨识，依据辨识结果对控制器中的相关控制参数进行整定，并对观测器参数进行更新，提高了系统的鲁棒性。本文对300kW的永磁同步电机电推进驱动系统进行了实例仿真，验证了所提方案的有效性。本文所提出的方案可以实现可靠的无位置传感器驱动控制，具有快速的动态性能和较高的鲁棒性，为相关航空电推进驱动系统控制方案的设计和研究提供了参考。     

一种鲁棒的数据驱动不确定性量化方法及在压气机叶栅中的应用

发展了一种基于预处理矩阵的数据驱动不确定性量化算法，以解决实际工程中面临的实测数据稀缺及分布形式复杂的不确定性量化问题。通过鲁棒性分析、正交基函数的重构、非线性测试函数验证了所发展方法的有效性和精度。基于实测的叶片前缘半径和来流攻角随机波动数据，以某高亚声速压气机叶栅为研究对象，采用自主发展的不确定性量化方法定量评估了不确定性因素对叶栅气动性能的影响。结果表明：在设计攻角和大攻角下叶栅真实的总压损失系数高于名义值的概率分别为83.6%和69.9%；大攻角工况下叶栅总压损失的分散度约是设计工况下的2.4倍；前缘半径耦合来流攻角的不确定性引起前缘绕流发生较大波动，是导致叶栅总体性能退化及性能分散的主要原因。     

高超声速飞机机载作动系统发展分析

吸气式高超声速飞机面临严酷的高动压、大热流飞行环境，要求机载系统既要兼具高功率、高效能与高耐热能力，又要满足严苛的体积、重量（质量）与能量约束，给飞控作动系统设计带来了极大的技术挑战。本文通过对高超声速飞机任务和平台动力特点的分析，系统地论述了其飞控作动系统面临的挑战，包括能源、结构和热管理等问题。基于已有高速飞机的公开资料，对作动技术发展现状进行了梳理，结合热管理与机载能源的发展趋势，展望了高超声速飞机作动系统的重点发展方向，并给出了具有可行性的发展路线。     

基于PINN模型的导弹气动特性快速预测技术

随着内嵌物理机理神经网络（PINN）模型的兴起，PINN模型开始应用于许多学科领域。为了实现导弹气动特性的快速预测，借助工程算法，构建了导弹气动数据集，以此训练导弹气动特性预测模型，包含基于多任务学习的神经网络（MTLNN）模型及在MTLNN模型基础上内嵌物理知识的PINN模型。数值模拟通过选取测试集，对比了MTLNN模型和PINN模型的预测效果，结果表明：PINN模型的预测精度较高，且基本控制在1%以内。探究PINN模型的泛化能力，测试集选取导弹气动数据集包络范围之外的数据，PINN模型预测精度仍然高于MTLNN模型。由于PINN模型引入了气动特性参数之间的物理机理，模型对训练样本数量的依赖程度降低，可以进一步节约数据获取成本，为导弹优化设计提供有力工具。