基于迭代学习控制的导弹PID控制器参数寻优

针对设计导弹PID控制器时存在的对比例、微分、积分3个控制参数大量盲目试凑的问题,利用迭代学习算法对控制参数进行自动寻优,最终得到最佳控制参数,从而实现了对PID控制器参数自动寻优的目的,简化了控制器的设计过程。通过仿真结果验证该方法在PID控制器参数自动寻优上是有效的,同时也为导弹控制器参数整定提供了工程适用的方法。     

钛合金的固态Cu致脆行为研究

分别采用慢应变速率拉伸、恒载荷拉伸加载方法研究了TC11钛合金在不同温度下的Cu脆行为,Cu与钛合金试样表面的接触分别采用离子束增强沉积和机械压合法实现.研究结果表明:在500℃慢速率拉伸条件下,钛合金呈现出较高的铜脆敏感性,而在300℃,400℃时,Cu脆敏感性不明显.在恒载荷试验条件下,500℃时,Cu对钛合金的力学性能影响较低;550℃时,Cu使TC11合金的断裂寿命和塑性指标显著降低.Cu脆的发生必须满足:Cu与钛合金紧密接触;合适的温度;试样应保持一定大小的形变速率.     

组织类型对钛合金损伤容限性能的影响及电镜原位观察

采用扫描电镜(SEM)原位拉伸、原位疲劳方法研究TA15钛合金三种类型组织的裂纹尖端形状和疲劳裂纹扩展速率及扩展过程,并与宏观力学性能对比.结果表明,片状组织由于裂尖钝化、裂纹扩展路径曲折及分枝,损伤容限性能比等轴、双态组织好,即断裂韧性最高,疲劳裂纹扩展速率最低.     

层板孔隙结构中两个任意尺寸半球形珠状发汗的蒸发与燃烧速率分析

针对微重力条件下层板孔隙结构中两个相邻任意尺寸半球形珠状发汗的蒸发与燃烧过程,建立了相应的数学物理模型;在双球坐标系中求解分子扩散传质偏微分方程,得到发汗液珠的分子扩散组分分布的解析解和扩散速率表达式;分析得到在常温、高温条件下蒸发以及燃烧状态下发汗液珠的相互作用因子式,计算了相互作用的发汗液珠在不同条件下的发汗蒸发量以及变化趋势.     

应变速率和温度对NiAl-30Cr-4Mo 共晶合金拉伸性能的影响

研究了温度和应变速率对NiAl-30Cr-4Mo共晶合金的拉伸性能的影响.研究结果表明在同一应变速率(1.67×10-4/s)下,随着温度的升高,材料的塑性增加;在韧脆转变温度(BDTT)923 K以上,随着应变速率的降低,合金的拉伸断口韧窝密集程度增大,合金塑性断裂的趋势越明显,且屈服强度随应变速率的降低而下降.     

基于参数自适应变分模态分解的行星齿轮箱故障诊断

针对变分模态分解需要人为设定模态数量以及在强噪声情况下容易造成分解错误的问题,提出了依据功率谱密度极值点自适应确定模态数量与中心频率的参数自适应变分模态分解方法,通过信号仿真分析验证了方法的有效性。基于参数自适应变分模态分解提出了一种行星齿轮箱故障诊断方法,应用于行星齿轮箱第2级太阳轮裂纹的故障诊断,行星齿轮箱传动实验台的试验结果表明:该方法能实现振动信号准确分解,有效提取和辨别出故障特征频率,实现了在强背景噪声和微弱故障信号情况下对第2级太阳轮裂纹故障的准确诊断。      

基于双层LPV模型的涡扇发动机切换控制

航空发动机飞行包线和参数变化范围大,要想保证整个参数区间存在一个单一的LPV控制器,往往需要牺牲一些区域的性能。针对上述问题,提出一种基于双层LPV模型的切换控制方法。首先通过发动机进口条件将飞行包线划分为几个局部重叠的子区域,分别建立各个子区域的双层LPV模型并求取对应的Lyapunov函数,进而根据所得的Lyapunov函数设计各子区域的控制器,并采用滞后切换策略和共同二次Lyapunov函数相结合的方式实现各子区域间的切换,解决控制器在切换时抖振问题的同时保证切换的稳定性,最后以某型涡扇发动机为对象进行仿真,结果表明所设计的控制器在全包线内有良好的控制效果。     

高密度永磁同步电机的变参数等效磁网络分析

针对双“I”型转子结构的内置式高密度永磁同步电机(PMSM),基于MATLAB/Simulink平台提出了一种变参数等效磁网络法,充分考虑转子漏磁,且通过变参数环节,自动调节各部分磁导率,计算铁心饱和,提高了变参数等效磁网路法的计算准确性。利用该磁网络,分析了转子尺寸参数对电机空载电磁性能以及气隙磁密波形的影响,为高密度PMSM初步设计提供了一种有效快速的分析手段。     

考虑飞行器动力系统进排气效应的设计参数灵敏度分析研究

面向飞行器内外流一体化设计,基于自主研发的大规模并行化结构化网格RANS求解器以及离散伴随方程求解器,开展了考虑推进系统动力状态下进排气边界条件的变分研究,通过链式求导法则避免直接对守恒变量变分,进一步引入中间变量大幅度简化了进排气边界条件变分的难度,建立了考虑进排气效应的设计变量灵敏度高效分析方法,并通过TPS标准模型计算验证了进排气数值模拟精度,与有限差分对比验证了灵敏度计算精度,以翼上发动机气动布局进排气影响数值模拟为例,系统分析了低速、高速、定攻角、定升力状态,推进系统有无动力工况灵敏度的变化以及影响机理。     

基于深度学习的混合翼型前缘压力分布预测

提出了一种基于深度学习的混合翼型前缘压力分布预测方法,通过对翼型几何特征提取、压力分布曲线的参数化,建立了卷积神经网络模型（CNN）,并利用计算流体力学（CFD）的计算结果作为其训练样本,实现对混合翼型前缘压力分布的预测。结果表明:两种方法计算结果的拟合优度大于0.98,基于深度学习的计算方法耗时1.7 s,CFD方法耗时大于50 s,计算时间大大缩短。该方法能够在满足计算精度的条件下提高计算效率并可应用于其他的翼型设计过程。