首都机场跑道安全预警平台建设与应用

面向“四型机场”的建设需求,本文依托首都机场西跑道大修工程,构建了首都机场跑道安全预警平台,详细介绍了该平台的系统架构与施工方法。该平台可对道面的自身结构状态(板底脱空状态、板底接触状态、道面振动场)、运行状态(抗滑风险、轮迹分布、道面表面温度场)进行监测,并通过将监测数据与系统平台高度集成,实现数据的自定义查询展示、道面状况的科学评价与跑道运行风险的实时预警。该平台在首都机场的实践应用效果良好,可为跑道运行、维护等提供辅助决策信息,为跑道的日常管理运维工作带来便利。     

基于用户的细粒度可控群体感知模型

综合分析了国内外群体感知机制的研究现状,提出了一种基于用户的细粒度可控的群体感知模型.该模型基于多成员组成的有机群组结构和事件处理机制,通过对用户的角色和任务分解来计算协作感知强度,构建高效的群组感知网络,避免产生和发送无效的感知信息.模型对授权用户的感知行为有良好的支持,同时还支持感知信息的订阅/撤销,对用户的感知信息提供过滤机制.     

基于叉指型电容构型的月尘颗粒沉降量探测方法

月尘沉降量探测是适时启动月尘清除功能性组件的核心,更是低能耗智能除尘技术的关键。文章针对现有月尘沉降量探测方法的局限和叉指型电容探测器的优点,提出基于平面叉指型电容构型的月尘颗粒沉降量智能探测方法,构建了月尘沉降层与叉指型电容基板介质层复合的月尘沉降量电容解析模型,获得了探测器自身电容值与月尘沉降量的关联数学算法,给出月尘沉降量电容式探测器优化设计方法。仿真与实验结果表明：探测器不同的金属化比条件下,电容随颗粒沉降层厚度变化的实验和计算误差不超过2%。以上研究为低能耗智能除尘技术提供了沉降量感知的新方法。     

基于FCM的多无人机协同攻击决策建模方法

针对复杂不确定战场环境下多无人机协同任务的需求,提出了一种基于模糊认知图(FCM)及其扩展模型的多无人机协同攻击决策建模方法。基于人的决策心智模式,采用智能体模糊认知图(ABFCM)建立了包含感性和理性2种决策模式的多无人机协同攻击决策系统模型框架。采用模糊灰色认知图(FGCM)对多无人机的态势感知和协同攻击决策开展了建模工作。借鉴人脑杏仁核机理建立了态势-决策模板快速匹配的感性攻击决策模型。为降低建模工作对专家知识的依赖,采用直觉模糊集的决策阈值算法提高理性攻击决策模型的客观性,并采用动量梯度下降(MGD)学习算法进一步提高了决策模型的学习进化能力。通过仿真验证分析表明,基于FCM的多无人机协同攻击决策建模方法能够较好地应对复杂不确定战场环境,发挥知识和数据在建模中的综合作用,可为提升多无人机执行任务的决策优势提供理论指导和建模方法参考。     

一种无人机自主避障与目标追踪方法

针对无人机自主避障与目标追踪问题，以深度Q网络(DQN)算法为基础，提出一种多经验池深度Q网络(MP DQN)算法，使无人机避障与追踪的成功率和算法的收敛性得到优化。更进一步，赋予无人机环境感知能力，并在奖励函数中设计了方向奖惩函数，提升了无人机对环境的泛化能力以及算法的整体性能。仿真结果表明，相较于DQN和双重DQN(DDQN)算法，MP DQN算法具有更快的收敛速度、更短的追踪路径和更强的环境适应性。     

基于布尔感知模型的N段有向覆盖与 K重全向覆盖

针对无线传感器网络节点的布尔感知模型，在满足覆盖要求的条件下，文章对N段有向感知中邻近段之间等概率跳变或以恒定角速度ω扫描2种情况，分别给出传感器节点工作在有向感知模型下的分段数Ⅳ与全向模型下的覆盖重数K之间的关系表达式。之后，进一步对节点以恒定角速度∞扫描，考虑时间积累的条件下，给出了时间m、分段数N与覆盖重数K的表达式。通过以上研究，可以将有向感知模型的覆盖问题转化为求取全向感知模型下的覆盖重数问题。     

条件生成对抗网络的翼型反设计方法

针对变体飞行器实时控制翼型形状的需求，提出了基于深度学习的翼型反设计方法，利用多层感知机搭建了由生成器与判别器组成的条件生成对抗网络。生成器从带有随机噪声的气动参数中提取内在特征，习得特征到翼型的映射关系；判别器则将生成器产生的翼型或真实翼型与前述气动参数混合作为输入，输出该翼型为符合指定气动条件的真实翼型的概率。为了优化网络模型，研究并分析了噪声尺寸、超参数及网络结构对模型收敛性能的影响。训练好的网络模型即可根据给定的期望气动参数，快速生成配套的翼型。测试结果表明预测翼型与真实翼型的均方根误差的平均值为0.17%,耗时仅为23 ms,大大提高了设计精度与效率；并且在有噪声干扰情况下依旧保持良好的设计性能，增强了翼型设计模型的鲁棒性。研究成果可以应用于变体飞行器自适应在线最优气动构型控制。     

基于卡尔曼滤波的翼型表面压力实时重构方法

为实现基于稀疏数据的翼型表面压力实时重构，提出了一种基于压缩感知与卡尔曼滤波器的数据融合方法，该方法主要包括线下建立数据库和线上实时感知两部分。首先，在线下通过粒子图像测速技术、压敏漆、计算流体力学等方法对翼型表面压力进行全场采样，并采用本征正交分解对所测得的全场压力数据进行降维，建立含有主导相干流动结构的模态数据库以及各模态时间系数之间的状态转换关系。其次，在线上基于压缩感知，利用离散压力传感器所测量数据与压力场主导模态，通过求解L₁范数下的最优化问题，对各主导模态的时间系数进行初步求解。最后，将线下所得各模态时间系数之间的状态转换关系放入卡尔曼滤波器，作为其系统模型进行预测；将线上所求得各模态时间系数放入卡尔曼滤波器，作为其观测值进行校正。以CFD模拟翼型压力作为验证数据，对该方法的性能进行评估，结果显示：该方法与仅采用压缩感知进行重构对比，升力重构误差从18.15%减小至6.39%。     

基于多源数据融合的翼型表面压强精细化重构方法

在风洞试验模型表面布置测压孔是获得表面压力分布的重要手段，但受限于空间位置和试验成本，通常难以在复杂模型表面布置足量的测压孔获得完整的表面压力分布信息，直接积分获得的升力和力矩精度不足，因此提出了一种融合稀疏的风洞试验数据和数值计算（CFD）数据的方法，通过较少的风洞测压试验数据获得高精度的压力分布。首先通过本征正交分解技术提取数值计算数据的压力分布低维特征（POD基函数），然后利用稀疏的试验测压数据，通过压缩感知算法获得基函数的坐标，最后将坐标转化到物理空间重构出压力分布。利用定常固定翼型变状态以及变几何变来流状态算例验证该方法的精度，重构结果均能精确匹配试验结果。该重构方法可在一定程度上解决空间受限稀疏观测条件下的分布载荷精细化重构难题。     

翼型不确定性量化中正交匹配追踪的应用

不确定性在实际系统中广泛存在，为了研究不确定性因素影响下系统输出的随机响应特性，传统的不确定性量化方法如蒙特卡洛采样、混沌多项式展开等需要大量的样本，制约了在飞机机翼等复杂系统中的应用。近年来，在信号处理领域发展迅速的压缩感知技术，利用原始信号的稀疏性可以用少量的样本精确重构信号。这一特性促使研究人员探索将压缩感知技术应用于不确定性量化研究中。以RAE2822实际翼型为研究对象，使用类函数/形函数变换将原始翼型参数化，考虑加工、装配过程和实际飞行工况下的几何不确定性，将压缩感知技术与混沌多项式展开相结合，利用正交匹配追踪算法实现多项式系数的稀疏重构，获得翼型气动力系数和流场参数在考虑几何不确定性影响下的均值和标准差，并与蒙特卡洛采样和满秩概率配点法获得的结果进行对比。通过对收敛性能、样本数需求和重构精度等方面的对比分析表明，正交匹配追踪算法能够利用相对较少的样本获得与传统不确定性量化方法相近的精度。考虑到实际系统的随机响应在混沌多项式基底上大多具有稀疏的展开形式，因此将压缩感知技术应用到不确定性量化中可以显著降低样本数需求，从而降低时间成本，提高计算效率。