先进重构飞行控制技术和方法研究

重构飞行控制技术本质上是一种容错飞行控制技术，它使飞控系统具有适应未知故障和损伤的能力，从而可以有效地提高安全性和任务效能。先进重构飞行控制技术在原有的基础上更加强调自适应的能力，而不再依赖故障诊断和隔离（FDI）系统，因而促进了鲁棒控制、智能控制和逢适应控制技术在该领域的交叉和融合。首先回顾了重构飞行控制技术的发展现状，然后给出了几种先进重构控制方法，并总结了先进重构飞行控制技术的主要技术优势，最后展望了它的发展趋势和应用前景。     

非定常气动力的结构自适应神经网络建模方法

讨论了非线性非定常气动力的结构自适应神经网络模型建模方法,该方法具有同时进行结构辨识与参数辨识的优点;利用纵向大振幅强迫振荡风洞试验数据,验证了建模方法及所建模型的有效性,结果表明:结构自适应神经网络模型对非定常气动力有很好的逼近能力,由于采用飞行参数的时间离散数据作为输入量,模型可直接应用于飞行仿真研究。     

涡扇发动机性能参数指标论证方法

针对舰载战斗机用涡扇发动机在概念设计阶段,其总体性能和部件循环参数指标的选取与确定等难点问题进行了研究.通过分析舰载机的典型作战任务剖面,提出了发动机需要具备的性能要求;结合目前世界战斗机用涡扇发动机的发展趋势,给出了先进涡扇发动机性能与参数指标的范围;基于L-M算法神经网络模型,预测了涡扇发动机主要循环参数指标.经验证,预测的循环参数及提出的性能指标具有一定的有效性,为发动机概念设计时性能参数指标的选取与确定,提供了一种新的论证方法.     

径向基神经网络在非线性非定常气动力建模中的应用研究

基于南航NH-2风洞中某飞机模型大迎角大振幅单自由度偏航、滚转及偏航-滚转耦合的谐波、阶跃运动实验数据,应用径向基神经网络,研究人工神经网络描述非线性非定常气动力特性的能力.研究结果表明,所建立的径向基神经网络模型的预测结果与训练数据和验证数据都符合得很好,说明神经网络建模方法可以有效地对高度非线性的气动力进行建模.研究还表明,用神经网络建立模型时所需要的风洞实验数据可以减少,从而提高风洞实验效率、减少风洞实验的时间和成本.     

前向神经网络快速学习算法在发动机模型辨识中的应用

介绍一种采用前向神经网络辨识发动机非线性模型的快速学习方法,与现有同类方法相比,该方法采用矩阵的QR分解求解线性方程组,解决了维数过高的矩阵直接求逆带来的解失真问题,并把这种方法应用于航空发动机的非线性模型辨识。算例仿真验证了算法的可行性。      

小波包分析在内燃机车静液压齿轮箱故障诊断中的应用

本文简述了小波变换的基本原理及利用小波包对振动信号进行分解的方法。小波分析良好的时频局部化性质，适于检测正常信号中夹带的瞬态反常现象并展示其成分，这在旋转机械状态监侧及早期故障诊断中具有重要意义。本文给出利用小波包分析在内燃机车静液压齿轮箱故障诊断中提取微弱轴承冲击故障特征的实例。     

航空相机的关键技术分析

论述了航空相机CCD相机的发展概况,对涉及远距倾斜式航空数字侦察相机的几个关键技术进行分析,估算出大气效应对分辨率的影响,指出像移的成因和自动调焦实现的必要性,最后对航空侦察图像的压缩技术进行了简要分析.     

基于自组织拓扑映射图的发动机故障诊断研究

根据SOM自组织网络的高维数据矢量量化、快速聚类、信息融合和拓扑映射等特征,建立了发动机故障诊断可视拓扑映射图模型,给出了映射模式误差测度和拓扑误差测度,并通过拓扑映射图对发动机故障进行诊断,获得了很好的效果。同时,进一步通过建立的故障模式的测量参数灰度图,可以清晰地观察到故障模式矢量特征、测量参数相关性特征、参数变化趋势,并可进行更深层次故障机理分析。     

漂浮基空间机械臂姿态、关节协调运动的模糊小波神经网络控制

讨论了本体姿态受控、位置不受控制的漂浮基空间机械臂系统协调运动的动力学控制问题. 根据系统位置几何关系、动量守恒关系和第二类拉格朗日方程, 建立漂浮基空间机械臂系统的动力学方程. 在此基础上, 针对系统参数未知的情况, 设计了一种采用小波基函数作为模糊隶属度函数的模糊神经网络控制器, 以控制空间机械臂的本体姿态和机械臂两关节铰协调地完成各自在关节空间的期望运动. 其特点是不要求系统动力学方程关于惯性参数呈线性函数关系, 甚至不需要知道系统参数;而且网络权值是采用反向传播算法根据误差进行在线学习, 使模糊神经网络获得更强的自学习和自适应能力, 同时也节省了离线学习的时间. 系统数值仿真的结果证实上述控制方案是行之有效的.     

基于RCMAC网络的动态逆再入制导方法研究

针对升力式再入飞行器的制导问题,首先利用准平衡滑翔原理给出标准的阻力加速度．速度剖面,并对阻力加速度跟踪制导原理进行分析,然后利用自回归小脑模型神经网络（RCMAC）网络良好的非线性逼近能力、泛化能力和自学习能力,采用基于RCMAC网络的动态逆方法实现对阻力加速度的跟踪,并证明闭环系统的稳定性．三自由度仿真结果表明,该制导方式降低了动态逆方法对模型的依赖,增强了制导系统的鲁棒性．