导弹电动舵机伺服控制器的设计

在分析导弹电动舵机系统工作原理的基础上,采用了高性能数字信号处理器(DSP)和集PWM的功率驱动芯片SA60来实现四台他励直流有刷电机的集中控制.并运用位置环、转速环和电流环的三环控制算法,实现了新型全数字导弹电动舵机位置伺服功能.     

电动密集架控制技术的研究

本文主要研究了计算机网络控制电动密集架的动力系统、安全保护措施和数据库管理的功能特点。     

电动舵机快速设计技术研究

针对电动舵机常用的几类典型结构,分析了电动舵机组成及设计流程,并对电动舵机各类零件形状特征信息进行分类,得到了尺寸关系模型.采用VB对CATIA软件进行二次开发,建立电动舵机各个典型零件的建模函数,并利用ACCESS建立了电动舵机零件数据库,实现了舵机产品零件的数字化快速设计.     

小型电动无人机续航性能提升方法研究

电动无人机是目前无人机领域的一个重要组成部分。从作战技术指标出发,着重讨论了电动无人机的续航时间,给出了续航时间与气动参数之间的关系。以遗传算法为工具,进行了无人机总体参数的多目标优化,获得了提高无人机续航性能的最佳总体参数组合。以某型近程无人机为例进行了计算,实例结果表明,本方法是合理的。     

滑模变结构控制方法在电动舵系统中的应用研究

负载扰动对电动舵系统有着很大的影响,进而影响飞行器的飞行过程。为了解决这个问题,本文提出一种滑模变结构方法来控制电动舵系统。为了验证所提出的控制方法,给出了在不同的参数条件下的仿真结果。仿真结果表明本文所提到的控制方法对负载扰动有很好的鲁棒性。所以这种方法适合飞行环境复杂和负载变化剧烈的飞控系统。     

基于样本分位数的机载燃油泵故障状态特征提取及实验研究

机载燃油泵的健康状态关系着飞行任务的完成和飞行安全,对机载燃油泵的故障状态特征提取及诊断成为亟需解决的问题。通过对机载燃油实验系统的振动与压力信号进行综合分析,提出了一种基于样本分位数的故障状态特征提取方法。首先,根据样本分位数的渐近分布定理,讨论了样本分位数的统计特性,分析了故障状态与样本分位数的对应关系,从理论上保证了该方法的可行性,在实测数据统计分析的基础上,讨论了样本容量对样本分位数稳定性的影响;其次,根据样本分位数渐近分布定理计算各故障状态的置信区间,并与Bootstrap方法得到的置信区间进行对比,结果显示,依据样本分位数渐近分布定理得到的置信区间真实可靠,为在线故障诊断提供了依据;然后,以各故障状态下提取的样本分位数为特征向量构建贝叶斯判别函数,进行故障诊断;最后依据故障诊断的正确率对传感器进行优化,结果表明,同时安装振动传感器与压力传感器可以提高故障诊断的正确率,并且只安装1个压力传感器与1个特定方向的振动传感器即可对机载燃油泵的故障状态进行完全识别。为快速准确的在线判断机载燃油泵的状态提供了理论支撑,并且可以降低工程应用中机载燃油泵监测系统的体积、功耗及复杂性。     

基于代理模型的航空燃油泵空化性能分析

基于代理模型的整体敏感度分析方法,对影响燃油泵空化性能的结构参数（即诱导轮出口安放角和叶轮进口安放角）进行了分析,得到影响泵空化性能的主要因素,并对燃油泵的结构参数进行了优化。研究中,采用基于旋转修正的k-ε湍流模型及Zwart空化模型对优化前后的燃油泵空化流场进行了计算。结果表明：在一定变化范围内,叶片安放角对燃油泵的外特性影响较小,对燃油泵空化特性影响较大;其中,叶轮进口安放角对燃油泵空化性能有较大影响,随叶轮进口安放角的增大,燃油泵空化性能呈先下降后上升的变化趋势;优化后诱导轮出口安放角和叶轮进口安放角分别增大了4.4°和3.2°,满足Pareto最优解,燃油泵的空化性能较优化前提高了18%左右。     

电动无人机动力系统优化设计及航时评估

为提高电动无人机续航性能,针对动力系统进行了优化设计,并提出了相应的航时评估方法.首先采用涡流理论优化设计了小型螺旋桨,再通过实验测试优化选取了与螺旋桨高效率匹配的电动机.同时,考虑到锂离子电池放电倍率及电压降低对放电时间的影响,建立了恒功率条件下电池放电时间计算模型.最后,根据优化得到的动力系统和电池计算模型,推导出有弯度机翼的电动无人机航时公式.某电动飞翼布局无人机飞行试验结果显示,优化得到的动力系统具有较高的效率,测试得到的无人机续航时间与评估得到的理论值误差为12%,在允许误差范围内吻合较好.      

某型航空发动机高低压电动驱动装置的研制与应用

针对某型航空发动机高低压压气机的外部驱动设备情况,分析总结其驱动扭矩、驱动转速,设计信号处理电路,利用数字信号处理器和伺服控制系统完成信号的采集、处理及电机的驱动,通过手持机软件及无线数据交互系统,实现了对伺服电机的控制、异常处理、自动化检测,研制出某型航空发动机高低压电动驱动装置。     

基于BOWA小脑模型的高精度稳定 电动加载系统

 随着电动加载系统的不断发展,对控制精度、动态特性和稳定性提出了更高的要求,常规的小脑模型(CMAC)和PD控制相结合的复合控制策略难以满足加载指标要求。针对无人机舵机电动加载系统的控制需求,提出了一种基于平衡学习、最优权值和自适应学习率的新型小脑模型(BOWA-CMAC)复合控制策略,它在保留小脑模型算法正常学习过程的同时,避免了算法的过学习现象,保证了系统的稳定,同时提高了跟踪精度和动态特性。仿真和实验结果表明,BOWA-CMAC复合控制策略具有很强的鲁棒性,抑制了加载系统的多余力矩,保证了系统的稳定性,有效提高了系统的跟踪精度和动态特性,非常适合于实时控制。