多智能体离散时间系统一致性研究

研究了无向连通图条件下带有输入延时的多智能体离散时间系统一致性问题,分析了多智能体系统一致性问题和离散时间系统稳定性之间的本质联系。利用广义Nyquist稳定性判定准则和矩阵特征值相关理论,推导出多智能体离散时间系统在信息交换拓扑为无向连通图且带有输入延时的条件下达到渐近一致的充分条件。仿真结果与理论分析相符,在无向连通图条件下,当输入延时小于或等于该充分条件给出的标准延时,多智能体系统可以达到渐进一致。     

大范围运动柔性结构动力学离散方法比较研究

关于大范围运动柔性结构的刚柔耦合特性的研究已经取得了很大进展,但是针对结构变形场离散方法的研究相对较少,采取合理的离散方法对柔性结构的研究具有举足轻重的作用。以单臂柔性机械臂为例,对大范围运动柔性结构动力学离散方法——假设模态法、有限元法和广义坐标法进行了归纳,并对在平面内运动的匀质和非匀质单臂柔性机械臂的动力学响应进行了计算,进而对各种离散方法进行了比较研究。     

有限差分法的坐标变换诱导误差

有限差分法应用于具有复杂外形的网格时需要进行坐标变换,在此过程中经常会引入坐标变换诱导误差。在柱坐标系下使用均匀网格进行均匀流场计算,计算结果表明,即使物理坐标对计算坐标的变换函数连续可导、计算过程中坐标变换系数直接采用准确的解析式、网格完全正交并且充分光滑,也无法避免坐标变换诱导误差。理论分析表明,产生坐标变换诱导误差的机理是笛卡尔坐标系下的守恒型欧拉方程变换至贴体坐标系下后增加了源项。针对该问题,目前国内外学者通常采用几何守恒律,构建与差分格式相匹配的坐标变换系数计算方法来消除源项。本文介绍了从包含源项的离散等价方程基础上直接进行离散的新算法,在此基础上针对非等距网格条件下MUSCL类格式重构过程进行误差分析,理论推导表明重构中需要考虑非等距插值公式的影响系数,将变量转换至计算空间内进行MUSCL重构才能保证该过程具有均匀网格下的插值精度。通过理论分析及数值实验证明新算法对于均匀流场完全不会引入坐标变换误差。     

基于LMI和离散模型的航空发动机压气机传感器鲁棒故障诊断

针对航空发动机压气机健康监测提出了一种基于线性矩阵不等式(LMI)和H_∞优化理论的航空发动机压气机传感器鲁棒故障诊断的方法.在航空发动机具有模型不确定性和外界噪声的情况下,应用基于神经网络的线性拟合方法实现航空发动机压气机离散模型的建立;并通过LMI和H_∞优化问题的求解得到未知输入观测器的设计参数,实现具有强鲁棒性的传感器故障诊断.该方法比以前研究中未知输入观测器故障诊断方法的优点在于能够同时处理模型不确定性和外界噪声.应用ALSTOM公司提供的燃气涡轮压气机模型进行了仿真验证,在压气机具有白噪声模型误差和正弦外界干扰的情况下,实现对小于测量范围2%的传感器故障的检测和诊断.      

飞行器舱室突发污染源散发强度动态辨识

诸如载人航天器和大型飞机等密闭微环境,随着人员停留时间的延长,舱室突发污染 问题已成为危害工作人员生命安全的主要因素,所以迫切需要开展突发不确定污染源辨识及 危害性预测研究技术,以提高上述密闭环境主动应对突发污染的能力。本文提出一种新的浓 度离散随机模型,并建立敏感性分析方法实现污染源定位及强度初步估计,之后利用隐式与 显式卡尔曼滤波相结合的方法同时完成污染源散发特性的动态辨识及舱室空气污染物的浓度 预测。上述研究能够实现污染源散发特性的快速准确辨识。仿真结果证实了该算法的有效性 。
     

基于解析梯度的微推进转移轨道优化方法

 研究基于离散脉冲策略的行星际微推进转移轨道优化问题,为改善收敛性和计算效率,提出了一种解析的梯度矩阵计算方法。首先,基于离散脉冲思想建立了行星际微推进转移轨道优化模型,通过对速度脉冲矢量进行参数变换,避免了传统优化模型初值猜测和搜索域难以界定的缺点;然后,基于变分原理分析了离散脉冲模型中轨道状态转移矩阵与状态变分之间的关系,并给出了多种轨道特征条件下状态变分的计算方法,该方法可扩展到多次状态不连续情况;在此基础上,推导了离散脉冲轨道优化模型中性能指标与轨道约束对寻优参数梯度矩阵的解析表达式。以地球-火星的燃料最省微推进转移为例对所提解析梯度方法进行了仿真验证。数值结果表明：本文推导的解析梯度矩阵是正确的,与传统数值梯度计算方法相比,解析梯度矩阵可有效改善寻优算法的收敛特性,并能够提高计算效率约47%。     

低频线振动台系统的离散重复控制

分析离散重复控制系统的稳定性和位置误差收敛性,在此基础上给出了离散重复控制器参数选择的依据。在离散重复控制器的时滞环节中串联一个超前补偿环节,分析所得的离散重复控制系统对周期性外部信号的跟踪/抑制性能,而且给出超前补偿环节参数选择的依据。并通过低频线振动台验证了其有效性。     

基于过程神经网络的液体火箭发动机状态预测

提出一种基于极限学习算法的离散过程神经网络模型,用于解决液体火箭发动机状态预测这一难题。首先,在历史数据的基础上建立离散过程神经网络（DPNN）预测模型;然后,根据在线更新的数据样本,采用递推极限学习（EL）算法对双并联前馈离散过程神经网络（DPFDPNN）隐层到输出层的权值进行更新,并应用权值更新后的过程神经网络对发动机状态进行预测;最后,以液体火箭发动机状态预测中氢涡轮泵扬程预测为例,分别采用有权值更新和无权值更新两种预测模型进行了试验。结果表明,通过更新过程神经网络权值可以使模型具有更高的预测精度和更好的适应能力,该方法能够为液体火箭发动机状态预测提供一种有效的解决途径。      

一个时限信号采样定理及其在数据压缩中的应用

证明了一个时限信号采样定理，该定理指出：（１）对于一个带限信号，如果样点按照Ｎ阶Ｃｈｅｂｙｓｈｅｖ多项式的零点位置分布，则可在有限的时间长度之内获得信号的近似最佳一致逼近，在采样密度大于Ｎｙｑｕｉｓｔ率２．１３５倍的条件下，截断误差的上界随着样点个数的增加呈指数衰减；（２）若用Ｃｈｅｂｙｓｈｅｖ多项式的线性组合形式进行内插，内插过程稳定。将此结果用于数据压缩可得到一个结合非均匀采样的ＤＣＴ方法。计