氢气/氧气/稀释气混合气高温高压下层流燃烧速度的测量

利用定容燃烧弹和高速纹影摄像系统,研究了高温高压条件下,不同稀释气和稀释系数对氢气/氧气/稀释气混合气层流燃烧速度的影响,获得了当量比为0.6~4.0,初始压力为0.1~0.5MPa,稀释系数为4~8的氢气/氧气/稀释气混合气的层流燃烧速度,并对其进行了数值模拟。实验和模拟均发现,在当量比小于1.0和大于3.0的范围内,层流燃烧速度均随初始压力升高而降低。而在当量比为1.0~3.0范围内,层流燃烧速度随初始压力升高呈现非单调变化的规律。通过敏感性分析发现三体反应（R15）在氮气作为稀释气的时候是抑制反应,而在氩气和氦气作为稀释气时是促进反应,主要是由于各稀释气热物性不同引起的。在当量比为1.0~3.0范围内,层流燃烧速度随初始压力升高呈现的非单调变化主要是链分支反应R1和链终止反应R15相互竞争的结果。      

基于CPSO的UAV编队集结路径规划

针对多无人机编队集结路径规划问题,提出了具有合作机制的分布式协同粒子群(CPSO)算法。为了满足无人机运动学约束,采用曲率连续的PH曲线作为备选路径。基于协同进化思想提出CPSO算法,为每架无人机规划出一条满足机间协同约束的最优安全可飞行路径。仿真结果表明,规划得到的多条路径能够满足无人机运动学约束、安全性及无人机之间的协同性要求;相比于协同进化遗传算法,CPSO算法搜索成功率更高,稳定性更好。     

基于IPSO Elman神经网络的航空发动机故障诊断

为提高航空发动机故障诊断的精度,提出改进粒子群优化的Elman神经网络对航空发动机故障诊断的方法。利用MIV(平均影响值)对神经网络的输入端自变量进行筛选,降低输入维度;采用改进粒子群优化算法对Elman神经网络的权值和阀值进行优化,并对优化的神经网络进行训练;用训练好的神经网络对航空发动机故障进行诊断并与常规的BP（back propagation）、Elman神经网络、GM（1,n）、SVM (support vector machines)进行对比。仿真结果表明:IPSO Elman(improved particle swarm optimization Elman neural network)神经网络的诊断误差在不同数量训练样本时都小于其他方法,并且在参选故障诊断的性能参数不同时,其诊断误差相近,展现出较强的适应能力。      

基于SRAM型FPGA单粒子效应综合防护技术

为解决基于SRAM(Static Random Access Memory,静态随机存储器)型FPGA(Field Programmable Gate Array,现场可编程门阵列)的扩频应答机在空间环境中时常发生功能故障的难题,提出了一种低轨卫星基于SRAM型FPGA的应答机的单粒子综合防护方案。该方案在代码级、器件级、单机级、整星级综合采用器件优选、结构屏蔽设计、巡检自愈、自主复位等多种方法,有效杜绝了单粒子事件带来的种种危害,已成功应用于某在轨卫星。在轨测试结果表明:遥测、遥控、跟踪测量等功能、性能指标满足任务要求,且未发生需要地面干预的问题或现象。该技术还可推广应用于其他采用低等级器件及其他类型FPGA、DSP(Digital Signal Processing,数字信号处理)等大规模集成电路的星载单机防护。     

基于混合粒子群算法的上升段交会弹道快速优化设计

基于梯度搜索的高效性和粒子群搜索的随机性,提出了一种混合粒子群算法,并应用该算法研究了运载火箭上升段交会弹道快速优化设计问题.以运载火箭与目标飞行器在交会时刻的距离最小为目标函数,设计了运载火箭飞行程序,建立了运载火箭上升段交会弹道优化模型,同时分别采用混合粒子群算法、遗传算法和粒子群算法进行求解.仿真结果表明:基于本文算法对运载火箭上升段交会弹道进行优化设计,平均交会位置误差为4.137m,较遗传算法减少了17.940m,平均优化耗时488.922s,较粒子群算法缩短了2342.125s.混合粒子群算法搜索速度较快,收敛精度较高,可用于运载火箭上升段交会弹道的快速优化设计.      

基于早期数据的航天测控软件缺陷预测

为提高航天测控软件的质量与可靠性,提出一种基于改进的PSO-SVM(Particle Swarm Optimization-Support Vector Machine,粒子群优化支持向量机)方法的航天测控软件缺陷预测模型。针对航天测控软件领域特征,构造了基于软件生命周期的软件度量集,并收集了实际航天测控软件的度量和缺陷数据,通过对软件历史版本数据的学习,在软件当前版本的生命周期早期数据的基础上进行缺陷预测。实例应用结果表明,采用历史版本软件数据对当前软件版本进行缺陷预测,从全局来看可达90%的预测准确度。因此,该方法可用于对航天测控软件的缺陷预测。     

商用飞机成本指数方法及其案例研究

成本指数功能是现代商用飞机设计中不可或缺的功能之一,是航空公司实际运营过程中节约成本的有效手段。描述了商用飞机成本指数和经济飞行速度的定义与计算方法,并选取了典型支线飞机作为案例,验证了该计算方法的正确性和实用性。可用于航空公司实际飞机运营和飞机制造商经济飞行速度功能的开发。     

一种改进的多目标粒子群优化算法

为了增强多目标粒子群优化算法的收敛性与多样性,提出一种改进的多目标粒子群算法.采用Kent映射对种群进行初始化,并将目标空间均匀划分为若干扇形区域;基于一种新的多样性和收敛性判定标准,选取合适的收敛性最优解和多样性最优解,并提出一种改进的粒子群更新公式进行全局搜索;采用聚类算法对外部种群与坐标轴夹角进行分析,维护外部种群.通过标准测试函数的仿真实验,与多目标优化算法基本MOPSO(Multi-objective Particle Swarm Optimization Algorithm)和NSGA-II(Nondominated Sorting Genetic Algorithm II)进行对比,结果表明了该改进算法的有效性.     

基于粒子滤波和不确定图的动态系统诊断方法

在动态系统基于模型诊断中,状态空间大小与元件个数、时间是双指数关系.K-Best枚举方法每个时刻只考虑K个可能性最大的状态,有效减小了枚举空间,但当系统复杂庞大或诊断周期长时,状态更新仍是一项巨大工程.提出一种结合粒子滤波和不确定图的动态系统诊断方法PF_LUG,利用粒子在状态空间的分布近似其概率,并用不确定图标签的反向匹配代替传统的正向轨迹枚举.算法有效解决了由时间导致的计算量增长问题,使时间对复杂度的影响由指数运算降为乘积运算.仿真结果表明该算法的运行时间相对诊断周期线性增长,比K-Best枚举有明显优势.     

基于聚类PSO算法的舰载机舰面多路径动态规划

对舰载机舰面多路径动态规划问题,提出了基于聚类粒子群(PSO,Particle Swarm Optimization)算法进行解决的方法.首先建立了舰载机舰面多路径动态规划问题数学模型;其次,在建立航母舰面环境模型、舰载机"凸壳"模型、碰撞检测模型的基础上,利用聚类PSO算法进行问题求解;最后,通过编制程序对该解决方法予以实现.仿真结果表明利用聚类PSO算法所求解的结果比较精确,且计算效率也符合实际要求.因此基于聚类PSO算法对舰载机舰面多路径动态规划问题进行求解是可行的.