层次分析法在仿真系统可信度评估中的应用

以某仿真试验验证系统为例,在仿真试验验证系统VV&A 工作的基础上,运用层次分析法（A HP）对仿真试验验证系统的可信度进行了评估,得到了量化的可信度评估结果。该方法直观、条理性强、切实可行,具有一定的实际应用价值。     

基于释热率分析的钝体贫油熄火过程分析

针对锥形钝体稳定的甲烷-空气预混湍流火焰复杂的熄火过程,采用大涡模拟(LES)与输运方程概率密度函数(TPDF)湍流燃烧模型相结合的模拟方法,研究远离熄火、近熄火及熄火点的火焰和释热率(HRR)数值变化情况,定量分析熄火判据。结果表明:冷态速度模拟结果和实验的相对均方根误差在10%以内,热态误差在20%以内;释热率是否出现在OH和CH₂O重叠的区域,是判断熄火的一个重要参数;远离熄火时,释热率高的区域主要沿内侧剪切层出现;近熄火工况下,释热率在流向轴上闭合,回流区下游也出现较大的释热率;熄火点工况下,较大释热率的区域在回流区下游和上游均有出现;模拟预测的熄火情况和实验PLIF结果一致;平均释热率可作为判断熄火的定量依据,即当钝体后方0.2d处内侧剪切层平均释热率与回流区平均释热率的比值小于4时,发生熄火。      

基于IoU约束的孪生网络目标跟踪方法

基于孪生网络的跟踪方法通过离线训练跟踪模型,不需要对跟踪模型进行在线更新,兼顾了跟踪精度和速度。现有孪生网络目标跟踪方法使用固定阈值选择正负训练样本易造成训练样本漏选问题,且训练时分类分支和回归分支之间存在低相关性问题,不利于训练出高精度的跟踪模型。为此,提出了一种基于交并比(IoU)约束的孪生网络目标跟踪方法。通过使用动态阈值策略根据预定义锚框与目标真实框的相关统计特征,动态调整正负训练样本的界定阈值,提升跟踪精度。所提方法使用IoU质量评估分支代替分类分支,通过锚框与目标真实框之间的IoU反映目标位置,提升跟踪精度,降低模型的参数量。在数据集VOT2016、OTB-100、VOT2019、UAV123上进行了对比实验,所提方法均有较好的表现。在VOT2016数据集上,所提方法的跟踪精度比SiamRPN方法高0.017,期望平均重叠率为0.463,与SiamRPN++相比仅差0.001,实时运行速度可达220帧/s。      

非恒定增压式微尺度拉瓦尔喷管流动特性

针对微尺度喷流在航天器运动状态切换时出现的非恒定增压变化,采用直接模拟蒙特卡洛(DSMC)方法对阶跃式增压和线性式增压两种模式下的微尺度拉瓦尔喷管流场进行了模拟,并对其变化过程中的流动特性进行了对比分析。结果显示：阶跃式增压会导致流动特性出现较大幅值的峰谷式波动,而线性式增压下的流动特性则呈现出线性变化的特点;黏性力对微尺度喷流的非恒定增压变化产生了重要的黏滞作用,在喉部扩张段至出口的流场中尤为明显;在设定的条件下,阶跃式增压过程中喷流产生的总冲量较线性式增压高59.5%,质量流量高74.7%,单位工质提供的冲量低约8.6%,波动性也高于线性式模型,阶跃式增压适用于系统需要较大推力改变运动状态且推进剂充足的情况,而线性式增压在系统精确微调或需要推进剂产生更高效能时具有明显的优势。     

Ni3Al（Zr）合金的高温环境脆性

Ni3Al(Zr)合金在700～1 050°C之间存在低塑性区,无论在空气还是在真空中,都表现出脆性的沿晶断裂,塑性很低.在拉伸过程中形成的致密氧化铝薄膜能够有效地阻止氧向基体中扩散,减少环境脆性,提高合金的高温塑性.活性元素Zr能够与氧原子相互作用,减少裂纹沿晶界扩展,改善合金的高温塑性.     

基于3D-Winograd的快速卷积算法设计及FPGA实现

近年来,卷积神经网络（CNN）已被计算机视觉任务广泛采用。由于FPGA的高性能、能效和可重新配置性,已被认为是最有前途的CNN硬件加速器,但是受FPGA计算能力、存储资源的限制,基于传统Winograd算法计算三维卷积的FPGA解决方案性能还有提升的空间。首先,研究了适用于三维运算的Winograd算法一维展开过程;然后,通过增加一次性输入特征图和卷积块的维度大小、低比特量化权重和输入数据等方法改善CNN在FPGA上的运行性能。优化思路包括使用移位代替部分除法的方法、分tile方案、二维到三维扩展及低比特量化等4个部分。相对传统的二维Winograd算法,优化算法每个卷积层的时钟周期数减少了7倍左右,相较传统滑窗卷积算法平均每个卷积层减少7倍左右。通过研究,证明了基于一维展开的3D-Winograd算法可以大大减少运算复杂度,并改善在FPGA运行CNN的性能。      

基于DDPG算法的变体飞行器自主变形决策

针对变体飞行器的自主变形决策问题,提出了一种基于深度确定性策略梯度(DDPG)算法的智能二维变形决策方法。以可同时变展长及后掠角的飞行器为研究对象,利用DATCOM计算气动数据,并通过分析获得变形量与气动特性之间关系;基于给定的展长和后掠角变形动力学方程,设计DDPG算法学习步骤;针对对称和不对称变形条件下的变形策略进行学习训练。仿真结果表明:所提算法可以快速收敛,变形误差保持在3%以内,训练好的神经网络提高了变体飞行器对不同飞行任务的适应性,可以在不同的飞行环境中获得最佳的飞行性能。      

一种分布式异构多AUV任务分配鲁棒拍卖算法

为了解决异构多自主式水下航行器(AUV)的任务分配问题,提出了一种分布式鲁棒拍卖算法。建立了异构多AUV任务分配分布式拍卖模型,包括任务分配系统(拍卖商)的优化模型及AUV的优化模型。针对现有拍卖算法忽略拍卖商的利益,不符合市场规律的问题,引入任务奖励反馈机制,任务分配系统通过多轮试探拍卖市场,自适应地调整任务奖励,达到保证AUV效用的同时,有效降低任务分配系统成本的目的,促进了任务分配系统参与拍卖。针对水下洋流对任务分配模型产生的不确定性因素,提出了一种鲁棒优化算法对抗不确定性因素,提高了多AUV任务分配系统应对复杂水下环境的能力。仿真结果证明了所提算法的鲁棒性和有效性。      

下肢康复机器人动力学建模约束违约抑制

U-K理论为获得约束多体系统的解析动力学方程提供了新的理念,但由于数值近似和截断误差等因素的影响,动力学方程在位置和速度层面上存在约束违约。Baumgarte约束违约稳定法（BSM）通过约束修正得到稳定的动力学方程。然而,Baumgarte参数的选择通常涉及一个试错过程,可能会出现失效的仿真结果。为此,利用经典的四阶Runge-Kutta法研究了Baumgarte参数选取问题,创建了基于BSM修正后的U-K理论的机器人系统解析动力学方程。以下肢康复机器人为研究对象仿真分析,结果表明:利用所提方法可以有效抑制约束违约,关节角度误差控制在-5×10-3（°）~5×10-3（°）范围内;关节角速度误差控制在-2×10-4~2×10-4 rad/s范围内;机器人末端执行器运行轨迹能够很好地贴近系统预定的目标。