折叠翼飞行器发射段鲁棒非线性控制系统设计

为解决折叠翼飞行器在发射段各项特性变化较大、对飞行控制律鲁棒性要求较高的问题,设计了一种以块控反步法为基础的自适应鲁棒非线性控制器.在发射段动态模型基础上,该控制器采用径向基函数( RBF)神经网络自适应逼近飞行器特性变化时的系统未知不确定性和干扰,通过在虚拟控制律中引入动态面控制技术避免多重微分运算,克服了传统反步法...     

构件裂纹缺陷的超声识别

将小波包多分辨率分析与能量谱相结合,提出了金属材料缺陷特征提取的方法(小波包子带能量比较法)及不同缺陷的识别方法(小波分形神经网络法)。选取最能反映缺陷特征的参数——"能量特征向量"作为特征参数,进行缺陷的特征提取。缺陷的识别方法将小波包分解后各子带系数的分形维数作为特征矢量,对其进行径向基神经网络训练,从而可很明显区分出有无裂纹以及不同裂纹信号。以航天发射塔架钢连接构件疲劳裂纹超声检测信号为例,使用所提出的特征提取和模式识别方法,结果表明是行之有效的新方法,为金属材料缺陷检测与识别开拓了新思路。     

沸腾换热在水卡式大热流传感器研制中的应用

为了实现MW级热流环境的长时间稳态测量,研制了一种新型结构的水卡式大热流传感器。该传感器采用U型水冷通道结构,基于沸腾换热理论进行换热设计,设计量程5~15 MW/m~2。在高温超声速燃气流试验台上进行了热流测试试验,实际测试量程3~25 MW/m~2。沸腾换热理论的应用可以在较小的水流速下实现MW级热防护,大大降低了设计难度。新型结构传感器相对传统的中心冲击结构换热效率更高,可实现的量程范围更大。     

基于深度学习的组合体航天器模型预测控制

利用模型预测算法先预测控制结果后控制的类人行为特点,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的模型预测控制算法,满足航天工程低硬件需求,实现组合航天器多场景下姿态控制律的重构。该算法首先利用模型预测控制将组合航天器从初始状态控制到预期状态,然后将控制过程中状态量用于3层3核卷积神经网络的训练,训练完成后,用该卷积神经网络代替模型预测对组合航天器进行控制,从而降低计算资源需求。仿真校验表明：该算法可预测5个控制周期内的控制参数,相比传统模型预测算法所需硬件计算时间降低约5倍,在一般硬件环境下30 s内即可完成各场景下的组合航天器姿态控制,控制精度在10 -4 量级。     

高度-速度剖面内再入轨迹快速规划

提出一种升力式再入航天器进入稠密大气后的轨迹规划方法。在预先设定攻角剖面的前提下,利用路径约束(驻点热流、动压和过载)在高度-速度(H-V)剖面内直接获得轨迹下边界;利用终端约束确定以轨迹下边界为基准的高度增量,进而通过下边界与高度增量的加和形成满足要求的再入轨迹。其中,增量的形式选取为分段二次型函数,其大小可通过割线法快速获得。倾斜角大小可根据纵向动力学方程反解得到,其方向依据航向误差角走廊确定。通过对典型工况的仿真,结果表明所提方法能够快速规划出再入轨迹,且适应性好。     

考虑移动目标不确定行为方式的轨迹预测方法

针对现有方法难以预测出符合飞行移动目标不确定行为方式轨迹的问题,提出基于逆强化学习的飞行移动目标轨迹预测方法,通过学习目标行为偏好以及模拟目标行为决策过程的方式预测目标的移动轨迹。首先基于深度神经网络建立目标的行为决策模型与行为偏好模型,然后通过最大熵逆强化学习方法交替地学习模型参数。为了有效地学习目标的不确定行为特征,采用监督学习的方法学习出目标示例轨迹概率分布模型,用于指导目标行为偏好模型的训练以及初始化目标行为决策模型,同时通过对目标行为偏好模型进行预训练的方式提高其训练质量。仿真结果表明,提出的飞行移动目标轨迹预测方法可通过学习到的目标行为决策模型较为准确地模拟目标的行为方式,预测的目标轨迹分布与真实的目标轨迹分布在Kullback Leibler(KL)散度下的相似度可达0.24。     

一种星-箭连接动态界面力的深度学习反演方法

针对于星-箭连接动态界面力无法通过力传感器直接测量,且典型时域动载反演方法难以准确计算界面力的时域变化等难点,提出了基于长短时记忆(LSTM)神经网络的星-箭界面力深度学习反演方法。首先通过卫星地面测试试验得到数据依据,以卫星主体结构的加速度测量数据为输入层,以星-箭界面力测量数据为输出层,利用LSTM神经网络建立输入和输出间的反演映射关系模型,实现卫星在发射过程中较高精度的界面力反演。进而,设计并开展了某典型卫星结构的正弦扫频和随机振动实验,测试LSTM界面力反演方法的可行性。结果分析可知,所提出的基于LSTM深度学习反演方法能够精确地获得动态界面力时程数据,两项性能指标均优于目前典型的载荷反演方法。     

基于优化多尺度排列熵和卷积神经网络的滚动轴承故障诊断方法

针对滚动轴承故障分类中特征信号微弱、信号非线性和多尺度特征难提取的问题,提出基于优化多尺度排列熵（MPE）和卷积神经网络（CNN）的滚动轴承故障诊断方法：通过改进自适应噪声完备集合经验模式分解（ICEEMDAN）对轴承信号进行分解和重构,实现信号降噪;通过粒子群算法（PSO）对MPE进行优化,提出PSO-MPE特征提取方法,参数优化后的MPE能够提取更为关键的特征信息;将所得的排列熵输入到CNN中进行故障分类以及降维可视化分析。以凯斯西储大学开放轴承数据库样本为测试对象,将文章所提出的ICEEMDAN-PSO-MPE-CNN方法与ICEEMDAN-PSO-MPE-RNN、CEEMDAN-SVM、ICEEMDAN-PSO-MPE-SVM等方法进行纵向和横向对比分析,结果表明改进方法的分类准确率和效率更高,在T-SNE可视化下的分类效果更明显,能够实现滚动轴承故障的高精度和高效率检测。     

影响行波型超声马达真空低温性能的因素

在真空低温的苛刻环境下,测试了盘形行波型超声马达的负载特性和转速稳定性。引 入输出总功率的概念,分析了在真空低温下超声马达的驱动特性变化情况。针对超声马达的 结构组成,探讨了几个影响非常态下超声马达驱动性能的因素,如胶粘剂、摩擦材料、压电 陶瓷等,为非常态下的超声马达结构设计提供指导。结果表明,随着温度降低,压电陶瓷的 压电性能下降,但采用低温胶制作定子时,超声马达在低真空和低温-80℃环境 下仍能运行。Ekonol基复合材料的摩擦性能受温度的影响较小,适合低温使用。