旋转充液系统全飞行过程非线性动力学仿真

本文考虑一类刚认耦合的旋转充液系统的飞行动力学问题，在依据力学变分原理给出基本方程，导出全飞行过程运动状态方程的基础上，建立了相应的仿真模型。可能通过对Navier-Stokes方程求解和液体流动的惯性波振动特性，给出液体的反作用力矩。经过仿真实验，分析角运动的时间序列，给出了比较详尽的飞行不稳定机制分析结果。     

多级串联密封系统泄漏规律及应用研究

多级串联密封结构的泄漏过程非常复杂,其泄漏规律对多级密封结构的设计、检漏和密封安全评估等具有重要意义。建立了多级串联密封系统的数学模型,揭示了多级串联密封结构正压泄漏的漏率、漏量与泄漏时间关系的一般规律,通过三级密封系统泄漏的仿真计算实例和泄漏实验,验证了多级串联密封泄漏理论的正确性,并总结了多级串连密封泄漏规律的应用方法。     

卡尔曼滤波动态优化及其在遥控机器人空间实验中应用

本文是在文献[1]的基础上,讨论遥控机器人追踪自由飞行目标物的动态性能问题。应用黄金分割法和元素交替极小化法对扩展的卡尔曼滤波初值条件进行搜索并获得优化解。仿真结果表明优化方法简单可行,优化解满足系统性能要求。     

弹道跟踪系统的数据融合

本文应用近代时序分析方法、样条函数和非线性回归分析理论，研究了弹道参数、系统误差及测量随机误差统计特性参数的联合估计问题，给出了各类参数的高精度估计。理论分析和仿真计算表明：本文所建的模型准确，参数估计方法精度高，应用本文方法能明显提高弹道跟踪数据质量。     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。     

再入飞行器自适应最优姿态控制

针对再入飞行器姿态控制问题,应用自适应动态规划（ADP）理论设计了姿态控制器。将再入飞行器的姿态控制建模为非线性系统的最优控制问题,提出单网络积分型强化学习（SNIRL）算法进行求解,该算法简化了积分型强化学习（IRL）算法在迭代计算中的执行-评价双网络结构,只需要采用评价网络估计值函数就可以求得最优控制律,其收敛性得到了理论证明。基于SNIRL算法设计了自适应最优控制器,并证明了闭环系统的稳定性。通过数值仿真校验了SNIRL算法比IRL算法计算效率更高,收敛速度更快,并校验了自适应最优姿态控制器的有效性 。     

面向下一代运载火箭的综合电子系统集成技术

介绍了面向下一代运载火箭分布式模块化电子系统(DIMA)的集成技术及系统架构。针对下一代运载火箭复杂电子系统的特点,按照系统集成的路线,对系统设计目标、系统功能需求分析、系统抽象机制、系统综合技术等多方面进行论述。首先,根据电气系统功能获得系统需求,采用功能抽象和层次抽象定义系统抽象模型,提取出高内聚低耦合的原子功能模块,并对模块的属性、交换关系、时序约束关系等进行定义;然后采用可视化表征方法对系统进行深入分析,利用系统综合技术实现了从系统功能到硬件资源的映射,从而给出了集成控制单元和模块的种类;随后采用分时分区的设计理念对系统节点分区划分方案及容错架构进行了定义,并对分区操作系统的调度模型和交换式的数据交互网络进行了论述,最终给出了系统软硬件架构。     

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。     

一种不依赖剩余时间估计的巡航导弹多约束制导律

针对巡航导弹末段多约束精确打击问题,提出了一种不依赖剩余时间估计的攻击角度/时间制导律。推导了航向弹目相对运动关系,设计了一种基于附加航向角设计的时间约束制导律,通过对时间增益系数的设计和优化,实现附加航向角的调节,可使实际飞行时间向期望时间快速收敛;在此基础上,将角度约束制导律与时间约束制导律相结合,得到了一种角度/时间约束制导律。该制导律不依赖于剩余时间估计,进而实现多约束条件下航向轨迹自适应调整;通过求解偏置导引律闭环轨迹分析得到轨迹收敛条件,给出满足角度/时间约束制导律的显式收敛条件。最后通过数学仿真验证了本文提出的航向多约束制导律可满足时间和角度等多约束条件且具有快速收敛特性。     

航天器轨道追逃博弈多阶段强化学习训练方法

针对航天器轨道追逃博弈问题,提出一种多阶段学习训练赋能方法,使得追踪星在终端时刻抵近逃逸星的特定区域,而逃逸星需要通过轨道机动规避追踪星。首先,构建两星的训练策略集,基于逻辑规则设计追踪星和逃逸星的机动策略,通过实时预测对方的终端位置,设计己方的期望位置和脉冲策略,显式给出追逃策略的解析表达式,用于训练赋能;其次,为提升航天器的训练赋能效率及应对未知环境的博弈能力,提出一种基于强化学习技术多模式、分阶段的学习训练方法,先使追踪星和逃逸星分别应对上述逻辑规则引导下的逃逸星和追踪星,完成预训练;再次,开展二次训练,两星都采用邻近策略优化(PPO)策略进行追逃博弈,在博弈中不断调整网络权值,提升决策能力;最后,在仿真环境中验证提出的训练方法的有效性,经过二次训练后,追踪星和逃逸星可有效应对不同策略驱动下的对手,提升追逃成功率。