复杂薄壁构件自适应加工工艺几何模型重构

随着制造理念和制造水平的不断提高,大量复合制造工艺背景下的近净成形叶片被应用到现役或在研的航空发动机中。该类叶片是典型的复杂薄壁结构零件,无精确定位基准,且成形一致性差。采用传统叶身定位,加工后的前/后缘、榫齿形状和位置精度均难以保证,从而导致产品一致性差,易超差与合格率低。针对以上问题,提出一种面向自适应加工的复杂薄壁结构零件工艺几何模型重构方法。首先,建立复杂曲面的采样点分布模型,快速获取叶片精确成型区域的位置和形状;其次,提出基于特征曲线相似变形的模型重构算法,精确重构前/后缘非精确成型区域的工艺几何模型;最后,通过精锻叶片自适应加工试验进行验证。试验结果表明：该方法可有效满足以精锻叶片为代表的复杂薄壁构件自适应加工要求。     

A two-step robust adaptive filtering algorithm for GNSS kinematic precise point positioning

In kinematic navigation and positioning, abnormal observations and kinematic model disturbances are one of the key factors affecting the stability and reliability of positioning performance. Generally, robust adaptive filtering algorithm is used to reduce the influence of them on positioning results. However, it is difficult to accurately identify and separate the influence of abnormal observations and kinematic model disturbances on positioning results, especially in the application of kinematic Precise Point Positioning (PPP). This has always been a key factor limiting the performance of conventional robust adaptive filtering algorithms. To address this problem, this paper proposes a two-step robust adaptive filtering algorithm, which includes two filtering steps: without considering the kinematic model information, the first step of filtering only detects the abnormal observations. Based on the filtering results of the first step, the second step makes further detection on the kinematic model disturbances and conducts adaptive processing. Theoretical analysis and experiment results indicate that the two-step robust adaptive filtering algorithm can further enhance the robustness of the filtering against the influence of abnormal observations and kinematic model disturbances on the positioning results. Ultimately, improvement of the stability and reliability of kinematic PPP is significant.     

基于自适应迭代学习的小行星绕飞容错控制

对于小行星绕飞任务的探测器姿态控制问题,已有方法大都考虑了干扰力矩和参数不确定等因素,而忽视了执行器故障情况。针对执行器故障条件下的小行星探测器姿态控制问题,提出了一种基于自适应迭代学习的容错控制方法。所设计的控制器包括两部分：其一针对执行器故障,设计了自适应迭代学习控制器,采用类滑模的思想和自适应迭代学习算法对控制器参数进行调整,进而补偿执行器故障带来的影响,保证系统在控制输出不足情况下的高精度姿态稳定性;其二针对探测器参量变化、外部环境干扰等不确定情况,设计了基于自适应神经网络的迭代学习控制器,采用径向基函数（RadialBasisFunction,RBF）神经网络对系统非线性部分进行逼近,同时对控制器参数进行自适应迭代学习调整,进而保证系统在不确定情况下的动态性能。数值仿真结果表明该控制器能够有效抑制外部环境干扰和内部参数变化带来的不利影响,在执行器部分失效甚至完全失效故障情况下,仍能保证系统的鲁棒性并实现误差在10^-2数量级内的较高姿态控制精度。     

一种基于迭代的多音干扰消除方案

针对正交频分复用技术(OFDM)系统的多音干扰,本文提出先通过增加频域分辨率进行多音干扰识别,再基于迭代运算逐个对多个单音干扰进行参数估计、重构和消除的方案。其中,在多音干扰识别阶段,使用Zoom FFT技术以提高频域分辨率并简化计算复杂度。然而,Zoom FFT后的降采样序列点数不一定满足2的整数次幂,对于单音干扰参数估计,此时可采用经典的基于离散傅里叶变换(DFT)的最大似然参数估计(DFT-MLE),但当采样点数太大时,DFT运算将带来很大的实现复杂度。本文在基于DFT-MLE算法基础上给出一种基于快速傅里叶变换(FFT)的单音参数估计法FFT-MLE,不仅简化了运算复杂度,而且相比DFT-MLE其估计性能有更好的鲁棒性。最后的仿真结果说明了该多音干扰消除方案的有效性。     

自适应引导长度的无人机航迹跟踪方法

为保证无人机安全稳定的飞行,实现高精度的航迹跟踪,基于引导点的非线性制导算法,提出了一种引导长度自适应的航迹跟踪方法。首先建立无人机运动学模型,依此对非线性的制导算法进行理论分析与试验验证,建立无人机飞行速度与引导长度之间的关系。之后引出引导长度自适应的航迹跟踪方法,详细讨论方法的具体实现过程。最后通过各种情况下的仿真对比试验,验证所提出方法的有效性。仿真结果表明,所提出的方法能较精确地跟踪各种复杂航迹,同时在较大的初始偏差和航路点临时切换的情况下能稳定、快速地收敛到期望航迹,更好地满足各种实际飞行任务的需求。     

基于高斯过程的机器人自适应抓取策略

在机器人抓取作业时,目标物体的位姿经常发生变化。为了使机器人在运动过程中能够适应物体的位姿变化,提出了一种基于高斯过程的机器人自适应抓取策略。该方法建立了从观测空间到关节空间的映射,使机器人从样本中学习,省去了机器人视觉系统的标定和逆运动学求解。首先,拖动机器人抓取物体,记录物体的观测变量和机器人的关节角度;然后,利用记录的样本训练高斯过程模型,实现观测变量和关节角度的关联;最后,当得到新的观测变量时,通过训练的高斯过程模型得到机器人的关节角度。经过训练后,UR3机器人成功抓取了物体。     

基于自适应算法的Stewart平台微振动低频激励控制研究

针对空间微振动环境模拟的需求,以Stewart平台为对象,研究低频微振动激励控制.传统定增益控制器需要反复调节参数来获取满意的系统输出,同时由于摩擦等因素引起的非线性现象,导致难以在低频段建立精确的系统模型,以上问题均给控制器的设计带来困难.为此,设计一种自适应控制器加传统PID控制器的控制方案,并针对自适应控制器对于非参数不确定性等因素敏感的问题,采用dead-zone技术对自适应律进行修正,以提高控制器的鲁棒性.将此算法应用于Stewart微激励控制系统中,实验结果表明系统平台可以很好的输出单自由度与多自由度低频正弦激励,验证控制器在实际工程中的有效性.     

传递对准的一种方位估计方法

以往的速度匹配方法通常水平失准角估计精度很高,对准时间快而方位失准角估计不理想,为了克服这个问题,本文推导了一种新的方位估计方法。首先由新的速度匹配方法估计出两个水平失准角,然后把这两个失准角信息当做已知量,计算出了方位失准角。并且根据理论推导进行了仿真,结果表明,该方法估计方位失准角精度高,有很好的实用性。     

一种多分量chirp信号阵列检测新方法

提出了一种多分量chirp信号检测与参数估计的新方法。该方法利用天线阵列的空间特性,通过阵列平均在分数阶傅里叶域中引入加权函数来降低噪声、抑制不同源信号之间的相互干扰。和单阵元方法相比,文中方法大大提高了多分量chirp信号检测和参数估计的性能,仿真结果证明了方法的有效性。