动量轮在轨状态可靠性贝叶斯网络建模与评估

卫星动量轮在轨运行环境复杂,并且无失效数据,难以利用传统方法进行可靠性建模与评估。为此,提出一种利用贝叶斯网络融合动量轮各种试验信息及轴温和电流等遥测数据的可靠性建模与评估方法。基于失效分析建立贝叶斯网络拓扑结构,根据试验数据估计网络参数,而后,通过贝叶斯网络的推理得到动量轮可靠度的点估计和区间估计,并利用在轨遥测数据实时评估动量轮可靠性,获得动量轮可靠性变化趋势比较明显的遥测数据取值区间。该方法对动量轮实时状态监控具有一定的理论和实践意义。     

三轴轮控航天器姿态大角度机动控制器设计

研究了飞轮作为执行机构的航天器姿态大角度机动问题。建立了飞轮控制的姿态动力学模型;基于Lya-punov稳定性定理,设计了闭环控制器并给出了参数自适应律的解析表达式;分析了有界噪声作用下该模型的控制效果。仿真结果表明,所设计的控制器具有较强的鲁棒性和抗干扰能力。     

铸铁结合剂微粉金刚石砂轮的在线电解修整的试验研究

针对硬脆材料光滑磨削表面的要求,在MM7120A精密平面磨床上自行制作了一套ELID磨削装置,并对铸铁结合剂微粉金刚石砂轮在线电解修整技术进行了试验研究。建立了电解参数对微粉砂轮表面修整形貌的影响关系,提出了ELID的双重作用特性,即微量修锐和精密整形,并发现了电解膜在硬脆材料磨削过程中的重要功效。     

主起落架纵向抖振的动态特性研究

通过建立主起落架及各元件的力学计算模型,对其在纵向抖振过程中的动态特性进行了动力学仿真研究 ;给出了反映其动态特性的仿真曲线 ;讨论了主起落架支柱刚度等结构参数对主起落架纵向抖振的影响     

复合纳米自润滑金刚石砂轮磨削SiC陶瓷的试验研究

提出一种复合纳米自润滑金刚石砂轮的制备方法,并对制备的砂轮进行SiC陶瓷的磨削试验,分析砂轮表面不同质量分数的复合纳米颗粒对磨削性能的影响。使用MoS₂、TiO₂纳米颗粒作为自润滑砂轮基底的填充材料,采用复合纳米自润滑金刚石砂轮和传统金刚石砂轮进行磨削对比试验,研究复合纳米自润滑金刚石砂轮的润滑机制。研究结果表明,复合纳米自润滑金刚石砂轮自释放的纳米颗粒有效地参与了磨削区间的润滑,砂轮的法相力、切向力降低,提升了工件表面质量。在磨削深度为2～8μm内,复合纳米自润滑金刚石砂轮的具体表现为法向磨削力降低18.6%～38.7%、切向磨削力降低11.2%～28.6%,工件表面粗糙度降低13.9%～41.5%。根据本试验所得数据,当砂轮表面复合纳米颗粒质量分数为8%时,润滑性能和工件表面质量最佳。     

飞机轮轴向力值测量系统的现场校准方法与研究

飞机轮轴向力值测量系统主要包括力传感器和计算机采集系统,它们不易拆卸也不能拆卸下来送到校准试验室进行校准,因此必须进行现场校准。由于飞机轮的外形轮廓类似于圆柱形,承受载荷的轮胎表面是圆弧形,并且有两个飞机轮同时向前滚动等原因,因此对飞机轮轴向力值系统的现场校准是非常有难度的。本文通过对飞机轮轴向力值测量系统的分析,根据它的特点,研究出一套V形块现场校准装置和校准方法,并对此方法的可行性进行分析。     

基于PIV技术对三级旋流杯燃烧室流场的测量

参照单级旋流器设计方法,设计4种三级旋流杯中不同叶片数和叶片安装角第三级旋流器,采用particle image velocity(PIV)技术对三级旋流杯燃烧室流场进行研究.研究结果表明:随着第三级旋流器叶片安装角和叶片数的增加,主燃区的轴向速度逐渐变小,使得主燃孔射流作用增强;在同样叶片数情况下,增大第三级旋流器叶片安装角,使旋流强度增强;对于第三级旋流器不同安装角、第三级旋流器叶片数增加都使轴向速度变化趋于平缓,使燃烧室内主流受主燃孔射流扰动影响较小,流动更平缓.      

Ground maneuver for front-wheel drive aircraft via deep reinforcement learning

The maneuvering time on the ground accounts for 10%–30% of their flight time, and it always exceeds 50% for short-haul aircraft when the ground traffic is congested. Aircraft also contribute significantly to emissions, fuel burn, and noise when taxiing on the ground at airports. There is an urgent need to reduce aircraft taxiing time on the ground. However, it is too expensive for airports and aircraft carriers to build and maintain more runways, and it is space-limited to tow the aircraft fast using tractors. Autonomous drive capability is currently the best solution for aircraft, which can save the maneuver time for aircraft. An idea is proposed that the wheels are driven by APU-powered (auxiliary power unit) motors, APU is working on its efficient point; consequently, the emissions, fuel burn, and noise will be reduced significantly. For Front-wheel drive aircraft, the front wheel must provide longitudinal force to tow the plane forward and lateral force to help the aircraft make a turn. Forward traction effects the aircraft’s maximum turning ability, which is difficult to be modeled to guide the controller design. Deep reinforcement learning provides a powerful tool to help us design controllers for black-box models; however, the models of related works are always simplified, fixed, or not easily modified, but that is what we care about most. Only with complex models can the trained controller be intelligent. High-fidelity models that can easily modified are necessary for aircraft ground maneuver controller design. This paper focuses on the maneuvering problem of front-wheel drive aircraft, a high-fidelity aircraft taxiing dynamic model is established, including the 6-DOF airframe, landing gears, and nonlinear tire force model. A deep reinforcement learning based controller was designed to improve the maneuver performance of front-wheel drive aircraft. It is proved that in some conditions, the DRL based controller outperformed conventional look-ahead controllers.     

反作用轮不完全数据故障诊断新算法

针对卫星反作用轮遥测数据存在不完备情况,提出一种基于核模糊均值聚类（KernelFuzzy C-Means,KFCM）的数据修复诊断算法KFCM-Imputation(KFCM-I)。该算法通过KFCM聚类实现已知故障样本的聚类中心和聚类半径,通过相似度计算查找与不完备数据最相似的数据点,将该数据点填充于不完备数据点位置,保证数据的完备性,并通过数据的相似度进行故障诊断。考虑所有故障特征同步缺失数据和各故障特征随机缺失数据两种工况,对比工程上直接删除缺失数据的方法,在数据缺失量小于总数据量的13%时,KFCM-I诊断精度能达90%以上;当数据缺失量占总数据量13%～20%时,诊断精度仍能达到80%。KFCM-I算法故障诊断精度高、计算简单,对工程应用有较好的参考价值。     

基于MME/KF的电推进器推力在轨标定算法

为了确保小推力量级电推进器在轨工作的有效性,提出了一种基于MME/KF（Minimum Model Error/Kalman Filter）的电推进器推力在轨标定算法。该算法对推力标定过程为:首先使用飞轮产生一个已知的周期性力矩作用于卫星上,同时姿态控制器发送指令给电推进器来保持卫星的稳定;然后将陀螺仪数据代入MME算法中估计出卫星的角加速度,并利用KF算法实现电推进器在轨标定;最后进行数学仿真。结果表明该算法在常规推力下可以提高在轨标定精度,并且可以实现小推力条件下的在轨标定。