PIV技术在近水平油水两相流研究中的应用

自行研制了用于油水两相流研究的PIV（粒子图像速度仪）实验系统。该实验平台主要用于研究近水平油井测量仪器内的油水两相管流。分别对水平油水两相流中的分层流和分散流的速度场进行了测量。油水两相流流动速度分布与单相流有着明显不同的特征。油水分层流情况下油相和水相之间存在比较显著的速度滑移。而在水包油分散流的情况下,由于油滴平均直径在径向上的不对称分布,以及小油滴具有更好的跟随性等原因,油滴的轴向速度也呈现不对称性。PIV技术在油水两相流研究中展示出良好的应用潜力。     

视线跟踪系统中的分级瞳孔定位算法

 基于视线跟踪的人机交互技术具有便捷性和快速性,可实现视线与计算机交互的目的。基于头戴式头盔视线跟踪系统,提出了一种分级瞳孔定位方法。为消除各种干扰因素对瞳孔定位的影响,首先利用图像二值化方法获取瞳孔区域,并进行最小外接椭圆的计算,然后利用瞳孔区域与最小外接椭圆的交叠区域与瞳孔区域的面积比值,判断是否为完整瞳孔。如果是不完整的瞳孔,则利用粒子群优化(PSO)算法和椭圆周差分算子在图像中搜寻最优椭圆位置,将其作为最终的瞳孔轮廓。基于视线跟踪系统的实验结果表明,该方法兼顾了速度和精度,是实现复杂环境下瞳孔定位的一个有效策略。     

带颗粒减振剂的碰撞阻尼的理论与实验

以两颗粒弹塑性碰撞耗能模型为基础,建立了带颗粒夹击的两球碰撞模型,在此基础上提出了带颗粒减振剂的碰撞阻尼的计算模型,模拟了在带颗粒减振剂的碰撞阻尼作用下的悬臂梁的减振性能.同时对悬臂梁在带颗粒减振剂的碰撞阻尼作用下的减振效果进行实验研究,理论计算结果与实验结果在振动周期、转折点、振幅及共振点迁移等方面均相吻合,验证了提出的模型.得到了以下结论:①带颗粒减振剂的碰撞阻尼的计算模型是可靠的;②带颗粒减振剂的碰撞阻尼具有优秀的减振性能,远远超过单体碰撞阻尼;③带颗粒减振剂的碰撞阻尼对于减小负阻尼的不利影响具有一定的帮助.      

湍流边界层相干结构空间拓扑形态的 层析TRPIV测量

用层析TRPIV(time-resolved paticle image velocimetry)技术精细测量了水洞中平板湍流边界层三分量速度的时空序列信号,提出了空间局部平均多尺度速度结构函数的新概念描述湍流多尺度涡结构的空间拉伸、压缩、剪切变形和旋转.用空间局部平均多尺度速度结构函数对湍流脉动速度进行了空间多尺度分解.用空间局部平均多尺度速度结构函数的新概念,根据湍流多尺度涡结构在空间流向的拉伸和压缩特征,提出了新的湍流相干结构条件采样方法,检测并提取了层析TRPIV数据中相干结构的“喷射”和“扫掠”事件中的速度、涡量等物理量的空间拓扑形态.发现在喷射和扫掠事件中均存在一对反向旋转的准流向“马蹄形”涡结构.      

基于自适应粒子群算法的航天测控系统任务可靠性分配

采用测控时序图描述任务时序逻辑关系,建立了各阶段的任务可靠性模型,讨论了可靠性分配时的约束条件和分配目标,从而构建了航天测控系统任务可靠性分配模型.在此基础上,设计了自适应粒子群算法,算法在迭代过程中通过惯性权重系数ω进行自适应调整,初始时能快速搜索全局解,后期能有效地搜索局部解.通过算例仿真,表明自适应粒子群算法在用于航天测控系统任务可靠性分配问题时具有分配结果优、收敛速度快等优点.      

基于粒子群优化的WNN飞行数据气动力建模

为了使所建立的气动力模型能准确地描述飞行器的动态特性,提出一种基于改进粒子群优化(IPSO)算法的小波神经网络(WNN)飞行数据气动力建模方法。该方法引入邻近粒子信息和变异操作,对标准PSO(SPSO)算法的不足进行改进,以提高WNN参数的全局搜索能力,克服早熟收敛,再按照所设计的飞行数据的气动力建模流程,构建了IPSO算法训练的WNN模型。试验结果表明:提出的气动力建模方法预测精度高,收敛速度快,能较好控制早熟收敛问题,用于飞行数据的气动力建模是有效的,也是可行的。     

改进粒子群优化算法在亚轨道飞行器固液混合发动机设计中的应用

针对粒子群优化算法在求解多维复杂优化问题时容易陷入局部最优的缺点,提出了动态目标粒子群优化算法,通过分析寻优过程中粒子与个体最优位置和全局最优位置之间存在的位置关系,建立了新的速度更新公式.最后,应用该算法对某型号亚轨道飞行器固液混合发动机进行了优化设计.仿真结果表明,改进算法搜索能力强、收敛速度快,能有效解决此类问题,可为亚轨道飞行器的发动机优化设计提供理论参考.      

多传感器交叉提示多目标探测动态联盟技术研究

针对多传感器交叉提示多目标连续、高概率探测问题,引入动态联盟思想,提出了多传感器交叉提示多目标探测的动态联盟机制,为解决被提示传感器的选择问题建立了动态联盟的数学模型,提出了对每个目标形成一个动态联盟进行探测求解多个传感器动态联盟的带变异算子的离散粒子群算法。仿真和实验结果表明该算法能够得到更满意的解,优化了系统综合探测概率、总消耗以及所有目标联盟成员总数三种性能,与实际情形要求一致,从而表明了模型的合理性和算法的有效性。
     

基于改进粒子群优化算法的巡航导弹航路规划

粒子群优化(PSO, Particle Swarm Optimization)算法是继遗传算法、蚁群算法之后的又一种新的群体智能算法,经常用于复杂问题的求解.由于其迭代公式是面向连续空间的,因此更适合解决非网格拓扑的航路规划问题.标准的粒子群优化算法在寻优的过程中容易出现早熟现象,针对这种现象,提出了一种改进的粒子群优化算法.改进算法根据相应的代价函数选择精英粒子和较差粒子,对较差粒子采用了带有动能补偿的速度更新策略,从而避免了寻优过程中的早熟现象;在单个粒子的运动方面引入了最差粒子的失败经验,让群体中粒子有效避开最差解.仿真表明:改进算法在航路规划的应用中具有更强的搜索能力,获得的航路代价在进化代数相同的前提下更小.      

远距离支援干扰下的目标跟踪技术

针对远距离支援干扰下雷达较难检测到干扰机掩护区域内的目标,其他区域内目标航迹不稳定的问题,提出了噪声干扰下的PF-TBD(Particle Filter based Track Before Detect)算法和门限自适应的MHT(Multiple Hypothesis Tracking)算法,并将这两种算法进行整合,使其能够根据雷达探测区域受干扰的程度选取相应的算法.研究了不同雷达探测区域内目标的航迹管理.仿真表明,此方法充分整合了两种算法的优点,提高了20%以上的雷达探测区域范围,兼顾了算法的时效性,同时该方法对干扰是否存在具有较强的适应性,对远距离支援干扰或其他压制干扰下目标跟踪具有一定的理论参考意义和实际应用价值.