烧蚀反应动力学参数的确定

本文提出了一种理论模型与实验相结合确定碳基材料烧蚀反应动力学参数(活化能和指前因子)的方法。首先建立了碳基材料热化学烧蚀的湍流边界层模型,运用数值方法对边界层守恒方程组、表面烧蚀和固相热传导进行耦合求解,计算过程中不需要事先假设烧蚀的控制类型。其次,在电弧加热器中模拟火箭发动机喷喉的烧蚀环境进行烧蚀材料与氧化性气体反应的烧蚀实验。最后,运用所建立的模型和在电弧加热器上的实验结果进行预测比较,确定烧蚀反应的动力学参数。作为实例,确定了石墨与CO_2的烧蚀反应的动力学参数。     

飞机自动进近和自动着陆的分析研究

本文首先概述了当前民航客机的自动导航、进近、着陆的全过程。随着重点分析了波音737飞机利用SP-77自动飞行控制系统与仪表着陆系然的航向信标仪和下滑仪及机载无线电高度表等设备实现向跑道自动进近和自动着陆的工作过程,并系统介绍了在实现上述过程中,SP-77自动飞行控制系统的自动驾驶仪横滚通道和俯仰通道控制逻辑的建立,系统工作电路的转换,系统的控制规律和工作特点。     

谱载下裂纹扩展的计算及实验分析

本文针对裂纹扩展的Willenborg-Chang模型,提出了如何合理地选择参数,怎样对残余塑性区尺寸进行修正及随机加载谱的处理。通过实验和计算结果的对比,说明上述想法的正确性,并提出Willenborg-Chang模型更适用于较长裂纹的寿命估算。     

三星对地面辐射源的高程修正定位算法与误差研究

提出了用最小二乘估计解算辐射源位置,在迭代过程中通过地理信息系统查询并不断修正目标高程,同时其定位误差进行了分析和仿真。结果表明,修正高程误差后可以改进目标高程定位精度,进而促进水平定位精度,水平定位精度的提高又会促进在高度上的定位,从而使整体的定位精度得到了改善。     

基于mSDTFT的无速度传感器异步电机转速估计

采用Teager-Kaiser能量算子对定子电流进行解调,有效消除了基频频谱泄露对提取转子速度谐波的影响,然后分析了SDTFT对转速估计精度的影响,在此基础上提出一种新的mSDTFT频谱分析方法估计转速。该方法有效降低了计算开销,特别是可以只针对某些需要的谱线进行计算,提高了谱分析的灵活性和高效性。试验结果表明,所提方法在不同负载条件下能够有效提取转子速度谐波,且具有较高的转速估计精度。     

基于离散反电动势估计的永磁同步电机无速度传感器控制

针对高速永磁同步电机(PMSM)的无速度传感器控制问题,提出了一种基于离散反电动势估计的PMSM无速度传感器控制策略。实施离散反电动势估计的设计有三点:首先,设计了离散dq电流观测器以消除反电动势估计中的电感交叉耦合效应;然后,设计了延迟补偿模型以补偿数模转换引起的电压误差,同时设计了较为精确的离散模型,以克服由数字实现导致的估计反电动势和实际反电动势之间的偏差;最后,开展了高速PMSM驱动试验,试验结果验证了所提出的高速PMSM无速度传感器控制方案的性能。     

基于最小约束系统的分布式协作定位研究

5G移动通信系统中,设备到设备的通信方式产生了节点间的信号测量,可用于提升无线定位的覆盖范围和定位精度。提出了一种基于最小约束系统的分布式协作定位方法,该方法首先利用已有算法估计节点参考位置,并据此构建最小约束确定网络的位置及朝向,然后在该约束下极大化由节点间测量引出的似然函数,获得位置估计。理论研究表明,该方法将由节点间测量确定的相对位置拟合到参考位置处,在参考位置等于真实位置时达到最优效果。仿真结果表明,该方法可有效提高定位精度,并具有分布式和可扩展等优点。     

基于纵向滤波的星敏感器低频误差在线估计

多敏感器数据融合是获得更高精度姿态测量的有效方法,敏感器数据融合前必须先修正低频误差。首先,介绍了星敏感器低频误差（LFE）的产生机理及对其在线估计的必要性。其次,针对传统算法的不足,提出了基于纵向滤波的低频误差在线估计算法,该算法将传统低频误差估计问题转化为若干个常值误差估计问题,提高了估计精度。最后,给出了该算法具体实施方式,说明相关参数物理意义及选取原则。通过理论分析及仿真,算法误差可忽略不计。通过在轨数据仿真,星敏感器轨道周期低频误差可被消除。     

反推装置对翼身融合分布式推进系统气动性能影响数值模拟

为了研究新型反推装置对翼身融合分布式推进系统气动性能的影响,将机身简化为二维模型,利用数值模拟的手段来研究攻角、反推开度,以及风扇打开或关闭对飞行参数的影响,为翼身融合分布式推进系统的反推装置设计提供初步的意见和建议。结果显示:反推闭合和风扇打开之后该机型的升力系数和俯仰力矩系数都会有较大增加;随着反推开度的增加,升力系数和俯仰力矩系数也随之增加;来流攻角对翼身融合分布式推进系统的气动性能也有较大影响。      

基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。