航空发动机的智能神经网络自适应控制研究

针对结构复杂、模型不确定、强非线性的航空发动机对象,提出一种综合模糊推理、神经网络自适应和PID简单控制各自优点的控制方案.在改进模糊PID控制器的基础上,进行了新型智能型神经网络控制器的设计,并提出离线混沌蚁群优化与在线误差反传调整相结合的优化方法.应用具有良好泛化能力的最小二乘支持向量机进行系统辨识,对某型航空发动机进行了设计点处的线性和非线性模型控制仿真.结果表明:控制系统具有满意的动、静态性能和较好的鲁棒性,验证了该方案的可行性和有效性.      

基于最小二乘支持向量回归的混沌时间序列预测研究

研究利用最小二乘支持向量机预测混沌时间序列。混沌时间序列预测是典型的小样本学习问题,基于结构风险最小化原理的支持向量机方法,克服了神经网络易于陷入局部极值点等缺点,能够获得全局最优解。最小二乘支持向量机是一种在二次损失函数下采用等式约束求解问题的一种支持向量机,在保留支持向量机优点的同时使计算量大大减少。对典型混沌时间序列的预测结果表明,最小二乘支持向量机回归预测方法具有良好的泛化推广性能,预测精度高,适合于复杂非线性时问序列建模预测。     

燃气二次喷射推力矢量控制系统启动过程非定常效应研究

采用数值模拟方法对燃气二次喷射推力矢量控制系统启动过程中非定常效应进行了研究.给出了详细的喷流瞬态干扰流场结构, 以及喷流瞬态干扰区随时间改变的流场细节特性,分析了流动参数和发动机内弹道性能的动态变化过程.研究表明,主/次流干扰流场内流动参数的分布及变化呈现复杂的多样性,启动过程中所呈现出的动态特性与系统稳定工作时有着明显的差异,侧向控制力、燃烧室平衡压强和发动机推力均有显著变化.在飞行器设计中,必须从安全控制的角度出发,考虑这一非定常效应的影响.     

纳米校准与测试——基于纳米测量机的试验性研究

主要介绍了基于纳米测量机的高阶梯差台阶标准样板和深沟槽深度标准样板计量测试和校准工作研究,包括在NMM上对两种标准样板进行计量测试和校准、在NMM上安装不同的探测传感器时纳米级深度标准样板和台阶高度样板的校准比较、以及在研航空基金项目"在NMM上实现小型非球面的坐标扫描轮廓测量方法".     

基于微型铣床的非硅材料中间尺度微细切削加工技术研究

在综合考虑各项因素的基础上,研制了一台能够满足三维形貌加工要求的微型铣床,并进行了平面、微槽、微型齿轮、半凹球以及四面体微透镜阵列等各种典型微小特征的铣削工艺试验,体现了该铣床的加工精度和加工能力,证实了微型铣床加工技术的可行性。     

基于最小二乘支持向量机的普通高校招生人数预测研究

近年来普通高校的发展速度与规模,使社会大众兴起了对教育质量与总量的关注。普通高校招生数预测是制定教育政策的重要依据。针对中国文化教育的特征,在统计学习理论和结构风险最小化原理的基础上,建立了基于最小二乘支持向量机的时间序列预测模型。预测结果表明该模型具有较高的预测精度,为普通高校招生数预测提供了一条新的途径。     

燃气推力矢量控制发动机内流场数值模拟

采用基于Favre平均的三维N-S方程,对燃气推力矢量控制发动机全内流场进行了数值仿真,研究了燃气引流、燃气二次喷射及与发动机内主流相互作用等复杂流动。研究结果表明,流场内包含复杂的涡系结构和波系结构,还存在着边界层与激波的相互干扰、自由剪切层、激波、膨胀波和大尺寸分离。通过数值模拟,对试验中的异常现象进行了定性分析,得出了与试验一致的结论。     

基于EMD熵特征融合的滚动轴承故障诊断方法

研究了滚动轴承故障诊断单一故障信号的局限性和故障特征的非线性,从信息融合的理论出发,利用非线性动力学参数熵作为特征,提出了基于经验模态分解(EMD)熵特征融合的方法来解决滚动轴承故障诊断问题.首先将原始信号进行EMD,利用EMD的自适应多分辨率的特点计算EMD得到的固有模态函数(IMF)信号的多种熵值,然后采用核主元分析(KPCA)对提取的状态特征进行信息融合,从而得到互补的特征,最后将提取的融合特征通过支持向量机(SVM)进行故障诊断.滚动轴承故障诊断实验表明:该方法结合了EMD、信息熵理论和KPCA强大的非线性处理能力的特点,可以进行滚动轴承故障诊断.      

激波矢量控制喷管落压比影响矢量性能及分离区控制数值模拟

激波矢量控制喷管矢量角随落压比(NPR)的增大而下降的现象已被许多研究所证实.对NPR影响矢量角机理及基于多缝腔体和多缝辅助注气方法的分离区控制研究,目标是寻求大NPR条件下矢量性能提高的方法.研究表明:NPR影响矢量角的机理主要由于次流下游近壁面分离区由小NPR时的开放型变为大NPR时的封闭型,从而导致由于壁面压差力产生的矢量力减小所致.多缝辅助注气方法可以有效控制分离区在大NPR时保持开放,注气压力为环境压力时可以在不从系统额外引气的条件下提高矢量性能.      

基于极大似然估计器的GNSS矢量跟踪算法

矢量跟踪是一种将全球导航卫星系统(GNSS)接收机的信号跟踪与导航解算融为一体的跟踪算法。传统的基于矢量延迟/频率锁定环(VDFLL)的跟踪算法普遍采用延迟锁定环(DLL)和锁频环(FLL)鉴别器计算伪距和伪距率偏差观测量,由于锁频环鉴别器存在近似误差和一步延迟效应,在高动态环境下容易造成环路失锁。从直接估计卫星信号特征参数的角度出发,基于中频信号模型构建码相位和载波多普勒的极大似然代价函数,采用非迭代估计算法得到各通道码相位和多普勒频移的估计偏差,转换为卡尔曼滤波器的观测矢量,提出一种基于极大似然估计器(MLE)的矢量跟踪算法。理论分析和仿真结果表明:新算法结合了极大似然估计和矢量跟踪的优点,克服了FLL的延迟效应,与基于VDFLL的矢量环路相比,高动态环境下的跟踪稳定性更好,可以对被遮挡的卫星保持持续的跟踪。