面向稀薄流非线性本构预测的机器学习方法

稀薄非平衡流域内连续介质假设已经失效,主要围绕Boltzmann方程及模型方程对稀薄非平衡流开展理论与计算研究,统一气体动理论格式（UGKS）是其中一种代表性方法。在稀薄非平衡流数值模拟中,Navier-Stokes （N-S）方程连续介质假设已经失效,不能有效描述流场非平衡特征。UGKS方法虽然计算精度高,但速度空间离散导致计算效率低下,多维高速条件下数值计算难以开展。基于数据驱动的思想,在N-S方程与UGKS方法的研究基础上发展出了一种稀薄非平衡流非线性本构关系求解方法（DNCR）。该方法以N-S与UGKS求解器获得的流场数值模拟计算结果作为训练数据集,基于流场特征参数采用极端随机树算法生成机器学习模型,对预测流场中线性黏性应力项与热流项进行非线性修正,并耦合非线性本构关系求解宏观守恒方程得到目标状态稀薄非平衡流动数值解。针对DNCR方法中所采用的机器学习方法-极端随机树模型,通过二维顶盖驱动方腔流算例对高维非线性建模涉及的特征参数选取、参数调优开展了相关验证工作,选取若干典型状态对极端随机树模型的泛化性能开展研究,并评估了相关模型与方法的计算精度与计算效率。     

受宽带噪声激励的二元机翼随机振动系统的矩Lyapunov指数

通过计算受宽带噪声参激的二元机翼随机振动系统的矩Lyapunov指数,研究了系统的矩稳定和概率1稳定。首先在经典二元机翼颤振方程中加入随机激励,通过随机平均法、Girsanov定理和Feynmann-Kac公式得到关于矩Lyapunov指数的特征值问题。其次采用Fourier余弦级数对特征函数进行正交展开,得到系统矩Lyapunov指数的近似解析式。最后,通过Monte Carlo仿真验证了矩Lyapunov指数近似解析式的可信性,并讨论了系统参数、来流平均速度以及随机噪声谱密度对机翼稳定性的影响。     

航空发动机适航知识库构建方法研究

针对航空发动机适航领域知识重用、共享性差的问题,分析该领域知识特点;采用改进重采样和BRF方法进行知识获取;提出产生式规则、框架网络和面向对象的混合知识表示模型。与数据库软件的有效集成,创建智能知识库系统,实现了知识的查询和维护。     

火箭发动机随机推力调节控制驱动器的研制

为满足某型号液体火箭发动机定混合比随机无极变推力工作要求,研制了基于DSP处理器的随机推力调节控制驱动器。该控制驱动器实时接收随机变推力指令,在定混合比条件下,协调控制发动机系统上的燃料及氧化剂路调节阀,从而控制燃料及氧化剂流量,完成发动机的随机变推力控制。其参加多次发动机系统冷调试验及地面全程热试车,工作稳定可靠,实现了变推力双组元推进剂流量同步控制,精确控制发动机混合比,快速响应随机变推力控制要求。     

随机逻辑度量空间的近似推理

以n 值命题逻辑系统的随机真度为基础,在 R0型n 值命题逻辑系统的随机度量空间中提出了三种不同类型的近似推理模式的概念,研究了这三种推理模式之间的关系.     

光纤惯导角度随机游走误差传播特性研究

角度随机游走是光纤陀螺的一个重要技术指标,也是高精度光纤惯导系统的一项重要误差源。为了深入了解角度随机游走误差对系统精度的影响,从统计角度研究了该误差在导航过程中的传播特性。通过将角度随机游走对系统的影响等效为不相关的随机脉冲序列激励下的系统输出,推导了角度随机游走作用下导航误差的理论公式并进行了仿真验证。结果表明,所给出的理论表达式能够很好地描述角度随机游走误差的传播规律。通过解析表达式,可以在任意时间段对任何一只陀螺角度随机游走造成的系统误差进行定量分析,这对于系统性能评估、误差分析和设计工作都具有重要意义。     

利用字典优化方法实现sub Nyquist采样数据的频率估计

在稀疏重构理论中,重构信号需要预先设定稀疏表示字典,针对预设字典与真实字典之间的失配对信号稀疏表示造成的不利影响,提出一种基于字典优化和稀疏贝叶斯学习(Sparse Bayesian Learning, SBL)的频率估计算法。该算法首先构造基于sub Nyquist采样数据的信号稀疏表达式,然后利用SBL算法估计信号频率,同时根据估计结果优化字典,最后反复迭代上述步骤直至计算出的频率值和对应的幅度值趋于稳定。仿真结果校验了方法的有效性。     

飞机起落架动力学建模及着陆随机响应分析

针对飞机起落架弹性结构特征的动力学建模及其离散结构简化响应分析问题,利用哈密顿变分原理,提出并建立了弹性结构的起落架动力学模型。根据此动力学模型,可自由选择起落架的结构离散数量进行动力学方程的求解和响应分析。以某型飞机着陆过程为研究实例,使用随机模拟方法,通过模拟飞机着陆下沉速度、初始位移和路面不平度,分析了飞机着陆过程起落架的随机响应特征,确定了起落架的实际动力学性能和应力应变特性,为后续起落架的结构参数优化及其疲劳性能分析提供了基础参考依据。     

基于随机森林的航天器电信号多分类识别方法

针对航天器电特性信号数据存在数据量大、特征维数高、计算复杂度大和识别率低等问题,提出基于主成分分析(PCA)的特征提取方法和随机森林(RF)算法,对原始数据进行降维,提高计算效率和识别率,实现对航天器电信号数据的快速、准确识别分类。随机森林算法在处理高维数据上具有优越的性能,但是考虑到时间复杂度问题,利用主成分分析方法对数据进行压缩和降维,在保证准确率的同时提高了计算效率。实验结果表明:与其他算法相比,针对航天器电特性信号数据,本文方法在准确率、计算效率和稳定性等方面均显示出优异的性能。