基于压缩感知的叶端定时信号参数辨识方法

叶端定时技术作为一种非接触式测量手段,在实际应用中的主要问题之一是测量信号欠采样。压缩感知方法是解决信号欠采样问题的有效手段,但由于求解过程中引入了正则化项,在提高稀疏度时,降低了幅值重构精度,而转子叶片振动幅值参数的准确辨识对于叶片动应力重构具有重要意义。将叶片振动方程设计矩阵与压缩感知字典相结合,在不依赖先验信息的条件下对叶片振动参数进行辨识。首先,根据振动方程设计矩阵形式及关注的最大振动频率,构造压缩感知字典;其次,通过叶端定时信号稀疏表示中的非零元素所在位置,从压缩感知字典中提取对应原子构成设计矩阵进而求得振动参数;接着,叶端定时（BTT）模拟仿真结果表明,所提方法可有效辨识叶片单模态、多模态振动参数;最后,开展旋转叶片振动测试试验,同时利用应变片和叶端定时系统采集振动信号,结果表明,与应变片测量结果相比,提出的方法振动频率辨识相对误差仅为0.14%;对比4个叶片的位移-应变传递比,其中偏离均值的最大百分比仅为2.15%。     

基于最大似然法的风洞自由飞试验气动力参数辨识技术研究

采用最大似然辨识算法对风洞自由飞试验数据进行气动力参数辨识,可以避免直接对测量数据进行二阶数值微分造成的气动参数的严重误差。详细介绍了风洞自由飞试验气动力参数辨识的原理及方法,分别通过仿真和实测数据算例对方法进行了具体说明和实现。算例辨识结果表明将气动参数辨识技术应用于风洞自由飞试验,是获取飞行器气动特性的有效途径之一。力导数可辨识性较低,受测量精度影响较大;力矩导数辨识结果与工程软件计算值接近,相对误差在30%以内,基本满足工程精度要求。同时,增加试验数据测量点数、提高数据测量精准度、安装过载测量设备、提升模型加工工艺水平,均有利于提高辨识结果的可信度。     

空间机器人惯性参数辨识的粒子群优化新算法

提出了针对一类多自由度空间机器人卫星惯性参数在轨辨识的一种粒子群（PSO）优化新算法。通过粒子邻域限定的多样性保持、低效粒子随机重置和粒子误差的序列性评价,得到了比常规方法更好的结果,且具有无附加燃料消耗、线动量测量和特定的机器人路径规划等便利性优点。仿真算例表明,该改进方法具有较高的准确性与效率。     

固体运载器飞行动力学逆问题分类

为了降低问题分析及求解难度,对固体运载器出现的飞行动力学逆问题进行了分类研究.通过归纳逆问题解的特点,将其分为3类,并给出了每类问题的统一提法.进一步提出了逆问题的解析求解和优化求解2种基本解法.解析解法通常求解较快,但精度不高.优化求解可以得到较为精确的解,但通常耗时.针对每类动力学逆问题选取有代表性的典型工程问题,即主发动机需用推力设计、合外力辨识和误差分离问题,分别进行了分析并得到了求解结果.典型工程问题的分析和计算结果表明了分类的合理性.     

飞行器舱室突发污染源散发强度动态辨识

诸如载人航天器和大型飞机等密闭微环境,随着人员停留时间的延长,舱室突发污染 问题已成为危害工作人员生命安全的主要因素,所以迫切需要开展突发不确定污染源辨识及 危害性预测研究技术,以提高上述密闭环境主动应对突发污染的能力。本文提出一种新的浓 度离散随机模型,并建立敏感性分析方法实现污染源定位及强度初步估计,之后利用隐式与 显式卡尔曼滤波相结合的方法同时完成污染源散发特性的动态辨识及舱室空气污染物的浓度 预测。上述研究能够实现污染源散发特性的快速准确辨识。仿真结果证实了该算法的有效性 。
     

航天器质量特性参数的在轨辨识方法

针对高精度姿态和轨道控制要求准确已知航天器质量特性的问题,提出了基于参数解耦的最小二乘法和基于PSO的非线性优化两种方法,以辨识航天器的质量、惯量和质心位置。第一种方法将惯量与质量和质心位置解耦后分别辨识;第二种方法则将参数辨识问题转换为非线性系统的全局优化问题,同时辨识出所有参数。所提出的方法均不需要假设航天器运动足够慢,克服了以往方法将待辨识参数的耦合关系强行分离的缺点,采用辨识后的参数明显提高了航天器姿态及轨道控制性能。仿真结果验证了方法的有效性。     

带有触觉的空间机械臂操控未知载荷特性识别

为在线准确辨识载荷特性参数,提出一种利用关节力矩和触觉传感信息进行未知载荷特性参数辨识的方法。该方法基于牛顿-欧拉方程,采用归一化最小均方误差法进行自适应滤波,从而辨识出未知载荷的特性参数。为校验算法,利用MATLAB/Simulink和ADAMS软件搭建未知载荷特性辨识仿真平台。该平台执行机构包括多自由度机械臂和二指爪末端操作器,机械臂关节具有力矩传感,末端操作器指爪内侧具有触力传感器。仿真表明,在具有激励信号幅值1 %的白噪声情况下,辨识误差小于2 %。     

空间非合作目标惯性参数的Adaline网络辨识方法

空间在轨操作中,航天器在对空间非合作目标的抓捕行动常常导致航天器本体的姿态和空间轨迹发生变化。为克服空间非合作目标对航天器本体动力学、运动学的影响,使控制系统做出精准及时的姿控策略调整,确保航天器正常在轨工作和轨迹姿态的高精度,需对抓捕的非合作目标的惯性参数进行辨识。针对传统辨识方法依赖广义逆求解导致的辨识过程运算量大,且数值容易产生剧烈振荡,造成辨识结果不稳定等不足,采用基于归一化最小均方（NLMS）准则的Adaline神经网络方法进行空间非合作目标惯性参数的辨识。首先,基于动量守恒理论建立抓捕后的航天器-机械臂-空间非合作目标系统模型;然后将辨识方程的系数矩阵作为网络的输入和输出,空间非合作目标的惯性参数作为神经网络的训练权重,基于迭代步长可变的NLMS准则实现对目标惯量参数的快速、准确辨识;最后,在构造的ADAMS/MATLAB联合仿真平台上进行了验证。仿真结果表明,基于NLMS准则的Adaline神经网络是一种快速、准确辨识目标惯量参数的有效方法。