旅客机座舱热舒适动态特性仿真

巡航飞行时,旅客机座舱内相对湿度和空气密度都低于地面建筑物环境。低相对湿度会造成更高的蒸发热损失,低密度空气却会减少对流换热,在这2种因素的复合作用下,会使座舱内热舒适性与地面建筑物有所不同。针对传统旅客机环境控制系统不能完全满足座舱内舒适性要求的状况,提出一种直接以舒适指标PMV为控制目标的热舒适控制策略,应用集总参数法建立了座舱热舒适动态特性模型,并采用仿真方法研究了分别以PMV和温度作为控制目标时,座舱内热舒适的动态特性。仿真结果表明,舒适控制能更好地满足座舱内的热舒适;此外与地面建筑物环境相比,需要更高的空气温度才能使座舱达到热舒适。     

随机集的概率假设密度粒子滤波

多目标跟踪问题中,当目标数已知时,可以用概率数据互联(PDA)或联合概率数据互联(JPDA)算法。而当目标数未知或随时间变化时,需要对不同目标数的跟踪进行比较。可以把目标集看作随机集进行讨论,目标数N是随机变量。随机集的跟踪通过有限集统计(FISST)理论来完成。文中讨论了用粒子滤波实现跟踪随机集的方法。实验表明,在杂波环境下,粒子滤波可以稳健跟踪目标状态和目标数。     

一种提高螺旋桨相同步噪声模型辨识精度的方法

相同步降噪一般先通过一定飞行条件下的实测数据辨识出螺旋桨噪声模型,然后基于噪声模型计算出该条件下的最优相角,再将最优相角用于相同步降噪。在噪声模型辨识的过程中,受飞行速度、高度和气流变化等的影响,实测数据经常会发生较大的波动,从而影响辨识模型和最优相角的准确性。提出一种基于小波滤波和三参数正弦拟合法的最小数据波动的噪声数据选取方法,提高噪声模型的辨识精度,该方法通过小波滤波算法从噪声信号中提取出螺旋桨的叶尖通过频率信号,采用三参数正弦拟合算法合理地选择出波动最小的数据用于噪声模型辨识,从而有效地回避较大波动数据,提高辨识模型的精度。试验结果表明相较于传统使用固定数据辨识所得的噪声模型,使用最小波动数据辨识所得噪声模型能够获得更高的精度,且噪声模型预测的声压级和实际测量的声压级误差小于1dB,模型预测的最优相角与实际最优相角的误差小于5°,最优相角在试验位置点能够实现高达19.5dB的降噪效果。     

基于FQFD的太阳能无人机设计指标排序方法

为解决太阳能无人机（UAV）总体设计中任务需求表达模糊、技术指标重要度排序决策困难的问题,提出了基于模糊质量功能展开（FQFD）的太阳能无人机总体设计指标排序方法。该方法在传统质量功能展开（QFD）质量屋的基础上,引入三角模糊数,表征任务需求的不确定性和模糊性;在模糊隶属度函数未知的情况下,采用α加权修正水平截集去模糊化方法计算技术指标重要度,获得技术指标重要度排序,为总体设计优化决策提供依据。最后以长航时太阳能无人机的总体设计为例,对任务需求—工程特性—技术指标的两级质量屋模型进行计算分析,得到续航能力、巡航高度、动力系统效率、巡航速度和气动效率是太阳能无人机最重要的5个技术指标的结果。此方法客观性较强,可处理复杂的系统不确定性,为太阳能无人机总体方案设计及决策应用提供参考依据。     

周向畸变进气下压气机动态失速特性研究

为研究周向畸变进气下压气机动态失速特性,在一大尺寸低转速压气机试验台上进行了均匀进气和180°周向畸变进气下压气机动态失速实验。采用时域观察、频域快速傅里叶变换以及时频域的同步压缩小波变换、基于同步压缩小波变换的空间模态分析和小波相干性分析等方法对动态失速信号进行分析。结果发现,畸变进气下,压气机旋转失速发生前出现0.225倍转子转动频率的一阶模态扰动,该扰动在相对畸变网不同位置区域周向传播速度不一致。宽带非定常扰动在畸变区尾缘附近最强,在畸变区前缘附近最弱,并存在周向尺度转化现象。转子转动频率扰动周向也出现强度变化,最大值出现在非畸变区中心附近的测点。周向畸变条件下集总系统模型对比实验结果的分析表明:实验和模型结果符合较好,旋转失速前非定常扰动周向强度和尺度变化主要受流量系数变化的影响,而一阶模态扰动周向传播速度不均匀现象是畸变进气下压气机系统特性作用的结果。     

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。     

飞行仿真气动力数据机器学习建模方法

基于机器学习思想,提出了一种大空域、宽速域的气动力建模方法。该方法利用飞行仿真弹道数据辨识的气动力数据,采用人工神经网络技术,实现了对高度、速度、姿态和舵偏角等多维度强非线性特性的全弹道气动力数据的高精度逼近。首先,分析了神经网络层数、隐含层神经元个数等对建模误差的影响,通过对典型弹道气动数据的神经网络建模计算,确定了较合适的神经网络层数和较优的隐层神经元个数。进而,利用飞行仿真的弹道数据辨识出沿弹道的气动力,采用神经网络建立了包含多个弹道融合的气动力模型,输出量分别为三轴气动力系数和力矩系数。最后通过气动模型输出量与原样本数据的对比,以及4条未参与训练弹道气动数据的预测,验证了该气动力建模方法具有较高的精度。建模结果表明:采用神经网络方法建立的飞行器气动力模型,对拟合多源耦合输入全弹道非线性气动力是可行的和有效的,在样本覆盖的高度、速度、姿态和控制舵偏角范围内,气动力拟合能力较强,并具有一定的外推性。该项研究可以为基于飞行试验数据的气动建模提供新的方法,并且能为飞行器气动力数据挖掘、飞行仿真和总体性能分析提供参考。     

毛坯海量点集与CAD数模的自适应快速精确配准方法研究

航空复杂锻铸件毛坯海量的扫描点集与CAD数模进行精确配准时,由于点集数量巨大数模面也较多,同时点集与数模面之间无任何关联关系,给配准算法带来了巨大的计算量,严重制约加工效率。为提高配准效率,提出一种快速精确配准毛坯点集与CAD数模的自适应方法,即利用配准面提取参与配准的数据点,建立点面之间的一一对应关系,通过对配准面进行分类并不断选取参与配准的特征面及相应的数据点加入配准,直至各面都很好地满足加工要求。最后利用实例验证了本算法的高效性和可靠性。     

PSO-LSSVM在民机气动性能数学建模上的应用

目前风洞试验仅为民用飞机飞行性能提供有限数据.全飞行包线的技术支持对于民机飞行试验十分重要,需要采用数学建模和参数辨识的方法.选择合适的机器学习算法是参数辨识中最为关键的一步.支持向量机(SVM)采用结构风险最小化原理,尤其适用于小样本情形.根据A320非巡航起降阶段的几组真实数据,以及全机气动力估算的结果,使用最小二乘支持向量机建立预测模型.随后采用粒子群算法优化模型参数从而提升泛化能力.由此实现民机飞行包线的气动性能整体建模与辨识.与Ma=0.78时的实验数据相比较,PSO-LSSVM模型的预测结果吻合,是一种有效的气动数学建模方法.     

动态时频谱分析、探测和跟踪的随机有限集法

动态出现和消失多分量信号的时频分析问题一直是非平稳信号处理的难点之一。为此,提出了一种分析、探测和跟踪多分量信号的随机有限集法。该算法利用时频变换,如短时傅里叶变换或自适应谱估计法,以及多项式预测模型,将多分量信号的时频分析问题归纳成可利用随机有限集进行多目标追踪的问题。分析表明：借助于提出的初始权重赋值算法,以及谱分量幅度和频率的联合似然函数,就可利用高斯混合概率假设密度滤波器来实现对动态时频谱的分析、探测和跟踪。在仿真实验中,所提算法有效提升了动态时频谱的跟踪精度,其对微弱时频谱分量的探测能力,以及对载频差异的分析能力均优于文献报道的算法。