Air route network optimization in fragmented airspace based on cellular automata

Air route network optimization,one of the essential parts of the airspace planning,is an effective way to optimize airspace resources,increase airspace capacity,and alleviate air traffic con gestion.However,little has been done on the optimization of air route network in the fragmented airspace caused by prohibited,restricted,and dangerous areas (PRDs).In this paper,an air route network optimization model is developed with the total operational cost as the objective function while airspace restriction,air route network capacity,and non-straight-line factors (NSLF) are taken as major constraints.A square grid cellular space,Moore neighbors,a fixed boundary,together with a set of rules for solving the route network optimization model are designed based on cellular automata.The empirical traffic of airports with the largest traffic volume in each of the 9 flight information regions in mainland China is collected as the origin-destination (OD) air port pair demands.Based on traffic patterns,the model generates 35 air routes which successfully avoids 144 PRDs.Compared with the current air route network structure,the number of nodes decreases by 41.67％,while the total length of flight segments and air routes drop by 32.03％ and 5.82％ respectively.The NSLF decreases by 5.82％ with changes in the total length of the air route network.More importantly,the total operational cost of the whole network decreases by 6.22％.The computational results show the potential benefits of the model and the advantage of the algorithm.Optimization of air route network can significantly reduce operational cost while ensuring operation safety.     

An Artificial Neural Network based approach for estimation of rain intensity from spectral moments of a Doppler Weather Radar

By using a Doppler Weather Radar (DWR) at Shriharikota (13.66°N & 80.23°E), an Artificial Neural Network (ANN) based technique is proposed to improve the accuracy of rain intensity estimation. Three spectral moments of a Doppler spectra are utilized as an input data to an ANN. Rain intensity, as measured by the tipping bucket rain gauges around the DWR station, are considered as a target values for the given inputs. Rain intensity as estimated by the developed ANN model is validated by the rain gauges measurements. With the help of a developed technique, reasonable improvement in the estimation of rain intensity is observed. By using the developed technique, root mean square error and bias are reduced in the range of 34–18% and 17–3% respectively, compared to Z–R approach.     

基于自适应网格的超声速液体射流破碎过程研究

为研究超声速气流中液体横向射流的破碎过程,采用脉冲背景光方法和VOF方法开展了实验和数值研究。为提高液体横向射流中气液界面和气流场特征捕捉的精确性,采用自适应网格技术对于气液界面、激波出现位置进行网格细化,计算得到了较为精细的气液界面、激波特征及涡系结构。研究结果表明:在低成本仿真模拟条件下,利用自适应网格计算得到的射流轨迹和轮廓与实验吻合较好,射流轨迹的最大误差为10%;射流初始段在超声速气流条件下,仍然存在一段高度约为1.9倍喷孔直径且圆柱形态保持较好的连续光滑液柱。随着喷注压降的升高,液柱的长度逐渐增大;主流气体流经液柱发生三维绕流,在射流附近和近壁面区域形成不断演化的反转涡对,反转涡对的形成加速了液体射流一次破碎过程。     

基于DSP的自适应桁架振动控制器设计

重量轻、功耗低、处理能力强的控制器对自适应桁架的空间应用具有重要意义。本文以自适应桁架空间应用为背景,进行了控制器的小型化设计。以DSP芯片TMS320VC33为核心,实现了自适应桁架振动控制器硬件,并开发了相应的控制程序。采用4阶线性二次型高斯(LQG)离散控制模型,在自适应桁架实验平台上进行了振动抑制实验。实验表明,以DSP为核心的小型化控制器能够实现对自适应桁架振动的有效抑制,达到了与dSPACE控制器相同的控制效果。     

带攻角约束的高超声速飞行器自适应反步控制器设计

针对带攻角(AOA)约束的高超声速飞行器控制问题,提出一种基于非对称时变障碍函数的非线性自适应反步控制方法。首先,将飞行器模型化为严反馈形式,以反步法为基础进行控制器设计。然后通过光滑饱和函数对名义攻角指令信号进行限幅,并保证限幅信号的可导性,限幅产生的误差通过设计辅助系统进行补偿。进而使用障碍函数对攻角指令跟踪误差进行非对称时变约束。针对不确定性和干扰,设计新型自适应律对集中干扰上界进行估计并补偿。最终通过Lyapunov理论证明了闭环系统状态量一致最终有界并且攻角始终满足时变约束。仿真结果表明,本文方法能够在满足攻角约束基础上保证良好跟踪性能。     

嫦娥四号动力下降段图像可视化传输方案

针对嫦娥四号降落相机在动力下降段的图像可视化传输需求和深空通信下行数传信道带宽受限的矛盾,文章提出了一种动力下降段速率自适应的可视化图像传输方案,对如何保证降落相机图像下传的实时性、完整性、速率自适应性等关键问题进行了讨论,并对方案中涉及的抽帧回放算法、帧格式识别方法、合路调度算法等关键技术进行了详细说明。同时,文中给出了该方案在嫦娥四号在轨的验证情况,结果表明,在数传通信速率受限的情况下该方案实现了降落相机图像的存储管理和可视化下传,具有实时性高、速率自适应、图像下传完整等特点,可以为其他航天器数据管理系统设计提供参考。     

航天器姿态大角度机动有限时间控制

针对航天器姿态大角度机动控制问题,在存在外部扰动的情况下,基于航天器姿态跟踪系统的标准级联特性,利用反步法和自适应控制设计有限时间控制器。提出的控制方法可以严格保证姿态大角度机动系统是全局有限时间稳定的。李雅普诺夫理论推导和仿真结果表明,系统在控制器的作用下可以快速机动到平衡点并保持稳定,全物理仿真试验进一步表明了所提出的控制方法的有效性和优越性。     

惯性推算误差抑制的神经网络自学习模型设计与验证

惯性推算误差抑制是提升复杂场景下组合导航定位性能的关键,现有采用运动约束或系统误差高阶建模的方法从运动学模型及传感器误差模型出发,通过经验确定参数及模型的最优解。深度学习隐式模型能够挖掘数据之间的隐含关系,进行自主化参数寻优,并在提升惯导误差建模精度方面具有一定优势。总结了现有主流网络模型设计的优缺点,通过对比不同的输入输出方案进行优选,最终利用卷积神经网络构建了一套惯性误差抑制的轻量化神经网络自学习模型,并利用实测车载数据验证了该模型的有效性。实验结果表明,在GNSS信号失锁300 s的路段I和失锁285 s的路段II,网络模型速度约束的算法相较于纯惯性推算和传统NHC算法均有一定提升,融合NHC及网络模型速度约束的算法在水平定位精度上分别改善了41.7%~47.4%和26.7%~36.6%,一定程度上抑制了惯性推算误差。     

利用增量相位和星光仰角增强XNAV

针对X射线脉冲星导航系统(XNAV)中过程噪声统计特性难以准确获取,对其不当假设导致滤波器估计性能不佳的问题,提出基于自适应差分卡尔曼滤波器(ADDF)的多信息融合算法。为了降低导航误差,在传统脉冲星计时观测的基础上,增加恒星星光仰角及两个时刻间的相位增量观测量,共同增强XNAV。首先,分别建立计时观测模型、相位增量模型及星光仰角模型;然后将多信息测量模型集成到卫星轨道动力学方程中,以建立ADDF滤波模型;最后对所提方法进行仿真验证。实验结果表明,在相同的初始状态和初始噪声误差条件下,与传统X射线脉冲星导航算法相比,多信息融合算法能将导航位置估计精度提高70%以上,位置估计误差降低到 200 m 左右,速度估计精度提高40%以上,且ADDF性能优于无迹卡尔曼滤波器。