γ—P—S—N曲线方程与高可靠度高置信度齿轮寿命计算

给出了高可靠度和高置信度齿轮寿命计算方法。这种方法的关键是运用参数互相独立的三参数Weibull分布直接求解,从而弥补了传统理论的缺陷。介绍了γ-P-S-N曲线方程（置信度-可靠度-载荷-寿命曲线方程）及其在齿轮寿命计算中的运用,从而保证了齿轮寿命的高置信度、高可靠度和经济性。     

非最小相位系统输出跟踪的最优预测控制方法

讨论了一类非最小相位系统的输出跟踪问题。非最小相位系统广泛存在于机器人柔性结构控制、飞机的飞机控制和航天器发射等实际问题中。由于非最小相位系统内部动态的不稳定性,传统的一些输出跟踪方法将导致系统的某些变量发散。文中通过讨论系统的有界理想状态轨迹,将期望跟踪的输出进行了扩充,利用预测控制方法研究了一类非最小相位系统的输出跟踪问题,从理论上证明了利用预测控制可以使非最小相位系统稳定地渐近跟踪期望输出。     

多变量线性系统的特征模型及控制方法

对多输入 -多输出高阶线性定常系统从理论上详细推导出了其特征模型 ,并给出了基于特征模型的自适应模糊广义预测控制方案。所建立的特征模型为智能控制器设计和一些高阶对象的低阶控制器设计提供了理论依据 ,特别是为大型空间挠性航天器的控制提供了一种有效的途径。通过对一个航天器控制的仿真研究验证了所给方法的有效性     

航空电子产品的BAYES可靠性评估

针对航空电子产品可靠性评估问题, 确定了环境因子的分布, 把模拟试验信息通过环境因子折合得到了可靠性的预测分布。利用此预测分布作为验前分布结合飞行试验信息得到可靠性的验后分布。仿真算例表明这种方法比经典统计方法和传统BAYES方法更合理     

随时间变化的应变疲劳可靠性模型

鉴于应变载荷和应变强度的随机波动性和可靠性的时间变化性，建立了随时间变化的动态应变疲劳干涉模型，算例演示了2种情况下（Manson－Coffin公式和3参数暴函数公式广P－ε－N曲线）动态应变可靠度的计算方法。     

基于滑模干扰观测器的空空导弹三维预测制导律设计

针对目标大机动情况下制导准确性较差的问题,研究了基于滑模干扰观测器的空空导弹三维预测制导律。利用连续时间非线性预测控制方法,根据导弹当前的状态,选择弹道跟踪误差作为预测性能指标,对其进行在线滚动优化,获得制导指令。同时为了进一步提高导弹制导规律的抗干扰能力,利用滑模干扰观测器对内部不确定性和外部未知干扰进行逼近,并与预测控制方法所得到的制导指令进行综合得到优化制导指令。最后仿真结果表明,所设计的PCG相比于传统的PN,性能有较大的改善,能够实现目标大机动情况下的精确制导,并且所需导弹机动过载小、脱靶量小,具有一定的鲁棒性。     

自然层流机翼的翼套试验及数值方法

基于某公务机飞行试验平台设计改装的自然层流翼套构型,以飞行试验为核心,开展了前期的数值方法和风洞试验研究。风洞试验和飞行试验均采用红外热像技术进行转捩探测。同时,使用基于线性稳定理论的e^N方法对试验构型进行了数值模拟分析,探究攻角、压力分布形态对Tollmien-Schlichting(T-S)波失稳主导转捩的影响机制。研究结果表明,风洞试验构型在-2°～2°攻角范围内上翼面维持大范围的顺压力梯度,T-S波的增长得到了有效抑制,实现了50%c(弦长)以上的层流区,转捩发生在压力恢复区;在4°攻角工况下,头部出现明显的逆压力梯度,T-S波快速增长并发生失稳,转捩位置提前至20%c。飞行试验条件下的结果表明,压力分布形态对T-S波的影响机制与风洞试验一致;在高湍流度低雷诺数的风洞试验条件和低湍流度高雷诺数的飞行试验条件下,采用湍流度和Mack公式确定T-S波临界N因子,得到的转捩预测结果与试验结果均吻合较好,表明本文数值方法具有良好的预测精度和鲁棒性。     

轴对称短舱自然层流优化及转捩敏感性分析

大涵道比涡扇发动机短舱摩擦阻力大,高雷诺数下通过自然层流技术（NLF）减小短舱表面摩擦阻力是降低短舱总阻力的一种有效措施。为了提高气动优化效率,发展了一种进化/确定性混合优化算法,并结合六阶形状类别变化函数（CST）参数化方法和■转捩模型,对高雷诺数几何约束下的轴对称短舱进行自然层流优化设计。为了分析层流范围的变化规律,对设计的轴对称层流短舱开展了局部几何控制参数、流量系数（MFR）和马赫数（Ma）的敏感性研究。结果表明：混合优化算法能够显著提高优化效率,并成功应用于短舱气动外形优化中。在单变量几何参数影响下,短舱外形头部区域对压力分布和层流范围的影响最为显著,是层流设计的重点关注区域。流量系数和马赫数的变化使得层流范围波动较大,设计的短舱在设计点 MFR=0.7和 Ma=0.85附近,能够保持20%以上范围的层流。     

基于深度学习的多步预测方法在太阳风速度预测上的应用

为对近地环境太阳风状况进行可靠预测,引入基于深度学习的多步预测方法来预测在太阳与地球之间的拉格朗日点1(L1)处距离输入观测数据序列未来24、48、72、96 h的太阳风速度.采用SDO的图像数据提取冕洞面积等特征信息,并从NASA OMNIWEB数据集提取其他输入特征,形成多变量的时序数据作为太阳风速度预测的输入信息...