面向小推力变轨的天文组合自主导航方法

针对小行星探测任务对导航系统自主性强、实时性高的需求,研究了一种面向小推力变轨的天文组合自主导航方法。根据工程实践分析并建立了电推进变轨过程中的动力学模型,给出了天文测角测速组合的小行星探测自主导航方案。为克服小行星探测器推力的不确定性,提出了采用自适应交互式多模型无迹卡尔曼滤波(AIMM-UKF)算法,以较少的模型个数实现对导航系统状态的覆盖,克服了模型集合先验信息不准确对导航精度的影响,提高了组合导航系统的鲁棒性和抗干扰能力。最后,通过数学仿真对组合导航算法的性能进行了验证,结果表明本文提出的组合导航方法估计精度更高、计算消耗更小,可满足小行星探测工程任务对导航系统自主性、实时性和高精度的需求。     

柔性铰接板振动测量及迭代学习主动控制

大型柔性板状结构广泛应用于航空航天领域,这种结构特性极易引起低频振动,针对这一问题以柔性铰接板为研究对象,探究了柔性铰接板在受外部激励作用下弯曲模态的振动特性.为此搭建了一套用于测控柔性铰接板振动特性的实验平台,采用了立体视觉和压电陶瓷传感器分别检测柔性铰接板的振动信息,以此信息作反馈,采用了变遗忘因子的迭代学习控制方法对柔性铰接板的振动进行主动控制,同时以PD控制的实验效果作为对比.实验结果表明,不论是大幅值的快速衰减还是小幅值的残余振动抑制,迭代学习控制效果都优于PD控制.     

基于聚类的多标记选择性集成

多标记学习和选择性集成是机器学习中的两个热点研究问题。本文利用聚类思想探究多标记学习中的选择性集成, 提出了两种具体的多标记选择性集成算法：基于最小距离的簇中心选择算法（Minimum distance based cluster center selection,MDCCS）和基于K-means的簇中心选择算法（K-means based cluster center selection, KMCCS）。在所提出的算法中,如何度量学习器之间的距离是其能否成功的关键因素。本文首先基于学习器的分类结果对其进行重新表示,在此基础上给出了学习器之间距离的计算方式。此外, 对于算法中的空簇问题给出了两种解决方法。基于Mulan数据库中的多标记数据集和5种评价指标对所提算法进行了详细的分析,实验结果表明了所提算法的有效性。     

翼身厚度对小展弦比飞翼布局流动特性的影响

跨音速条件下,激波将导致大后掠飞翼布局出现激波/边界层干扰、激波/前缘涡干扰等复杂流动现象,对其流动特性、气动性能产生严重影响。本文采用数值模拟方法研究了跨音速时小展弦比飞翼布局流动特性随迎角的演化,并分析了翼身厚度对前缘涡流动的影响。计算结果表明:在无前缘涡区,翼身厚度在机头处引起侧洗作用,在尾部出现激波/边界层干扰现象,导致流动分离;在前缘涡发展区,翼身厚度的侧洗作用使飞翼模型前缘涡形成较晚,影响区域减小,但使其前缘涡发展较快,强度增大,在背风侧诱导的吸力增加,从而使前缘涡涡升力基本不变;同时,侧洗作用导致翼身背风侧激波位置前移,诱导前缘涡破裂,使涡破裂迎角大幅减小。本文研究为大后掠飞翼布局气动布局设计和流动机理分析提供了基础。     

装备可靠性试验寿命评估GERT网络模型

针对装备寿命试验中失效样本量比较小的情形,基于应力冲击思想,提出了一种基于失效选择机制的装备系统可靠性评估定量分析方法。首先引入图示评审技术（Graphic evaluation and review technique, GERT）表征系统的多种工作状态和状态间的传递关系,根据系统结构进行可靠性评估建模。然后基于失效观测数据对元器件的可靠性进行估计,确定可靠性评估GERT网络中的参数。最后依据失效选择机制对网络进行计算,实现系统可靠性的评估。算例研究结果表明了基于失效选择机制的装备可靠性评估GERT模型的有效性。     

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。     

取大取小算法问题讨论

取大取小算法是模糊数学中的一个重要的方法之一 ,在工程应用中得到了广泛的应用。但有人提出了“在模糊综合评判时 ,取大取小算法是一个错误算法”的论点。本文首先通过对模糊综合评判的评价函数所作的理论分析并辅以实例说明了取大取小算法是模糊综合评判的一个可取的算法 ,作者还从广义合成运算的模糊综合评判的角度 ,论述了取大取小算法的正确性 ,与上述论点进行商榷。同时作者也对取大取小算法在某些情况下出现失效的现象进行了讨论 ,并提出了改进的措施。作者认为不能因取大取小算法在特定情形下的失效就全盘否定其理论上的正确性和工程上的可用性。     

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...     

高效率采样的数据关联融合气动力建模方法

飞行器设计阶段的气动分析需要大量的高保真度气动力数据以提高设计性能,但其获取成本十分高昂。为了缓解建模成本与模型精度之间的矛盾,构建了关联不同保真度数据的多保真度气动数据融合模型,并提出了最优关联点选取方法和均匀性增强序贯采样方法,以此实现co-Kriging变可信度模型的高效初始化与最速收敛。作为验证,选用标准数值算例开展建模研究,并结合统计结果对方法精度优劣进行了对比。最后将该建模框架成功应用于NACA0012翼型跨声速气动力工程算例当中。结果表明,与传统模型相比,在仅有的少量高保真度样本下,所采用的方法可以大幅提升变可信度模型收敛精度和建模效率,有效降低了采样成本;相较于高保真度单精度元模型,误差可降低50%以上。     

基于LSTM-ResNet模型的时变结构损伤检测

面向火箭结构健康监测,提出了一种基于深度学习的损伤检测方法,直接将多个通道的振动数据作为输入,并基于由长短时记忆网络LSTM(Long Short-Term Memory Networks)和残差卷积神经网络ResNet(Residual Convolutional Neural Networks)组合而成的LSTM-ResNet网络进行损伤识别。其优点在于,首先利用LSTM提取信号的时间依赖特征,减轻了由某些通道信号缺失带来的影响,再利用ResNet在不损耗特征的情况下进一步提取空间特征,提高了训练效率和损伤辨识准确性。通过充液圆筒振动放水实验模拟火箭飞行状态下的燃料消耗,并基于自主构建的数据集和公用数据集对LSTM-ResNet、LSTM、ResNet以及ResNet-LSTM网络进行了训练,训练结果表明,LSTM-ResNet组合网络无论在传感器是否存在故障的情况下都具有更好的性能,损伤检测精度更高。