MEMS陀螺随机漂移在线补偿技术

为了提高微机电系统(MEMS,Micro Electro Mechanical System)陀螺测量的精度,提出了一种陀螺随机漂移的在线补偿方法.在静态时在线建立随机漂移的自回归滑动平均(ARMA,Auto Regressive Moving Average)模型,并针对随机漂移模型随时间慢变的特性,引入虚拟噪声补偿技术加以补偿.针对载体运动状况的未知性,建立机动角速率模型.在此基础上采用自适应卡尔曼滤波技术对随机漂移和角速率进行实时估计.通过试验表明:随机漂移模型、角速率模型以及滤波算法能够满足姿态测量系统的动态应用需要,且姿态测量精度较补偿前有了显著的提高.     

异种铝合金环形构件的搅拌摩擦焊接工艺

为实现异种铝合金环形构件的高精度装配与连接,文中设计一种卧式串联型轴向移动转径向伸缩的搅拌摩擦焊接工装。结果表明,采用此工装成功实现铝铜系/铝镁系异种铝合金环形构件的高精度装配与高质量焊接,接头内部质量达到了I级接头要求,接头的抗拉强度高于245 MPa,延伸率高于16%,且所有接头均断裂在铝镁系铝合金母材一侧,说明该接头的整体性能要优于铝镁系铝合金母材性能,解决了铝铜系/铝镁系异种铝合金熔焊易出现焊接裂纹的工程难题。     

基于INS/GNSS紧耦合组合的逐步诱导式欺骗检测算法研究

传统惯性辅助GNSS欺骗信号检测方法对小于纯惯导误差漂移的逐步拉偏不敏感。针对这一问题,提出了一种基于INS/GNSS紧耦合组合的逐步诱导式欺骗信号检测方法。基于短时间内纯惯性导航结果和短时间惯导系统位置误差传播模型,利用惯导提供的位置和速度对伪距和伪距率时间序列进行预测估算,并结合伪距、伪距率实际测量结果,分别构造位置/伪距和速度/伪距率时间序列模型做参数拟合。基于真实信号得到的模型参数都是由惯导系统误差造成的,具有一致性;而基于逐步诱导式欺骗信号得到的模型参数还与欺骗策略的设定、载体飞行轨迹的观测以及干扰源的位置有关,具有不一致性。通过对比模型参数可判别欺骗信号的存在,对于真实信号,采用紧耦合组合导航修正INS输出;对于欺骗信号,继续惯性导航并采取相应措施。最后,根据逐步诱导式欺骗原理进行实验仿真,验证了算法的可行性和有效性。     

用结构自适应神经网络预测航空发动机性能趋势

 将航空发动机作为复杂非线性系统考虑,运用神经网络超强的非线性映射能力和非线性时间序列分析的相空间重构理论,建立航空发动机性能趋势预测的神经网络模型,同时,针对神经网络的结构设计困难问题,建立了基于遗传算法的结构自适应神经网络预测模型,实现了神经网络结构的优化。最后,利用三组民航飞机发动机的性能数据进行了预测分析,验证了利用结构自适应神经网络对航空发动机性能趋势进行预测的有效性。     

舰载雷伞系统落点误差修正方法

为了修正舰船运动和海风引起的落点误差,首先建立了雷伞系统各阶段动力学模型并进行了编程计算,通过与试验结果的对比验证了动力学模型的准确性。之后,将发射方向和分离时间作为控制量,基于泰勒级数理论推导了落点误差与控制量之间的关系,提出了一种新的雷伞系统落点误差的修正方法。通过算例验证,该方法所得到的控制参数能够有效地修正雷伞系统的落点误差。同时,针对典型工况开展了本文方法与改进的多目标粒子群轨迹优化算法的对比研究,发现本文方法比改进的多目标粒子群优化算法拥有更快的收敛速度、更高的收敛精度和更少的计算消耗,可以对由舰船运动和海风引起的雷伞系统落点误差进行实时准确地修正,从而提高舰船发射布雷的精度。     

航空发动机的一种Volterra级数非线性动态模型

研究航空发动机的非线性动态模型的建立问题。利用Volterra级数对航空发动机的动态过程进行描述,建立非线性模型,提出了模型的辨识算法。利用某型涡扇发动机的动态仿真,进行了发动机Volterra模型辨识及验证。结果表明,Volterra模型可以描述发动机从慢车与最大间的动态过程。      

混沌时间序列的神经网络预测研究

研究了一类特殊非线性系统——混沌系统的预测问题。混沌是一种普遍存在的非线性动力学行为,混沌时间序列难以预测和控制,文章先是通过重构系统状态相空间分析混沌时间序列,然后采用多层前向神经网络对其进行预测。对典型的Lorenz和Mackey-Glass混沌序列预测结果表明,如果训练样本足够多,网络结构简单适当,训练后的网络具有很好的泛化性能,说明神经网络预测方法具有较好的工程实用价值。最后分析神经网络初始权值设置对预测性能的影响,指出改进方向。     

雷达探测距离的区间估计

雷达探测距离是雷达发射功率、频率、接收信号功率等这些不确定参数的函数。以区间数学为基础,将这些不确定参数描述为区间变量,借助一阶泰勒级数,提出了近似估计雷达探测距离的区间分析方法。区间分析方法降低了以往处理不确定问题概率方法需要知道不确定参数均值、方差或概率分布密度等详细统计信息的要求,只要求知道不确定信息所在的边界,而且计算量少。通过算例与概率分析方法相比较,表明了区间分析方法的可行性和优越性。     

基于支持向量经验模态分解的故障率时间序列预测

 针对故障率时间序列的非线性与非平稳特性,提出一种基于支持向量经验模态分解(SVEMD)的预测方法。首先,将故障率时间序列分解为多个固有模态函数(IMF)与一个余量(RF),利用最小二乘支持向量机(LSSVM)预测时间序列两端的局部极值点,以抑制传统经验模态分解(EMD)的边缘效应;同时以LSSVM回归方式形成包络线,以取代传统EMD中的三次样条插值;然后,建立各IMF与RF的预测模型;最终,将各IMF与RF的预测结果相加以获得故障率时间序列的预测结果。仿真结果表明,该方法的预测精度较传统基于EMD的预测方法与单一预测方法有显著提高,可实现对故障率的准确预测。     

基于符号序列联合熵的航空发动机健康监控方法

引入信息熵理论,结合对多参数时间序列的符号化处理,探讨其在航空发动机健康监控中的应用.利用符号序列联合熵对航空发动机性能参数无序程度的描述,分析航空发动机健康状态及其演化方向.对两组实际飞行数据的实验分析表明,该方法描述的航空发动机的健康发展趋势与实际情况相吻合,能够较好反映航空发动机的健康状态,可以为航空发动机的健康...