无控火箭多路时序控制点火系统研究

为适应新型增雨防雹火箭需要，在原单一电子延时点火机构的基础上进行了电路改进，设计了功耗小，电压低，可同时提供多个时序的电子延时装置，满足了多次点火要求，该装置已经过飞行前的各种地面试验的考核。     

基于VEE与Nport的控温仪状态参数远程监控系统设计

为了减轻试验人员劳动强度,避免人为操作失误导致的数据失真与控温风险,提高航天器真空热试验自动化水平,设计了基于VEE与Nport的控温仪状态参数远程监控系统。利用NPORT-5610将RS-232协议转换为TCP/IP协议,使控温仪成为具备网络接口的组网仪器,采用VEE可视化编程语言开发了系统软件,实现了计算机对控温仪状态参数的远程监控。该系统结构模型合理,软硬件设计可行,具有灵活的扩展性和伸缩性,曾在某型号航天器真空热试验中成功应用。     

准最优控制理论在航天器轨道交会中的应用

将准最优控制理论用于轨道自主快速交会时线性二次型调节器的设计。根据轨道交会动力学和基于线性二次型最优控制律的轨道交会优化,提出了一种线性二次型准最优控制器的设计,并证明了系统的稳定性。理论分析和仿真结果表明,该控制律的交会精度较高、计算量小,可实现轨道交会控制的自主性和快速性。     

基于物理规划的固体火箭发动机不确定性优化设计

在基于建模与仿真的固体火箭发动机设计过程中客观存在许多不确定性,决策不确定性定义为设计与优化问题描述和决策过程中存在的模糊性。传统优化设计模型将优化设计问题作为确定性问题求解,可能会漏掉真正的工程实际可接受的最优结果。采用物理规划方法建立优化设计模型,可得到综合满足多个设计准则的Pareto解。以固体火箭发动机总体方案优化设计为例,证明了物理规划方法作为固体火箭发动机设计决策不确定性建模方法的有效性。     

月球软着陆的二次型最优制导方法

为实现在月球表面指定区域的精确软着陆,研究了月球软着陆的线性二次型最优制导方法。利用简化的轨道动力学模型,给出了一种基于状态和能耗最优的软着陆二次型制导方法。由于制导律要求同时提供3个方向的时变推力,所以需要通过变推力发动机和姿态机动来实现。该制导方法虽能满足精确软着陆的需要,但对姿态变化的要求超出了着陆器姿态机动能力。因此,本文修正了二次型最优制导方法,取消了对轨道参数的过程约束,仅对其终端进行约束,通过求解着陆指定目标点的能耗最优两点边值问题,得到了发动机推力大小和方向的显式表达式。研究结果表明,利用一定的姿态机动能力,修正的制导方法能够满足精确软着陆的需要。     

基于神经网络算法的液体火箭发动机实时故障检测方法研究

以某液体火箭发动机为研究对象,将实时故障检测作为中心,分析了神经网络算法的特点及其实现步骤,利用Lab Windows/CVI与MATLAB混合编程的原理,实现和改进了基于神经网络的发动机实时故障检测方法,并用多次试车数据进行了检验.试车数据验证结果表明,该方法能及时、准确、有效地检测发动机稳态过程的故障.研究结果对发展未来液体火箭发动机的箭载故障检测系统具有重要的参考价值.     

基于序列凸规划的运载火箭轨迹在线规划方法

针对大气层内气动力对轨迹规划求解实时性与收敛性的影响,提出一种基于模型补偿序列凸规划的大气层内火箭轨迹规划方法.该方法的核心思想是通过设计一种序列补偿的方式,将火箭动力学中非线性项(气动力加速度与重力加速度)与过程约束项(动压、过载约束等)进行凸化,从而将轨迹规划问题转化为序列凸规划问题而得到快速求解.在此基础上,本文...     

一种单自由度振动系统动态载荷识别方法

航天器在飞行过程中经历了复杂的力学环境,但是目前又无法直接测量出这种复杂力学载荷函数。针对这一问题,提出了一种应用力学载荷识别方法确定航天器所经受力学载荷的新方法,针对单自由度振动系统模型,以二次多项式为基函数,推导建立了基于Duhamel积分的动态载荷识别模型。仿真分析结果表明,该方法具有很高的识别精度,且不存在误差积累问题。该方法为下一步试验验证和工程应用提供了理论基础和技术支撑。     

一种基于先期毁伤准则的防空火力优化分配

针对防空火力分配中,在火力资源相对充足的情况下采用带资源约束的最大毁伤准则进行火力分配容易贻误战机的问题,提出了一种基于先期毁伤准则的防空火力分配新模型。该模型的思想是保证在满足毁伤概率门限的前提下,优先分配威胁度大的目标,并且利用目标到火力单元的飞临时间信息,选择尽量少的火力单元尽早毁伤目标;在毁伤目标的同时兼顾了火力资源的消耗情况和毁伤的时机,达到了以期望毁伤概率、较少火力资源尽早毁伤目标的目的。在此基础上,提出采用混沌和离散粒子群混合优化(CDPSO)算法求解防空火力分配问题,提高了算法的全局搜索能力,避免陷入局部极值。通过仿真验证了新模型的优点以及所提混合优化算法的有效性和优越性。     

Asymptotic Performance of Sparse Signal Detection Using Convex Programming Method

The detection of sparse signals against background noise is considered. Detecting signals of such kind is difficult since only a small portion of the signal carries information. Prior knowledge is usually assumed to ease detection. In this paper, we consider the general unknown and arbitrary sparse signal detection problem when no prior knowledge is available. Under a Neyman-Pearson hypothesis-testing framework, a new detection scheme is proposed by combining a generalized likelihood ratio test (GLRT)-like test statistic and convex programming methods which directly exploit sparsity in an underdetermined system of linear equations. We characterize large sample behavior of the proposed method by analyzing its asymptotic performance. Specifically, we give the condition for the Chernoff-consistent detection which shows that the proposed method is very sensitive to the 2 norm energy of the sparse signals. Both the false alarm rate and the miss rate tend to zero at vanishing signal-to-noise ratio (SNR), as long as the signal energy grows at least logarithmically with the problem dimension. Next we give a large deviation analysis to characterize the error exponent for the Neyman-Pearson detection. We derive the oracle error exponent assuming signal knowledge. Then we explicitly derive the error exponent of the proposed scheme and compare it with the oracle exponent. We complement our study with numerical experiments, showing that the proposed method performs in the vicinity of the likelihood ratio test (LRT) method in the finite sample scenario and the error probability degrades exponentially with the number of observations.