基于多尺度自适应注意力网络的剩余寿命预测

剩余寿命预测是复杂设备系统智能维护决策的关键和前提。不同指标数据间的潜在关系给预测的精度带来了挑战，参数的选择也增加了模型预测的困难。采用多尺度自适应注意力网络训练方法，别从纵向和横向两个维度融合数据间的特征关系，给出分段非线性目标函数，提高了预测的精度，降低了预测的均方根误差。使用自适应机制自动选择卷积核大小，提高了网络训练的效率。通过对涡扇发动机数据集进行实证分析验证了该方法在复杂系统剩余寿命预测中的有效性。     

晨昏轨道卫星三结砷化镓太阳电池阵功率衰减估计

文章针对空间环境对于GaInP2/InGaAs/Ge太阳电池输出功率衰减影响，以运行轨道高度接近1000km的某晨昏轨道卫星为对象，在分析轨道半长轴与倾角摄动、光照角变化、降交点地方时漂移、日地距离波动等因素的基础上，首先讨论了电池工作温度和输出电流变化，建立太阳电池输出电流拟合模型；提出了发展拟合电流的归一化处理新方法，进行光照角、温度、地球反照归一化，重点减小太阳光源功率波动的影响；最后，利用实际在轨数据进行检验。结果表明，利用新方法得到的电流数据衰减特征明显，一致性较好；太阳电池功率衰减因子约为-1.02×10-5/d，年衰减率约为0.372%；在轨15.5年后，输出功率衰减预测约为6.6%；GaInP2/InGaAs/Ge太阳电池抗辐照性较好，适宜于近地空间长寿命应用场合。该方法可应用于在轨卫星长期测控与管理中的遥测诊断、能源估计与预测、器件健康状态评估等方面。     

飞行状态对太阳能飞机中组件性能的影响

基于光伏组件产生功率模型，研究了太阳能飞机中飞行速度、高度、时间及区域等状态参数影响组件性能的规律。以单晶硅组件及Xihe太阳能飞机为研究对象，当飞机飞行速度增加时，组件产生的功率随之增加但趋于饱和。原因在于速度的增加能有效降低组件的表面温度，但提升是有限的。飞机所需的功率随飞行速度呈现指数增加，且组件产生的功率与飞机所需的功率有能量平衡点。组件产生的功率随飞行高度的增加而增加，但有饱和的趋势。原因在于，当飞行高度上升，大气温度随之下降，组件表面温度下降；同时海拔越高，大气密度和大气通透率越大，太阳辐射增加，从而组件产生的功率增加了；饱和的原因在于组件本身性能的限制。一天之中，组件产生的功率基本以太阳时12点为中心左右近似对称，中午最强；一年中组件性能在夏季最强，冬季最弱。原因在于组件性能主要由所受太阳辐射决定。随着纬度的增加，组件产生的功率减小。原因在于，纬度越高，太阳高度角越小，组件所能接受到的太阳辐射也就越小；纬度越低，组件总产生功率越高且平稳。纬度低的地区更适合太阳能飞机的飞行。该文为太阳能飞机的能量分配、长时间驻空提供一定的帮助。     

基于深度神经网络的超声速隔离段湍流涡黏性系数辨识

雷诺平均Navier-Stokes(RANS)方程由于计算成本较低，当前仍然在工程设计领域广泛应用。为了进一步提升计算精度和减少时间，应用深度神经网络（deep neural networks, DNN）方法自适应辨识稳态湍流涡黏性系数。以隔离段的激波串前缘位置检测流场生成为例，使用Wilcox-2006 k-ω湍流模型进行模拟。在不同的背压情况下，产生稳定状态的湍流涡黏性流场作为模型学习的训练数据集。最后在不同背压条件下开展了测试。结果表明：提出的DNN方法能够快速预测湍流涡黏性系数的值，预测值与计算流体力学数值模拟计算的参数值相比，方均根误差较小，可决系数大于99%，预测的流场结果与真实流场基本一致，进一步验证了深度学习技术在湍流模型参数辨识的可行性。     

非线性媒质无源交调电平预测

无源互调(PIM)作为地面基站天线、卫星天线系统中一种重要的干扰因数,在PIM问题的研究中,功率电平的预测是一个难点。文章对两种预测方法进行了深入的比较研究,建立了数学模型,并通过计算机仿真获得了在不同输出测量误差及相同输入工作电压情况下两种方案的3、5、7阶PIM的预测误差;通过与相关参考文献中实际测量值的比较分析,探讨了这两种预测方案的合理性、有效性。     

基于外部信息源的临近空间飞行器中制导研究

针对用于高超声速巡航飞行器拦截的临近空间飞行器,提出了基于预测校正算法的中制导方法,基于外部预警系统所提供的目标信息,通过对影响末制导段拦截精度的空间交会角分析,给出了中制导虚拟终端目标的生成方法。利用基于单纯形算法的最优化求解算法进行预测校正算法的实现。针对中制导的实现特点,分别建立了适合的目标函数、预测方程和迭代优化算法。最终,通过仿真验证了算法的可行性和有效性,仿真结果标明,对于最大升阻比为2的飞行器,所提出的算法可基于目标的运动实时进行中制导轨迹的调整,到达期望的中制导终端点。最大位置偏差不超过500m,速度偏差小于10m/s,航迹倾角和航迹偏角小于2.5°和3.0°。     

基于分布式模型预测控制的多UAV协同区域搜索

针对多无人机(UAV)协同区域搜索问题展开研究。提出了一种基于分布式模型预测控制(DMPC)的多UAV分布式优化搜索方法。首先基于传统的搜索图模型,建立了多UAV协同搜索的问题描述和状态空间模型,然后在DMPC框架下,将集中式多UAV在线优化决策问题转化为各架UAV的小规模分布式优化问题,采用基于纳什最优和粒子群优化(PSO)相结合的算法实现对每个子系统优化问题的迭代求解。仿真结果表明:DMPC方法能够有效地降低多UAV协同搜索决策问题的求解规模,是一种可行的方法。     

嵌入维数自适应最小二乘支持向量机状态时间序列预测方法

 针对航空发动机状态时间序列预测中嵌入维数难于有效选取的问题,提出一种基于嵌入维数自适应最小二乘支持向量机(LSSVM)的预测方法。该方法将嵌入维数作为影响状态时间序列预测精度的重?问?以交叉验证误差为评价准则,利用粒子群优化（PSO）进化搜索LSSVM预测模型的最优超参数与嵌入维数,同时通过矩阵变换原理提高交叉验证过程的计算效率,并最终建立优化后的LSSVM预测模型。航空发动机排气温度（EGT）预测实例表明,该方法可自适应选取适用于状态时间序列预测的最优嵌入维数且预测精度高,适用于航空发动机状态时间序列预测。     

基于稀疏最小二乘支持向量机的航空发动机动态过程辨识

针对现有最小二乘支持向量机(LS-SVM)稀疏性不足的难题,提出一种稀疏化策略,应用此方法建立了航空发动机动态过程模型.在对原始样本预求解过程中,该策略使用改进Gram-Schmidt正交化算法对非线性映射矩阵实施递归分解,同时以阈值监督输出向量的残差化过程,从而优选训练样本,降低样本规模,节省内存,提高LS-SVM学习速度.仿真表明,基于优选样本的学习模型较之其他训练样本学习模型提高了回归精度和速度,验证了方法的可行性;基于实际试验数据建立的航空发动机动态过程模型在类似过程参数预测以及性能递推预估仿真表明,高压转子相对转速误差低于0.2%,低压转子相对转速误差低于0.35%,涡轮后燃气温度误差小于3.5℃,满足控制与仿真的需要.