经典 f 、g 级数的修正法

文中对开普勒轨道方程中的经典f、g 级数进行修正,使其适用于考虑主要带谐项的摄动情形,克服了f、g 级数仅用于开普勒轨道短弧段的限制。公式的推导借助计算机完成。使用此方法所得结果与使用数值积分方法所得结果比较:该方法速度快、精度高、可直接得到连续的状态。该方法简洁有效,在航天导航和制导领域具有很大实用价值。     

北京谱仪(BES) 轻子识别研究——Monte Carlo结果

这项工作是详细研究北京谱仪(BES)轻子识别的一部分。本文报告了π/μ、π/e分辨的Monte Carlo 结果。结果表明:在北京谱仪中π/μ分辨有两个有效的截断,即位置与方向。对于π/μ分辨也有两个有效的截断,即总电荷量沉积和二极矩。     

退化速率跟踪粒子滤波在剩余使用寿命预测中的应用

毋庸置疑,剩余使用寿命预测对于设备的健康管理越来越重要。近年来粒子滤波方法被越来越多地应用到设备寿命预测技术当中,这是因为粒子滤波方法能更好地解决非线性非高斯系统滤波问题,而且能够获得不确定度信息。但该方法的预测性能却过度依赖于预测模型,并且对于模型参数的初始分布也比较敏感,这在一定程度上限制了粒子滤波预测方法的进一步发展。针对基本粒子滤波预测方法的不足,提出了一种基于退化速率跟踪粒子滤波的通用预测框架,以历史观测数据的退化速率统计规律作为指导来跟踪目标数据的退化速率,实现对粒子滤波预测方法的简化,并将该方法用于轴承和锂离子电池的剩余使用寿命预测,验证了方法的有效性。     

高超声速滑翔导弹气动参数自适应跟踪建模

针对高超声速滑翔导弹跟踪中状态模型构建问题,研究基于制导变量变化规律的气动参数建模方法。对气动参数进行分析,指出传统建模方法的缺点。在假设制导变量服从一阶时滞过程的前提下,利用线性化的气动系数推导气动参数模型,通过分析不同飞行状态下的模型变式,证明模型对目标机动具有自适应性。对模型中未知参数的取值问题进行讨论,实现模型与飞行状态的自适应匹配。仿真结果表明：当目标发生机动时,所提模型性能明显优于传统模型。同时,在不同滤波器参数条件下的仿真结果进一步证实了模型的有效性。     

双缸双作用舱底泵运动副磨损振动特性研究

针对因舱底泵全寿期振动特性掌握不够准确,致使修理过程中振动噪声难以控制,从而缺乏运动副不同间隙等边界条件下机械系统动力学模型的问题,以双缸双作用往复式舱底泵为研究对象,建立舱底泵传动装置运动学、动力学和整机振动特性计算模型,研究了舱底泵整机正常运转与曲轴颈和连杆运动副存在磨损故障下的振动特性,并进行了实验验证。结果表明:在曲轴颈和连杆运动副存在0.5 mm磨损间隙时,振动线谱在低频6.032 Hz处存在显著峰值,此特征可以作为判断曲轴颈和连杆运动副磨损故障的特征。     

反电动势对无扰载荷航天器精确定向的影响

无扰载荷航天器中非接触式作动器反电动势会引起有效载荷模块与支持模块之间的耦合,影响有效载荷模块的精确定向性能。通过建立无扰载荷航天器的耦合动力学模型,分析非接触式作动器反电动势对有效载荷模块精确定向性能的影响。考虑六支杆立方构型无扰载荷接口,结合拉格朗日方程和牛顿欧拉方法建立有效载荷模块平台动力学模型。推导非接触式作动器的输出力模型,并引入有效载荷模块平台动力学模型,给出考虑非接触式作动器反电动势的耦合动力学模型。将支持模块上飞轮动静不平衡引起的谐振作为干扰力矩,建立了无扰载荷航天器在轨定向状态的Simulink仿真模型。仿真结果表明,反电动势系数越大,干扰力矩对有效载荷模块的影响越大,有效载荷模块精确定向精度越低。     

基于UPF的WNN学习算法及其应用

为改善小波网络(WNN)的非线性建模能力,提出一种基于改进无迹粒子滤波(UPF)的WNN学习算法。算法先引入最小偏度策略减少无迹变换(UT)的Sigma采样个数,改进无迹Kalman滤波(UKF);再用改进UKF算法选取粒子滤波的重要性密度函数,构成新型UPF;最后,将SUPF作为WNN的学习算法进行训练和测试。实验表明,基于新采样策略UPF与基本UPF的WNN模型精度总体接近,但速度更快,效率更高,某型军用飞机气动力建模也验证了算法的有效性与可行性。     

基于DDPG的四旋翼无人机姿态控制

针对未知环境下四旋翼无人机姿态控制实现难、鲁棒性差等问题,提出了基于深度确定性策略(DDPG)算法的智能姿态控制方法。首先,基于欧拉-庞卡莱方程,利用计算机符号推导,建立四旋翼的动力学模型;其次,基于DDPG算法设计四旋翼的姿态控制器,并在奖励函数设计中引入姿态误差、姿态角速度误差和控制量惩罚项;最后,通过设置不同初始状态值、改变四旋翼结构参数和引入噪声等仿真试验,分析验证控制器的性能。仿真结果表明,该控制器能够引导四旋翼快速响应到期望姿态并保持稳定,同时展现出较好的泛化能力。     

基于CE-QPSO算法的联合火力打击方案智能优化方法

针对联合火力打击方案优化“既快又精”需求难题,设计了CE-QPSO算法,提出了基于该算法的联合火力打击方案智能优化方法。该算法充分结合了交叉熵算法良好的全局寻优能力和量子粒子群算法高效运行的特点,通过构建离散概率矩阵,使粒子的不确定性运动更具方向性,提高了粒子的协同寻优能力。实验结果表明：基于该算法的联合火力打击方案智能优化方法能够有效提升联合火力打击方案的优化效果和优化效率,且相比于标准交叉熵算法和标准量子粒子群优化算法具有明显优势。