基于响应面方法的高超声速飞行器一体化布局气动设计与优化

建立了高超声速飞行器机体/推进系统一体化三维构型参数化模型,利用CFD数值计算开展了构型气动力的高精度数值试验并以此为基础建立了气动力响应面近似模型,以响应面近似模型作为气动力预测方法,结合遗传算法进行了高超声速飞行器三维构型的气动优化设计,获得了不同优化目标下的优化外形。     

高超声速飞行器自抗扰PID姿态控制

针对高超声速飞行器模型非线性、气动参数变化剧烈的特点,运用自抗扰技术中的跟踪微分器,设计了自抗扰PID控制器,实现了对高超声速飞行器俯仰通道的姿态控制。仿真结果表明,通过两个跟踪微分器构造的自抗扰PID控制器对于高超声速飞行器这样复杂的模型有很好的控制能力,并且有很好的滤波性能和鲁棒性。     

后续X-51A高超声速试验可能增加新的内容

美国X-51A乘波者进行了迄今最长时间的吸气式超燃冲压发动机试验后,X-51A试验团队正在等待本次成功能否带来投资以推动项目继续发展的消息.2010年5月26日,X-51A在太平洋上空点燃超燃冲压发动机并加速,不过发动机只燃烧了200 s,而不是预计的300 s.飞行器速度达到Ma=5,并没有超过Ma=6.之后飞行器开始减速,遥测数据流中断,飞行试验结束,飞行器按计划自毁.美国空军研究实验室项目经理称,我们取得了95%的成功,不过加速缓慢以及燃烧时间短的原因尚不清楚.另外,三个X-51A飞行器已经建造完毕,不过暂时不进行飞行试验,因为第一次飞行遭到推迟已经消耗了大部分可用资金.试验团队希望本次     

俄罗斯继续研制高超声速推进系统

长期以来, 俄罗斯国防部一直在为高超声速推进系统研究项目提供经费支持. 目前, 俄罗斯中央航空发动机研究院正在为亚燃/超燃冲压发动机开发试验硬件, 同时还在进行脉冲爆震发动机的效能研究.     

2.4m跨声速风洞全模颤振变速压的控制策略

基于运动规律法的变速压智能控制策略,结合2.4m暂冲式跨声速风洞的特点进行设计.其采用的模糊算法将控制过程分为多个调节段,各段根据误差和误差变化率智能选择调节参数.当误差变化到一定范围内则采用神经元PID控制器对总压的精确调节.稳态控制器则采用单神经元PID控制器,保证在设定值附近具有良好的调节效果.应用结果表明,该策略满足全模颤振试验的特殊要求,取得了流场调节过程快速、准确、可靠的试验效果.     

HIFiRE-1飞行器激波与边界层干扰气动热研究

高超声速飞行器存在典型的激波与边界层干扰,由此产生的流动分离与再附会带来严重的气动加热问题。采用雷诺平均方法对HIFiRE-1飞行器激波与边界层干扰气动热进行了数值模拟。讨论雷诺数、马赫数等来流参数和飞行器裙体张角、裙体长度等结构参数对气动热的影响,并分析其影响机理。研究结果表明：柱裙拐角处由于存在边界层分离、再附及强烈的激波干涉,导致飞行器壁面存在严重的气动热问题,控制边界层分离和流场结构能有效控制飞行器壁面热环境。改变来流参数和结构参数会对边界层分离、再附和流场结构带来较大影响,具体表现为：来流雷诺数变化时流场结构变化较小,但会大幅度影响再附热流密度;来流马赫数变化时分离激波与飞行器壁面夹角发生变化,相应的气动热有较大变化;裙体张角变化时引起分离区尺度变化,进而改变壁面热流分布;裙体长度变化时影响边界层分离、再附特性,导致壁面热流分布发生变化。     

高超声速飞行器预设性能反演鲁棒控制

针对吸气式高超声速飞行器的飞行控制问题,提出一种新的预设性能模糊反演控制设计方法。通过构造一种新的预设性能函数,在初始误差正负未知的情况下,可以保证跟踪误差能够按照预定的收敛速度、超调量及稳态误差收敛至任意小的区域,同时实现了对跟踪误差稳态性能和瞬态性能的约束。为提高控制系统的鲁棒性,在反演控制的设计框架下,引入模糊控制器逼近动力学模型中的不确定项。为避免传统反演方法中存在的"微分膨胀"问题,引入滑模微分器对虚拟控制量的导数进行精确估计。最后,通过不同初始误差下的轨迹仿真验证所设计控制系统的有效性。     

高超声速机的固定阶鲁棒控制器的设计

在采用现代控制理论设计方法对高超声速飞行器的控制系统的设计中,一般会生成高阶的控制器,而当对这些控制器予以实现的时候又会产生较大的不可接受的时间延迟。本文针对这个问题,应用了一种在控制器设计之前即限制控制器维数的方法来设计固定阶的H∞控制器,同时采用了一种控制器的规范实现以及同伦算法。最后,本文还设计了一种固定阶的μ控制器,它与全阶补偿器具有相似鲁棒性,但却显著地降低了控制器的复杂度。     

基于可学习EKF的高超声速飞行器航迹估计

临近空间高超声速目标因具有高速、大机动、全球到达的特点,已成为国防安全的一类新型威胁.此类目标具有非惯性的航迹形式、并可进行复杂的策略性机动,给其航迹估计带来了新的挑战.为应对目标的机动特性,提升航迹估计性能,将循环神经网络与扩展卡尔曼滤波深度嵌合,提出了基于可学习扩展卡尔曼滤波的航迹估计方法.首先,通过分析目标机动特性,建立了参数化的目标机动模型.然后,考虑目标复杂机动特性对航迹估计造成的影响,将循环神经网络与扩展卡尔曼滤波深度嵌合,提出了可学习扩展卡尔曼滤波方法.通过使用已有航迹数据进行训练,所嵌入的两个循环神经网络,可发现目标机动的隐含规律,并对目标复杂机动所引起参数与模型不确定性的进行在线识别与动态补偿.最后,以某临近空间高超声速目标的航迹估计为例,选取典型机动场景,对所提出方法与EKF、AEKF等传统方法进行了对比分析. 分析结果表明,所提出的可学习扩展卡尔曼滤波方法可有效应对目标复杂的机动,具有比EKF、AEKF方法更高的估计精度和更优的估计动态性能.