基于强化学习的在轨目标逼近

从强化学习的角度,对在轨目标逼近问题进行研究,设计了一种整合制导与控制的端到端的算法.首先对在轨目标逼近问题进行数学建模;然后对强化学习算法原理进行简介,根据问题特点分析不同强化学习框架的优劣,确定以DDPG作为算法框架,并设计了基于强化学习的在轨目标逼近算法;最后通过仿真验证,分析了基于强化学习逼近算法的优劣性.     

燃烧室头部激励的等离子体强化燃烧特性实验研究

等离子体助燃是一种新型的强化燃烧技术，近年来受到国内外学者的广泛关注。本文开创性地研制了基于旋转滑动弧等离子体的强化燃烧头部，建立了某型航空发动机三头部燃烧室实验件的等离子体助燃实验平台，验证了该等离子体强化燃烧技术应用于型号发动机燃烧室的可行性。实验研究等离子体助燃在不同余气系数和不同输入电压条件下对平均出口温度、燃烧效率、温度分布系数以及熄火边界的影响。实验结果表明，与正常燃烧相比，施加等离子体助燃后的燃烧效率有明显的提高，在输入电压为U0=240V，余气系数为 α=0.8时，等离子体助燃的燃烧效率提高3.24%。实施等离子体助燃后，燃烧室出口温度分布场分布得到明显的改善，在富油工况α=0.8，出口温度分布系数减少39.8%。等离子体助燃输入电压越高熄火边界扩展程度越明显，相比于正常工况条件下，等离子体助燃U0=240V的熄火边界扩宽了7.34%。     

移动机器人铣削制孔系统基准检测

结合航空大部件的数字化对接装配需求,设计了一套用于对接面铣削制孔的移动机器人加工系统,并提出具体的加工工艺流程。研究了基于激光轮廓扫描仪的大量散乱点云数据的预处理算法,提出基于栅格法和迭代拟合法的对接面特征提取算法。针对移动机器人加工系统在大场景下的高精度定位问题,提出基于扫描线法和最小二乘法原理的对接基准孔坐标找正算法。通过产品的加工实验验证,对接面铣削和制孔精度满足系统要求的各项技术指标,证明了本文提出的移动机器人铣削制孔系统的装配对接面加工方法能够精确地完成大部件数字化装配任务,对提高装配质量和效率具有重要意义。     

新科工程与霍尼韦尔签署Leap发动机部件MRO协议

新科工程(ST Engineering)与霍尼韦尔航空航天签署了一项为期10年的协议,负责维护CFM国际公司Leap发动机的部件。根据该协议,ST Engineering公司将在亚太地区为Leap发动机上的霍尼韦尔公司部件提供维修服务。     

基于DDPG算法的无人机集群追击任务

无人机的集群化应用技术是近年来的研究热点，随着无人机自主智能的不断提高，无人机集群技术必将成为未来无人机发展的主要趋势之一。针对无人机集群协同执行对敌方来袭目标的追击任务，构建了典型的任务场景，基于深度确定性策略梯度网络（DDPG）算法，设计了一种引导型回报函数有效解决了深度强化学习在长周期任务下的稀疏回报问题，通过引入基于滑动平均值的软更新策略减少了DDPG算法中Eval网络和Target网络在训练过程中的参数震荡，提高了算法的训练效率。仿真结果表明，训练完成后的无人机集群能够较好地执行对敌方来袭目标的追击任务，任务成功率达到95%。可以说无人机集群技术作为一种全新概念的作战模式在军事领域具有潜在的应用价值，人工智能算法在无人机集群的自主决策智能化发展方向上具有一定的应用前景。     

涡扇发动机系统和部件试验适航符合性验证研究

针对我国涡扇发动机系统和部件适航试验未得到充分融合及系统化贯彻的问题,以系统和部件试验的适航需求为引导,在提出涡扇发动机系统和部件试验的适航符合性验证实现路径的基础上,建立了系统和部件试验验证项目的决断模型和阶段化及并行模型。实例表明,提出的验证实现路径和建立的验证模型,能有效地将系统和部件适航符合性验证项目融合进发动机研制周期中,并系统地实现验证与对象之间的匹配及过程控制,对保证涡扇发动机系统和部件试验适航符合性验证的充分性和系统性具有积极的指导意义。     

再入飞行器自适应最优姿态控制

针对再入飞行器姿态控制问题，应用自适应动态规划（ADP）理论设计了姿态控制器。将再入飞行器的姿态控制建模为非线性系统的最优控制问题，提出单网络积分型强化学习（SNIRL）算法进行求解，该算法简化了积分型强化学习（IRL）算法在迭代计算中的执行-评价双网络结构，只需要采用评价网络估计值函数就可以求得最优控制律，其收敛性得到了理论证明。基于SNIRL算法设计了自适应最优控制器，并证明了闭环系统的稳定性。通过数值仿真校验了SNIRL算法比IRL算法计算效率更高，收敛速度更快，并校验了自适应最优姿态控制器的有效性 。