考虑气动参数扰动的再入轨迹快速优化方法

针对传统再入轨迹优化方法收敛速度慢、对初值敏感程度高等的局限性,提出了一种基于序列凸优化的再入轨迹快速求解方法.该方法以倾侧角的变化率作为控制量,改进了现有凸化策略,考虑到抑制数值优化过程中由于数值离散方式带来的锯齿化现象,采用 B 样条曲线离散控制量,同时为避免算法在初始猜想值附近出现伪不可行的问题,增加额外虚拟控制量,通过一种"回溯直线"搜索的方法,提高算法的稳定性、快速性和寻优结果的光滑性.为研究飞行器再入过程中的气动参数扰动问题,采用采样点少、易于实现,计算效率高的广义混沌多项式理论研究方法,建立了基于广义混沌多项式和凸优化相结合的再入轨迹鲁棒优化模型,该模型在优化过程中考虑气动参数扰动对寻优结果的影响作用,避免了传统轨迹与制导律的复杂迭代设计环节,可有效降低优化轨迹对气动参数扰动的敏感程度,在气动参数不确定条件的干扰下,依然可以保证飞行器顺利安全的完成飞行任务.最后,以美国某可重复使用飞行器的再入任务为例,验证了基于序列凸优化的再入轨迹优化方法的快速性以及鲁棒优化模型对气动参数扰动的抗干扰性能力,表明了该方法具有一定的工程应用性.      

基于LSTM模型的飞行器智能制导技术研究

人工智能技术的突破性进展为飞行器再入制导技术的研究提供了新的技术途径, 本文针对预测校正制导中两方面的问题: 一是纵向“预测环节”积分计算量大和“校正环节”割线法迭代求解难以满足实时性的问题, 二是纵向制导和横向制导都需要对动力学方程进行积分, 存在明显的冗余计算问题, 提出基于长短期记忆网络(long short-term memory, LSTM) 的飞行器智能制导技术. 一方面, 在纵向制导中不需要对动力学方程进行积分来预测待飞射程, 即去除“预测环节”; 另一方面, 不再基于割线法迭代求解倾侧角的幅值, 即去除倾侧角的“校正环节”, 大大减少积分计算量, 提高计算速度. 利用深度学习在神经网络映射能力和实时性方面的双重天然优势, 基于再入飞行器的实时状态信息, 采用LSTM模型实时生成倾侧角指令. 同时, 将纵向和横向制导环节的制导周期统一为一个周期, 进一步确保制导系统满足在线制导的实时性要求. 蒙特·卡罗仿真分析表明, 本文所提的方法在飞行器再入初始状态和气动参数拉偏情况下具有精度和速度上的优势.      

不同涤纶绳索纤维的PY-GC/MS定性分析

利用裂解-气相色谱/质谱联用法对9个不同产地、不同规格的涤纶绳索样品进行鉴别分析.首先通过优化选择,确定试验条件,即裂解温度为550℃、裂解时间为6 s时,柱程序升温条件为50℃(1 min)20℃/min→250℃(10 min).在此条件下可最大限度的显示涤纶裂解产物的特征.9个样品的裂解分析结果显示,涤纶的主要裂解产物有13种,其中特征裂解产物为苯甲酸(相对强度100%)、苯甲酸乙烯酯、联苯、苯等.虽然9个涤纶绳索有相同的裂解特征,但个别裂解产物及各特征裂解产物的相对含量有所不同.这一差异可以作为不同规格、不同产地涤纶绳索分析鉴别的依据.