删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

基于ADMM算法的航空发动机模型预测控制*

本站小编 Free考研考试/2021-12-25

模型预测控制(Model Predictive Control, MPC)具有显式处理航空发动机工作中约束的能力,可以简化航空发动机控制系统的结构,在发动机控制领域获得了广泛的关注[1-4]。MPC通过在线优化的手段获得最优控制量,因此高效的在线优化算法可以提升MPC的实时性,有助于其在航空发动机上的应用。常用于MPC的优化算法有二次规划(Quadratic Programming,QP)[5]和序列二次规划(Sequential Quadratic Programming,SQP)[6]。SQP方法在每次迭代中需要计算一个QP子问题,计算量大,实时性较差;求解QP问题的方法包括内点法(Interior Point Method, IPM)和有效集方法(Active Set Method)。有效集方法每次迭代需要判定有效集操作,且无法利用MPC问题稀疏性求解,适合控制变量和约束数量较少的情况[7];IPM在每次迭代中需要求解Karush-Kuhn-Tucker (KKT)系统,可以利用MPC的稀疏性加速求解,但是在迭代过程中KKT系统会改变,每次迭代需要进行矩阵分解或者求逆操作[8],在约束多或预测时域较长的情况下计算耗时较多。
交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)于1975年提出,在20世纪80年代获得广泛讨论[9],其将一个大的、具有可分结构的凸优化问题分解为几个小的优化问题,降低了求解的难度和算法的复杂性。近10年来,原本用来求解变分不等式的ADMM在优化计算中被广泛采用[10-12]
本文通过引入辅助变量将航空发动机MPC中的QP问题转化为可分结构的优化问题,并基于ADMM算法对其进行求解,与IPM算法进行比较,验证了ADMM算法的优越性。
1 航空发动机MPC问题 航空发动机控制系统具有稳态控制、加减速控制[13]、超限保护控制[14-18]、抗执行机构积分饱和等功能。传统的发动机控制系统各功能模块通过min/max选择、切换等逻辑综合为一个整体,控制结构复杂。在MPC中,控制量通过求解一个约束最优化问题来获得,只需要一个优化控制器,就可以实现上述所有控制功能,且避免了设计过程中的保守性,因而得到了广泛的关注。
在单输入MPC中,取二次型性能指标,在采样时刻d之后的预测时域内,航空发动机MPC的目标是求解在预测时域内使性能指标J最小的燃油流量Wfb输入序列,同时满足发动机低压转子转速Nl、压气机出口静压P3s和低压涡轮出口总温T6不超过其最大值。可表示为
(1)

式中:ref为高压转子转速指令; Nh为高压转子转速; λ为权重系数;np为预测时域的长度。
求解式(1)需要获得各个输出量和Wfb之间的解析表达关系。在采样时刻d将发动机表示为一个线性系统为
(2)

式中:N=[Nl, Nh]T为状态量;ye=Nh为被控制量; yc=[NlP3sT6]T为需要限制的量; ABCD为系统的系数矩阵; CcDc为限制量对应的输出矩阵。
利用离散系统状态方程的响应:
(3)

(4)

(5)

可以获得输出量在预测时域np内的预测值,其预测方程为
(6)

式中:分别为发动机在预测时域内各个时刻的被控制量输出序列和限制量输出序列;; 为发动机在预测时域内各个时刻的控制输入序列。
式(1)可以改写为一个带有线性不等式约束的二次规划问题:
(7)

式中:Ymax为由NlmaxP3smaxT6max组成的适当维数的与对应的限制序列; Umax为由Wfbmax构成的输入限制序列。
通过求解QP问题式(7),可以获得满足约束条件下,使性能指标最小的最优控制输入序列
为了实现闭环非线性控制,将序列的第一个值Wfb(d+1)作为发动机所需燃油输入量,然后在d+1采样时刻,根据发动机的状态变化重复进行线性化,构造QP问题,求解输入序列。这样在每个采样周期求解的是一个线性MPC问题,但在整个时域内是一个非线性MPC问题。
MPC通过迭代进行优化搜索来获得最优的控制序列,如果迭代过程耗时较多将限制算法的应用。ADMM算法具有对偶上升法的可分解性以及乘子法的全局收敛性,近年来得到了大量关注,由于其所需计算量小、算法结构简单,本文将其用于求解航空发动机MPC中的优化问题。
2 交替方向乘子法 ADMM算法可用于求解形如
(8)

的约束规划问题。式中:xRnzRm为待优化变量;f(x)+g(z)为待优化的目标函数;LRp×nMRp×mcRpLx+Mz=c为问题需满足的线性等式约束。
通过乘子法,引入对偶变量y,构造增广拉格朗日函数:
(9)

式中:ρ>0为惩罚参数。
ADMM迭代过程与对偶上升法和乘子法相似,包含3部分:原始变量x的迭代更新、原始变量z的迭代更新和对偶变量y的更新过程,更新策略为[19]
(10)

可以看出,在ADMM算法中,原始变量x和原始变量z的迭代更新是一个交替进行的过程,每个求解过程只需求解部分变量,降低了求解规模。
3 航空发动机MPC的ADMM算法实现 将式(7)所描述航空发动机MPC中的QP问题简写为
(11)

式中:P=HTH+λI为正定对称矩阵;
为应用ADMM算法,首先添加辅助变量,将式(11)改写为等式约束的形式:
(12)

由于式(12)所描述的QP问题不具有可分形式,不能直接采用ADMM算法进行求解。为此将xz视作为一个整体变量(x, z),引入辅助变量约束,式(12)可以写为
(13)

式中:f2(x, z)为集合的指示函数;为集合的指示函数。
引入对偶变量(w, y),根据式(10),可以得到求解式(13)的ADMM迭代过程为[20]
(14)

(15)

(16)

式中:σ为惩罚系数。
式(14)表示辅助变量的更新过程,是一个等式约束的QP问题,其一阶最优性条件(KKT条件)为
(17)

式中:v(k+1)为拉格朗日乘子。消去,可以获得
(18)

(19)

式(18)的系数矩阵称作KKT矩阵,该矩阵是一个列满秩的对称矩阵,因此方程具有唯一解。观察式(18),KKT矩阵的结构只和式(11)与参数ρ相关,在迭代过程中是不变的。v(k+1)可以通过式(20)获得:
(20)

式(15)表示原变量的更新过程,是一个二次函数集合在上的最小值,该二次函数的最优条件为
(21)

集合代表z的有界约束,结合式(21),迭代过程式(15)可以表示为
(22)

为了加速算法收敛,根据文献[12],加入松弛因子α∈[1, 2],迭代过程式(22)和式(16)变成
(23)

(24)

根据QP问题的一阶最优性条件,定义QP问题式(12)的原始残差rprim和对偶残差rdual
(25)

根据2个残差给出收敛判定准则:
(26)

(27)

(28)

一般取εrel=10-3εabs根据需要精度选择。
使用ADMM算法还需要一个初始值,由于MPC问题的特殊性,可以将d-1时刻的最优解(x*(d-1), y*(d-1))作为d时刻的算法初始值,即
(29)

因此可以获得航空发动机MPC求解控制输入Wfb的流程:
1) 获得发动机采样时刻d的状态和状态方程。
2) 以二次型性能指标和约束,根据状态方程建立问题式(7)。
3) 将问题式(7)改写为适合用ADMM算法的形式(13)。
4) 根据式(29),将d-1时刻得到最优解作为d时刻问题求解的初始值。
5) 根据迭代过程式(19)、式(20)、式(23)和式(24)计算并更新各个变量。
6) 根据原始残差rprim和对偶残差rdual判断迭代过程是否满足精度要求。若满足,则终止迭代,将获得的最优解的第一项作为所需Wfb送入发动机,进入步骤7);若没有,进入步骤4),直至达到最大迭代次数。
7) 进入采样时刻d+1,重复步骤1)。
4 仿真 4.1 控制结构 图 1为航空发动机MPC系统结构,主要包括模型预测控制器和发动机模型。MPC根据输入的参考指令ref,使用第3节所述流程求解控制量Wfb;实时非线性模型用于获得预测模型,并且通过模型的输出与真实测量值之差作为反馈校正。实时非线性模型为平衡流形展开模型[21],离线得到,其输入为Wfb,状态量为NlNh,输出为NlNhP3sT6,调度参数为发动机进口温度T2Nh;基于发动机进口条件和当前工作转速,以此平衡流形展开模型获得预测模型。使用部件级模型作为真实发动机,以ADMM算法对控制量进行迭代寻优。
图 1 航空发动机MPC系统结构 Fig. 1 Aircraft engine MPC system structure
图选项




平衡流形展开模型通过实验数据离线计算所得,其输出与发动机传感器输出存在一定的误差,使得预测模型也存在误差,为了满足控制精度的要求,需要对预测方程的输出进行修正。
d时刻,预测模型的输出NlNhP3sT6ym(d),真实发动机传感器输出为ys(d),二者的误差为e(d)=ys(d)-ym(d),则未来时刻模型的输出可以校正为
(30)

式中:为校正后的模型输出; Γ为反馈校正系数,通常取单位矩阵。
4.2 仿真结果 使用MATLAB进行仿真,MPC算法由MATLAB实现,模拟真实发动机的部件级模型使用VC++开发,并且通过MEX方法在MATLAB中调用。
指令跟踪的目的是让发动机Nh跟随参考指令ref的变化,MPC的性能指标J的第一部分即是指令跟踪的误差(见式(1))。通过在高度H=0 km,Ma=0,在发动机慢车以上给定发动机Nh指令,使用图 1所示的控制结构,进行Nh闭环控制。
ADMM算法最大迭代次数为500次,收敛准则为εabs=1×10-5;控制器预测时域长度np=2,权重系数λ=700。Nh响应过程、相对跟踪误差、WfbT6P3s的响应过程如图 2所示,数据均经过归一化处理。
图 2 基于ADMM算法的航空发动机MPC响应 Fig. 2 Response of aircraft engine MPC based on ADMM
图选项




图 2(a)Nh在给定指令下的响应过程,从图中可以看出,在仿真时间里,使用ADMM算法的航空发动机MPC均能使Nh跟随指令变化。图 2(b)Nhref的相对误差,从图中可以看出,相对误差在Nh稳定时接近0,满足控制所需精度,表明ADMM算法作为在线优化算法可以满足控制器所需精度。
图 2(c)为控制器计算所得的Wfb输入曲线,图 2(d)图 2(e)T6P3s的响应曲线。在仿真中,T6的响应速度最快,跟随Wfb的输入变化;P3s的响应速度较Nh快,比T6略慢一些;Nh的响应速度最慢,这是由于转子动力学特性是所建立的部件级模型的主要动态特性,其惯性较大;由于建模中忽略了热惯性,T6紧跟Wfb变化;P3s受转子转速和燃气流量的共同作用,因此响应速度介于二者之间。观察到在仿真过程中,其在温度和压力较低区域有明显的超调。因为发动机是一个非线性系统,其动态特性随转速变化而变化,因此在仿真权重系数不变的情况下,低转速区有超调,而高转速没有。
为了验证基于ADMM算法的MPC对于发动机约束的处理能力,将T6限制适当调小,使发动机在仿真中能触及T6限制。图 3(a)T6将限制调小到0.87时Nh阶跃的响应,图 3(b)T6响应。可以看出,由于限制的存在,Nh不能跟踪给定的指令,而T6达到限制值,并且没有明显的超调。仿真表明了基于ADMM算法的MPC良好的约束处理能力,采用MPC可以取消超限保护控制回路。
图 3 T6触及限制下MPC仿真 Fig. 3 MPC simulation with T6 hitting limit
图选项




为了验证ADMM算法在实时性方面的优势,使用文献[22]中所述IPM算法作为对比算法,在H=0 km,Ma=0,慢车以上转速,给定不同的阶跃幅值ΔNh和预测时域np,进行6 s的阶跃响应仿真,记录使用2种算法平均单步仿真耗时并进行对比。
表 1中给出了10个仿真过程中转速阶跃幅值ΔNh及预测时域设置。表 2是在这些设置情况下使用IPM完成一次控制序列优化计算所需平均时间和使用ADMM所需时间。
表 1 仿真参数 Table 1 Simulation parameters
编号 ΔNh np
1 0.03 2
2 0.08 2
3 0.15 2
4 0.18 2
5 0.18 4
6 0.18 6
7 0.18 8
8 0.18 10
9 0.18 12
10 0.18 14


表选项






表 2 两种算法完成一次控制序列优化所需时间对比 Table 2 Time consumption comparison of two methods in finishing one-time control sequence optimization
编号 所需时间/ms
IPM ADMM
1 10.67 3.67
2 10.57 3.80
3 10.10 3.60
4 11.97 3.50
5 25.87 5.00
6 41.33 6.80
7 76.50 8.20
8 108.83 10.53
9 167.00 14.13
10 224.60 15.53


表选项






表 2中可以看出,无论ΔNh是较大还是较小的动态响应,使用ADMM的仿真耗时均低于使用IPM的仿真。这是由于ADMM算法在迭代过程中,在给定罚参数不变的情况下,KKT系数矩阵不变,因此在每次迭代过程中不必重复计算KKT矩阵的逆矩阵或分解,减少了计算量;而IPM算法在每次迭代过程中需要调整KKT矩阵,在每次迭代求解中都需要进行KKT矩阵求逆或者矩阵分解操作。假设求解需要M次迭代,矩阵分解耗时为tf,KKT系统求解回代耗时tb,ADMM算法求解需要时间为tf+Mtb,而IPM算法耗时为M(tf+tb), M为求解迭代次数。
预测时域np可以表示MPC滚动优化问题的规模大小。np越大,则待求解的燃油序列维数越大,需求解的QP问题中的不等式约束矩阵和系数矩阵的维数也越大,增加了求解的计算量。
预测时域的增大可以改善航空发动机MPC的性能。图 4为在H=0 km,Ma=0,慢车以上转速,给定阶跃幅值ΔNh=0.18,改变MPC的预测时域np,得到的完成一次控制序列优化所需平均时间t与预测时域np的关系。随着np的增加,QP的规模增加,构成的KKT系数矩阵的维数也增加,求解KKT方程的耗时增加。仿真结果表明,使用IPM算法的仿真耗时增加随np增加更为剧烈,而使用ADMM算法的仿真耗时增加幅度较小,证实了本文分析的合理性,表明了ADMM算法在航空发动机MPC中有比IPM更好的实时性。
图 4 控制序列优化所需平均时间与预测时域的关系 Fig. 4 Average time consumption for control sequence optimization vs predictive horizon
图选项




5 结论 ADMM算法在航空发动机MPC的滚动优化中具有良好的应用前景。
1) 在指令跟踪控制中,Nh与指令的相对跟踪误差均为0;表明ADMM可以满足发动机指令跟踪和约束管理的精度要求。
2) ADMM算法每次迭代过程只需计算一次矩阵分解,与IPM相比,计算量大大降低,实时性得到了很大的提高。
3) ADMM算法相对IPM有更好的计算耗时稳定性。在10组仿真测试中,预测时域从2增加到14,使用IPM算法的单次仿真耗时从10.67 ms增加到224.1 ms,扩大了20多倍;而ADMM算法从3.67 ms增加到15.53 ms,扩大不足5倍。

参考文献
[1] BRUNELL B J, BITMEAD R R, CONNOLLY A J.Nonlinear model predictive control of an aircraft gas turbine engine[C]//41st IEEE Conference on Decision and Control.Piscataway, NJ: IEEE Press, 2003, 4: 4649-4651. https://www.researchgate.net/publication/224740087_Nonlinear_model_predictive_control_of_an_aircraft_gas_turbine_engine
[2] BRUNELL B J, VIASSOLO D E, PRASANTH R.Model adaptation and nonlinear model predictive control of an aircraft engine[C]//ASME Turbo Expo 2004: Power for Land, Sea, and Air, 2004: 673-682.
[3] BRUNELL B J, MATHEWS H K, KUMAR A.Adaptive model-based control systems and methods for controlling a gas turbine: US6823675[P].2004-11-30.
[4] RICHTER H, SINGARAJU A V, LITT J S. Multiplexed predictive control of a large commercial turbofan engine[J]. Journal of Guidance, Control, and Dynamics, 2008, 31(2): 273-281. DOI:10.2514/1.30591
[5] VROEMEN B G, VAN ESSEN H A, VAN STEENHOVEN A A, et al. Nonlinear model predictive control of a laboratory gas turbine installation[J]. Journal of Engineering for Gas Turbines and Power, 1999, 121(4): 629-634. DOI:10.1115/1.2818518
[6] 杜宪.滑模与预测控制在航空发动机限制管理中应用研究[D].西安: 西北工业大学, 2016.
DU X.Application of sliding mode control and model predictive control to limit management for aero-engines[D].Xi'an: Northwestern Polytechnical University, 2016(in Chinese). http://cdmd.cnki.com.cn/Article/CDMD-10699-1018811321.htm
[7] LAU M S K, YUE S P, LING K V, et al.A comparison of interior point and active set methods for FPGA implementation of model predictive control[C]//European Control Conference.Piscataway, NJ: IEEE Press, 2009: 156-161. https://www.researchgate.net/publication/265399430_A_Comparison_of_Interior_Point_and_Active_Set_Methods_for_FPGA_Implementation_of_Model_Predictive_Control
[8] SHAHZAD A, KERRIGAN E C, CONSTANTINIDES G A.A warm-start interior-point method for predictive control[C]//UKACC International Conference on Control.London: IET, 2010: 949-954. https://www.researchgate.net/publication/261390258_A_warm-start_interior-point_method_for_predictive_control
[9] ECKSTEIN J.Splitting methods for monotone operators with applications to parallel optimization[D].Cambridge: Massachusetts Institute of Technology, 1989.
[10] BOYD S, PARIKH N, CHU E, et al. Distributed optimization and statistical learning via the alternating direction method of multipliers[J]. Foundations and Trends in Machine Learning, 2011, 3(1): 1-122.
[11] ECKSTEIN J, WANG Y. Understanding the convergence of the alternating direction method of multipliers:Theoretical and computational perspectives[J]. Pacific Journal of Optimization, 2015, 11(4): 619-644.
[12] GHADIMI E, TEIXEIRA A, SHAMES I, et al. Optimal parameter selection for the alternating direction method of multipliers(ADMM):Quadratic problems[J]. IEEE Transactions on Automatic Control, 2015, 60(3): 644-658. DOI:10.1109/TAC.2014.2354892
[13] 王曦, 党伟, 李志鹏, 等. 1种N-dot过渡态PI控制律的设计方法[J]. 航空发动机, 2015, 41(6): 1-5.
WANG X, DANG W, LI Z P, et al. A design method of N-dot transient state PI control laws[J]. Aeroengine, 2015, 41(6): 1-5. (in Chinese)
[14] JAW L C, MATTINGLY J D. Aircraft engine controls:Design, system analysis, and health monitoring[M]. Reston: AIAA, 2009: 119-141.
[15] RICHTER H. A multi-regulator sliding mode control strategy for output-constrained systems[J]. Automatica, 2011, 47(10): 2251-2259. DOI:10.1016/j.automatica.2011.08.003
[16] RICHTER H, LITT J.A novel controller for gas turbine engines with aggressive limit management[C]//47th AIAA/ASME/SAE/ASEE Joint Propulsion Conference & Exhibit.Reston: AIAA, 2011: 1-17. https://www.researchgate.net/publication/268479381_A_Novel_Controller_for_Gas_Turbine_Engines_with_Aggressive_Limit_Management
[17] 杜宪, 郭迎清, 孙浩, 等. 基于滑模控制的航空发动机多变量约束管理[J]. 航空学报, 2016, 37(12): 3657-3667.
DU X, GUO Y Q, SUN H, et al. Sliding mode control based multivariable limit management for aircraft engine[J]. Acta Aeronautic et Astronautica Sinica, 2016, 37(12): 3657-3667. (in Chinese)
[18] RICHTER H. Multiple sliding modes with override logic:Limit management in aircraft engine controls[J]. Journal of Guidance, Control, and Dynamics, 2015, 35(4): 1132-1142.
[19] BERTSEKAS D P. Convex optimization algorithms[M]. Nushua: Athena Scientific, 2016: 280-285.
[20] BOLEY D. Local linear convergence of the alternating direction method of multipliers on quadratic or linear programs[J]. SIAM Journal on Optimization, 2013, 23(4): 2183-2207. DOI:10.1137/120878951
[21] 赵辉.基于平衡流形展开模型的航空发动机非线性控制方法研究[D].哈尔滨: 哈尔滨工业大学, 2011.
ZHAO H.Research on nonlinear control for aeroengines based on equlibrium manifold expansion model[D].Harbin: Harbin Institute of Technology, 2011(in Chinese). http://cdmd.cnki.com.cn/Article/CDMD-10213-1012000357.htm
[22] NOCEDAL J, WRIGHT J. Numerical optimization[M]. Berlin: Springer, 2006: 481-485.


相关话题/控制 优化 序列 计算 过程

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 复杂转子系统支点动载荷模型及其优化设计*
    随着航空燃气轮机向高转速、高负荷的方向发展,转子系统工作于多阶临界转速之上,工作中可能经过或靠近弯曲临界,导致转子不可避免地产生弯曲变形[1-2]。此时,转子受离心载荷及轮盘陀螺力矩的影响,使得支点动载荷不再是一个只由不平衡量单一因素引起的“较小的稳态交变力”。尤其是对于广泛使用的带有中介轴承的双转 ...
    本站小编 Free考研考试 2021-12-25
  • 基于矩阵分解的空间系绳系统不完全反馈控制*
    随着人类航天事业的不断发展,越来越多的航天器被不断发射到太空,因此近地空间已逐渐变成十分拥挤的场所。与此同时,由于复杂的太空扰动导致航天器轨道高度发生不同程度的变化,进而引起不同航天器之间的碰撞,产生大量空间碎片。因此,安全、高效地捕获空间碎片对于航天任务的安全完成具有重要意义。利用空间系绳系统(S ...
    本站小编 Free考研考试 2021-12-25
  • 高空太阳能无人机三维航迹优化*
    近年来,能源危机和环境污染已经成为人类社会面临的主要挑战。太阳能无人机依靠铺设在机翼表面的太阳能电池将太阳辐射能转化为电能,通过电机驱动螺旋桨产生前进动力,具有可持续、无污染的特点。高空太阳能无人机能够在平流层飞行数天乃至数月,可以广泛应用于遥感、侦察、通信等诸多领域,成为近年来各国研究的热点[1- ...
    本站小编 Free考研考试 2021-12-25
  • 一种面向模块化可重构机翼的分步补偿优化方法*
    随着航空结构设计与制造水平的不断提高,现代飞机尤其是军用飞机的任务剖面越来越复杂,模块化飞机设计作为一种可同时兼顾多任务需求和经济性约束的飞机设计思想而得到了国内外****的广泛关注[1-4]。模块化飞机是指将飞机主要结构划分成相对独立的模块进行设计、制造和使用的设计理念,基于模块化的飞机设计思想产 ...
    本站小编 Free考研考试 2021-12-25
  • 基于智能优化算法和有限元法的多线圈均匀磁场优化设计*
    磁场模拟装置在地磁导航等航空航天工程中具有重要的应用价值[1-3]。理想的磁场模拟装置应能够在足够大的空间内产生高均匀度的磁场,因此,磁场均匀性是衡量磁场模拟装置性能的关键技术指标之一。近年来,随着磁场模拟装置的应用领域越来越广泛,其磁场分布的均匀性得到了越来越多科研工作者的重视[4-6]。文献[4 ...
    本站小编 Free考研考试 2021-12-25
  • 基于平流层风场预测的浮空器轨迹控制*
    临近空间是介于航空与航天区域之间、尚未为人类所开发利用的大气层,其独特的资源优势成为了人们关注的焦点[1]。临近空间底部的平流层具有气流稳定,空气流动相对缓慢的特点,特别是在一定时间内,平流层底部存在风速较小的准零风层[2],一般指平流层高度为17~22km大气层内存在的一个上下层纬向风风向相反,上 ...
    本站小编 Free考研考试 2021-12-25
  • 高超声速飞行器预设性能反演控制方法设计*
    高超声速飞行器是指以超燃冲压发动机为动力,以马赫数5以上的速度飞行在高度为20~100km的临近空间中的一类飞行器,主要为军方执行情报收集、侦察监视、高空投送等任务[1]。因其军民两用前景广阔,在情报侦查和通信运送等方面优势独特,从而引起了世界大国广泛且高度的关注,并迅速成为近年来空天领域研究的热点 ...
    本站小编 Free考研考试 2021-12-25
  • 舰载机弹射起飞影响因素分析及侧向控制律设计*
    舰载机弹射起飞的过程虽然很短暂,但受到的力和力矩繁多,其动力学特性具有明显的非线性,所以基于传统的小扰动线性化技术已经无法满足弹射起飞过程建模和控制的需求,采用非线性的建模方式是十分必要的。在舰载机弹射起飞过程中,航母的甲板运动和侧风干扰等因素会使舰载机在离舰后出现姿态滚转和航迹偏移,不利于安全起飞 ...
    本站小编 Free考研考试 2021-12-25
  • 质子交换炉温度场均匀性分析与优化*
    铌酸锂(LiNbO3)晶体具有优异的电光和声光等特性,被广泛用于制备各种光波导器件[1-2]。LiNbO3光波导是高精度光纤陀螺系统的核心器件,LiNbO3光波导的大批量生产是实现光纤陀螺产业化的关键之一。质子交换炉是用质子交换法制备LiNbO3光波导的主要设备,为了提高生产效率,往往将批量LiNb ...
    本站小编 Free考研考试 2021-12-25
  • 阻拦着舰过程中飞行员颈部的损伤分析与预测*
    航空母舰是海军的核心力量,而舰载机是航空母舰的威力所在,因此其研究和发展一直是各军事强国关注的重点。舰载机依靠阻拦索等辅助设备在航空母舰甲板上降落,在阻拦着舰的短暂过程中飞行员要承受持续2s左右水平方向上的载荷,这种载荷被称为着舰阻拦载荷[1]。阻拦载荷会造成头颈部与肢体之间的异常相对运动,导致颈椎 ...
    本站小编 Free考研考试 2021-12-25