简介:开展了机器学习在翼型气动力计算和反设计方法中的应用研究,实现了在更大翼型空间范围内,人工神经网络的训练和优化,建立了翼型气动力计算模型,和给定目标压力分布的翼型反设计优化模型.作为机器学习领域兴起的研究热点,人工神经网络的研究工作不断深入,有研究者尝试将其应用于流体力学的学科范畴内.文章实现人工神经网络在翼型计算领域中应用的方法如下:首先通过Parsec参数化方法,围绕基准翼型构造了一定翼型空间范围的翼型库,利用XFOIL进行数值模拟,搭建了和翼型库具有一一映射关系的流场信息库.通过训练和优化神经网络,实现了基于此模型的快速、高可信度的翼型气动力预测,以及新型的翼型优化设计方法.通过自动化编程实现样本库的批量生成,实现了不同翼型空间的样本量下,神经网络的训练和优化过程.实验结果表明,在机器学习领域中,基于神经网络的翼型反设计模型的精确性高度依赖于训练样本量的大小和覆盖范围.
简介:针对SINS/GNSS组合导航在GNSS信号异常时出现的系统滤波精度和稳定性下降的问题,提出一种基于EKF的自适应分类容错滤波算法。该算法通过比较系统残差协方差矩阵的实际值与理论值来检测GNSS信号是否存在异常,然后对异常信号进行分类,并对不同类别的异常信号使用不同的加权矩阵进行修正,以减弱异常值对系统滤波精度的影响,同时在滤波过程中加入UD分解,使系统滤波性能更稳定。仿真结果表明:该算法能够有效降低GNSS输出异常信号对SINS/GNSS组合导航带来的不利影响并提高系统稳定性;在GNSS信号出现异常情况下,其导航精度相比EKF至少提高95.6%,相比REKF和AEKF分别至少提高44.5%和24.6%。
简介:针对现有力矩电机驱动角振动激励源频率难以超过100Hz、波形失真大、不能满足宽频高精度角振动校准需求的现状,提出采用框式结构电磁驱动方法,显著降低驱动线圈电感以实现驱动力快速响应,并采用精密轻质空心杯空气轴承实现轴系定位,以克服摩擦力、提高回转定位精度,结合有限元分析仿真,将空气轴承转子与励磁线圈骨架进行整体优化设计,使轴系固有频率提升至2800Hz以上。新的角振动激励装置的测试结果表明,工作频率范围达到600Hz,角加速度波形失真度小于2%,可实现1kg承载和1760rad/s2最大角加速度,超出德国PTB角振动标准给出的50g承载和1400rad/s2最大角加速度的技术指标,可更广泛用于高精度角振动校准及角运动传感器的动态性能评价。