Analysis on Stability of Coning Motion of Rockets Based on Nutation Theory

A nonlinear mathematic model taking the nutation and precession angles as variables for the coning motion of projectile was established according to a short period moment projection of the spining projectile. By introducing the generalized nutation angle and precession angular speed, the model that is difficult to be resolved can be transformed to a resolvable one. The interrelationship between nutation and precession was analyzed based on the linear model, and the stability condition was obtained for the spinning projectile. For the nonlinear model, the effects of the nutation and precession on the limit circle of the projectile's coning motion were investigated, and the analytical relations between the nutation angle and the precession angular speed in the steady coning motion of the spinning projectile were given.     

基于领弹-从弹架构的无导引头导弹协同定位与制导方法

针对无导引头导弹在采用现有制导律时定位误差会产生较大脱靶量的问题,通过双领弹的领弹-从弹协同架构,设计了一种协同定位与制导策略,以实现无导引头导弹对静止目标的精确命中。基于扩展卡尔曼滤波,提出了一种无导引头导弹的协同定位方法。该协同定位方法与比例导引结合时存在终止时刻过载指令过大问题,因此设计一种新型变系数比例导引律,分析了变系数比例导引律的制导系数对脱靶量、终止时刻过载与最大过载的影响。仿真结果表明：采用所提出的协同定位方法可减小具有定位误差的无导引头导弹脱靶量,而采用变系数比例导引律可避免终止时刻过载指令过大。     

基于元学习的多可信度深度神经网络代理模型

为了降低计算量,多可信度代理模型技术通过融合不同精度和计算量的分析模型构建高精度分析模型的代理模型,在基于仿真的工程优化中得到广泛应用。现有的多可信度建模方法在面对高维问题时往往仍需要大量高精度样本点,计算量很大,且大都基于高斯随机过程理论,超参数估计时长随着问题维数和非线性程度的增加明显增长且不够稳健。为此,充分利用深度神经网络在高维信息提取和近似方面的巨大潜能,以及元学习理论在小样本学习领域的优势,提出一种基于元学习的多可信度深度神经网络(Meta-learning based multi-fidelity deep neural networks, MLMF-DNN)代理模型方法。通过若干数学算例和NACA0012翼型稳健优化问题的应用,表明提出的MLMF-DNN方法相比于经典的Co-Kriging方法,在预测精度和训练时长上均有明显改善,对于高维问题优势更明显。     

稳健优化设计中代理模型不确定性的研究

代理模型的应用解决了稳健设计中计算量大的难题,但由于代理模型与真实模型间存在误差(代理模型的不确定性),而传统的稳健设计忽视了这种不确定性,必然会带来一定的设计误差。因此,针对稳健设计提出了一种基于蒙特卡洛抽样的代理模型不确定性的量化方法,在传统仅考虑参数不确定性的基础上,额外计入代理模型的不确定性对设计的影响。将提出的方法应用于一个数学算例和一个火箭弹卷弧翼气动稳健优化设计,所得优化结果较传统的未考虑代理模型不确定的稳健设计更为精确、合理,证实了提出方法的有效性。     

考虑不确定性的数值模拟模型确认方法

飞行器在其研发、生产和使用的整个寿命周期中都存在大量不确定性，这会导致数值模拟输出也具有不可忽视的不确定性，因此开展基于数值模拟技术的飞行器设计前必须进行模型确认。目前围绕数值模拟已开展了大量不确定性量化(uncertainty quantification, UQ)的研究工作，但是如何基于UQ的结果科学地进行模型参数修正，形成系统的数值模拟模型确认的闭环流程，构建高可信的数值模拟预测模型，还较少有研究报道。为此，提出一种考虑不确定性的数值模拟模型确认方法，发展一种基于优质小样本的模型参数修正策略，建立一套融合不确定性量化、全局灵敏度分析、参数修正的模型确认闭环流程，为构建高保真的数值模拟提供科学系统的思路，并通过翼型的仿真算例验证了该方法的有效性。