潜载导弹垂直发射水弹道和分离弹道研究

针对导弹水下垂直发射时的水中弹道进行了数学仿真研究,计算和讨论了艇速对导弹水中运行弹道的影响和波浪力对导弹出水参数的影响,并在水弹道研究的基础上对导弹与运载器水面分离弹道也进行了数值计算研究.研究过程中在中国船舶科学研究中心进行了水洞模型实验和水弹道模型实验.数学仿真结果与模型水弹道实验数据的比较结果表明,两者相符.     

大型货船内装设计现状及发展趋势

对大型货船舱室分隔和舱室布置的依据和原则、防火分隔的划分、防火材料的现状和应用、风管和电缆穿过防火分隔的保护方法、减少噪声途径等方面进行了总结,特别是对舱室防火作了重点介绍。对照国外船舶内装设计方法和有关资料,可以看出国内船舶内装设计和国外还存在一定差距。希望不久的将来,在船舶舱室专业设计人员的共同努力下,使内装设计水平得到进一步提高。     

水下航行器三维航迹反演滑模跟踪控制

  目的  旨在研究非线性六自由度自主水下航行器（AUV）的轨迹跟踪问题。  方法  为此,设计三维轨迹变前视距离视线（LOS）导引律,利用李雅普诺夫稳定性判据证明此导引律的稳定性,使用设计的自适应S面控制算法对AUV的航向角、纵倾角和纵向速度进行控制。然后,以REMUS 100 AUV为例, 利用Matlab软件分别对AUV的航向角、纵倾角和纵向速度控制及其空间直线、曲线轨迹跟踪进行仿真,以验证所提导引律的有效性。  结果  结果表明：对于非线性控制而言,相比于传统的S面控制,自适应S面控制可降低控制参数整定的难度,抗干扰能力更强;而且,相比于传统的LOS导引律,所提导引律可使AUV更快地跟踪上参考轨迹。  结论  所设计的轨迹跟踪控制算法能够实现对AUV的三维轨迹跟踪,并改善AUV的操纵性。     

IMM-SCKF算法在海面扩展目标跟踪中的应用

  目的  针对船舶运动状态变化复杂场景下扩展卡尔曼滤波（EKF）的误差不稳定,以及单一运动模型的表征能力受限等问题,提出一种基于交互式多模型（IMM）平方根容积卡尔曼滤波（SCKF）的船舶轨迹跟踪算法。  方法  引入SCKF,并代替EKF来执行自动识别系统（AIS）数据的轨迹跟踪;采用交互式多模型框架将恒速直线模型（CVM）、当前统计模型（CSM）和恒定转向率模型（CTM）及改进的CTM模型进行交互融合,形成3种组合模型来表征AIS轨迹的运动状态,并进行船舶轨迹跟踪实验。   结果  结果显示,对于航向、航向率和航速均发生变化的轨迹,采用组合模型1跟踪时,在轨迹6中SCKF相比EKF的位置信息的均方根误差变化幅度小,精度提高了30.06%;采用组合模型3跟踪时,相比EKF和SCKF,其在轨迹6中位置信息的均方根误差波动的范围最小,误差减小了60.80%,组合模型3的性能最好,但计算量也最大;对于航速不发生变化的复杂轨迹,采用组合模型2跟踪的性能接近组合模型3。  结论  所提方法能够提高AIS数据的精度并保证AIS数据误差波动的稳定性,为提高船舶运动跟踪和监测提供了可能性。     

反潜自导鱼雷弹道长度的一种计算方法

准确地掌握鱼雷的实际航程对于计算不同战术态势下的鱼雷最大射距和最小射距、评估射击阵位具有重要意义．由于反潜自导鱼雷的弹道是一条复杂的空间曲线，因而平面几何解析法求解其弹道长度有较大的局限性．在建立了水面舰艇发射反潜自导鱼雷攻击水下目标的空间弹道模型的基础上，提出了反潜自导鱼雷全弹道长度的一种计算公式．     

面向自动驾驶的车路协同感知点云融合模式时延影响分析

新一代通信技术的快速发展为车路协同感知提供了基础,可进一步提升自动驾驶车辆在复杂场景中的感知能力,现有研究对不同的协同感知信息融合模式进行了探索,但忽略了对感知精度与通信时延平衡性的分析。针对自动驾驶协同感知中点云融合模式的时延特征,本文以前融合、特征融合、后融合3种模式为研究对象,提出了基于模拟仿真的时延影响分析框架。考虑通信时延引起的协同感知结果时滞性,利用扩展卡尔曼滤波算法对存在时延的协同感知结果进行预测性补偿,创新提出了滞后补偿误差和等效时延评价指标,用以综合评价不同融合模式对协同感知结果的影响;针对不同点云融合模式的感知结果,构建了平均感知精度与平移误差分布关系模型,依据目标检测平移误差的分布特征生成带有感知误差的仿真轨迹,进而对协同感知效果进行评估。结合TrajNet++行人轨迹数据集,以不同时延参数及点云融合模式,对1 200条轨迹进行了180 000次数值仿真。结果显示,感知目标的已知轨迹长度越短、速度越高,时延对协同感知精度的影响越大,以100 ms时延下后融合为基准,当特征融合时延在500 ms以内、前融合时延在700 ms以内时,可以达到相同或更高的协同感知精度。针对目标易突然出现且速度快的复杂场景,宜采用低时延、低精度的后融合模式,反之,宜采用具有高时延、高精度的特征融合或前融合模式。本研究可为自动驾驶协同感知的点云融合模式选择提供依据。     

考虑电机凸极效应的永磁同步风力发电机滑模位置观测器

分析了直驱式永磁同步风力发电系统（D-PMSG）用内置式永磁同步电机的数学模型,通过进行数学变形,提出了一种适用于内置式永磁同步电机的新的滑模位置观测器模型。该模型只与交轴电感有关,而与直轴电感无关。并且采用双滤波器串联的方式提取反电动势信息,可以实时测量不同转速下的滤波器相移,用于角度补偿。仿真与实验验证了控制策略的有效性。     

出租汽车出行轨迹网络结构复杂性与空间分异特征

基于出租汽车运行GPS轨迹数据, 构建了一类城市出行复杂网络; 使用有向加权复杂网络测度分析方法, 研究了出租汽车出行轨迹网络结构复杂性与空间分异特征; 以西安市数据为例, 进行了网络指标测算。分析结果表明: 出租汽车出行轨迹网络的平均最短路径长度为2.070 (边数), 聚类系数为0.653, 网络密度为0.554, 说明了该网络是一类典型复杂网络, 具有典型的小世界和集团化特征, 且实际平均出行距离符合对数正态分布; 网络的节点强度均值为411, 最大K-核值为59, 网络中强度小于600的节点占77.97%, 强度小于300的节点占50.24%, 呈现典型的大少小多的空间分布特点; 该网络具有显著的空间分异特征, 重要小区的出行辐射范围具有全局性特征, 总体出行强度空间布局与城市公共交通干线走向一致, 呈十字型分布; 在整个网络范围内, 强中心性交通小区呈现集聚性分布, 重要交通枢纽(车站) 与商圈等区域节点强度大于2 200;出租汽车上下客区域呈现空间非均衡特征, 即在城市重要功能聚集区的上客水平高于下客水平。研究结果反映了出租汽车出行轨迹网络的拓扑结构与空间分异特征间的相互关系, 揭示了城市居民活动的空间特征、活动规律及其与城市功能空间布局之间的相互影响作用。     

Interior sound field refinement of a passenger car using modified panel acoustic contribution analysis

Panel acoustic contribution analysis (PACA) is a practical engineering tool for the reduction of interior structure-borne noise in passenger cars. In this study, the current PACA method has been improved for sound field refinement of the entire interior. Two new parameters, the “acoustic contribution sum” and the “total sound field contribution”, are introduced to analyze the interior sound field characterized with multiple field points and sound pressure peaks, and to evaluate the integrated acoustic contributions of auto body panels. In addition, a systematic methodology for automotive interior sound field refinement is also proposed on the basis of the modified PACA method. An example of a passenger car model demonstrates the application of the sound-field-refinement methodology and shows the advantage of using damping layers at optimum locations on the auto body. The example also shows that the modified PACA method has practical significance for refining the interior sound field and decreasing added mass in accord with the trend towards lightweight auto bodies.     

基于自适应模型预测的智能汽车横向轨迹跟踪控制

当路面附着情况和车辆行驶状态不断变化时,基于恒定侧偏刚度的模型预测控制(MPC)不能考虑轮胎非线性特性的影响,难以保证车辆轨迹跟踪的适应性。为此,提出一种考虑轮胎侧向力计算误差的自适应模型预测控制(AMPC),以提高智能汽车在不确定工况下的轨迹跟踪性能。分析了路面附着系数和垂向载荷对轮胎侧向力的影响,基于平方根容积卡尔曼滤波(SCKF)算法,设计了利用侧向加速度和横摆角速度作为测量变量的前后轮胎侧向力估计器。利用轮胎侧向力线性计算值与估计值的差值计算得到侧偏刚度修正因子,设计了前后轮胎侧偏刚度的自适应修正准则,进而提出了一种基于时变修正刚度的AMPC控制方法。基于CarSim与MATLAB/Simulink联合仿真和硬件在环测试平台,对AMPC控制的有效性和实时性进行了验证。研究结果表明：在不同的路面附着情况和车辆行驶状态下,AMPC控制都能够降低横向位置偏差和航向角偏差,有效提高车辆的轨迹跟踪精度,其控制效果明显优于基于恒定侧偏刚度的标准MPC控制。尤其在低附着工况下,标准MPC控制会因为线性轮胎力的计算误差过大而导致车辆在轨迹跟踪时严重失稳,而AMPC控制通过估计轮胎力修正侧偏刚度依然能够保证车辆稳定有效的跟踪参考轨迹。所提出的AMPC控制在保证控制精度的同时具有良好的实时性,对智能汽车控制系统的设计与优化具有重要参考价值。