简介：为分析加速度对半球谐振陀螺振幅、速率控制系统的影响,提出了基于动力学的加速度影响分析方法。首先建立加速度作用下的谐振子变形方程,得到了精确的电极范围及间隙的方程。激励电极的电容间隙、边界范围改变,使得激励系数发生改变。其次分析了激励电极作用下谐振子动力学特性,推导了激励系数与振幅、角速率的关系式。然后将电极范围及间隙的方程代入激励系数中,得到了振幅、角速率的误差分析关系式。最后利用激励电极的不同配置方式,构建了三种控制系统方案,分析了加速度作用下谐振子变形对三种控制方式的影响。通过对比分析,合理的激励电极配置方式有效地抑制了加速度对控制系统的影响。

简介：提出了一种高性能氮化铝（AlN）差分谐振式加速度计结构。通过引入两级微杠杆来放大质量块的惯性力,提高灵敏度;采用＂I＂形支撑梁来降低横向灵敏度;利用差频检测方案降低温度共模误差的影响。该加速度计主要由质量块、支撑梁、双级微杠杆和谐振器组成,并通过理论分析和有限元仿真优化了它们的结构参数。模态分析表明两个谐振器的基频大约为373.3kHz,与干扰模态的频率差大约为9.4kHz,有效地实现了模态隔离。根据灵敏度的仿真结果,AlN差分谐振式加速度计的灵敏度64.6Hz/g,线性度为0.787%,横向灵敏度为0.0033Hz/g。热仿真的结果表明单个谐振器的温度灵敏度约为490Hz/℃,加速度计输出差频的温度灵敏度为–0.83Hz/℃,证明了差频检测方案可以降低温度共模误差的影响。上述所有仿真结果验证了该加速度计结构设计的可行性。

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.