TH-D1-0238​

计算流体力学/燃烧动力学/非线性动力学

航空发动机燃烧室

基于大涡模拟与火焰传递函数的燃烧室热声振荡线性稳定性分析模型​

针对航空发动机燃烧室中的热声振荡（thermoacoustic instability），建立三维可压缩 Navier-Stokes 方程耦合有限速率化学反应的模型。采用大涡模拟​ 过滤小尺度湍流，亚网格尺度应力模型采用 Smagorinsky​ 模型。热释放率扰动 q′与速度扰动 u′通过 n-τ 模型​ 或 火焰传递函数​ F(s)关联：q′(s)=F(s)u′(s)。线性稳定性分析时，将控制方程在稳态解附近线性化，假设扰动为 ϕ′(x,t)=ϕ^​(x)est， 得到特征值问题：
sϕ^​=Lϕ^​+Bq^​
q^​=Fu^
其中 L为线性流体算子，B为热释放耦合算子，F为火焰传递函数算子。求解特征值 s=σ+iω， 若 σ>0则系统不稳定，会激发自持振荡。通过调整燃烧室几何、燃料喷射策略或添加声学阻尼器（如亥姆霍兹共振器）来移动特征值，使 σ<0。

1. 物理背景：航空发动机燃烧室中，燃烧释热波动与腔内声压波动耦合，可能形成正反馈，导致剧烈的压力振荡（热声振荡），引发结构疲劳甚至灾难性故障。
2. 高保真建模：
a. 控制方程：三维可压缩 Navier-Stokes 方程，加上物种输运方程和 Arrhenius 形式的化学反应源项。
b. 湍流模型：采用 LES​ 直接解析大尺度涡，模拟湍流-火焰相互作用。
c. 火焰模型：对于预混火焰，可采用 G 方程​ 或 火焰面模型；对于非预混火焰，采用 火焰let 模型。
3. 线性稳定性分析：
a. 稳态解：首先通过 RANS 或 LES 计算获得稳态流场和火焰形态。
b. 线性化：在稳态解上叠加小扰动，忽略高阶项，得到线性扰动方程。
c. 火焰响应建模：关键步骤。通过系统辨识方法（如脉冲响应）从 LES 数据中提取火焰传递函数 F(s)， 或采用简化模型如 F(s)=ne−sτ， 其中 n为增益，τ为时滞。
d. 特征值求解：将线性化方程和火焰响应模型离散后，组装成广义特征值问题 Aϕ^​=sBϕ^​， 使用 Arnoldi 方法求解主导特征值 s。
e. 稳定性判据：特征值实部 σ表示增长率，虚部 ω表示振荡频率。σ>0为不稳定。
4. 主动控制设计：基于稳定性分析，设计主动燃烧控制：在压力波腹处安装扬声器或燃料调制器，施加一个与扰动反相的控制信号，破坏正反馈回路。控制律设计可采用 H∞​ 鲁棒控制。

条件：适用于燃气轮机、航空发动机燃烧室中预混或部分预混燃烧；假设扰动幅值较小，满足线性化条件；需要高保真 CFD 数据或实验数据来标定火焰传递函数。
范围：用于贫油燃烧（为降低排放）的发动机燃烧室稳定性设计，如GE LEAP、罗罗 UltraFan、普惠 GTF​ 发动机。

计算流体力学， 燃烧学， 声学， 线性稳定性理论， 控制理论

场景：美国 GE LEAP 发动机燃烧室热声振荡抑制；英国罗罗 UltraFan​ 发动机贫油燃烧稳定性设计；军用涡扇发动机加力燃烧室振荡抑制。
意义：热声振荡是制约高性能低排放航空发动机设计的瓶颈问题。该模型通过高保真 LES​ 捕捉湍流-火焰相互作用，通过线性稳定性分析预测振荡模态和增长率，为燃烧室设计提供前瞻性评估工具。基于此模型可以优化燃烧室几何、燃料喷射方案，或设计主动/被动控制装置，从而在拓宽稳定运行范围的同时降低氮氧化物排放，是下一代绿色航空发动机的关键技术。

ϕ：状态变量向量（密度、速度、压力、温度、物种质量分数）。
s=σ+iω：复特征值，σ为增长率，ω为角频率。
ϕ^​：特征函数（模态形状）。
L：线性流体动力学算子（包含对流、扩散、声学）。
B：热释放耦合算子。
F：火焰传递函数算子（或矩阵）。
q′：热释放率扰动。
u′：速度扰动。
n,τ：n-τ 模型中的增益和时滞。
F(s)：火焰传递函数（频域）。

多物理场耦合：流体力学、化学反应、声学强耦合。
高维非线性：原始 Navier-Stokes 方程高度非线性，直接稳定性分析困难。
线性化：在小扰动假设下进行线性化，将非线性稳定性问题转化为线性特征值问题。
数据驱动与物理模型结合：火焰传递函数 F(s)可通过高保真 CFD 数据辨识获得。

1. 高保真 CFD 模拟：使用 LES 对燃烧室进行非反应流和反应流模拟，获得稳态流场和火焰结构。
2. 系统辨识：在稳态火焰附近施加小幅度速度扰动，记录热释放率响应，通过傅里叶变换或 ARX 模型辨识火焰传递函数 F(s)。
3. 线性化系统构建：将流体控制方程在稳态基流上线性化，并与辨识得到的 F(s)耦合，形成闭环线性系统。
4. 特征值求解：使用数值方法（如有限元/谱方法离散后调用 ARPACK）求解广义特征值问题，得到主导特征值 s和特征函数 ϕ^​。
5. 稳定性评估与预测：根据 σ的正负判断稳定性，根据 ω预测振荡频率，根据 ϕ^​可视化压力振荡模态。
6. 控制设计：若预测不稳定，基于特征函数设计控制策略（如改变燃料喷射分布、添加声学阻尼器），并重新评估稳定性。
7. 实验验证：在燃烧试验台上进行验证，测量压力振荡频谱和振幅，与预测结果对比。

燃烧室中的热声振荡如同一个 “火焰-声音”的共鸣。稳定的燃烧像平稳的呼吸，释放热量。但当燃烧释放热量的波动（q′）与燃烧室内的声压波动（p′）同步时，就会产生正反馈：声音波动影响气流速度（u′），气流速度波动影响燃烧强度（q′），燃烧强度波动又激发声音波动。线性稳定性分析就像分析这个“共鸣腔”的固有频率和阻尼。火焰传递函数 F(s)​ 描述了“气流波动”如何转化为“热量波动”的频率响应特性。求解特征值 s就是寻找系统固有的振荡模式：其实部 σ表示这个模式是增长（σ>0， 不稳定）还是衰减（σ<0， 稳定）；虚部 ω表示振荡的频率。工程师的目标就是通过修改燃烧室设计（改变“共鸣腔”形状）或添加控制（引入“反相声波”），让所有模式的 σ都变为负值，从而“平息”这场危险的共鸣。

TH-D1-0239​

多体系统动力学/控制理论/热力学

超大型工业母机

超大型五轴联动数控机床多体系统动力学与热误差补偿综合模型​

将超大型机床（如龙门式）建模为一个多柔体系统，包含床身、立柱、横梁、主轴箱、工作台等部件。基于 Lagrange 方程​ 建立系统动力学方程：
dtd​(∂q˙​i​∂T​)−∂qi​∂T​+∂qi​∂V​+∂q˙​i​∂D​=Qi​
其中 T为系统动能，V为势能（包括弹性势能和重力势能），D为瑞利耗散函数，qi​为广义坐标（包含刚体位移和柔性体模态坐标），Qi​为广义力（包括伺服驱动力、切削力）。结合部（导轨、丝杠螺母、轴承）用弹簧-阻尼单元建模。热误差通过热网络模型预测结构温度场 T， 进而计算热变形 δth​=Kth−1​Fth​， 其中 Kth​为热刚度矩阵，Fth​为热载荷向量。最终，综合动力学误差和热误差，设计模型预测控制​ 轨迹跟踪器：
minu​∫tt+T​(∥e∥Q2​+∥u∥R2​)dτ
s.t. x˙=f(x,u,d)
其中 e为跟踪误差，u为控制输入，d为扰动（包括热变形、切削力）。

1. 多体系统建模：
a. 部件离散：将机床大件（床身、立柱）视为柔性体，采用有限元法离散，提取其低阶模态（如前几阶弯曲、扭转模态）。小件（主轴箱）可视为刚体。
b. 结合部建模：导轨、滚珠丝杠、轴承等结合部的刚度和阻尼对动态性能影响极大。采用弹簧-阻尼模型或更复杂的 Maxwell-Slip​ 模型描述其力-位移关系。
c. 组装：通过约束方程将各部件和结合部连接，形成系统动力学方程 Mq¨​+Cq˙​+Kq=F。
2. 热误差建模：
a. 热源识别：主要热源包括主轴轴承、丝杠螺母、导轨摩擦、电机、切削过程。
b. 热网络法：将结构离散为热容节点，节点间通过热阻连接，建立一阶微分方程组：Cth​T˙+Kth​T=Qth​， 其中 Qth​为热源功率。
c. 热-结构耦合：将求解得到的温度场 T作为输入，计算由于温度不均匀引起的热应变 ϵth​=αΔT， 进而通过有限元法计算结构热变形 δth​。
3. 综合误差补偿：机床总误差 δtotal​=δdyn​+δth​+δgeo​， 其中 δdyn​为动力学误差（由惯性力、切削力引起），δth​为热误差，δgeo​为几何误差（通过激光干涉仪标定）。
4. 先进控制策略：
a. 模型预测控制：利用系统动力学模型预测未来状态，在线求解有限时域优化问题，得到最优控制序列，实现高精度轨迹跟踪，并主动补偿可预测的误差（如热误差）。
b. 迭代学习控制：针对重复加工任务，利用上一次加工的位置误差信息，修正本次加工的指令，补偿重复性误差。
5. 数字孪生：建立机床的数字孪生模型，实时同步物理机床的状态（温度、振动），在线预测误差并补偿。

条件：适用于大型、高精度五轴联动数控机床，如龙门铣、车铣复合中心；需要已知或可辨识的结构动态参数和热特性参数；适用于航空航天大型结构件、模具的精密与超精密加工。
范围：用于德国通快（Trumpf）大型激光切割机、美国 MAG 大型五轴铣床、日本马扎克（Mazak）车铣复合中心的精度提升与智能补偿。

多体系统动力学， 有限元法， 热力学， 现代控制理论， 数字孪生

场景：航空航天领域大型钛合金框架、机翼蒙皮的五轴高速铣削；大型模具（如汽车覆盖件模具）的高精度加工；风力发电机大型齿轮箱的精密制造。
意义：超大型机床的精度受动力学特性（振动）、热变形、几何误差等多因素耦合影响。传统误差补偿方法孤立处理，效果有限。该模型集成多体动力学、热力学和控制理论，建立了机床的综合数字孪生体，能够实时预测并补偿综合误差。通过MPC等先进控制算法，不仅跟踪指令轨迹，还能主动抑制振动和热漂移，将加工精度从几十微米提升到微米甚至亚微米级。这是实现 “一次装夹，完整加工”​ 大型复杂构件、提升制造效率和质量的核心技术。

qi​：广义坐标，包括刚体位移和柔性体模态坐标。
T,V,D：系统的动能、势能和瑞利耗散函数。
Qi​：广义力，包括伺服电机驱动力、切削力、摩擦力。
M,C,K：系统的质量、阻尼、刚度矩阵。
T：结构温度场向量。
Cth​,Kth​：热容矩阵和热传导矩阵。
Qth​：热源功率向量。
δth​：热变形向量。
α：材料热膨胀系数。
e：轨迹跟踪误差。
u：控制输入（各轴电机电流或力矩）。
d：扰动（切削力、热变形等）。

多柔体系统：部件既有刚性运动又有弹性变形。
参数不确定性：结合部刚度和阻尼难以精确获得，需辨识。
多物理场耦合：结构动力学、热力学、控制耦合。
模型预测控制：基于模型进行滚动优化，处理约束和扰动。
数字孪生：物理实体与虚拟模型实时交互，数据驱动模型更新。

1. 多体动力学建模：使用多体动力学软件（如 Adams、Simpack）或有限元软件建立机床的柔性多体模型，并通过模态测试或激振实验辨识结合部参数。
2. 热特性测试与建模：进行空载和切削温升实验，测量关键点温度，利用热网络法或有限元法建立热误差模型。
3. 控制器设计：基于辨识出的综合模型（动力学+热误差），设计 MPC 控制器。将预测的热变形 δth​作为前馈补偿量加入控制律。
4. 数字孪生平台构建：将动力学模型、热模型、控制器集成到实时仿真平台（如 MATLAB/Simulink），并与物理机床通过传感器（编码器、加速度计、温度传感器）数据同步。
5. 在线补偿：在加工过程中，数字孪生模型实时预测刀具相对于工件的综合位置误差，并将补偿指令发送给数控系统。
6. 迭代学习：对于批量加工，记录每次加工的位置误差，用于修正下一次加工的 G 代码，补偿重复性误差。

超大型精密机床如同一个 “钢铁巨人”​ 在进行微雕。巨人的身体（机床结构）不是绝对刚硬的，在运动和切削力下会微微颤抖（动力学变形）；体内的“热血”（各发热部件）分布不均，会导致身体局部热胀冷缩（热变形）。这些微小的颤抖和变形，对于要雕刻微米级精度的作品而言，是致命的。多体动力学模型就像巨人的 “运动神经系统模型”​ ，可以预测它在做各种动作时，身体的哪些部位会如何晃动。热网络模型就像巨人的 “体温调节系统模型”​ ，可以预测哪些部位会发热、热量如何传递、身体会如何变形。模型预测控制器则是巨人的 “小脑”​ ，它根据这两个模型，提前计算好如何调整肌肉（伺服电机）的发力，来抵消即将发生的晃动和变形，确保手中的刻刀（主轴）能精确地沿着预定轨迹运动。数字孪生就是这个“小脑”的实时训练器，它通过传感器不断感知巨人的真实状态，并更新自己的内部模型，让预测越来越准。

TH-D1-0240​

精密工程/控制理论/热弹性力学

光刻机工件台

基于李雅普诺夫稳定性与干扰观测器的 EUV 光刻机工件台六自由度纳米级运动控制模型​

EUV 光刻机工件台要求在 ~1 m/s​ 高速运动下实现 < 1 nm​ 的定位精度和 < 50 nrad​ 的姿态精度。系统由平面电机驱动，其六自由度动力学模型为：
Mx¨+C(x˙)+Fcog​+Frip​+Fd​=Fem​
其中 x=[x,y,z,θx​,θy​,θz​]T为位姿，M为质量矩阵，C为科里奥利力和向心力项，Fcog​为齿槽力，Frip​为推力纹波，Fd​为外部扰动（包括地面振动、热变形），Fem​为电磁推力。控制目标是在存在强非线性扰动和模型不确定性的情况下实现高精度跟踪。设计基于李雅普诺夫稳定性理论的自适应鲁棒控制器：
Fem​=M^x¨d​+C^+F^cog​+F^rip​−Kp​e−Kd​e˙+uad​
其中 e=x−xd​为跟踪误差，⋅^为模型估计值，Kp​,Kd​为反馈增益，uad​为自适应鲁棒项，用于补偿模型不确定性和扰动 Fd​。uad​由非线性干扰观测器​ 估计：
z˙=−Lz+L(Fem​−M^x¨−C^−F^cog​−F^rip​+Lx˙)
F^d​=z+Lx˙
其中 L为观测器增益矩阵。通过李雅普诺夫函数 V=21​eTMe+21​F~dT​Γ−1F~d​证明闭环系统全局渐近稳定，其中 F~d​=Fd​−F^d​。

1. 系统建模与扰动分析：
a. 平面电机动力学：平面电机（如 H 型或 T 型）通过多个线圈与永磁阵列相互作用产生六自由度电磁力 Fem​。动力学方程包含惯性项、速度耦合项以及固有的周期性扰动（齿槽力 Fcog​、推力纹波 Frip​）。
b. 外部扰动：包括来自地面的微振动（频率通常 < 1 kHz）、气浮导轨的气流扰动、以及热变形引起的基板形变。
2. 控制器设计：
a. 反馈线性化：基于模型的前馈补偿 M^x¨d​+C^+F^cog​+F^rip​用于抵消已知的非线性和周期性扰动。
b. PD 反馈：−Kp​e−Kd​e˙提供基本的镇定和跟踪性能。
c. 自适应鲁棒项 uad​：关键部分。用于补偿模型参数不确定性（如 M,C的估计误差）和未建模扰动 Fd​。设计自适应律在线更新 uad​的参数。
d. 非线性干扰观测器：实时估计总扰动 F^d​， 并将其前馈补偿，显著提高控制器对扰动的抑制能力。观测器设计需保证估计误差动态稳定且快速收敛。
3. 稳定性证明：构造李雅普诺夫函数 V， 求导得 V˙。通过合理设计控制器参数和自适应律，使得 V˙≤−kV+ϵ， 其中 k>0， ϵ为有界小量，从而证明跟踪误差 e和扰动估计误差 F~d​一致最终有界。
4. 热变形补偿：通过安装在工件台和掩模台上的多个温度传感器，结合热弹性有限元模型，实时估计热变形 δth​， 并将其作为前馈补偿量叠加到位置指令 xd​中。
5. 迭代学习控制：对于光刻的步进-扫描重复性运动，采用 ILC 学习并补偿重复性误差（如导轨平整度误差）。

条件：适用于采用平面电机和气浮导轨的超精密运动系统；需要高分辨率位置传感器（如激光干涉仪，分辨率达皮米级）；适用于EUV 光刻机、电子束曝光机、原子力显微镜等纳米级定位平台。
范围：用于荷兰 ASML EUV 光刻机的双工件台和掩模台；德国蔡司的EUV 光学系统精密调整机构。

精密运动控制， 非线性控制理论， 李雅普诺夫稳定性， 干扰观测器， 热弹性力学

场景：ASML NXE:3400C 及后续型号 EUV 光刻机的工件台，实现晶圆和掩模版的高速、高精度同步扫描；测量机和超精密加工机床的纳米定位。
意义：EUV 光刻是 5nm 及以下芯片制造的关键。其分辨率要求工件台在高速运动下达到亚纳米级定位精度，这接近物理极限。该模型通过基于模型的前馈补偿抵消已知周期性扰动，通过非线性干扰观测器实时估计并补偿未知扰动（如振动、热变形），通过李雅普诺夫稳定性理论保证闭环系统的全局稳定性和鲁棒性。这使工件台能够抵抗内外扰动，在大行程（米级）​ 上实现 “纳米级”​ 的稳定“奔跑”，是 EUV 光刻机乃至整个先进半导体产业链的基石技术。

x,x˙,x¨：工件台六自由度位姿、速度、加速度。
xd​,x˙d​,x¨d​：期望的位姿、速度、加速度轨迹。
e,e˙：位姿和速度跟踪误差。
M：质量惯性矩阵。
C(x˙)：科里奥利力和向心力矩阵。
Fcog​,Frip​：齿槽力和推力纹波，是位置的周期函数。
Fd​：集总外部扰动（包括振动、热变形力等）。
Fem​：电磁推力，为控制输入。
⋅^：模型估计值或观测器估计值。
Kp​,Kd​：比例、微分反馈增益矩阵。
uad​：自适应鲁棒控制项。
z：干扰观测器内部状态。
L：干扰观测器增益矩阵。
δth​：热变形引起的位姿偏差。

多输入多输出：六自由度强耦合，控制输入 Fem​也是六维。
非线性与周期性扰动：动力学方程包含速度非线性项 C(x˙)和周期性力扰动 Fcog​,Frip​。
模型不确定性：参数 M,C可能随负载变化，扰动 Fd​未知但有界。
李雅普诺夫直接法：用于构造性证明闭环系统稳定性。
干扰观测器：将模型不确定性和外部扰动视为集总扰动进行估计和补偿。

1. 系统辨识：通过扫频实验或阶跃响应，辨识平面电机的动力学参数（M,C的标称值）和周期性扰动的幅值、相位。
2. 控制器设计：设计基于模型的前馈项、PD反馈项、自适应鲁棒项 uad​以及非线性干扰观测器。
3. 稳定性分析：构造李雅普诺夫函数，推导控制器和观测器参数需满足的条件，以保证闭环系统稳定。
4. 热误差建模与补偿：建立工件台和掩模台的热弹性有限元模型，通过有限温度测点实时估计全场热变形 δth​， 并前馈补偿。
5. 仿真验证：在 MATLAB/Simulink 中建立包含完整扰动模型（振动、热变形、力纹波）的仿真环境，验证控制器的跟踪精度和抗扰能力。
6. 实验调试：在实物平台上，首先进行单自由度调试，然后进行六自由度解耦调试，精细整定控制器和观测器参数。
7. 集成与测试：将控制算法集成到光刻机实时控制系统中，进行整机动态性能测试（如步进扫描精度、同步误差）。

光刻机工件台的运动控制，如同在 “狂风巨浪的海面上进行微雕”​ 。工件台这个“船”要在“海面”（气浮导轨）上以极快速度（1 m/s）航行，同时手中的“刻刀”（光学系统）必须稳定在 “原子尺度”​ 的精度。周期性扰动（齿槽力、纹波）就像规律的海浪；未知扰动（地面振动、热变形）就像突如其来的狂风和暗流。基于模型的前馈好比经验丰富的老船长，根据海图（已知扰动模型）提前打舵抵消规律海浪。PD反馈就像船上的自动舵，根据当前航向偏差不断微调。非线性干扰观测器则像船上的先进雷达系统，能实时探测到未知的狂风和暗流（Fd​），并立即告诉船长其大小和方向。自适应鲁棒项是船长的应急策略，当雷达也探测不全时，它能根据船体的异常晃动自动调整舵角来抵抗。所有这些控制手段协同工作，由 “李雅普诺夫稳定性理论”​ 这艘船的 “稳性计算手册”​ 来保证，无论风浪多大，船都不会翻，且能精确到达目的地。最终，这艘“船”在惊涛骇浪中实现了“纹丝不动”的精准航行，从而在硅片上刻画出比头发丝细万倍的电路。

TH-D1-0241​

量子力学/控制理论/非线性动力学

量子计算

基于李雅普诺夫控制的超导量子比特状态制备与纠缠生成模型​

超导量子比特的动力学由哈密顿量描述（以transmon为例）：
H(t)=2ωq​​σz​+2Ω(t)​(cos(ωd​t+ϕ(t))σx​+sin(ωd​t+ϕ(t))σy​)
其中 ωq​是量子比特频率，Ω(t)、ϕ(t)是微波驱动包的幅度和相位，σi​是泡利矩阵。在旋转框架下，哈密顿量可写为：
HR​(t)=2Δ(t)​σz​+2Ω(t)​(cos(ϕ(t))σx​+sin(ϕ(t))σy​)
其中 Δ(t)=ωq​−ωd​是失谐。控制目标是驱动系统从初始态 $

\psi_0\rangle到目标态

\psi_d\rangle。定义误差向量e =

\psi\rangle -

\psi_d\rangle，构造李雅普诺夫函数V = \frac{1}{2} e^\dagger e，通过设计控制律使\dot{V} \leq 0。例如，可设计控制律：<br>\Omega(t) = -k \langle \psi_d

\sigma_x

\psi \rangle<br>\phi(t) = \arg \left( -i \langle \psi_d

\sigma_y

\psi \rangle \right)<br>对于多比特纠缠，哈密顿量包含耦合项，如H_{coupling} = J \sigma_z^{(1)} \sigma_z^{(2)}$，类似方法可设计控制律生成贝尔态。

TH-D1-0242​

生物力学/系统动力学/控制理论

脑机接口

基于卡尔曼滤波与自适应解码的运动皮层神经解码模型​

从运动皮层记录的神经元锋电位序列中解码出手臂运动轨迹。假设神经元放电率与运动参数（如手的位置、速度）相关，编码模型为：
yt​=h(xt​)+ϵt​
其中 yt​是t时刻的放电率向量，xt​是状态向量（如手的位置、速度、加速度），h是编码函数（通常为线性或泊松），ϵt​是噪声。解码过程是状态估计问题，假设状态演化服从线性动力学：
xt​=Axt−1​+wt​
观测方程为：
yt​=Cxt​+vt​
其中 wt​,vt​是过程噪声和观测噪声。使用卡尔曼滤波进行最优估计：
预测步：
$\hat{\mathbf{x}}_{t

t-1} = A \hat{\mathbf{x}}_{t-1

t-1}<br>P_{t

t-1} = A P_{t-1

t-1} A^T + Q<br>更新步：<br>K_t = P_{t

t-1} C^T (C P_{t

t-1} C^T + R)^{-1}<br>\hat{\mathbf{x}}_{t

t} = \hat{\mathbf{x}}_{t

t-1} + K_t (y_t - C \hat{\mathbf{x}}_{t

TH-D1-0243​

等离子体物理/控制理论/非线性动力学

核聚变

基于积分可分离性控制的托卡马克等离子体边界形状与位置控制模型​

托卡马克中等离子体的边界由磁面决定，其形状和位置需精确控制以避免与第一壁接触。控制模型基于Grad-Shafranov方程，描述磁通函数 ψ(R,Z)的平衡：
Δ∗ψ=−μ0​R2dψdp​−FdψdF​
其中 p(ψ)是等离子体压强，F(ψ)是极向电流函数。等离子体边界由最后一个闭合磁面（LCFS）定义，其形状可用参数描述，如大半径 R0​、小半径 a、拉长比 κ、三角形变 δ。控制输入是极向场线圈电流 IPF​。将Grad-Shafranov方程线性化，得到从线圈电流到等离子体边界参数的传递函数矩阵 G(s)。设计多变量控制器，如积分可分离性控制：
1. 对系统进行可分离性分析，通过奇异值分解或相对增益阵列判断输入输出配对。
2. 设计解耦补偿器 D(s)使 G(s)D(s)近似对角。
3. 对每个解耦后的回路设计独立的PID控制器 Ci​(s)。
总控制律为 IPF​=D(s)C(s)e，其中 e是边界参数误差。控制器需处理非最小相位特性、时变参数和不确定性问题。

1. 等离子体平衡：托卡马克中等离子体在环向磁场和极向磁场共同约束下处于平衡。Grad-Shafranov方程是平衡条件，为非线性偏微分方程。
2. 线性化模型：在某个平衡点附近，将Grad-Shafranov方程线性化，得到关于磁通扰动 δψ的方程。通过格林函数方法或状态空间方法，可得到从线圈电流扰动 δIPF​到磁通扰动 δψ的响应，进而得到到边界参数（如 R0​,a,κ,δ）的传递函数。
3. 可分离性分析：由于多个线圈共同影响多个形状参数，系统存在强耦合。可分离性分析（如相对增益阵列RGA）用于确定哪个线圈主要控制哪个形状参数，以进行输入输出配对。
4. 解耦控制：目标是通过前置补偿器 D(s)使系统对角化，从而可独立设计单回路控制器。常用方法包括逆奈奎斯特阵列、特征曲线等。
5. 鲁棒性设计：等离子体参数（如 β，内部电感）会变化，导致模型不确定。需采用鲁棒控制方法，如 H∞​混合灵敏度设计，保证稳定性和性能。
6. 实时控制：控制器需在毫秒级周期内运行，根据磁测量信号（磁探针、flux loop）实时计算线圈电流指令。

条件：适用于托卡马克装置（如ITER、EAST、DIII-D）的等离子体形状与位置控制；假设平衡演化足够慢，可用线性时不变模型近似；需实时磁测量和线圈电流驱动能力。
范围：用于ITER、SPARC、CFETR等聚变装置的等离子体控制，维持稳态高约束模式（H-mode）放电。

等离子体控制， 磁流体力学， 多变量控制， 解耦控制

场景：ITER 装置的等离子体形状控制（如拉长比、三角形变）；美国 DIII-D 托卡马克的高性能放电控制；德国 ASDEX Upgrade​ 的边界局域模（ELM）缓解控制。
意义：精确的等离子体形状和位置控制是获得高性能聚变等离子体的前提，也是避免第一壁损伤的关键。积分可分离性控制能够有效解耦多变量系统，实现各形状参数的独立、精确控制，为长脉冲稳态运行提供保障。这是实现可控核聚变商业化的核心技术之一。

ψ(R,Z)：磁通函数。
p(ψ)：等离子体压强分布。
F(ψ)：极向电流函数。
IPF​：极向场线圈电流向量（控制输入）。
R0​,a,κ,δ：等离子体大半径、小半径、拉长比、三角形变（被控输出）。
G(s)：多输入多输出传递函数矩阵。
D(s)：解耦补偿器矩阵。
C(s)：对角控制器矩阵（通常含积分以消除稳态误差）。
e：形状参数误差向量。

多变量系统：多输入多输出，强耦合。
非最小相位：某些传递函数可能有右半平面零点。
时变参数：等离子体参数在放电中变化，模型是时变的。
解耦控制：通过补偿使系统对角化，简化控制设计。

1. 平衡计算：用平衡代码（如EFIT）从磁测量数据中实时重建等离子体边界参数。
2. 系统辨识：通过激励线圈电流并测量边界响应，或从物理模型线性化，得到传递函数矩阵 G(s)。
3. 可分离性分析：计算相对增益阵列（RGA），确定输入输出配对关系。
4. 设计解耦补偿器：使用逆奈奎斯特阵列等方法设计 D(s)，使 G(s)D(s)对角占优。
5. 设计单回路控制器：对每个解耦后的回路设计PID或超前滞后补偿器，确保稳定性和性能。
6. 集成与仿真：在仿真平台（如MATLAB/Simulink）中进行闭环仿真，验证性能。
7. 实验实施：将控制器代码部署到实时控制系统（如MARTe），在实际放电中测试并调整。

托卡马克中的等离子体形状控制如同 “用多个磁力手柄捏合一个无形的果冻”​ 。等离子体这个高温“果冻”本身没有固定形状，完全由周围的磁力线“笼子”约束。多个极向场线圈就像分布在“果冻”周围的可调磁铁（手柄）。Grad-Shafranov方程描述了磁力线“笼子”的形状与手柄电流之间的关系。由于每个手柄都会影响整个笼子的形状，所以这是一个强耦合系统。可分离性分析与解耦控制就像为每个手柄分配明确的任务：这个手柄主要负责拉长，那个主要负责三角化。通过精巧的电流组合（解耦补偿器 D(s)），使得调整一个手柄时，主要改变一个形状参数，而不影响其他。单回路控制器则根据形状的偏差，精细调节对应手柄的电流，使“果冻”保持预定的完美形状，既不能碰壁，又要保持高约束性能。

TH-D1-0244​

系统动力学/生物化学/控制理论

合成生物学

基于CRISPR干扰与代谢通量分析的基因回路动态调控模型​

在合成生物学中，设计基因回路以动态调控代谢通路。例如，用CRISPRi（干扰）抑制特定基因表达。模型包含转录、翻译、代谢反应和调控。mRNA和蛋白的动力学：
dtd[mRNA]​=α⋅f(诱导剂)−βmRNA​[mRNA]
dtd[P]​=γ[mRNA]−βP​[P]
其中 f是启动子活性函数，可能受激活蛋白、抑制蛋白或CRISPRi复合物调控。CRISPRi的抑制效率用 η=1+([sgRNA]/Kd​)n1​表示。代谢网络用通量平衡分析（FBA）或动力学模型。控制目标是通过调节诱导剂浓度（如阿拉伯糖）使代谢产物产量最大化。设计控制器，例如：
u(t)=Kp​e(t)+Ki​∫e(t)dt
其中 e(t)是目标代谢物浓度与设定值的偏差，u(t)是诱导剂流加速率。结合模型预测控制优化动态过程。

1. 基因表达动力学：转录和翻译过程用常微分方程描述，包括启动子激活函数、降解和稀释项。
2. CRISPRi模型：dCas9蛋白与sgRNA形成复合物，结合到目标启动子区域，阻止RNA聚合酶结合。抑制效率可用Hill函数描述，取决于sgRNA浓度。
3. 代谢网络：将代谢途径表示为化学反应网络，用质量平衡方程描述代谢物浓度变化。对于稳态分析，可用通量平衡分析（FBA）计算最大生长或产物合成速率。对于动态过程，需用动力学模型，包含酶动力方程（如米氏方程）。
4. 控制系统设计：将诱导剂浓度或sgRNA表达作为控制输入，代谢物浓度作为输出。由于系统非线性、时滞和参数不确定性，常用鲁棒控制或自适应控制。模型预测控制（MPC）利用模型预测未来输出，优化控制输入序列，处理约束（如诱导剂浓度范围）。
5. 宿主细胞生长耦合：产物合成通常与细胞生长竞争资源，需平衡生长与生产。可设计双阶段控制：先促进生长，再诱导生产。

条件：适用于原核或真核细胞的合成基因回路；假设细胞群体均一或可用平均场模型；需已知或可辨识的动力学参数。
范围：用于微生物细胞工厂生产药物、生物燃料、化学品，如用大肠杆菌生产紫杉醇、用酵母生产青蒿素。

合成生物学， 系统生物学， 代谢工程， 生物控制

场景：美国 Ginkgo Bioworks​ 的细胞编程平台；英国 Synthace​ 的生物过程优化；荷兰 DSM​ 的工业生物技术。
意义：传统代谢工程是静态的基因敲除或过表达，无法动态响应环境变化。该模型通过设计动态基因回路，实现代谢通量的实时调控，在生长阶段和生产阶段之间切换，最大化产物产量。这是构建高效、鲁棒的细胞工厂的关键，有望革新生物制造。

[mRNA]：信使RNA浓度。
[P]：蛋白质浓度。
α：转录速率常数。
β：降解速率常数。
γ：翻译速率常数。
f：启动子活性函数，可能为Hill函数。
[sgRNA]：单链向导RNA浓度。
Kd​：解离常数。
n：Hill系数。
u(t)：控制输入（诱导剂流加速率）。
e(t)：代谢产物浓度偏差。

非线性动力学：基因表达和代谢反应常为非线性（Hill函数、米氏方程）。
时滞：转录、翻译、蛋白折叠存在时滞。
参数不确定性：动力学参数难以精确测量，且随环境变化。
多尺度：涉及分子、细胞、群体尺度。

1. 机理建模：根据生物化学知识，建立基因回路和代谢网络的动力学模型（常微分方程组）。
2. 参数辨识：通过实验数据（如时间序列的mRNA、蛋白、代谢物浓度）拟合模型参数。
3. 控制器设计：根据控制目标（如最大化终产物浓度），设计控制律（如PID、MPC），在仿真中测试性能。
4. 基因回路构建：在实验室中，用分子生物学方法构建质粒，转入宿主细胞。
5. 实验验证：在生物反应器中培养工程菌，实施控制策略（如通过蠕动泵流加诱导剂），监测产物产量，与模型预测比较。
6. 迭代优化：根据实验结果修正模型和控制器，重复过程。

合成生物学中的动态调控如同为细胞编写 “基因程序”​ 。细胞本身是一个复杂的化工厂，代谢途径是生产线。基因回路是嵌入在细胞中的“控制芯片”，它接收输入信号（如诱导剂浓度），通过调节特定基因的“开关”（启动子活性），控制“工人”（酶）的数量，从而改变生产线的流量分配。CRISPRi是一种精确的“基因沉默”工具，可以临时关闭特定生产线，而不破坏机器。控制器（如PID）则根据最终产品的库存（浓度），决定原料（诱导剂）的投加速度，确保既不积压也不短缺。通过模型预测控制，可以预见未来几小时的细胞状态，提前调整，应对生长变化带来的扰动，实现生产效益最大化。

TH-D1-0245​

电磁学/量子力学/非线性动力学

量子传感

基于金刚石氮-空位色心的纳米尺度磁力计动力学与控制模型​

金刚石氮-空位（NV）色心的电子自旋为三能级系统，基态为自旋三重态。在静磁场 Bz​下，由于塞曼效应，ms​=0和 ms​=±1能级发生劈裂。哈密顿量（在旋转波近似下）：
H=ΔSz2​+γe​Bz​Sz​+Ω(t)Sx​
其中 Δ≈2.87GHz为零场分裂，γe​为电子旋磁比，Ω(t)为微波驱动强度。通过光学探测磁共振（ODMR）测量荧光强度，可反演磁场。为提高灵敏度，采用动态去耦序列（如CPMG、XY8）来抑制噪声。对于 AC 磁场 Bac​cos(ωt)， 在共振条件下，演化算符导致自旋翻转，荧光对比度变化。灵敏度极限由：
η≈γe​1​CR​Δν​
给出，其中 Δν是线宽，C是对比度，R是光子计数率。通过优化微波脉冲序列和采样策略，可逼近此极限。

1. NV色心能级结构：基态自旋三重态，在零场下 ms​=±1简并，ms​=0能量较低。施加磁场后，ms​=±1分裂。
2. 磁共振原理：用微波驱动共振跃迁（0↔±1），同时用绿色激光激发，测量红色荧光。由于 ms​=±1能级的荧光强度低于 ms​=0， 通过扫描微波频率可得到ODMR谱，其凹陷位置对应能级差，从而测得磁场。
3. 动力学演化：自旋在微波驱动和磁场作用下的演化由薛定谔方程或主方程（含弛豫）描述。对于 AC 磁场测量，采用相干操控，用 π/2脉冲将自旋制备到相干叠加态，在演化期间积累与磁场成正比的相位，再用 π/2脉冲读回。
4. 动态去耦：为延长相干时间 T2​， 施加一系列 π脉冲翻转自旋，可抑制低频噪声（如核自旋涨落），提高灵敏度。脉冲序列设计基于量子控制理论。
5. 灵敏度优化：灵敏度与相干时间、光子收集效率等相关。通过使用纳米金刚石、固体浸没透镜等提高光子收集率；通过材料工程减少杂质，延长 T2​；通过最优控制设计脉冲形状。

条件：适用于室温或低温下的金刚石NV色心；需光学激发和探测系统；磁场测量范围从 nT 到 mT。
范围：用于纳米尺度磁成像，如测量单个细胞磁信号、材料表面磁畴、超导涡旋；用于惯性传感（陀螺仪）、温度传感、压力传感。

量子传感， 量子光学， 量子控制， 磁共振

场景：美国陆军研究实验室的生物磁成像；德国斯图加特大学的扫描NV磁力计；荷兰代尔夫特理工大学的量子网络。
意义：NV色心磁力计具有纳米空间分辨率、高灵敏度、室温工作等优势，为物理、生物、材料科学提供了前所未有的探测工具。动态去耦和最优控制技术的应用，将灵敏度推向极限，甚至可探测单个电子或核自旋。这是量子技术走向实际应用的重要方向。

Sx​,Sz​：自旋-1算符。
Δ：零场分裂。
γe​：电子旋磁比。
Bz​：静磁场（沿NV轴分量）。
Ω(t)：微波驱动拉比频率。
Bac​：交变磁场幅值。
ω：交变磁场频率。
η：灵敏度（最小可探测磁场）。
Δν：ODMR线宽。
C：荧光对比度。
R：光子计数率。
T2​：相干时间。

量子动力学：用薛定谔方程或主方程描述。
相干操控：用微波脉冲进行量子门操作。
最优控制：设计脉冲序列最大化信噪比。
灵敏度分析：基于噪声模型和量子极限。

1. 样品制备：制备高纯度金刚石，或将纳米金刚石分散在样品上。
2. 实验系统搭建：搭建共聚焦显微镜或扫描探针系统，集成微波天线和激光。
3. 初始标定：测量ODMR谱，确定零场分裂和磁场。
4. 脉冲序列设计：根据测量目标（DC或AC磁场）设计微波脉冲序列（如Rabi、Ramsey、回波）。
5. 数据采集：执行脉冲序列，测量荧光强度随时间或参数的变化。
6. 信号处理：拟合数据，提取相位或频率变化，反演磁场。
7. 成像扫描：移动样品或探针，逐点测量，构建磁图。

NV色心磁力计如同一个 “原子级的指南针”​ 。这个指南针的指针（电子自旋）对磁场极其敏感，其指向（能级）可以通过光来读取。动态去耦脉冲序列就像在指南针受到周围风吹草动（噪声）干扰时，不断地快速旋转它，平均掉杂乱的影响，只留下目标磁场引起的稳定偏转。通过精心设计旋转的节奏（脉冲间隔和顺序），可以针对特定频率的磁场信号进行放大，而过滤掉噪声，从而实现极高精度的测量。这项技术将磁测量从宏观推向了纳米尺度，使得“看到”单个分子的磁信号成为可能。

TH-D1-0246​

系统动力学/控制理论/人工智能

自动驾驶

基于深度强化学习与模型预测控制的自动驾驶汽车决策与轨迹规划模型​

自动驾驶汽车在复杂交通环境中的决策与规划是一个序列决策问题。状态 st​包括自车状态、周围车辆状态、道路结构等。动作 at​包括加速度、转向角。目标是最小化行程时间、最大化舒适性和安全性。采用分层架构：上层决策用深度强化学习（如DQN、PPO）学习高级策略（如变道、超车），下层轨迹规划用模型预测控制（MPC）生成平滑轨迹。MPC优化问题：
minut:t+N−1​​∑k=0N−1​(∥et+k​∥Q2​+∥ut+k​∥R2​)+∥et+N​∥P2​
s.t. xt+k+1​=f(xt+k​,ut+k​)
umin​≤ut+k​≤umax​
collision-free
其中 e是跟踪误差，x是车辆状态（位置、速度、航向），f是车辆动力学模型（如自行车模型）。DRL的奖励函数包括：到达目标、保持车道、避免碰撞、舒适性惩罚等。通过大量仿真训练DRL策略，再在实车中测试。

1. 系统建模：车辆动力学常用自行车模型，状态包括位置、速度、航向角、前轮转角等。
2. 环境感知：通过传感器融合得到周围车辆和道路的估计，构成状态表示。
3. 决策层：DRL处理高维状态，输出离散或连续的决策，如变道、让行。由于交通环境复杂，DRL能够学习人类驾驶风格，处理罕见情况。
4. 规划层：MPC根据决策层的目标（如目标车道），在有限时域内求解最优轨迹，满足动力学约束、控制量约束和避障约束。避障约束通常转化为与动态障碍物的距离不等式。
5. 控制层：MPC输出的控制序列（加速度、转向角）交由底层控制器执行。
6. 仿真训练：在CARLA、SUMO等仿真平台中训练DRL策略，利用真实交通数据或生成数据，加速学习。
7. 安全验证：采用形式化方法或安全场理论保证决策的安全性。

条件：适用于结构化道路（高速公路、城市道路）；需高精度地图和定位；传感器（摄像头、激光雷达、毫米波雷达）需可靠感知环境。
范围：用于L4级以上自动驾驶汽车，如Waymo、Cruise、特斯拉FSD、百度Apollo等。

自动驾驶， 强化学习， 模型预测控制， 车辆动力学

场景：美国Waymo的无人出租车；通用Cruise的城市自动驾驶；德国奔驰的L3级自动驾驶；中国百度Apollo的Robotaxi。
意义：传统规则式自动驾驶系统难以处理长尾场景。DRL能够从数据中学习复杂的驾驶策略，适应各种未知情况。MPC提供安全、平滑的轨迹规划。两者结合实现安全、高效、舒适的自动驾驶，是未来交通的核心技术。

st​：状态，包括自车、他车、道路信息。
at​：动作，如加速度、转向角。
xt​：车辆状态向量。
ut​：控制输入向量（加速度、前轮转角）。
et​：跟踪误差（相对于参考路径）。
f：车辆动力学模型。
Q,R,P：权重矩阵。
N：预测时域。
奖励函数 rt​：由安全性、效率、舒适性等组成。

分层控制：高层决策（DRL）与底层规划（MPC）结合。
序列决策：DRL处理马尔可夫决策过程。
带约束优化：MPC处理动力学约束和控制约束。
仿真到现实：在仿真中训练，迁移到现实世界。

1. 仿真环境构建：使用高保真仿真软件搭建交通场景，定义状态、动作、奖励。
2. DRL训练：在仿真中运行数百万个episode，训练神经网络策略。
3. MPC设计：建立车辆动力学模型，设计目标函数和约束，求解优化问题（常用IPOPT、ACADO）。
4. 集成测试：将训练好的DRL策略与MPC规划器集成，在仿真中测试整体性能。
5. 实车部署：将算法部署到车载计算平台，进行道路测试，收集数据进一步优化。
6. 安全监控：设置安全监控模块，在算法失效时接管。

自动驾驶汽车如同一位 “AI司机”​ 。它的“眼睛”是传感器，“大脑”是决策规划算法。深度强化学习是大脑的“经验系统”，通过无数次虚拟驾驶“学习”到何时该变道、超车、让行，形成一种“直觉”。模型预测控制是大脑的“理性规划系统”，它基于车辆动力学模型，提前几秒规划出一条安全、舒适、节能的行驶轨迹，并确保方向盘和油门刹车精确执行。两者结合，使得AI司机既有“老司机”的应变能力，又有“赛车手”般的精准控制。

TH-D1-0247​

系统动力学/热力学/流体力学

数据中心冷却

基于计算流体动力学与模型预测控制的数据中心热管理优化模型​

数据中心能效优化需管理IT负载和冷却系统。热动力学模型包括：机房空气流动（CFD）、机架热模型、冷却设备（空调、液冷）模型。CFD求解Navier-Stokes方程：
∇⋅u=0
∂t∂u​+u⋅∇u=−ρ1​∇p+ν∇2u+g
∂t∂T​+u⋅∇T=α∇2T+ρcp​q​
其中 q是服务器发热功率。冷却系统模型：冷水机组效率 COP=Pcomp​Qc​​， 与水温、负载相关。控制变量：冷水机组设定温度、风扇转速、风门开度等。目标是最小化总能耗 Ptotal​=PIT​+Pcooling​， 同时满足服务器进口温度约束。采用模型预测控制滚动优化：
min∑k=0N−1​Ptotal​(k)Δt
s.t. 热动力学约束、温度约束、控制量约束。
由于CFD计算慢，可用降阶模型（如Proper Orthogonal Decomposition）或数据驱动模型（如神经网络）替代。

1. 多物理场建模：数据中心热环境涉及空气流动、传热、设备发热、冷却系统。需耦合CFD、机架热模型和冷却系统模型。
2. 降阶模型：CFD计算耗时，不适合在线优化。通过本征正交分解（POD）或高斯过程回归（GPR）建立输入（如散热功率、空调送风温度）到输出（热点温度）的快速模型。
3. 优化问题：总能耗包括IT设备能耗和冷却能耗。IT能耗与负载相关，冷却能耗与室外温度、冷水温度、风扇速度等相关。优化问题是非凸的，有约束。
4. 模型预测控制：利用降阶模型预测未来温度分布，优化未来一段时间内的控制序列，实施第一步，然后滚动。可处理时变负载和室外天气变化。
5. 分布式优化：大型数据中心可分区控制，采用分布式MPC协调各区域。

条件：适用于大型数据中心；需部署温度传感器网络；冷却系统可调（变频、变水温）；IT负载可预测或可调节。
范围：用于Google、Microsoft、Amazon等云数据中心，以及国家超算中心的节能优化。

计算流体力学， 热力学， 模型预测控制， 能源管理

场景：Google DeepMind​ 用于数据中心冷却的AI优化；微软水下数据中心的热管理；阿里巴巴数据中心的液冷系统控制。
意义：数据中心耗电量巨大，其中冷却占相当比例。通过优化热管理，可显著降低PUE（电能使用效率），节省巨额电费，减少碳排放。模型预测控制能够动态调整冷却系统，适应负载变化和天气变化，在保证设备安全的前提下实现能效最优。

u：空气速度场。
p：压力场。
T：温度场。
q：热源功率密度（服务器发热）。
PIT​：IT设备总功耗。
Pcooling​：冷却系统功耗。
COP：制冷性能系数。
N：预测时域。
Δt：控制周期。

计算流体力学：三维偏微分方程描述气流和温度分布。
降阶模型：将高维CFD模型降为低维模型用于实时控制。
非线性优化：目标函数和约束非线性，非凸。
滚动优化：在线求解有限时域优化问题。

1. 数据收集：在数据中心部署传感器，收集温度、功耗、流量等数据。
2. 高保真CFD建模：建立数据中心三维CFD模型，用实测数据校准。
3. 降阶模型训练：从CFD仿真数据中提取快照，用POD等方法训练降阶模型。
4. 控制器设计：基于降阶模型设计MPC，定义目标函数和约束。
5. 仿真验证：在仿真环境中测试控制器，对比传统控制策略的能效提升。
6. 部署实施：将控制器部署到数据中心管理系统，实时读取传感器数据，输出控制指令（如冷水温度设定值）。
7. 持续优化：根据运行数据更新降阶模型和控制器参数。

数据中心热管理如同为一个 “数字城市”​ 调节气候。成千上万的服务器是城市中的“居民”，它们工作产生的热量如同居民呼出的热气。空调系统是城市的“气候调节系统”。计算流体动力学模拟了城市中的“风”和“热”如何流动，哪里容易形成“热岛”。模型预测控制则是城市的“智能气候中枢”，它根据天气预报（室外温度变化）和居民活动预测（计算负载），提前调节空调的“温度”和“风量”，既不让“居民”中暑（过热），又避免过度制冷浪费能源。通过精准的气流组织，将冷气送到最需要的地方，实现“按需制冷”。

TH-D1-0248​

材料力学/电磁学/热力学

4D打印

基于形状记忆聚合物与刺激响应材料的4D打印结构非线性变形模型​

4D打印结构在外部刺激（热、光、湿、磁）下发生可编程变形。以热致形状记忆聚合物为例，其变形由玻璃化转变控制。材料模型采用相场法或粘弹性模型。一种常用模型是：
σ=E(ϵ−ϵrev​−ϵir​)
其中 ϵrev​是可回复应变（与温度相关），ϵir​是不可回复应变（如塑性）。形状记忆效应通过存储应变 ϵstore​描述。编程时在高温下变形并冷却固定，应变被存储；加热时恢复。对于多材料打印，不同材料具有不同的热膨胀系数 α， 双材料梁在温度变化下弯曲，曲率 κ近似为：
κ=h(3(1+m)2+(1+mn)(m2+1/(mn)))6(1+m)2ΔαΔT​
其中 m是两层厚度比，n是弹性模量比，h总厚度，Δα热膨胀系数差，ΔT温度变化。通过设计材料分布和打印路径，可实现复杂变形。控制模型可加入反馈，用传感器监测形状，调节刺激实现闭环控制。

1. 材料模型：形状记忆聚合物在玻璃化转变温度 Tg​上下模量变化巨大。高温时橡胶态，可大变形；低温时玻璃态，固定形状。常用本构模型包括：线性粘弹性、相场模型、有限变形理论。
2. 多材料结构：打印时沉积不同材料，由于热膨胀或溶胀系数不同，在刺激下产生内应力，导致弯曲、扭曲等变形。变形可由Tim

TH-DD1-0001​

系统动力学/控制理论/空气动力学

察打一体无人机

基于微分平坦性与模型预测控制的无人机敏捷机动轨迹规划与跟踪模型

对于固定翼或旋翼无人机，其动力学模型可表示为非线性控制系统：x˙=f(x,u)，其中状态 x∈Rn，控制输入 u∈Rm。如果存在平坦输出 z=Φ(x,u,u˙,…,u(p))使得所有状态和输入都能表示为 z及其有限阶导数的函数：x=Ψx​(z,z˙,…,z(q))，u=Ψu​(z,z˙,…,z(q+1))，则系统是微分平坦的。基于平坦性，可将轨迹规划问题转化为平坦输出空间的曲线设计，然后通过微分映射得到状态和输入轨迹。结合模型预测控制（MPC），在滚动时域内求解以下优化问题：
minu(⋅)​∫tt+T​(∥x~(τ)−xref​(τ)∥Q2​+∥u(τ)∥R2​)dτ+∥x~(t+T)−xref​(t+T)∥P2​
s.t. x~˙=f(x~,u)， x~(t)=x(t)， u∈U， x∈X，其中 x~为预测状态，xref​为由平坦性生成的参考轨迹。

1. 微分平坦性判定：对于无人机动力学模型（如刚体动力学+空气动力学），通过计算确定是否存在平坦输出。例如，固定翼无人机常以位置和航向角作为平坦输出。
2. 轨迹生成：在平坦输出空间（如三维坐标+航向）设计光滑轨迹（如多项式、B样条），满足边界条件（位置、速度、加速度等）和中间路径点约束。
3. 微分映射：利用平坦输出表达式，求导得到速度、加速度、姿态、角速度等状态，以及所需的控制输入（推力、力矩）。
4. 模型预测控制设计：将生成的参考轨迹作为MPC的跟踪目标，在短时域内在线求解优化问题，考虑实际约束（执行器饱和、状态约束）和扰动。
5. 实时性保证：利用平坦性降低规划复杂度，MPC采用高效求解器（如ACADO、CasADi）实现实时求解。

适用于具有微分平坦特性的非线性系统，如多旋翼、固定翼无人机。需要精确的动力学模型。用于需要敏捷机动、避障、动态目标跟踪的场景。

非线性控制系统， 微分平坦理论， 最优控制， 模型预测控制

场景：美国“弹簧刀”巡飞弹的突防机动；英国“雷神”无人机自主空战机动；德国“阿拉丁”无人机城市环境侦察。
意义：将复杂的非线性轨迹规划问题转化为平坦空间的几何问题，极大简化了规划，同时MPC保证了跟踪精度和约束满足，实现无人机的快速、高机动、安全飞行。

x：状态（位置、速度、姿态、角速度等）。
u：控制输入（电机油门、舵面偏角等）。
z：平坦输出（通常是位置和偏航角）。
Q,R,P：权重矩阵。
U,X：输入和状态约束集。
T：预测时域。

微分平坦性将轨迹规划转化为输出空间的路径设计，避免了积分方程求解。
MPC滚动优化，处理约束和扰动。
结合了前馈（平坦轨迹）和反馈（MPC校正）。

1. 建立无人机动力学模型，验证其微分平坦性，确定平坦输出。
2. 根据任务（如避障、目标跟踪）在平坦输出空间设计一条光滑的参考轨迹 zref​(t)。
3. 通过微分映射计算参考状态 xref​(t)和参考输入 uref​(t)。
4. 在每个控制周期，获取当前状态 x(t)，以 xref​为跟踪目标，求解MPC问题，得到最优控制输入序列，取第一个应用于系统。
5. 根据环境变化，可重新规划平坦轨迹。

无人机飞行是状态空间中的一条轨迹。微分平坦性揭示了所有状态和输入都可由一条“主曲线”（平坦输出）及其变化率完全决定，如同风筝线控制风筝。规划只需设计这条“主曲线”的形状，无人机的姿态、油门等会自动跟随。MPC则像一位熟练的操纵者，不断根据当前风筝位置与理想“主曲线”的偏差，微调手中的线，以应对风和障碍，确保风筝沿预定曲线飞行。

TH-DD1-0002​

系统动力学/网络科学/博弈论

航母战斗群

基于超图博弈与韧性优化的航母战斗群防空反导协同调度模型

航母战斗群（CSG）的防空反导体系建模为一个超图 H=(V,E)，其中节点 V包括传感器、武器、指挥中心等，超边 E表示协同关系（如一个探测-决策-打击链）。来袭目标集合 T，防御资源集合 D。定义博弈的参与者为攻方（目标）和守方（CSG），策略集分别为目标突防路径和防御资源分配。支付函数为攻方期望毁伤价值，守方期望防御损失。利用随机博弈或微分博弈建模动态过程。韧性优化目标是在部分节点/边失效后，通过重调度最大化完成任务的能力。数学模型为混合整数规划：
maxxij​,yk​​∑i∈T​Vi​(1−∏j∈D​(1−pij​)xij​)−λ∑j∈D​Cj​yk​
s.t. ∑j​xij​≥1,∀i； xij​≤Aij​yk​， 资源约束等，其中 xij​为分配变量，pij​为杀伤概率，yk​为资源激活变量，Aij​表示可达性。

1. 体系建模：用超图描述CSG内多类节点的高阶交互，超边对应一个完整的“侦-控-打-评”链。
2. 博弈建模：攻方选择目标、突防策略；守方分配传感器和拦截弹。可构建动态贝叶斯博弈，考虑信息不确定性。
3. 韧性度量：定义体系效能函数，考虑节点失效后的剩余效能，用拓扑指标（如超图连通性）和作战指标（如拦截概率）结合。
4. 优化调度：在资源有限、时间约束下，求解最优资源分配，以最大化韧性（即最坏情况下的效能）。
5. 算法设计：问题为NP-hard，需采用启发式（遗传算法、拍卖算法）或分布式优化方法。

适用于航母战斗群等网络化作战体系的协同防空反导决策。需已知目标威胁、杀伤概率、资源状态等信息。

博弈论， 网络科学， 超图理论， 组合优化， 军事运筹学

场景：美国航母战斗群应对反舰弹道导弹和超音速巡航导弹的饱和攻击；北约海上编队的协同防空。
意义：将CSG体系建模为超图，能更好描述协同关系；博弈论刻画攻防对抗；韧性优化使体系在受损时仍能保持战斗力。提升CSG在高端对抗中的生存能力和作战效能。

V：节点集合（雷达、舰艇、导弹、指挥所）。
E：超边集合（协同链路）。
T：目标集合。
D：防御资源集合。
Vi​：目标 i的威胁价值。
pij​：资源 j对目标 i的杀伤概率。
xij​：二元分配变量。
yk​：资源激活变量。
λ：成本权重。

超图建模高阶相互作用，比普通图更表达协同。
博弈论描述攻防双方的策略互动。
混合整数规划建模资源分配，组合爆炸。
韧性优化考虑体系鲁棒性和恢复力。

1. 构建CSG防空体系的超图模型，包括节点能力和边的关系。
2. 根据情报，生成目标威胁列表和可能的突防路径。
3. 建立攻防博弈模型，定义支付函数。
4. 求解博弈的均衡（如纳什均衡），得到防御方的最优资源分配策略。
5. 评估当前体系的韧性，针对关键节点进行保护或冗余部署。
6. 在实际交战过程中，根据实时信息动态调整分配。

航母战斗群如同一张“智能渔网”，每个节点是网结，超边是网线。来袭导弹如同“鱼”。博弈是“鱼”和“撒网人”的斗智斗勇。韧性优化确保即使部分网结破损，网仍能有效捕鱼。调度算法决定每个网结如何移动、收放，以最大限度地捕获最重要的鱼，同时节省网线。

TH-DD1-0003​

气体弹性力学/燃烧学/流体力学

高超音速飞行器推进

基于准一维流与有限速率化学反应的超燃冲压发动机性能分析模型

超燃冲压发动机流道简化为变截面准一维流，控制方程包括质量、动量、能量和物种守恒：
dxd(ρuA)​=0
ρudxdu​=−dxdp​−Aτw​P​
ρudxdh​=udxdp​+q˙​−Aqw​P​
ρudxdYi​​=ω˙i​
其中 A(x)为截面积，τw​为壁面剪切应力，P为湿周，q˙​为体积加热率（燃烧释热），qw​为壁面热流，ω˙i​为物种 i的反应速率。结合有限速率化学反应模型（如氢-空气的9组分19步反应），数值求解得到沿流道的压力、温度、马赫数、组分分布。性能参数推力 F=m˙e​ue​+(pe​−p∞​)Ae​，比冲 Isp​=F/(m˙f​g0​)。

1. 控制方程推导：从积分形式的守恒定律出发，对微元控制体应用，得到微分形式。
2. 化学反应模型：采用详细的基元反应机理，反应速率由Arrhenius公式给出：kf​=ATnexp(−Ea​/RT)。
3. 数值求解：由于方程刚性和非线性，采用时间相关法或空间推进法，如Runge-Kutta法结合化学源项处理（如算子分裂）。
4. 边界条件：入口给定来流参数（p0​,T0​,Ma0​），出口通常为超声速，无需给定压力。壁面条件：无滑移、给定温度或绝热。
5. 性能计算：积分壁面压力和剪切应力得到推力和阻力。

适用于超燃冲压发动机内流道的初步设计和性能估算。假设流动为准一维，忽略横向变化。来流马赫数>5。

气体动力学， 化学反应动力学， 计算流体力学

场景：美国X-51A“乘波者”超燃冲压发动机；NASA HyTECH计划；高超音速巡航导弹推进系统。
意义：提供了一种快速分析超燃冲压发动机性能的方法，可用于评估不同几何形状、燃料、当量比的影响，为详细三维CFD计算提供初值，加速设计进程。

ρ：密度。
u：速度。
p：压力。
h：比焓。
Yi​：物种i的质量分数。
ω˙i​：物种i的反应速率。
A：横截面积。
τw​,qw​：壁面剪切应力和热流。
m˙f​：燃料质量流量。
g0​：重力加速度。

准一维假设简化了三维问题为一维常微分方程组。
包含有限速率化学反应，刚性方程。
数值求解需要处理激波（可能需激波拟合或捕捉）。

1. 给定发动机几何 A(x)，入口条件，燃料喷射位置和流量。
2. 建立控制方程组，包括化学源项。
3. 选择数值方法，离散方程。
4. 从入口开始，沿流向推进求解，直到出口。
5. 计算推力、比冲等性能参数。
6. 参数研究：改变几何、当量比等，分析性能变化。

超燃冲压发动机内流动是高速气流与燃料燃烧释放的“能量流”的耦合。准一维模型将复杂的三维流动“压缩”成一条“能量管道”，沿管道截面积变化导致流速和压力变化，化学反应的“热源”不断注入能量，改变气流的热力学状态。推力是管道出口与入口的动量流和压力差的净输出。模型描述了“空气流”转化为“高温燃气流”并产生推力的过程。

TH-DD1-0004​

多体动力学/控制理论/引力学

星舰着陆

基于凸优化与故障容错的多发动机星舰垂直着陆轨迹规划与控制模型

星舰垂直着陆段动力学：r˙=v， v˙=g+m1​∑i=1N​Ti​ui​， m˙=−Isp​g0​1​∑i=1N​Ti​， 姿态动力学用四元数或欧拉角描述。控制输入为各发动机推力 Ti​和方向 ui​（单位矢量）。着陆问题转化为最优控制问题：最小化燃料消耗或最大化最终质量，满足终端位置、速度、姿态为零。利用损失凸化（lossless convexification）将非凸约束（如推力下限 Ti​≥0）转化为凸约束，将问题表述为二阶锥规划（SOCP）：
min∫0tf​​∑Γi​dt
s.t. r˙=v， v˙=g+m1​∑Γi​ui​， m˙=−α∑Γi​， $

\Gamma_i

\le T_i，\Gamma_i \in \mathcal{L}，其中\Gamma_i为松弛变量，\mathcal{L}为Lorentz锥。故障时，将失效发动机的T_i^{max}=0$，重新求解。

1. 动力学建模：考虑变质量、多推力矢量，写出状态方程。
2. 非凸性：控制约束 0≤Ti​≤Timax​和指向约束导致非凸。
3. 损失凸化：引入新变量 Γi​=Ti​ui​， 并放松推力下限为 $

\Gamma_i

TH-DD1-0005​

热误差/精密控制/多体动力学

超大型工业母机

基于时空Kriging模型与主动热控制的大型机床热误差补偿模型

机床热误差 δth​是温度场 T的函数，而温度场随时间 t和空间位置 x变化。建立时空Kriging模型：将热误差视为时空随机场，用高斯过程描述：δth​(x,t)∼GP(μ(x,t),k((x,t),(x′,t′)))， 其中协方差函数 k采用可分离形式：k=kx​(x,x′)⋅kt​(t,t′)。基于温度传感器数据 T(si​,tj​)和误差测量数据 δth​(xk​,tl​)，训练高斯过程模型，预测任意位置和时间的误差。结合主动热控制，如用冷却液调节关键部位温度，控制模型为：minu​∫(δthpred​)2dt+λ∫u2dt， s.t. 热动力学约束。

1. 数据采集：在机床上布置温度传感器和误差测量装置（如激光干涉仪），采集长时间运行数据。
2. 时空建模：将热误差建模为时空高斯过程，选择合适的核函数（如Matern核）。
3. 模型训练：通过最大似然估计优化超参数。
4. 预测：给定实时温度数据，预测当前热误差。
5. 主动控制：将热误差预测值作为反馈，设计控制器调节冷却系统，以减小热变形。

适用于大型数控机床，需要大量历史数据训练。假设热误差是平稳的时空过程。

高斯过程回归， 时空统计， 热力学， 最优控制

场景：德国德马吉森精机（DMG MORI）大型车铣复合中心；美国MAG大型五轴机床。
意义：时空Kriging模型能充分利用有限传感器数据预测全场误差，提高补偿精度。主动热控制从源头减少热变形，与误差补偿结合，实现更高精度的加工。

δth​：热误差场。
T：温度场。
μ：均值函数。
k：协方差函数。
u：控制输入（冷却液流量、温度等）。
λ：控制权重。

时空随机场建模，考虑时空相关性。
高斯过程提供预测不确定性。
主动控制与补偿结合。

1. 在机床上布置传感器，采集温度和历史误差数据。
2. 训练时空Kriging模型，建立温度与误差的映射。
3. 实时读取温度传感器数据，输入模型预测当前误差。
4. 将预测误差补偿到数控指令中。
5. 同时，根据预测误差和模型，优化冷却系统控制，减少热源。

机床热变形如同“热浪中的海市蜃楼”，随时间空间波动。时空Kriging像一张“误差天气预报图”，根据少数“气象站”（温度传感器）的数据，预测整个机床的“变形场”。主动热控制则是“人工降雨”来调节局部“气温”，从源头抑制“热浪”。

TH-DD1-0006​

系统动力学/控制理论/生物力学

人形机器人

基于虚拟模型控制与全身协同优化的人形机器人动态行走模型

人形机器人多刚体动力学：M(q)q¨​+C(q,q˙​)+G(q)=STτ+JcT​Fc​，其中 q为广义坐标，M为质量矩阵，C为科里奥利力/离心力，G为重力，τ为关节力矩，Jc​为接触雅可比，Fc​为接触力。虚拟模型控制（VMC）在任务空间构造虚拟元件（弹簧-阻尼），计算所需的虚拟力，再通过任务雅可比映射到关节力矩。全身协同优化（WBC）将多个任务（如足端轨迹、躯干姿态、动量）按优先级排列，通过二次规划求解：
minq¨​,Fc​,τ​∥Ji​q¨​+J˙i​q˙​−x¨ides​∥2
s.t. 动力学约束，接触约束，摩擦锥，扭矩限。

1. 动力学建模：用拉格朗日法建立浮动基座机器人动力学。
2. 虚拟模型控制：例如，在躯干上连接虚拟弹簧阻尼，使其跟踪期望姿态，计算虚拟力。
3. 任务优先级：高层任务（如保持平衡）优先于低层任务（如摆动腿轨迹）。
4. 二次规划求解：将带有优先级的任务和约束转化为一个或多个QP问题求解。
5. 稳定性分析：用零力矩点（ZMP）或捕获点（Capture Point）分析步态稳定性。

适用于足式机器人，特别是人形机器人。需要实时计算能力。

多体动力学， 优化控制， 虚拟模型控制， 全身协同控制

场景：波士顿动力Atlas机器人；丰田T-HR3；美国宇航局Valkyrie机器人。
意义：VMC提供直观的交互控制，WBC协调全身完成复杂任务。实现人形机器人在不平地面的动态行走、抗扰动、搬运物体等，推动人形机器人在救援、服务等领域的应用。

q,q˙​,q¨​：广义坐标、速度、加速度。
M,C,G：质量、科里奥利、重力矩阵。
τ：关节力矩。
Jc​,Fc​：接触雅可比和接触力。
Ji​,x¨ides​：任务i的雅可比和期望加速度。

浮动基座动力学，欠驱动系统。
任务优先级解决冗余自由度分配。
二次规划处理不等式约束。

1. 规划步态，生成足端和躯干参考轨迹。
2. 根据当前状态，计算各任务的期望加速度。
3. 构建带优先级的QP问题，求解关节加速度和接触力。
4. 通过逆动力学计算关节力矩。
5. 发送力矩指令给执行器。
6. 根据传感器反馈调整参考轨迹。

人形机器人行走如同“杂技演员走钢丝”。虚拟模型控制是演员手中的“平衡杆”，通过调节杆的力来保持平衡。全身协同优化是演员的“大脑”，协调手、脚、躯干的每一个动作，确保重心始终在钢丝上方，并且完成其他任务（如抛接球）。QP求解器实时计算最优的肌肉发力方案。

TH-DD1-0007​

系统动力学/控制理论/神经科学

脑机接口

基于黎曼几何与迁移学习的运动想象脑电解码模型

脑电信号（EEG）具有协方差矩阵特性，属于对称正定（SPD）流形。将预处理后的多通道EEG片段计算协方差矩阵 Ci​∈P(n)，作为特征。利用黎曼几何，将SPD流形上的点映射到切空间，进行线性分类。或者直接在流形上使用黎曼均值、距离进行分类。迁移学习解决个体差异，将源域（已有被试）知识迁移到目标域（新被试）。最小化源域和目标域在黎曼流形上的分布差异，如通过最大均值差异（MMD）。分类器采用黎曼切空间线性判别分析（RTS-LDA）或支持向量机（SVM）。

1. 信号预处理：带通滤波，分割 trials。
2. 协方差估计：对每个 trial 的 EEG 信号计算协方差矩阵，使用正则化（如 Ledoit-Wolf）避免奇异。
3. 黎曼几何：SPD 流形上距离用仿射不变黎曼度量：δR​(C1​,C2​)=∥log(C1−1/2​C2​C1−1/2​)∥F​。
4. 切空间映射：在总体黎曼均值 Cg​的切空间上将 Ci​映射为向量：si​=upper(logCg​​(Ci​))。
5. 迁移学习：在切空间向量上，采用域适应方法（如 TCA, JDA）对齐源域和目标域分布。
6. 分类：在对齐后的特征上训练分类器。

适用于多通道 EEG 信号，运动想象、情感识别等。需要足够 trials 训练。

黎曼几何， 脑机接口， 模式识别， 迁移学习

场景：美国 BrainGate 脑机接口；德国柏林脑机接口；英国脑控轮椅。
意义：黎曼几何充分利用 EEG 的协方差结构，提高解码精度。迁移学习减少对新被试的校准时间，推动脑机接口实用化。

Ci​：第 i 个 trial 的协方差矩阵。
P(n)：n阶对称正定矩阵流形。
Cg​：总体黎曼均值。
logCg​​：在 Cg​处的对数映射。
si​：切空间向量。

流形学习，将非线性流形数据映射到线性空间。
协方差矩阵作为特征，包含空间信息。
迁移学习处理个体差异。

1. 采集 EEG 数据，预处理。
2. 计算每个 trial 的协方差矩阵。
3. 计算源域和目标域的黎曼均值。
4. 将协方差矩阵映射到切空间得到特征向量。
5. 使用域适应方法对齐源域和目标域特征分布。
6. 在源域（和部分目标域）数据上训练分类器。
7. 对目标域新 trial 进行分类，输出运动意图。

脑电信号如同“多麦克风录制的合唱”，协方差矩阵描述了各“麦克风”之间的相关关系，反映了脑区的协同激活模式。黎曼几何将这种相关模式视为“流形”上的点，通过“弯曲空间”中的距离来度量差异。迁移学习如同“语言翻译”，将一个人脑的“活动模式语言”翻译成另一个人脑能理解的语言，使得模型能快速适应新用户。

TH-DD1-0008​

燃烧学/流体力学/声学

发动机燃烧不稳定性

基于本征正交分解与动态模式分解的燃烧不稳定性模态辨识与降阶模型

燃烧室压力场 p(x,t)可视为时空信号。通过本征正交分解（POD）获取最优能量基底：p(x,t)=∑i=1N​ai​(t)ϕi​(x)，其中 ϕi​为POD模态，ai​为时间系数。动态模式分解（DMD）从时间序列数据中提取动态模态：假设数据序列 V1m​={v1​,v2​,…,vm​}，其中 vk​=p(x,tk​)，寻求线性算子 A使得 vk+1​=Avk​。对 A进行特征值分解，得到 DMD 模态 ψi​和特征值 λi​，其中 λi​的虚部给出频率，实部给出增长率。不稳定模态对应 Re(λi​)>0。降阶模型可由主导的 DMD 模态构建。

1. 数据获取：通过 CFD 模拟或实验得到压力场时间序列。
2. POD：对快照矩阵进行奇异值分解，得到空间模态和时间系数。
3. DMD：对时间系数或原始数据应用 DMD 算法，提取动态模态和特征值。
4. 模态选择：根据特征值实部、频率和能量选择主导模态。
5. 降阶模型：用少数 DMD 模态重构动力学，得到低维常微分方程组。

适用于燃烧不稳定性的数据分析，需要高时空分辨率的压力场数据。

数据驱动建模， 本征正交分解， 动态模式分解， 燃烧不稳定性

场景：美国 GE 航空发动机燃烧室不稳定性分析；德国西门子燃气轮机燃烧振荡诊断。
意义：从高维数据中自动提取不稳定振荡模态及其频率、增长率，揭示物理机制。降阶模型可用于实时监控和主动控制设计。

p(x,t)：压力场。
ϕi​(x)：POD空间模态。
ai​(t)：POD时间系数。
ψi​：DMD模态。
λi​：DMD特征值（复数）。
A：近似 Koopman 算子。

数据驱动，无需先验物理模型。
POD提供最优能量基底，DMD提供动态信息。
降维，用少量模态捕捉主导动力学。

1. 收集压力场时空数据。
2. 对数据进行 POD，得到模态和时间系数。
3. 对时间系数序列应用 DMD，得到 DMD 模态和特征值。
4. 根据特征值实部筛选不稳定模态。
5. 用不稳定模态重构降阶模型，用于分析和控制。

燃烧室压力振荡如同“交响乐”，POD 找出主要的“乐器组”（空间模态），DMD 则分析每个乐器组的“音调”（频率）和“音量变化趋势”（增长率）。不稳定模态是那些“音量越来越大的乐器”。降阶模型相当于只保留几件关键乐器的乐谱，仍能描述主旋律。

TH-DD1-0009​

高超音速空气动力学/热力学

高超音速飞行器气动热

基于 Fay-Riddell 公式与计算流体力学的尖锥头部气动热预测模型

高超音速飞行器尖锥头部驻点热流率 qs​可用 Fay-Riddell 公式估算：
qs​=0.763Pr−0.6(ρw​μw​)0.1(ρs​μs​)0.4(dxdue​​)s​​(hs​−hw​)
其中下标 s表示驻点，w表示壁面，e表示边界层外缘，Pr为普朗特数，ρ密度，μ粘度，h焓，due​/dx为速度梯度。对于三维复杂外形，采用计算流体力学求解 Navier-Stokes 方程，包括真实气体效应。壁面热流通过傅里叶定律计算：$q_w = -k_w \frac{\partial T}{\partial n}

_w$。

1. 理论公式：Fay-Riddell 公式从边界层理论推导，适用于球头或钝头驻点区域。
2. CFD 建模：求解三维可压缩 N-S 方程，包括能量方程。采用高精度格式捕捉激波和边界层。
3. 真实气体效应：高温下需要考虑振动激发、离解、电离等非平衡过程，采用多温度模型或状态方程。
4. 网格与边界条件：在头部进行网格加密，壁面采用无滑移、等温或绝热条件。
5. 验证：与风洞实验数据对比。

适用于高超音速流动（Ma>5），特别是头部驻点区域。Fay-Riddell 公式适用于简单外形驻点，CFD 适用于复杂外形全场。

高超音速空气动力学， 气动热力学， 计算流体力学

场景：美国 X-43A 高超音速验证机；美国陆军高超音速武器；火星再入舱热防护设计。
意义：准确预测气动加热是热防护系统设计的关键。Fay-Riddell 公式提供快速估算，CFD 提供详细分布，确保飞行器在极端热环境下不被烧毁。

qs​：驻点热流。
Pr：普朗特数。
ρ,μ：密度和粘度。
h：焓。
due​/dx：速度梯度。
kw​：壁面热导率。
∂n∂T​：壁面法向温度梯度。

理论公式基于边界层相似解简化。
CFD 求解偏微分方程组，计算量大。
真实气体效应引入非线性本构关系。

1. 对于简单外形，用 Fay-Riddell 公式估算最大热流。
2. 建立 CFD 几何模型，生成计算网格。
3. 设置边界条件，包括来流条件和壁面条件。
4. 选择物理模型（如空气模型、湍流模型）。
5. 求解 N-S 方程，得到流场和温度场。
6. 后处理计算壁面热流分布。
7. 与实验对比，验证模型。

TH-DD1-0010​

微纳米制造科学/光学/测量学

光刻机

基于部分相干光成像理论与计算光刻的极紫外光刻成像模型

极紫外（EUV）光刻采用 13.5 nm 波长，部分相干照明。光强分布采用 Hopkins 成像公式：
I(x,y)=∭TCC(f′,g′;f′′,g′′)O~(f′,g′)O~∗(f′′,g′′)e−i2π[(f′−f′′)x+(g′−g′′)y]df′dg′df′′dg′′
其中 TCC为传输交叉系数，O~为掩模频谱。考虑 EUV 的多层膜反射、阴影效应、抗蚀剂化学放大等。计算光刻通过逆成像问题，优化掩模图形或光源形状，使得晶圆上的成像最接近目标图形。优化问题通常为非凸，采用梯度下降、机器学习等方法求解。

1. 成像理论：从标量或矢量衍射理论推导出 Hopkins 公式，TCC 包含了照明和投影物镜的特性。
2. EUV 特殊性：EUV 光被物质强烈吸收，掩模为反射式，需考虑入射角相关的反射率。
3. 抗蚀剂模型：将光强分布转化为抗蚀剂轮廓，常用阈值模型或更复杂的动力学模型。
4. 逆问题求解：给定目标图形，求解掩模或光源，使得成像保真度最高。通常正则化避免不实用图形。
5. 计算加速：采用GPU并行计算或神经网络近似成像模型。

适用于极紫外光刻机的成像仿真和掩模优化。波长 13.5 nm，数值孔径 NA 约 0.33。

光学成像， 计算光刻， 逆问题， 优化

场景：ASML EUV 光刻机；Intel、台积电 5 nm 以下芯片制造。
意义：通过计算光刻优化掩模，克服衍射极限，提高分辨率，是延续摩尔定律的关键。EUV 模型帮助预测成像缺陷，优化工艺窗口。

I(x,y)：晶圆面光强分布。
TCC：传输交叉系数。
O~：掩模频谱。
f,g：空间频率。
掩模函数 M(x,y)。
光源形状 S(f,g)。

部分相干成像用 TCC 描述，计算量大。
逆问题非凸，需要全局优化或启发式算法。
EUV 引入矢量效应和三维掩模效应。

1. 给定目标图形和光刻机参数（NA、照明等）。
2. 计算 TCC。
3. 正向仿真：给定掩模，计算成像。
4. 逆优化：调整掩模，最小化成像与目标的误差。
5. 输出优化后的掩模图形，用于制造。

光刻成像如同“用模糊的投影仪投射清晰图案”。Hopkins公式描述了“投影仪”的模糊特性（TCC）。计算光刻是“逆向设计”，通过预先扭曲投影片（掩模），使得模糊的投影恰好是我们想要的清晰图案。EUV 的短波长如同更精细的“画笔”，但“画笔”本身有缺陷（吸收、阴影），模型需精确刻画这些缺陷，以设计出完美的“投影片”。

TH-DD1-0011​

结构力学/拓扑学/优化

轻量化结构

基于变密度法的结构拓扑优化模型

在给定设计域内，寻找材料最优分布以最小化柔度（最大化刚度）或满足其他性能指标。引入密度变量 ρe​∈[0,1]表示每个单元的相对密度。材料属性插值采用 SIMP（Solid Isotropic Material with Penalization）：Ee​(ρe​)=Emin​+ρep​(E0​−Emin​)，其中 p为惩罚因子。优化问题：
minρ​c(ρ)=UTKU=∑e=1N​Ee​(ρe​)ueT​k0​ue​
s.t. KU=F， V(ρ)=∑ρe​ve​≤V0​， 0≤ρe​≤1。
采用优化准则法或移动渐近线法求解，并应用过滤技术避免棋盘格现象。

1. 有限元离散：将设计域离散为有限元网格。
2. 插值模型：SIMP 惩罚中间密度，驱使结果趋向 0-1。
3. 灵敏度分析：计算目标函数和约束对密度变量的导数（伴随法）。
4. 优化算法：采用基于梯度的算法迭代更新密度变量。
5. 收敛：当密度变化很小或目标变化很小时停止。

适用于连续体结构在静力载荷下的刚度最大化问题。可扩展至动力学、热传导等。

结构优化， 拓扑学， 有限元法， 数学规划

场景：航空航天轻量化构件（飞机机翼、卫星支架）；汽车底盘；建筑结构。
意义：在满足性能前提下，大幅减轻重量，节省材料，提高能效。是先进制造（如增材制造）的理想设计工具。

ρe​：单元密度设计变量。
Ee​：单元弹性模量。
p：惩罚因子（通常 p=3）。
c：柔度（应变能）。
U：位移向量。
K：总体刚度矩阵。
F：载荷向量。
V：材料体积。

连续变量优化，自由度多（单元数）。
非线性，非凸，可能有多局部极值。
灵敏度分析指导搜索方向。

1. 定义设计域、载荷、边界条件。
2. 有限元离散，初始化密度场。
3. 进行有限元分析，计算位移和柔度。
4. 计算灵敏度（目标对密度的导数）。
5. 应用过滤，更新密度变量（采用优化准则）。
6. 检查收敛，若不收敛，返回步骤3。
7. 后处理，得到拓扑结构。

拓扑优化如同“用最少的材料搭建最坚固的桥梁”。设计域初始是充满材料的“石块”，优化算法像一位“雕刻家”，根据受力情况，逐步挖掉不受力的部分，留下力流传递的路径，最终形成类似骨骼的轻质高强度结构。

TH-DD1-0012​

非线性系统/混沌理论/流体力学

湍流

基于纳维-斯托克斯方程与混沌动力学的湍流直接数值模拟模型

湍流由不可压缩 Navier-Stokes 方程描述：
∇⋅u=0
∂t∂u​+u⋅∇u=−ρ1​∇p+ν∇2u
直接数值模拟（DNS）在足够细的网格上离散方程，直接求解所有尺度的涡旋。湍流具有混沌特性，对初始条件极端敏感。通过统计量（如能谱、相关函数）描述。能谱 E(k)在惯性子区服从 Kolmogorov 的 -5/3 次律：E(k)=Cϵ2/3k−5/3。

1. 控制方程：N-S 方程是非线性偏微分方程，无解析解。
2. 数值方法：采用谱方法或高精度有限差分法，时间推进用显式或半隐式。
3. 初始和边界条件：给定初始流场，边界条件根据问题设定（如周期、壁面）。
4. 统计：模拟达到统计稳态后，采集数据计算统计量。
5. 验证：与理论、实验对比。

适用于低雷诺数湍流，因为 DNS 需要分辨率极高，计算量极大。通常用于研究湍流基础物理。

计算流体力学， 混沌动力学， 统计流体力学

场景：湍流基础研究；飞机翼型湍流边界层；燃烧室中的湍流混合。
意义：DNS 提供全尺度湍流信息，是研究湍流机理和验证模型（如 RANS、LES）的黄金标准。

u：速度向量场。
p：压力场。
ρ：密度。
ν：运动粘度。
k：波数。
E(k)：能谱。
ϵ：耗散率。
C：Kolmogorov 常数。

非线性偏微分方程组，难以求解。
混沌，对数值误差敏感。
统计描述，尺度范围广。

1. 设定计算域和网格，确保网格尺寸小于 Kolmogorov 尺度。
2. 给定初始条件（如扰动层流）。
3. 数值求解 N-S 方程，时间推进。
4. 模拟足够长时间，达到统计稳态。
5. 采集流场数据，进行统计分析（能谱、结构函数等）。
6. 与理论或实验对比验证。

湍流是“流体运动的混沌舞蹈”，N-S 方程描述了每一个流体微元的运动定律。DNS 是用超级计算机“拍摄”这场舞蹈的每一帧，记录每一个舞者（涡旋）的动作。统计规律是从嘈杂的舞蹈中提取的“集体节奏”，如能谱描述了不同尺度涡旋的能量分布。

TH-DD1-0013​

量子力学/计算物理学

量子计算

基于薛定谔方程与量子逻辑门的量子算法模拟模型

量子系统的演化由薛定谔方程描述：$i\hbar \frac{d}{dt}

\psi(t)\rangle = H(t)

\psi(t)\rangle。在量子计算中，通过设计哈密顿量H(t)实现量子逻辑门。例如，单量子比特门：X = \begin{pmatrix} 0 & 1 \1 & 0 \end{pmatrix}，Z = \begin{pmatrix} 1 & 0 \0 & -1 \end{pmatrix}，Hadamard门H = \frac{1}{\sqrt{2}} \begin{pmatrix} 1 & 1 \1 & -1 \end{pmatrix}$。多量子比特门如 CNOT。量子算法如 Shor 算法、Grover 算法，通过一系列量子门操作实现。模拟时，将态矢量表示为复数向量，门操作为酉矩阵乘法。

1. 量子态表示：n 个量子比特的态用 2n维复向量表示。
2. 门操作：每个门对应一个酉矩阵，作用在态矢量上。
3. 算法流程：按照算法设计的线路应用门序列。
4. 测量：计算测量概率 $

\langle i

\psi \rangle

^2$。
5. 噪声：考虑退相干和门误差，可用主方程或噪声模型模拟。

适用于小规模量子算法的经典模拟。大规模（>50 量子比特）难以模拟。

量子力学， 量子信息， 线性代数

TH-DD1-0014​

材料科学/晶体力学/热力学

高温合金

基于相场法与晶体塑性理论的镍基单晶高温合金蠕变损伤模型

镍基单晶高温合金在高温蠕变下，微观结构演化（如 γ' 相粗化、筏化）和位错运动导致蠕变变形。相场法描述 γ/γ' 相界面演化：∂t∂ϕ​=−MδϕδF​，其中 ϕ为相场变量，F为自由能泛函，包含化学能、梯度能和弹性应变能。晶体塑性理论描述滑移变形：$\dot{\gamma}^\alpha = \dot{\gamma}_0 \left

\frac{\tau^\alpha}{g^\alpha} \right

^n \text{sgn}(\tau^\alpha)，其中\tau^\alpha为分切应力，g^\alpha$ 为滑移系强度。耦合相场和晶体塑性，模拟蠕变过程中微观结构演化与宏观变形的相互作用。损伤通过空洞形核长大模型描述。

1. 相场建模：建立多相自由能函数，考虑晶格错配和弹性相互作用。
2. 晶体塑性：考虑各向异性，滑移系对应于晶体取向。
3. 耦合：微观结构影响局部应力，应力影响相场演化（通过应变能）和位错运动。
4. 数值求解：采用有限元法或谱方法求解耦合方程。
5. 参数校准：通过实验数据确定材料参数。

适用于镍基单晶高温合金在高温（>0.6 Tm）和应力下的蠕变行为模拟。

相场法， 晶体塑性， 损伤力学， 材料微观力学

场景：航空发动机涡轮叶片寿命预测；燃气轮机叶片设计。
意义：理解微观结构演化如何影响蠕变性能，优化合金成分和热处理工艺，设计更耐用的高温部件。

ϕ：相场变量（0 表示 γ 相，1 表示 γ' 相）。
F：自由能泛函。
M：迁移率。
γ˙​α：滑移系 α 的滑移率。
τα：分切应力。
gα：滑移系强度。
n：应力指数。

多尺度：微观结构演化与宏观变形耦合。
相场法描述扩散界面，无需显式跟踪界面。
晶体塑性描述各向异性塑性变形。

TH-DD1-0015​

系统科学/集成科学/控制理论

综合能源系统

基于能源枢纽与模型预测控制的电-热-氢综合能源系统优化调度模型

综合能源系统包含电力、热力、氢气等多种能源形式，通过能源枢纽耦合。能源枢纽模型描述能源转换与存储：
​Lelec​Lheat​LH2​​​​=C​Pgrid​Pgas​Prenew​​​+D​E˙bat​E˙th​E˙H2​​​​
其中 C为转换矩阵，D为存储关联矩阵。系统动态包括储能状态：Ebat​(k+1)=Ebat​(k)+ηch​Pch​(k)−ηdis​1​Pdis​(k)等。调度目标是最小化运行成本或碳排放，约束包括供需平衡、设备上下限、储能容量。采用模型预测控制滚动优化：
min∑k=0N−1​(cgrid​(k)Pgrid​(k)+cgas​(k)Pgas​(k))
s.t. 能源枢纽模型，储能动态，功率平衡。

1. 系统建模：建立各组件（光伏、风机、燃料电池、电解槽、电池、储热、储氢）的数学模型。
2. 能源枢纽：将多能流耦合关系用矩阵表示。
3. 优化问题：考虑分时电价、可再生能源预测、负荷预测，构建混合整数线性规划（MILP）或非线性规划。
4. 模型预测控制：在每个调度周期，基于最新预测，求解未来一段时间的最优调度，实施第一步。
5. 不确定性处理：采用随机规划或鲁棒优化应对预测误差。

适用于园区、城市级综合能源系统，包含电、热、氢等多种能源。

能源系统， 优化调度， 模型预测控制， 多能流

场景：德国能源转型中的综合能源系统；美国微电网；英国氢能社区。
意义：提高可再生能源消纳，降低用能成本，减少碳排放，增强能源系统韧性和灵活性。

L：负荷。
P：能源输入/输出功率。
E：储能能量。
η：效率。
c：能源价格。
C,D：转换和存储矩阵。
N：预测时域。

多能源耦合，矩阵描述转换关系。
动态优化，考虑储能状态演变。
滚动优化，适应不确定性。

1. 预测未来可再生能源出力和负荷需求。
2. 建立当前时刻的优化调度问题，包括目标函数和约束。
3. 求解优化问题，得到未来时段各设备计划出力。
4. 实施当前时刻的调度指令。
5. 进入下一时刻，滚动执行。

综合能源系统如同“能源互联网”，电能、热能、氢能像“数据包”在网络中流动。能源枢纽是“路由器”，进行能源格式转换和缓存。模型预测控制是“网络调度算法”，根据“流量预测”（负荷和可再生能源预测）和“资费标准”（能源价格），动态调整“路由路径”和“缓存策略”，以实现最低“网费”（运行成本）和最小“拥堵”（供需平衡）。

TH-DD1-0016​

非线性系统/混沌理论/电动力学

脉冲功率与高功率微波

基于非线性传输线理论的超宽带高功率微波产生模型

非线性传输线（NLTL）由周期性加载非线性电容（如变容二极管）的传输线构成，其波动方程可近似为非线性薛定谔方程：
$i\frac{\partial u}{\partial \xi} + \frac{1}{2}\frac{\partial^2 u}{\partial \tau^2} +

u

^2 u = 0<br>其中u为归一化电压包络，\xi为归一化距离，\tau为归一化时间。当输入一个高压脉冲时，由于非线性电容的电压依赖性，脉冲前沿变陡，形成激波，进而产生高频率振荡，辐射高功率微波。辐射功率P_{rad} \propto \left( \frac{d^2 p}{dt^2} \right)^2，其中p$ 为偶极矩。通过优化非线性电容、线阻抗和脉冲参数，可最大化辐射效率和功率。

1. 电路模型：将 NLTL 建模为 LC 梯形网络，其中电容 C(V)非线性。
2. 连续近似：在长波极限下，得到非线性波动方程：∂x2∂2V​=L0​∂t∂​[C(V)∂t∂V​]。
3. 孤子解：在无耗散情况下，方程有孤子解，对应脉冲的稳态形状。
4. 激波形成：由于非线性，脉冲前沿变陡，形成电压跳变，激波速度 vs​=1/L0​C(V)​。
5. 辐射机制：激波处的高频分量通过天线辐射。

适用于超宽带高功率微波源设计。需要高压脉冲源（数十 kV 以上）和快速开关。

非线性波动方程， 孤子理论， 电动力学

场景：美国空军研究实验室（AFRL）的“警惕鹰”定向能武器；电子战中超宽带干扰机；脉冲雷达。
意义：NLTL 结构简单、坚固，可产生吉瓦级峰值功率的超宽带微波，用于定向能、电子攻击、雷达等领域。

V：传输线上电压。
C(V)：非线性电容，常为 C(V)=C0​/(1+V/ϕ)m。
L0​：单位长度电感。
u：归一化电压包络。
Prad​：辐射功率。
p：偶极矩。

非线性偏微分方程，有孤子解。
激波形成导致频谱展宽。
辐射与加速度平方成正比。

TH-DD1-0017​

非线性系统/优化理论/博弈论

察打一体无人机

基于非合作微分博弈与滚动时域优化的多无人机协同突防与攻击决策模型​

红方（防御方）拥有地面防空系统，蓝方（攻击方）为多架无人机。定义状态 x（无人机位置、速度、剩余弹药，防空雷达状态），控制输入 uB​（无人机航向、速度、攻击指令），uR​（雷达开关机、导弹发射）。代价函数为双方零和：
J=ϕ(x(tf​))+∫t0​tf​​L(x,uB​,uR​)dt
ϕ为终端代价（如目标毁伤价值），L为运行代价（如无人机被击落损失、雷达暴露惩罚）。根据 Isaacs 方程，最优策略满足鞍点条件。为在线求解，采用滚动时域微分博弈：在每个决策点 tk​， 求解未来 T时域内的开环纳什均衡，仅实施第一个控制量，然后滚动。求解器采用高斯伪谱法将连续问题离散为非线性规划。

1. 问题建模：将攻防对抗建模为二人零和微分博弈，双方动力学（无人机质点模型、雷达探测模型）耦合。
2. 最优性条件：根据 Pontryagin 最小值原理，哈密顿函数 H对蓝方最小、对红方最大。求解两点边值问题。
3. 滚动优化：在线求解全局最优解困难。采用 RHDG 框架，将无限时域问题转化为一系列有限时域开环博弈。
4. 数值求解：使用高斯伪谱法将状态和控制变量在 Legendre-Gauss 点上离散，将微分方程约束转化为代数约束，用 NLP 求解器（如 IPOPT）求解。
5. 实时性保障：利用 warm-start 和并行计算加速求解，满足无人机决策周期（~1秒）。

条件：无人机和防空系统动力学模型已知或可近似；双方信息不完全（如雷达探测概率）；适用于中低强度对抗环境下的任务规划。
范围：用于 美国“天空博格”忠诚僚机、英国“雷神”无人机​ 的自主协同作战任务规划系统。

微分博弈论， 最优控制理论， 非线性规划

场景：多架忠诚僚机在 F-35​ 指挥下，协同突防一体化防空系统，对地攻击高价值目标。
意义：解决了在动态对抗环境下，多无人机实时、分布式、鲁棒的任务规划难题。通过微分博弈框架，无人机能预测敌方最优拦截策略并反制，实现智能突防和协同打击，提升作战效能和生存力。

x：系统状态向量。
uB​,uR​：蓝方（攻）和红方（防）控制向量。
J：性能指标（蓝方最小化，红方最大化）。
H：哈密顿函数。
T：滚动优化时域。
ϕ,L：终端和运行代价函数。

零和微分博弈：双方利益完全冲突，构成鞍点问题。
滚动时域：结合反馈与优化，应对不确定性。
伪谱法：高精度直接法，将最优控制问题转为 NLP。

1. 态势感知与预测：获取敌方雷达、导弹阵地位置及性能参数。
2. 博弈问题构建：定义双方动力学、约束和代价函数。
3. 滚动求解：在每个决策点，求解有限时域开环纳什均衡，得到最优控制序列。
4. 指令下发：实施控制序列的第一个控制量，控制无人机机动。
5. 态势更新：根据传感器信息更新状态，滚动至下一步。

该模型描述了无人机集群与防空系统之间的动态博弈“流”。状态流是双方兵力部署和运动轨迹。控制流是双方的决策指令（机动、开火）。代价流是战斗损耗与目标价值的动态评估。滚动时域优化如同一位“战场象棋大师”，他并非预知全局，而是向前看有限步，推演“如果我这么走，对手最优反应是什么，我再如何应对”，并只执行第一步最优着法。通过不断重复这个“向前看-执行一步”的过程，在动态对抗中始终保持局部最优，引导“代价流”向己方有利方向积累。

TH-DD1-0018​

系统科学/多智能体/强化学习

航母战斗群

基于多智能体深度强化学习的航母战斗群协同防空动态资源调度模型​

将航母战斗群（CSG）的防空作战单元（舰艇、预警机、战斗机）建模为协同多智能体系统。每个智能体 i观察局部态势 oit​， 执行动作 ait​（如雷达开关机、导弹分配、机动），获得团队奖励 rt。目标是最优联合策略 π∗最大化期望累积折扣奖励。采用 MAPPO​ 算法：
1. 集中式训练：Critic 网络访问全局状态 st评估联合动作价值。
2. 分布式执行：每个智能体有自己的 Actor 网络，根据局部观测 oit​决策。
优势函数：At=rt+γVϕ​(st+1)−Vϕ​(st)。
Actor 更新：∇θ​J≈E[∇θ​logπθ​(at∥ot)At]。
Critic 更新：minϕ​(rt+γVϕ​(st+1)−Vϕ​(st))2。

1. 多智能体建模：每个作战平台是一个智能体，其动作空间包括传感器管理、武器分配、战术机动等。
2. 奖励设计：团队奖励 rt包含：击落敌机奖励、拦截导弹奖励、己方单位存活奖励、资源消耗惩罚等。
3. 算法选择：MAPPO 是 PPO 在多智能体中的扩展，通过集中训练解决信用分配问题，通过分布式执行保证可扩展性和隐蔽性。
4. 训练环境：在高保真航母战斗群防空仿真系统中训练，模拟复杂电磁环境、武器交战和机动。
5. 迁移与部署：将训练好的策略网络部署到各平台的指挥控制系统中，实现分布式自主协同。

条件：需要高保真、可配置的CSG防空仿真环境；适用于应对饱和攻击的协同交战场景；智能体需具备信息共享能力（数据链）。
范围：用于 美国海军“海军一体化火控-防空”​ 系统的智能决策辅助，及未来分布式杀伤链的自主协同。

多智能体强化学习， 分布式人工智能， 指挥控制

场景：美国航母战斗群防御反舰弹道导弹和超音速巡航导弹的多波次饱和攻击。
意义：传统基于规则的协同交战系统（CEC）应对复杂饱和攻击时，决策慢、灵活性差。该模型通过 MARL，使各作战单元能自主、实时、协同地分配传感器和武器资源，形成动态、弹性、高效的防御网络，极大提升拦截成功率和系统生存力。

oit​：智能体 i在时刻 t的局部观测。
ait​：智能体 i的动作。
st：全局状态。
rt：团队奖励。
πθ​：参数为 θ的 Actor 策略网络。
Vϕ​：参数为 ϕ的 Critic 价值网络。
γ：折扣因子。
At：优势函数。

集中训练分布式执行：训练时利用全局信息，执行时仅需局部信息。
信用分配：通过团队奖励和 Critic 网络评估各智能体贡献。
策略梯度：直接优化参数化策略。

1. 仿真环境构建：建立包含平台动力学、传感器、武器、通信的CSG防空仿真环境。
2. 智能体定义：定义各平台（舰艇、飞机）的观测、动作空间。
3. 奖励函数设计：精心设计团队奖励函数，引导智能体学习协同。
4. MAPPO 训练：在仿真中运行大量回合，通过策略梯度更新 Actor 和 Critic 网络。
5. 策略评估：在测试场景中评估训练好的策略，评估其协同效率和鲁棒性。
6. 系统集成：将训练好的 Actor 网络集成到各平台指控系统，进行硬件在环测试。

该模型构建了一个 “具有集体智慧的免疫系统”​ 。航母战斗群如同一个生物体，各作战单元是“免疫细胞”（T细胞、B细胞、巨噬细胞）。MARL 训练过程是免疫系统的“适应性进化”：通过无数次模拟“病原体入侵”（敌攻击），免疫细胞学会如何协同识别、攻击、记忆威胁。Critic 网络如同“免疫系统的全局状态评估中心”（如大脑或骨髓），它评估整个机体的“健康状态”（全局价值 V）。Actor 网络是每个免疫细胞的“本地行为准则”，它根据局部感知的“化学信号”（局部观测 oi​）决定是释放“抗体”（发射导弹）还是传递“警报”（共享信息）。最终，这个系统能在没有中央绝对指挥的情况下，自组织、自适应地抵御复杂攻击，实现“分布式智能”。

TH-DD1-0019​

电动力学/等离子体物理/波动理论

高超音速飞行器

基于电磁波在非均匀磁化等离子体鞘套中传播模型的“通信黑障”抑制方法​

高超音速飞行器再入时，周围形成高温等离子体鞘套，其电子密度 Ne​很高，导致电磁波截止频率 ωp​=Ne​e2/(me​ϵ0​)​远高于通信频率，造成“黑障”。施加外加磁场 B0​可使等离子体成为磁化等离子体，其介电张量为：
ϵr​=​SiD0​−iDS0​00P​​
其中 S=1−ω2−ωc2​ωp2​​, D=ω(ω2−ωc2​)ωc​ωp2​​, P=1−ω2ωp2​​, ωc​=eB0​/me​为电子回旋频率。对于沿磁场方向传播的波，存在寻常波和非常波。通过设计磁场构型（如局部强磁场“磁窗”）和选择合适的波模式、频率、极化，可使得电磁波穿透鞘套。透射系数 T可通过求解波在非均匀等离子体中的WKB近似或全波数值解得到。

1. 物理模型：等离子体鞘套电子密度分布 Ne​(r)和碰撞频率 ν(r)由 CFD 计算得到。施加磁场 B0​(r)（由超导线圈或永磁体产生）。
2. 波动方程：在非均匀、磁化、碰撞等离子体中，电磁波满足：∇×∇×E−k02​ϵr​⋅E=0。
3. 传播分析：
- 无磁场时，当 ω<ωp​， 波被截止反射。
- 有磁场时，出现回旋共振和混合共振，在某些频率和方向下，波可以传播（如 whistler 波模式）。
4. 数值求解：采用时域有限差分法或谱方法求解波动方程，计算场分布和透射系数。
5. 优化设计：以最大化透射系数 T为目标，优化磁场分布 B0​(r)、工作频率 f和天线设计。

条件：适用于再入段或高超音速巡航段的通信与测控；需要能产生强磁场（~1 T）的装置；等离子体参数（Ne​,ν）已知或可估计。
范围：用于美国X-37B、HTV-2、NASA 猎户座飞船再入时的黑障缓解，及高超音速武器的数据链。

等离子体物理， 电动力学， 计算电磁学

场景：高超音速导弹末端制导信息回传；可重复使用运载器再入时的遥测与通信；火星探测器进入大气时的通信保障。
意义：“黑障”问题严重制约了高超音速飞行器的信息获取与控制。该模型从波动传播的基本物理出发，提出了利用外加磁场改变等离子体电磁特性的抑制方法。通过多物理场耦合仿真，可以设计出高效的“磁窗”系统，为实现可靠、连续的再入通信提供了革命性解决方案。

Ne​：电子数密度。
ωp​：等离子体频率。
ωc​：电子回旋频率。
B0​：外加静磁场强度。
ϵr​：相对介电张量。
ν：电子-中性粒子碰撞频率。
T：透射系数（功率比）。
S,D,P：磁化等离子体介电张量的元素。

张量介电常数：磁化等离子体是各向异性介质，介电常数是张量。
非均匀介质：等离子体参数随空间变化，需求解非均匀介质中的波动方程。
多物理场耦合：涉及流体力学（等离子体生成）、电磁学（波传播）、超导技术（强磁场产生）。

1. 等离子体鞘套模拟：通过 CFD 计算飞行器周围流场，得到 Ne​(r),Te​(r),ν(r)分布。
2. 磁场设计：设计超导磁体或永磁体阵列，计算其产生的磁场分布 B0​(r)。
3. 建立电磁模型：将 Ne​(r),B0​(r)代入介电张量模型，构建非均匀磁化等离子体模型。
4. 数值求解波动方程：使用 FDTD 等方法，模拟电磁波在其中的传播，计算透射系数 T。
5. 参数优化：改变磁场构型、工作频率、波极化，寻找使 T最大的最优配置。
6. 实验验证：在等离子体风洞中进行缩比实验，测量透射系数，验证模型。

该问题描述了 “光在浑浊水中的传播与净水之窗”​ 。等离子体鞘套如同“浑浊的水”，电子是“悬浮颗粒”，会散射和吸收光（电磁波）。外加磁场如同在水中施加了一个定向的“力场”，使得“悬浮颗粒”（电子）的运动被限制，从而改变了“水”的光学性质（介电常数）。在某些特定的“力场”方向和水流状态下，“浑浊的水”会变得对特定颜色（频率）和角度（极化）的光“透明”，形成一个“光通道”（磁窗）。波动方程求解就是计算光穿过这个复杂可变介质后的剩余强度。这实现了利用磁场“操控”等离子体，为信息“开凿”一条透波通道。

TH-DD1-0020​

多体动力学/控制分配/故障重构

星舰

基于控制分配与滑模变结构控制的星舰多发动机故障重构与容错着陆模型​

星舰垂直着陆段，N台发动机并联。当部分发动机故障（推力丧失 Ti​=0或推力矢量卡滞 ui​固定）时，需重构控制分配以保证姿态稳定和轨迹跟踪。动力学方程：
x˙=f(x)+G(x)ΓT
其中 T=[T1​,...,TN​]T为推力向量，Γ为包含推力方向 ui​和力臂 ri​的控制有效性矩阵。控制分配求解：
minT​TTWT
s.t. ΓT=vdes​
0≤Ti​≤Ti,max​(健康状态)
其中 vdes​=[Fdes​,Mdes​]T为期望的力/力矩。采用滑模变结构控制设计 vdes​， 对模型不确定性和故障具有强鲁棒性。滑模面 s=e˙+Λe=0， 控制律使 s˙=−Ksgn(s)。

1. 故障建模：发动机故障模式包括推力完全丧失、推力下降、推力矢量卡死。通过传感器（压力、温度、转速）实时诊断故障类型和程度，更新控制分配中的约束（如 Ti,max​=0）。
2. 控制分配优化：控制分配将高层控制器输出的广义力指令 vdes​分配给各发动机。故障时，Γ阵发生变化，需在线重新求解上述 QP 问题，得到仍能近似实现 vdes​的推力组合。
3. 滑模控制器设计：
- 定义跟踪误差 e=x−xd​。
- 设计滑模面 s=e˙+Λe， 使系统在 s=0上有期望的动态。
- 设计控制律 vdes​使得 $\frac{1}{2}\frac{d}{dt}s^2 \le -\eta

s

$， 保证有限时间到达滑模面。
- 采用边界层法或高阶滑模抑制抖振。
4. 稳定性分析：结合滑模控制与实时控制分配，证明闭环系统在发动机故障下的一致最终有界稳定。

条件：适用于多发动机并联的垂直起降飞行器；需要发动机健康状态实时监测与诊断；适用于大气内或地外天体的动力下降着陆。
范围：用于 SpaceX 星舰、蓝色起源新格伦、月球着陆器的容错着陆控制系统。

多变量控制， 优化理论， 滑模变结构控制， 故障诊断与容错控制

场景：星舰在火星着陆时，一台或多台“猛禽”发动机故障，仍能安全着陆；载人登月舱在最后下降段发动机推力异常时的应急重构。
意义：多发动机并联是提高推力和可靠性的关键，但故障会严重破坏控制能力。该模型通过实时控制分配，在故障后重新调配剩余发动机的推力和方向，并结合滑模控制的强鲁棒性，使得飞行器在严重故障下仍能维持稳定并完成着陆，极大提升了任务可靠性和安全性。

x：飞行器状态（位置、速度、姿态、角速度）。
T：各发动机推力向量。
Γ：控制有效性矩阵，与推力方向和安装位置有关。
vdes​：期望的广义力/力矩向量。
W：推力加权矩阵（常取单位阵）。
s：滑模面向量。
e：跟踪误差向量。
Λ,K：正定对角矩阵。

控制分配：将控制指令分配给冗余执行机构，是约束优化问题。
滑模控制：不连续反馈控制，对匹配不确定性不变。
故障重构：根据故障信息在线重构控制分配问题。

TH-DD1-0021​

系统辨识/贝叶斯估计/随机过程

发动机健康管理

基于卡尔曼滤波与贝叶斯网络的航空发动机实时性能退化预测与剩余寿命预估模型​

将发动机健康状态（部件效率、流量系数衰减）建模为隐马尔可夫模型。状态向量 xk​=[ΔηFan​,ΔηHPC​,...,SOC]T包含健康参数和性能状态。观测向量 yk​为传感器数据（转速、温度、压力）。系统方程：
xk+1​=Fxk​+wk​（缓慢退化与状态转移）
yk​=h(xk​,uk​)+vk​（非线性观测方程）
采用无迹卡尔曼滤波​ 在线估计 x^k∥k​及其协方差 Pk∥k​。将退化过程建模为维纳过程或伽马过程，基于 UKF 估计出的当前退化量 δ^k​和其不确定性，通过贝叶斯更新预测剩余使用寿命分布：
fRUL​(l∥Y1:k​)=∫fRUL​(l∥δk​)p(δk​∥Y1:k​)dδk​
其中 fRUL​(l∥δk​)是给定当前退化量 δk​的 RUL 条件分布，p(δk​∥Y1:k​)是 UKF 给出的当前退化量后验分布。

1. 状态空间模型：建立发动机部件级退化模型，健康参数 δ通常建模为随机游走或带漂移的维纳过程。
2. 非线性估计：观测方程 h是非线性的（发动机特性图），采用 UKF 或粒子滤波进行状态估计。
3. 退化过程建模：假设健康参数退化路径 {δt​}服从随机过程，如 δt​=δ0​+θt+σBt​， 其中 θ为漂移率（平均退化率），Bt​为标准布朗运动。
4. RUL 预测：定义失效阈值为 D。则 RUL Lk​=inf{l:δk+l​≥D∥δk​}。对于维纳过程，RUL 服从逆高斯分布。通过 UKF 得到当前 δk​的估计 δ^k​和方差 σ^k2​， 将其作为先验，结合退化过程模型，通过贝叶斯公式更新 RUL 分布。
5. 不确定性量化：得到的 RUL 是一个概率分布，而非单点估计，可计算置信区间。

条件：需要发动机高保真模型或大量历史数据来建立退化模型；传感器数据需相对准确；适用于性能缓慢退化的预测，而非突发故障。
范围：用于军民用航空发动机的预测性健康管理，优化视情维修和备件调度。

随机过程， 贝叶斯推断， 非线性滤波， 可靠性工程

场景：美国空军F-35的F135发动机健康管理，规划最佳大修时间；民航公司对CFM56/LEAP发动机的在翼时间优化，降低运营成本。
意义：传统定期维修成本高且可能过度或不足。该模型通过实时数据和概率模型，准确预测发动机性能退化趋势和剩余寿命，实现视情维修。这能大幅减少非计划停车，优化维修资源，延长发动机在翼时间，是航空运营商和军方降低寿命周期成本的关键技术。

xk​：状态向量（健康参数、性能状态）。
yk​：观测向量（传感器数据）。
F：状态转移矩阵。
h：非线性观测函数。
wk​,vk​：过程噪声和观测噪声。
δ^k​：当前健康参数退化量估计。
D：失效阈值。
Lk​：在时刻 k的剩余使用寿命 (RUL)。
fRUL​(l∥⋅)：RUL 的概率密度函数。

隐状态估计：健康参数不可直接测量，需通过观测数据估计。
非线性滤波：UKF 处理非线性观测模型。
随机过程建模：用随机过程描述退化的不确定性。
概率预测：输出是 RUL 的概率分布，而非确定值。

1. 数据收集与预处理：收集发动机历史运行数据和维修记录。
2. 退化建模：基于数据辨识退化过程的参数（如漂移率 θ、扩散系数 σ）。
3. 状态空间模型构建：建立包含退化过程的发动机状态空间模型。
4. 在线状态估计：运行 UKF， 实时估计当前健康状态 x^k∥k​。
5. RUL 分布预测：基于当前估计 δ^k​和其不确定性，结合退化过程模型，计算 RUL 的概率分布 fRUL​(l)。
6. 决策支持：将 RUL 分布和置信区间提供给维修计划系统，辅助决策。

该模型描述了发动机性能的“生命流逝”与“健康诊断”。发动机如同一个“生命体”，其“器官”（压气机、涡轮）会随着“年龄”（循环数）增长而“衰老”（效率衰减）。传感器数据是生命体的“体检指标”（心跳、体温）。UKF​ 如同一位“医生”，他根据不完整的体检指标，结合“人体生理学知识”（发动机模型），推断出各个器官真实的“健康指数”（健康参数 δ）。退化随机过程模型是对“衰老规律”的统计学描述。贝叶斯RUL预测是医生的“预后诊断”：他基于当前推断出的“健康指数”及其不确定性，以及“衰老规律”，给出“病人”大概还能“健康存活”多长时间的概率分布。这实现了从“定期体检”到“基于健康状况的精准预后”​ 的转变，优化“治疗”（维修）时机。

TH-DD1-0022​

热力学/深度学习/数字孪生

超大型工业母机

基于时空图神经网络与数字孪生的机床多源热误差场实时预测与补偿模型​

在大型机床上布置 M个温度传感器和 N个热变形测量点。将机床结构视为图​ G=(V,E)， 节点 vi​为温度/变形测点，边 eij​表示热传导路径。定义节点特征 Xt∈RM×d（温度、历史变形、功率等）。采用时空图神经网络建模：
1. 空间卷积：用图卷积网络捕捉节点间空间依赖：
H(l)=σ(D~−21​A~D~−21​H(l−1)Θ(l))。
2. 时间卷积：用一维因果卷积或 GRU 捕捉时间依赖：
Ht=TCN(Xt−T+1:t)。
最终模型预测未来 P步的热变形场 Y^t+1:t+P。在数字孪生中，将预测变形作为补偿量前馈至数控系统，补偿刀具路径。

1. 图结构构建：基于机床 CAD 模型和传热学知识，构建反映物理连接（如金属连接、空气对流）的图结构。邻接矩阵 A可根据距离或热阻定义。
2. STGNN 模型：
- Spatial GCN：利用图拉普拉斯算子进行谱域卷积，学习温度场在空间上的传播模式。
- Temporal CNN/GRU：学习温度、热变形的历史演变规律，如热积累、滞后效应。
3. 多任务学习：同时预测多个位置的热变形，共享特征提取层，提高数据利用效率。
4. 数字孪生集成：STGNN 作为数字孪生的“热感知大脑”，实时接收传感器数据，预测全机热变形，输出补偿指令。孪生体可根据运行数据在线微调模型。
5. 补偿策略：将预测的热变形 δth​转换为各轴的位置补偿量 Δx,Δy,Δz， 通过数控系统接口进行实时偏移。

条件：机床需布置足够多的温度传感器；需要历史温升和变形数据训练模型；适用于长时间连续加工导致显著热变形的精密/超精密机床。
范围：用于德国德马吉森精机、日本马扎克等高端五轴加工中心、车铣复合中心的热误差补偿。

图神经网络， 时间序列预测， 数字孪生， 传热学

场景：大型龙门加工中心加工航空铝合金框架，连续加工 8 小时后，补偿主轴热伸长和床身扭曲导致的误差；模具加工中，补偿由于主轴和导轨发热产生的轮廓误差。
意义：热误差是机床精度损失的首要因素。传统多点温度回归模型难以刻画复杂空间热传导和动态过程。STGNN 能同时建模温度场时空演变，实现全场、高精度、实时的热误差预测。结合数字孪生，形成“感知-预测-补偿”闭环，将热误差抑制 70%-90%，显著提升机床在变工况、长时间运行下的精度稳定性。

G=(V,E)：机床热传导图。
Xt：t时刻节点特征矩阵（温度、功率等）。
A~=A+I：加自环的邻接矩阵。
D~：度矩阵。
Θ(l)：第 l层 GCN 的权重矩阵。
σ：激活函数。
Y^：预测的热变形场。
T,P：输入时间步长和预测步长。

图结构学习：将非欧几里得的空间关系用图表示。
时空耦合：同时捕获空间传播和时间演化动态。
端到端学习：直接从数据学习从温度到变形的复杂映射。

1. 数据采集：在机床上进行多工况温升实验，采集温度、功率、变形数据。
2. 图构建：基于机床几何和热学知识，构建图结构 G。
3. 模型训练：用历史数据训练 STGNN 模型，输入为历史温度序列，输出为未来变形序列。
4. 模型部署：将训练好的模型集成到机床数字孪生平台。
5. 在线预测与补偿：实时读取传感器数据，输入模型预测变形，生成补偿指令并发送给数控系统。
6. 模型在线更新：定期用新数据微调模型，适应环境变化。

该模型将机床视为一个 “具有热神经网络的生物体”​ 。温度传感器是它的“热觉感受器”，分布在全身。图结构是它的“热神经网络”的“接线图”，描述了热量如何在各“器官”（结构件）之间流动。STGNN​ 是这个生物体的“大脑皮层”，它从“热觉感受器”接收连续的信号流，通过“神经网络”学习热量传递的时空模式，并预测出整个身体即将因为“发热”而产生的“变形姿态”。数字孪生是它的“本体感觉”，将预测的变形姿态与指令动作对比，提前发出“肌肉调节信号”（补偿指令）来抵消变形，从而保持“操作精准”。这实现了对机床“热致形变”这种分布参数系统行为的“超前感知”与“主动抑制”。

TH-DD1-0023​

多体动力学/优化控制/李雅普诺夫理论

人形机器人

基于全身动力学与控制分配的仿人机器人动态行走与抗扰动模型​

人形机器人被建模为浮动基多刚体系统。动力学方程：
M(q)q¨​+C(q,q˙​)=STτ+JcT​λ
其中 q为广义坐标（包含基座位姿和关节角），M为质量矩阵，C为科里奥利和重力项，S为驱动选择矩阵，τ为关节力矩，Jc​为接触雅可比，λ为接触力。采用模型预测控制框架，在有限时域内优化未来关节轨迹和接触力，同时满足动力学约束、接触约束（摩擦锥、无穿透）和 ZMP 稳定性约束。每一步求解非线性规划：
minq,τ,λ​∑(∥q¨​∥2+∥τ∥2+∥λ−λref​∥2)
s.t. 动力学方程、接触约束、ZMP 在支撑多边形内。
采用微分动态规划或直接转录法求解。上层 MPC 输出期望的接触力 λref​和躯干运动，下层通过二次规划分配各关节力矩实现。

1. 动力学建模：使用拉格朗日法或牛顿-欧拉法建立包含所有自由度的完整动力学模型。
2. 接触模型：足与地面接触建模为刚性接触，引入接触力 λ和互补约束（接触时力>0， 脱离时力=0）。
3. 稳定性判据：采用零力矩点​ 或捕获点​ 作为动态稳定性判据，约束 ZMP 在支撑多边形内。
4. MPC 问题构建：将未来几步的步态、接触序列作为已知，优化关节轨迹和接触力，使运动平滑、能耗低，并满足约束。这是一个高度非凸的非线性规划问题。
5. 实时求解：由于计算量大，采用简化模型（如线性倒立摆）进行 MPC 步态生成，再用全身动力学控制进行跟踪和力分配。或使用高效求解器（如 ACADO）和 warm-start。
6. 抗扰动：通过状态估计（IMU、力传感器）检测外部扰动（如推搡），在 MPC 中引入扰动观测或直接调整优化问题的参考轨迹以恢复平衡。

条件：机器人需配备高精度关节编码器、IMU 和足底六维力传感器；适用于平坦及轻度不平整地面的动态行走和跑步。
范围：用于波士顿动力 Atlas、特斯拉 Optimus、德国慕尼黑工业大学 LOLA​ 等先进仿人机器人的运动控制。

多体动力学， 模型预测控制， 优化理论， 接触力学

场景：仿人机器人在灾难现场执行搜救任务，在瓦砾上行走；在仓库中搬运重物并保持平衡；体育竞赛中完成跑酷动作。
意义：动态行走是仿人机器人走向实用的核心能力。该模型通过全身动力学 MPC，统一优化了运动轨迹和接触力，实现了高动态、高能量效率的运动，并能主动应对外部扰动。这是机器人具备在复杂非结构化环境中自主移动和工作能力的基础，代表了腿式机器人控制的最高水平。

q,q˙​,q¨​：广义坐标、速度、加速度。
M(q)：质量矩阵。
C(q,q˙​)：科里奥利、向心力和重力向量。
τ：关节驱动力矩向量。
Jc​：接触点雅可比矩阵。
λ：接触力向量。
S：驱动选择矩阵（将关节力矩映射到广义力）。
ZMP：零力矩点。

高维非线性：系统自由度多（~30），动力学强非线性。
混合动力学：接触状态（着地/腾空）离散变化。
带约束优化：MPC 需处理动力学等式约束和接触不等式约束。
实时性挑战：需在毫秒级完成优化求解。

1. 状态估计：融合 IMU、关节编码器、力觉传感器数据，估计机器人状态（基座位姿、速度、接触状态）。
2. 步态规划：根据目标速度，规划未来几步的落脚点和时间。
3. MPC 求解：基于当前状态和步态计划，求解有限时域最优控制问题，得到最优的关节加速度和接触力序列。
4. 力矩计算：将 MPC 解出的期望加速度和接触力代入逆动力学，计算所需的关节力矩 τ。
5. 底层控制：将关节力矩指令发送给驱动器（电机）。
6. 扰动处理：根据力传感器检测的异常接触力，在 MPC 中调整参考轨迹或增加恢复动作。

该模型描述了人形机器人动态平衡的“最优预见性控制”。机器人如同一个杂技演员，在走钢丝（动态行走）。全身动力学模型是演员的“身体运动学与力学知识”。MPC​ 是演员的“大脑规划”：他不是看一步走一步，而是提前规划未来几步的步伐和身体摆动，确保重心投影始终在“钢丝”（支撑多边形）上方，并且动作最省力。接触力优化是决定脚掌如何精准、柔和地踩踏钢丝，既不打滑也不踩空。实时求解是这个规划过程必须极快，快到成为本能反应。当突然有风吹来（扰动），演员能瞬间调整未来几步的规划，重新找回平衡。这实现了对高维、欠驱动、混合动力学系统的实时、优化、鲁棒控制。

TH-DD1-0024​

信号处理/稀疏编码/深度学习

脑机接口

基于多通道脑电时空稀疏编码与卷积神经网络的运动想象解码模型​

从多通道 EEG 信号中解码运动想象（如想象左手、右手运动）。EEG 信号 X∈RC×T， C为通道数，T为时间点数。采用时空稀疏编码提取特征：
minD,Z​∥X−DZ∥F2​+λ∥Z∥1​
s.t. ∥dk​∥2​=1
其中 D∈RC×K为字典（时空滤波器），Z∈RK×T为稀疏编码。使用卷积神经网络​ 自动提取更深层特征并进行分类。CNN 输入为多通道 EEG 图像（通道×时间），包含时空卷积层、池化层和全连接层。最终输出为运动想象类别的概率 p(y∥X)。采用迁移学习，利用公开数据集预训练模型，再以少量用户特定数据微调，解决个体差异问题。

1. 信号预处理：对 EEG 进行带通滤波（如 8-30 Hz， 包含 μ 和 β 节律），去除眼电等伪迹。
2. 时空特征学习：稀疏编码能学习到与事件相关去同步/同步现象相关的时空模式。字典原子 dk​可解释为空间滤波器，其激活 Z在时间上稀疏。
3. 深度学习：CNN 能自动学习从原始信号或稀疏特征到运动意图的层级化表示。时空卷积层可同时捕获空间（通道间）和时间上的相关性。
4. 个体适应性：BCI 性能受个体差异影响大。迁移学习（如微调 CNN 最后几层）能用少量新用户数据使模型适应其特有的脑电模式。
5. 在线解码：将训练好的模型部署到实时系统，对滑动时间窗内的 EEG 信号进行解码，输出控制指令（如光标移动、机械手控制）。

条件：适用于非侵入式 EEG​ 的运动想象 BCI；需要多通道 EEG 采集设备（如 64 导）；适用于健康人或运动功能障碍患者的运动辅助与康复。
范围：用于美国 BrainGate、德国 g.tec、中国脑机接口等系统的运动控制解码模块。

信号处理， 稀疏表示， 深度学习， 计算神经科学

场景：瘫痪患者通过想象手脚运动，控制机械外骨骼行走或机械臂抓取物体；健康人的虚拟现实操控或游戏。
意义：运动想象 BCI 为严重运动功能障碍患者提供了新的沟通与控制渠道。传统的共同空间模式等方法特征提取依赖先验。该模型通过稀疏编码和 CNN​ 自动学习判别性时空特征，提高了解码准确率和鲁棒性。迁移学习缓解了 BCI 校准时间长的问题，推动 BCI 走向实用化。

X：多通道 EEG 信号矩阵。
D：字典矩阵，每列为一个原子（时空滤波器）。
Z：稀疏编码矩阵。
λ：稀疏性惩罚参数。
p(y∥X)：给定 EEG 信号 X时属于类别 y的概率。
CNN：卷积神经网络，参数为 θ。

稀疏性：假设 EEG 特征可由少量字典原子的线性组合表示。
时空建模：同时考虑信号的空间分布和时间演化。
端到端学习：CNN 可直接从原始或预处理信号学习分类特征。
迁移学习：利用源域知识加速目标域学习。

1. 数据采集：采集受试者在执行不同运动想象任务时的多通道 EEG 数据。
2. 预处理：滤波、降采样、分段。
3. 特征学习：在训练集上学习字典 D和稀疏编码 Z， 或直接训练 CNN。
4. 模型训练：用有标签数据训练分类器（如将稀疏特征输入 SVM，或训练 CNN）。
5. 模型微调：针对新用户，用其少量校准数据微调模型。
6. 在线解码：实时采集 EEG 信号，经预处理后输入模型，得到解码结果并转化为控制指令。

该模型描述了 “从脑电混沌中解读思维指令”​ 的过程。多通道 EEG 如同在头皮各处放置的“收音机”，收听着大脑皮层亿万神经元集体活动产生的“电波交响乐”。运动想象会改变特定脑区（运动皮层）神经元的同步放电模式，如同交响乐中某段旋律的“变调”。稀疏编码假设这段复杂的“变调”可以由少数几个基本的“音乐动机”（字典原子 dk​）以特定节奏（稀疏编码 Z）组合而成。CNN​ 则像一位“音乐AI”，它能直接从原始的“录音”（EEG）中，学习识别出与“左手旋律”和“右手旋律”相关的深层“和声模式”。最终，当受试者想象“左手动”，这个AI就能实时识别出对应的“音乐模式”，并翻译成“向左”的指令。这实现了对高维、噪声、非线性脑电信号的“意图特征提取”与“模式识别”。

TH-DD1-0025​

非线性动力学/燃烧学/自适应控制

旋转爆震发动机

基于Hopf分岔理论与自适应滑模控制的旋转爆震波模态切换与稳定控制模型​

RDE 燃烧室中，爆震波传播存在多种模态（单波、双波、反向波等），且会自发切换，影响推力稳定性。将燃烧室近似为环形反应器，用偏微分方程组描述反应流。通过线性稳定性分析，发现系统的Hopf 分岔导致周期性解（爆震波）的出现。控制目标是将爆震波稳定在期望的模态（如单波）和频率。设计自适应滑模控制器，控制输入为燃料喷注压力调制 u(t)。滑模面设计为：
s=e+c∫edt
其中 e=ωobs​−ωref​为观测到的爆震波频率与参考频率误差。控制律：
u=−Ksgn(s)−θ^ϕ(s)
其中 θ^为自适应参数，用于估计系统不确定性（如当量比波动），更新律 θ^˙=γsϕ(s)。控制器通过调制燃料供应，改变混合层当量比分布，从而影响爆震波传播速度，使其锁定在 ωref​。

1. 动力学建模：使用简化反应模型（如两步化学）和一维 Euler 方程，模拟爆震波在环形室中的传播。分析其平衡点（均匀状态）的稳定性。
2. 分岔分析：在参数空间（如当量比、进口压力）中，当穿过Hopf 分岔线时，均匀解失稳，出现极限环（爆震波）。分岔类型（超临界/亚临界）决定极限环的稳定性。
3. 滑模控制设计：
- 选择被控量：爆震波旋转频率 ω易于通过压力传感器测量。
- 设计滑模面 s=0， 使系统在滑模面上时，频率误差 e指数收敛到零。
- 设计不连续控制 u使系统状态在有限时间内到达滑模面。
4. 自适应律：引入自适应项 θ^ϕ(s)补偿模型不确定性（如化学反应速率、流场扰动），提高鲁棒性。
5. 稳定性证明：构造李雅普诺夫函数 V=21​s2+2γ1​θ~2， 证明在控制律下 V˙≤0。

条件：适用于连续旋转爆震发动机；需要高频压力传感器测量爆震波频率；燃料供应系统需具备快速调制能力（kHz）。
范围：用于美国空军研究实验室 RDE 地面试验、GE 公司 RDE 与涡轮组合研究中的燃烧稳定性控制。

非线性动力学， 燃烧控制， 自适应控制， 滑模控制

场景：旋转爆震冲压发动机在宽马赫数范围内工作，需稳定爆震波模态以保证推力连续；RDE 与涡轮组合，需抑制爆震波模态切换导致的压力振荡，保护下游涡轮。
意义：爆震波模态不稳定是制约 RDE 工程应用的关键难题。该模型从非线性动力学角度揭示了模态切换的分岔本质，并设计了自适应滑模控制器，能够强鲁棒地将爆震波锁定在期望模态，显著提高推力稳定性和发动机工作范围，是 RDE 走向实用化的必备控制技术。

ωobs​：观测到的爆震波旋转频率。
ωref​：期望的爆震波频率（对应目标模态）。
e：频率误差。
s：滑模面。
c,K：控制器正增益。
θ^：自适应参数估计。
ϕ(s)：已知的基函数向量。
γ：自适应增益。
u：控制输入（燃料压力调制量）。

分岔理论：用动力系统理论分析稳态解的产生与失稳。
变结构控制：滑模控制对匹配不确定性具有不变性。
自适应控制：在线估计不确定参数，增强鲁棒性。
频率控制：直接控制爆震波这一关键物理量的频率。

1. 系统建模：建立 RDE 燃烧室的简化动力学模型，进行线性稳定性与分岔分析。
2. 控制器设计：基于频率控制目标，设计滑模面和自适应控制律。
3. 仿真验证：在数值模型上测试控制器，验证其稳定模态和抗扰能力。
4. 实验标定：在 RDE 实验台上，标定频率与燃料压力的关系，确定控制增益范围。
5. 控制器部署：将算法部署到快速控制原型系统，连接传感器（压力）和执行器（燃料阀）。
6. 闭环实验：进行点火实验，验证控制器在真实扰动下稳定模态的效果。

该模型将 RDE 燃烧室视为一个 “非线性振荡器”​ 。均匀混合气状态是“静止”平衡点。当参数（如当量比）越过临界点（Hopf 分岔），平衡点失稳，系统开始“自激振荡”——爆震波旋转。但振荡的“节奏”（单波、双波）可能不稳定。自适应滑模控制器如同一位智能的“乐队指挥”。他用“耳朵”（压力传感器）监听着乐队的节奏 ωobs​，并与乐谱（ωref​）对比。一旦发现有乐手“抢拍”或“拖拍”（模态切换），他就通过“指挥棒”（燃料调制 u）强有力但精准地调整某些乐手的“气息”（当量比），迫使整个乐队回到正确的节拍上。即使乐器音准有变（参数不确定），他也能自适应地调整指挥方式。这实现了对强非线性、不稳定燃烧过程的“频率锁定”与“模态镇定”。

TH-DD1-0026​

材料科学/拓扑优化/热力学

高超音速飞行器

基于多尺度拓扑优化与相变材料的高超声速飞行器热防护/承载一体化结构设计模型​

设计一种多功能梯度点阵结构，外层为超高温陶瓷，中层为相变材料​ 与金属点阵复合，内层为承力结构。优化目标是在满足热防护和结构刚度/强度要求下，最小化重量。建立多尺度优化模型：
1. 宏观尺度：以结构密度分布 ρ(x)为设计变量，优化问题：
minρ​m=∫V​ρdV
s.t. K(ρ)u=f（静力学）
C(ρ)T˙+Kth​(ρ)T=q（瞬态热传导）
Tmax​≤Tallow​， σmax​≤σallow​
其中 K,Kth​为宏观刚度和热传导矩阵，由均匀化方法从细观尺度获取。
2. 细观尺度：设计点阵单胞的拓扑，以单胞杆件直径、角度为变量，最大化等效比刚度和比热导。
3. 相变材料集成：在点阵空隙中填充 PCM，其相变潜热 L在优化中作为约束或目标的一部分。

1. 多尺度建模：
- 宏观：将结构离散为有限元，每个单元具有均匀化后的等效属性。
- 细观：定义代表性体积单元，计算其等效弹性张量 CijklH​和热导张量 kijH​。
2. 均匀化理论：通过渐近展开，得到细观与宏观的关联。等效属性计算为：
$C_{ijkl}^H = \frac{1}{

Y

} \int_Y C{pqrs} (\epsilon{pq}^0(ij) - \epsilon{pq}^*(ij)) (\epsilon{rs}^0(kl) - \epsilon_{rs}^(kl)) dY<br>其中\epsilon^$ 为特征应变场。
3. 优化算法：采用变密度法（SIMP）或水平集法进行拓扑优化。敏度分析通过伴随法进行。由于问题强耦合、非线性，需采用序列凸规划或 MMA 求解。
4. PCM 模型：采用焓法或等效热容法处理相变。优化时考虑 PCM 的潜热效应，在温度约束中体现其“热缓冲”作用。
5. 制造约束：考虑增材制造（如 SLM）的工艺约束，如最小杆径、最大倾角，在优化中施加。

条件：适用于高超声速飞行器的翼前缘、鼻锥、控制舵等严重气动加热且承载的部位；适用于金属/陶瓷增材制造工艺。
范围：用于美国 HAWC/ARRW​ 等高超声速导弹、可重复使用空天飞机的热结构创新设计。

拓扑优化， 多尺度力学， 均匀化理论， 相变传热， 增材制造

场景：高超声速巡航导弹的整体式热防护-弹翼一体化设计，减重 30% 以上；X-37B 机翼前缘的轻量化主动冷却结构。
意义：传统热防护系统（TPS）与承力结构分开设计，重量大、连接复杂。该模型通过多尺度拓扑优化，在材料分布和微观构型两个层面协同设计，实现传热、承载、储能多功能一体化。结合PCM​ 和增材制造，可制造出传统方法无法实现的轻质、高效、复杂的多功能热结构，是飞行器性能跨越式提升的关键。

ρ(x)：宏观设计变量（伪密度）。
m：结构总质量。
K,Kth​：宏观刚度矩阵和热传导矩阵。
u,f：位移向量和载荷向量。
T,q：温度向量和热流向量。
CijklH​,kijH​：均匀化后的等效弹性张量和热导张量。
L：相变材料的潜热。
Tallow​,σallow​：允许的最高温度和应力。

多尺度优化：在宏观和细观两个尺度上同时优化设计变量。
物理场耦合：结构力学场和温度场强耦合。
拓扑优化：优化材料在空间的最优分布，是 0-1 整数规划问题，常用连续变量松弛。
制造约束：将工艺限制转化为数学约束。

TH-DD1-0027​

振动理论/主动控制/频域分析

超大型工业母机

基于陷波滤波器阵列与自适应前馈的主轴-刀柄系统切削颤振主动抑制模型​

在铣削/车削中，由于再生效应，可能引发切削颤振。系统动力学为：
Mx¨+Cx˙+Kx=Fc​(t,x,x˙)
其中 Fc​为时变、状态相关的切削力。线性化后得到时滞微分方程，其特征方程含有指数项 e−sτ， τ为刀具每齿切削周期。当实部为正的特征根出现时，系统颤振。采用主动阻尼器（如电磁作动器）施加控制力 Fa​。控制策略为：
1. 颤振频率辨识：实时 FFT 分析振动信号，提取主导颤振频率 ωc​。
2. 陷波滤波器阵列：设计一组并联的数字陷波滤波器 Hnotch,i​(z)，中心频率可在线调整至 ωc​及其倍频，深度抑制这些频率分量。
3. 自适应前馈：基于主轴转速和齿数，生成与切削力同频的参考信号 r(t)， 通过自适应滤波器 W(z)产生反相控制信号。LMS 算法更新权值：
w(n+1)=w(n)+μe(n)r(n)
其中 e(n)为残余振动误差。
总控制力 Fa​=Z−1{Hnotch​(z)X(z)}+wTr。

1. 颤振机理：再生颤振源于当前刀齿的切削痕迹被下个刀齿再次切削，形成动态反馈。稳定性分析通过求解特征方程得到稳定性叶瓣图。
2. 主动作动器集成：在主轴或刀柄上集成电磁或压电作动器，提供可控的阻尼力。
3. 控制设计：
- 陷波滤波：快速消除已发生的颤振频率成分。需在线调整中心频率以跟踪可能变化的颤振频率。
- 自适应前馈：针对周期性切削力的确定性成分进行前馈抵消，减轻反馈控制器负担。参考信号 r(t)可由主轴编码器信号生成。
4. 多输入多输出：通常需要控制多个方向（如 X, Y 向），设计 MIMO 控制器。
5. 稳定性与鲁棒性：需保证引入主动控制后，闭环系统稳定，且对模型误差（如模态参数变化）鲁棒。

条件：适用于高速铣削/车削加工中心；需集成力/加速度传感器和快速作动器；适用于弱刚性工件（如薄壁件）或高材料去除率加工。
范围：用于德国阿亨工业大学、美国 UC Berkeley​ 等研究的智能主轴/智能刀柄，及航空发动机整体叶盘等难加工零件的高效稳定加工。

振动控制， 信号处理， 自适应滤波， 切削动力学

场景：航空铝合金整体框的高速铣削，抑制颤振提高表面质量并允许更大切深；钛合金叶轮的五轴侧铣，防止颤振导致的刀具崩刃和表面振纹。
意义：切削颤振限制了加工效率、精度和刀具寿命。传统的被动方法（改变转速、切深）牺牲效率。该模型通过主动控制，实时检测并抑制颤振，允许在稳定性叶瓣图的“不稳定区”进行稳定加工，从而大幅提升材料去除率（可达 50% 以上）和加工质量，是实现高效精密制造的革命性技术。

x：刀具-工件系统的广义位移向量。
M,C,K：质量、阻尼、刚度矩阵。
Fc​：非线性时变切削力。
Fa​：主动控制力。
ωc​：颤振频率。
Hnotch,i​(z)：数字陷波滤波器传递函数。
r(n)：参考信号向量。
w(n)：自适应滤波器权值向量。
μ：LMS 步长。
e(n)：误差信号。

时滞系统：再生效应引入时滞，导致特征方程超越。
在线频率辨识：实时 FFT 或阶次跟踪识别颤振频率。
复合控制：结合反馈（陷波）和前馈（自适应）控制。
数字信号处理：控制算法在 DSP/FPGA 上实时运行。

1. 系统辨识：实验模态分析，获取主轴-刀柄系统的频响函数。
2. 传感器/作动器集成：在刀柄或主轴上安装加速度计和作动器。
3. 控制器开发：设计陷波滤波器阵列和自适应前馈控制算法。
4. 实时系统实现：将算法部署到快速控制原型（如 dSPACE），设定采样率（>5 kHz）。
5. 闭环调试：在机床上进行空载和试切实验，调节控制参数。
6. 性能测试：对比施加主动控制前后的切削稳定性极限、表面粗糙度和刀具磨损。

该模型描述了 “对切削颤振的精准声学对抗”​ 。切削过程如同在“演奏”一件“乐器”（机床-工件-刀具系统）。当参数合适时，演奏出平稳的“切削声”。当切深或转速进入“危险区”，再生效应像一个“正反馈麦克风”，会使某个特定频率的“杂音”（颤振频率 ωc​）被急剧放大，产生刺耳的“啸叫”（颤振）。主动阻尼器如同一个 “智能主动降噪耳机”​ 。它内部的“麦克风”（加速度计）实时监听“啸叫”的频率。陷波滤波器是“降噪电路”，针对“啸叫”频率产生一个反相声波，直接抵消它。自适应前馈则更聪明：它知道“乐器”的“乐谱”（主轴转速和齿数），能提前预测出周期性切削力会激发哪些“音符”，并预先产生反相声波进行抵消。两者结合，使得在“危险区”演奏时，听众（工件表面）也听不到任何“啸叫”，只有平稳的“乐声”。这实现了对自激振动的“在线监测、实时抵消”。

TH-DD1-0028​

优化理论/制导控制/凸优化

星舰

基于凸优化与微分平坦理论的星舰动力下降段燃料最优轨迹生成模型​

星舰动力下降段动力学模型（三自由度）：
r˙=v
v˙=mT​+g
m˙=−α∥T∥
其中 T为推力向量，m为质量，α=1/(Isp​g0​)。终端约束：r(tf​)=0,v(tf​)=0。初始约束给定。性能指标为最小燃料消耗，等价于最大末端

TH-DD1-0028​

优化理论/制导控制/凸优化

星舰

基于凸优化与微分平坦理论的星舰动力下降段燃料最优轨迹生成模型​

星舰动力下降段动力学模型（三自由度）：
r˙=v
v˙=mT​+g
m˙=−α∥T∥
其中 T为推力向量，m为质量，α=1/(Isp​g0​)。终端约束：r(tf​)=0,v(tf​)=0。初始约束给定。性能指标为最小燃料消耗，等价于最大末端质量 m(tf​)。这是一个非线性、非凸的最优控制问题。通过lossless convexification， 将非凸的推力幅值约束 ∥T∥≤Tmax​和 ∥T∥≥Tmin​松弛为凸约束 ∥T∥≤σ和 Tmin​≤σ≤Tmax​， 其中 σ为新的控制变量。通过微分平坦理论， 将状态和控制用平坦输出（如位置 r）及其导数表示，进一步简化。最终问题可转化为二阶锥规划，利用内点法高效求解全局最优轨迹 r∗(t),T∗(t)。

1. 问题凸化：原推力约束 ∥T∥≤Tmax​定义了一个球，是凸的；但 ∥T∥≥Tmin​定义了球外区域，是非凸的。通过引入松弛变量 σ， 约束变为 ∥T∥≤σ和 Tmin​≤σ≤Tmax​， 该集合是凸的（二阶锥和线性的交集）。可以证明，对于该动力学系统，松弛是“无损的”，即松弛问题的最优解满足 ∥T∥=σ。
2. 时间离散化：将连续时间轨迹离散为 N个点，用梯形法或伪谱法将微分方程约束转化为线性等式约束。
3. SOCP 形式：质量方程 m˙=−α∥T∥是凸的（因为 ∥T∥是凸函数）。终端质量 m(tf​)是 m(t)的线性函数。因此，最大化 m(tf​)在凸约束下是一个凸优化问题，具体形式为二阶锥规划。
4. 微分平坦性：系统是微分平坦的，平坦输出为位置 r。控制量 T=m(r¨−g)， 质量 m可通过 m˙=−α∥T∥积分得到。这允许将所有变量用 r及其高阶导数表示，降低优化变量维度。
5. 实时求解：现代内点法求解器（如 MOSEK, ECOS）可在毫秒到秒级内求解中等规模的 SOCP，满足在线轨迹生成需求。

条件：适用于真空或大气较稀薄环境（忽略气动力）；推力可连续调节；适用于垂直着陆的动力下降段。
范围：用于 SpaceX 星舰、蓝色起源新格伦、月球着陆器的在线燃料最优轨迹规划。

凸优化， 最优控制理论， 微分平坦理论， 二阶锥规划

场景：星舰从高空进行动力下降，在复杂地形（如火星基地）上精确软着陆；月球着陆器在燃料有限情况下的最优下降轨迹规划。
意义：传统轨迹规划方法（如打靶法）对初值敏感，可能陷入局部最优，且求解慢。该模型通过无损凸化和SOCP，将非凸问题转化为可高效、可靠求解的凸问题，保证获得全局最优解（燃料最省）。结合微分平坦性简化模型，可实现在线实时最优轨迹生成，应对着陆过程中的突发状况（如障碍、风扰），是下一代智能着陆系统的核心技术。

r,v：位置、速度向量。
T：推力向量（控制量）。
m：飞行器质量。
α：与比冲 Isp​相关的常数。
g：重力加速度向量。
σ：推力幅值松弛变量。
Tmin​,Tmax​：推力幅值下限和上限。
tf​：终端时间（自由或固定）。

无损凸化：将非凸约束等价转化为凸约束，是关键技术突破。
二阶锥规划：一类特殊的凸优化，可高效求解。
微分平坦：通过平坦输出降维，简化问题。
全局最优：凸优化保证解是全局最优。

1. 问题建模：根据初始状态、目标状态、约束建立最优控制问题。
2. 凸化处理：对推力约束进行无损凸化，引入松弛变量 σ。
3. 时间离散化：将连续时间问题离散为有限维参数优化问题。
4. 构建 SOCP：将目标函数和约束写成 SOCP 标准形式。
5. 调用求解器：使用凸优化求解器求解 SOCP，得到最优状态和控制序列。
6. 轨迹验证：检查解是否满足原问题约束（如 ∥T∥=σ）。
7. 指令生成：将优化出的推力序列转换为发动机节流指令。

该模型描述了 “寻找最省油的降落路径”​ 这一优化问题。想象飞船是一个“跳伞运动员”，他可以通过调整“喷气背包”（推力 T）的大小和方向来控制下落。目标是以最少的燃料（最大末端质量 mf​）精准落在目标点。非凸约束​ ∥T∥≥Tmin​意味着“喷气背包”不能太小，否则会熄火。这就像要求运动员不能呼出太微弱的气息，否则无法控制。无损凸化是数学上的“魔术”，它巧妙地绕过了这个“不能太小”的非凸限制，将其转化为一个等价的、更容易处理的凸问题。凸优化求解器如同一个“超级导航仪”，它能在所有可能的降落曲线中，绝对可靠地找出唯一的那条“最省油曲线”，而不是一个“还不错的”局部解。这实现了着陆轨迹规划的全局最优性与计算可靠性。

TH-DD1-0029​

系统科学/网络理论/博弈论

航母战斗群

基于超图博弈与多智能体强化学习的航母战斗群分布式协同电子战资源调度模型​

航母战斗群电子战（EW）包含侦察、干扰、欺骗等多种资源，对抗敌方雷达/通信网络。将敌我 EW 网络建模为双层超图：底层是物理-信息网络，上层是认知决策网络。每个 EW 单元（如 EA-18G 咆哮者、舰载干扰机）是智能体，其动作 ai​包括干扰频段、功率、波形。敌方雷达/通信节点 vj​的效能 Ej​受多智能体联合动作影响。构建势博弈，收益函数为：
Ui​(a)=Φ(a)−Φ(a−i​,ai′​)
其中 Φ(a)=∑vj​∈Vtarget​​wj​(1−∏i:vj​∈N(i)​(1−pij​(ai​)))是势函数，表示对敌方网络的总压制效能，pij​是智能体 i压制节点 vj​的概率。采用多智能体强化学习（如 MADDPG）学习近似最优策略 $\pi_i(a_i

o_i)$， 通过集中式 Critic 网络评估联合动作价值，分布式 Actor 网络决策。

1. 超图建模：敌方网络节点（雷达、通信站、指挥中心）用超边连接，表示功能耦合。我方 EW 单元对敌方节点的压制效果具有超边覆盖特性，即需同时压制一个超边内的多个节点才能瓦解其功能。
2. 势博弈：证明该 EW 资源调度问题存在势函数 Φ(a)， 使得单个智能体改变动作带来的收益变化等于全局势函数的变化。这保证了博弈存在纯策略纳什均衡，且可以通过最优响应动态等算法收敛。
3. MARL 求解：由于状态空间巨大，采用 MADDPG 学习。每个智能体的 Actor 网络根据局部观测 oi​（如已探测到的敌方辐射源）输出动作 ai​。集中式 Critic 网络接收所有智能体的观测和动作，输出 Q(o,a)， 用于计算策略梯度更新 Actor。
4. 分布式执行：训练完成后，每个智能体仅凭自身 Actor 网络和局部观测即可决策，适合分布式、弱通信的战场环境。
5. 抗学习：考虑敌方会自适应调整频率和波形（对抗学习），在仿真中引入对手模型，训练智能体的策略对此鲁棒。

条件：需要对敌方电子战斗序列有基本了解；EW 单元具备一定自主决策和协同能力；适用于复杂电磁环境下的协同电子攻击。
范围：用于美国海军“海军一体化火控-防空”​ 体系下的协同电子战，及下一代 EA-18G​ 或无人电子战飞机的智能战术。

博弈论， 多智能体系统， 强化学习， 电子战

场景：航母战斗群在进入反介入/区域拒止区域前，协同实施防空压制；为隐身战机突防开辟电磁走廊；对抗敌反舰导弹的雷达导引头。
意义：现代战场电磁频谱密集复杂，传统预编程或集中式 EW 策略响应慢、灵活性差。该模型将 EW 资源调度建模为分布式势博弈，并通过 MARL​ 使各单元能自主、协同、实时地调整干扰策略，形成动态、自适应的电磁压制网络，极大提升敌方传感器和通信网络的瘫痪效率，是夺取制电磁权的关键。

a=(a1​,...,an​)：联合动作向量。
Ui​：智能体 i的收益函数。
Φ：势函数，表征全局压制效能。
vj​：敌方网络节点。
wj​：节点 vj​的重要性权重。
pij​(ai​)：智能体 i采取动作 ai​时压制节点 vj​的概率。
N(i)：智能体 i能影响的敌方节点集合。
πi​：智能体 i的策略网络。
Q：集中式 Critic 网络。

势博弈：存在全局势函数，均衡可高效求解。
超图模型：描述敌方网络的功能耦合关系。
集中训练分布式执行：MADDPG 框架解决多智能体信用分配问题。
对抗性学习：训练环境包含智能对手，提高策略鲁棒性。

1. 敌方网络建模：构建敌方雷达/通信网络的超图模型，定义节点、超边和权重。
2. 收益函数设计：基于超图模型定义势函数 Φ和各智能体收益 Ui​。
3. 仿真环境构建：开发包含电磁传播、干扰效果、敌方自适应行为的电子战仿真环境。
4. MARL 训练：在仿真中运行大量回合，使用 MADDPG 算法训练各智能体的 Actor-Critic 网络。
5. 策略评估：在测试场景中评估训练好的协同策略，评估其对敌方网络的压制效能。
6. 战术集成：将训练好的 Actor 网络集成到各 EW 平台的战术系统，进行硬件在环测试。

TH-DD1-0030​

界面科学/电化学/高分子学

脑机接口

基于导电聚合物-离子凝胶界面的高密度柔性神经电极生物相容性与电学模型​

下一代高密度柔性神经电极采用导电聚合物（如 PEDOT:PSS）与离子凝胶（如 PVA/H3PO4）的复合结构。电极-组织界面等效电路为 Maxwell-Wagner​ 模型：
Ztotal​(f)=Rs​+jωCdl​1​//Rct​+ZW​
其中 Rs​为体电阻，Cdl​为双电层电容，Rct​为电荷转移电阻，ZW​为 Warburg 扩散阻抗。导电聚合物的容积电容特性使其 Cdl​比金属电极高 2-3 个数量级，从而降低界面阻抗 $

Z

，提高信噪比。∗∗柔性力学∗∗模型描述电极在脑组织中的应变：\epsilon = \frac{h}{2R}，其中h为电极厚度，R为弯曲半径。需满足\epsilon < \epsilon_{failure}且杨氏模量匹配脑组织（ kPa），以减少免疫反应。∗∗电荷注入极限∗∗CIL = \frac{A \cdot ESA \cdot CSC^}{\tau}，其中A为几何面积，ESA为电化学活性面积，CSC^为可逆电荷存储容量，\tau$ 为脉冲宽度。

1. 界面电化学：
- 双电层：离子在电极-电解质界面聚集，形成电容 Cdl​。
- 法拉第过程：导电聚合物发生氧化还原反应，伴随离子嵌入/脱出，提供额外“伪电容”。
- 扩散：离子在聚合物中扩散受限，产生 Warburg 阻抗 ZW​。
2. 阻抗谱分析：通过电化学阻抗谱测量 Z(f)， 用等效电路模型拟合，提取 Cdl​,Rct​等参数，评估界面性能。
3. 力学设计：采用超薄（<10 µm）、低模量（~MPa）的聚合物基底（如聚酰亚胺、Parylene C），实现与脑组织的力学匹配，减少微动损伤。
4. 生物相容性：表面修饰生物活性分子（如层粘连蛋白），促进神经元贴附，抑制胶质疤痕。
5. 系统集成：将高密度电极阵列与柔性电子（放大、复用、无线传输）集成，实现长期稳定记录与刺激。

条件：适用于皮层表面（ECoG）或皮层内的长期植入式脑机接口；需要生物相容性封装；适用于癫痫监测、运动解码、闭环神经刺激。
范围：用于美国 Neuralink、BrainGate、德国 CorTec​ 等公司的下一代高通道数柔性神经电极。

电化学， 固体力学， 生物材料， 微纳加工

场景：瘫痪患者的运动皮层解码，控制机械臂；癫痫病灶的精准定位与闭环刺激；双向脑机接口，同时记录和施加感觉反馈。
意义：传统金属电极（如 Utah 阵列）刚性大，易引发免疫反应和信号衰减，长期稳定性差。该模型通过导电聚合物-离子凝胶界面极大降低了阻抗，提高了信噪比和电荷注入能力；柔性力学设计减少了组织损伤。这为实现高通量、长期稳定、高生物相容性的脑机接口提供了核心器件基础，是推动临床脑机接口发展的关键。

Ztotal​：电极-组织界面总阻抗（频率 f的函数）。
Rs​,Rct​：溶液电阻和电荷转移电阻。
Cdl​：双电层电容。
ZW​：Warburg 扩散阻抗。
ϵ：电极弯曲应变。
h,R：电极厚度和弯曲半径。
CIL：电荷注入极限。
A,ESA：几何面积和电化学活性面积。
CSC∗：可逆电荷存储容量。
τ：刺激脉冲宽度。

等效电路：用集总参数电路描述分布参数的界面过程。
阻抗谱：频域测量，解析不同物理过程（电荷转移、扩散）。
力学匹配：要求电极模量与组织模量接近，减少应变失配。
多物理场耦合：电化学、力学、生物学耦合设计。

TH-DD1-0031​

数学化学/量子化学/计算物理学

材料科学

基于密度泛函理论与机器学习势函数的高通量合金催化剂筛选模型​

针对电催化反应（如析氢、氧还原），从浩瀚的成分空间筛选高性能催化剂。第一性原理基于密度泛函理论计算吸附能 Ead​、d 带中心 ϵd​等关键描述符。DFT 计算 Kohn-Sham 方程：
[−21​∇2+veff​(r)]ψi​(r)=ϵi​ψi​(r)
$v{eff}(\mathbf{r}) = v{ext}(\mathbf{r}) + \int \frac{\rho(\mathbf{r}')}{

\mathbf{r}-\mathbf{r}'

} d\mathbf{r}' + v{xc}\rho<br>由于DFT计算昂贵，用∗∗机器学习势函数∗∗（如图神经网络）建立从原子结构（元素、坐标）到能量E和力\mathbf{F}的快速映射：<br>\hat{E} = \sum_i \phi(\mathbf{z}i), \quad \mathbf{z}i = \text{GNN}({\mathbf{r}j, Z_j})$
通过主动学习迭代：用初始 DFT 数据训练 GNN，用 GNN 快速预测大量候选结构，选择预测不确定性高或性能可能好的结构进行 DFT 计算，加入训练集，更新模型，直至收敛。最终建立“描述符-性能”图谱，指导实验合成。

1. DFT 计算：计算催化剂表面关键中间体的吸附自由能 ΔG∗H​,ΔG∗OOH​等。根据 Sabatier 原理，最优催化剂对中间体的吸附应既不太强也不太弱，通常用 ΔG∗H​等作为性能描述符。
2. 机器学习势：
- 图表示：将原子体系视为图，节点为原子，边为邻近原子连接。节点特征为原子序数，边特征为距离。
- 消息传递：GNN 通过多轮消息传递，更新节点表示 zi​， 聚合邻居信息。
- 读出函数：对节点表示求和或平均，得到系统总能量 E^。
3. 主动学习循环：
a. 用少量 DFT 数据初始化 GNN 模型。
b. 用 GNN 预测候选库中所有结构的能量和力，并计算预测不确定性（如集成方差）。
c. 基于某些准则（如期望改进）选择一批候选结构进行 DFT 计算。
d. 将新 DFT 数据加入训练集，重新训练 GNN。
e. 重复 b-d， 直至候选库性能分布被充分探索。
4. 高通量筛选：用训练好的、准确的 GNN 势函数，快速扫描成千上万种合金成分和表面构型，计算描述符，绘制性能图谱。

条件：适用于金属合金、金属氧化物等电催化剂、热催化剂的设计；需要可靠的 DFT 计算软件（如 VASP, Quantum ESPRESSO）和计算资源。
范围：用于美国能源部资助的材料基因组计划、德国马普所的催化研究，设计燃料电池、电解水的高效低成本催化剂。

计算材料科学， 量子化学， 机器学习， 高通量计算

场景：质子交换膜燃料电池的非铂氧还原催化剂设计；绿色制氢的高效稳定析氢催化剂开发；合成氨的低温低压催化剂探索。
意义：传统“试错法”研发催化剂周期长、成本高。该模型结合了DFT 的精度和ML 的速度，实现了“计算驱动”​ 的材料发现。通过主动学习，用最少的昂贵 DFT 计算，高效探索巨大的化学空间，快速锁定有潜力的候选材料，将新材料研发周期从数十年缩短至数年，是材料研发新范式的核心。

ψi​,ϵi​：Kohn-Sham 轨道和能量。
veff​,vxc​：有效势和交换关联势。
ρ：电子密度。
Ead​,ΔG：吸附能和吸附自由能。
ϵd​：d 带中心（催化活性描述符）。
E^：机器学习预测的系统总能量。
zi​：GNN 学习到的原子 i的表示向量。
rj​,Zj​：原子坐标和原子序数。

第一性原理：从量子力学基本方程出发，无需经验参数。
图神经网络：适用于非欧几里得数据结构（原子系统）。
主动学习：智能选择最有价值的数据点进行计算，提高数据效率。
高通量：通过并行计算和快速 ML 预测，实现大规模筛选。

TH-DD1-0032​

色彩科学/光学/热力学

高超音速飞行器

基于光谱选择性辐射与光子晶体的自适应热控涂层动态光学模型​

高超音速飞行器表面温度极高，需高效辐射散热。理想涂层在太阳光谱波段（0.3-2.5 µm）具有低吸收率 αs​以减少太阳能输入，在红外波段（2.5-20 µm）具有高发射率 ϵIR​以增强辐射散热。采用光子晶体或多层膜设计实现光谱选择性。其光学特性由传输矩阵法计算：
对于多层膜，第 j层特征矩阵为
Mj​=[cosδj​iηj​sinδj​​(isinδj​)/ηj​cosδj​​]
其中 δj​=2πnj​dj​cosθj​/λ， ηj​为光学导纳。总矩阵 M=∏Mj​， 反射率 $R =

(M{11}+M{12}\eta_s)\eta_0 - (M{21}+M{22}\eta_s)

^2 /

(M{11}+M{12}\eta_s)\eta_0 + (M{21}+M{22}\eta_s)

^2，吸收率A=1-R-T。通过优化各层厚度d_j和折射率n_j，实现目标光谱\alpha_s(\lambda), \epsilon(\lambda)。进一步，采用∗∗相变材料∗∗（如VO2）实现自适应：温度升高时，VO2发生绝缘体−金属相变，中红外发射率\epsilon_{MIR}$ 显著增加，从而在高温下自动增强散热。

1. 光谱选择性原理：根据 Wien 位移定律，太阳（~5800 K）辐射峰值在 0.5 µm，飞行器表面（~1000 K）辐射峰值在 3 µm。通过设计涂层的光谱反射/吸收特性，使其反射太阳光但高效辐射自身热量。
2. 光子晶体设计：光子晶体具有光子带隙，可抑制带隙内波长的传播。设计带隙位于太阳光谱区以实现高反射，在红外波段允许发射。
3. 传输矩阵计算：对于给定入射角 θ和波长 λ， 可计算整个膜系的反射谱 R(λ)和透射谱 T(λ)（基底不透明则 T=0）。积分得到太阳吸收率 αs​=∫0.32.5​(1−R(λ))IAM1.5​(λ)dλ/∫IAM1.5​dλ和红外发射率 ϵ=∫2.520​(1−R(λ))Bλ​(T)dλ/∫Bλ​(T)dλ， 其中 Bλ​为黑体辐射谱。
4. 优化算法：以最小化 αs​/ϵ为目标，使用遗传算法或粒子群优化各层厚度。
5. 自适应材料集成：将 VO2 作为一层集成到膜系中。其折射率 n+ik随温度变化，导致整个膜系光谱特性变化，实现发射率随温升而增大的自适应效果。

条件：适用于飞行器蒙皮、鼻锥、翼前缘等高温区域；涂层需耐高温氧化、抗热冲击；适用于近空间（低大气、强太阳辐射）长航时飞行器。
范围：用于美国SR-72、X-37B、高超声速无人机的被动热控系统。

光学薄膜， 热辐射， 光子晶体， 相变材料

场景：高超声速侦察/打击无人机的蒙皮散热，减少主动冷却需求；可重复使用运载器的热防护系统，降低再入热载荷；空间太阳能电站的散热面设计。
意义：传统热控涂层性能固定，难以应对宽温域、变热流环境。光谱选择性涂层可大幅降低辐射平衡温度。结合相变材料的自适应特性，能实现“低温时保温，高温时强散热”的智能热管理，显著提升飞行器的热安全裕度和任务适应性，是长航时、可重复使用高超声速平台的关键技术。

TH-DD1-0033​

声科学/非线性声学/计算物理学

发动机

基于非线性声学与有限元法的压气机/风扇叶片振动与噪声预测模型​

航空发动机风扇/压气机噪声主要来源于转子与静子的干涉噪声和湍流噪声。声学模拟采用计算气动声学方法，分为两步：
1. 流场计算：通过大涡模拟​ 获取非定常流场，提取声源项（Lighthill 应力张量 Tij​）：
Tij​=ρui​uj​+(p′−c02​ρ′)δij​−τij​
2. 声传播计算：求解线性化的欧拉方程或声学扰动方程， 在频域或时域计算声场。对于叶片振动，采用流固耦合，求解结构动力学方程：
Mη¨​+Cη˙​+Kη=Ffluid​
其中 η为模态坐标，Ffluid​为流体激振力。非线性声学效应（如激波噪声）需考虑。噪声指向性 D(θ)和声压级 SPL可通过声学积分（如 Ffowcs Williams-Hawkings 方程）计算。最终预测远场噪声频谱和总体声压级。

1. 声源机理：
- 干涉噪声：转子叶片尾迹撞击下游静子叶片，产生周期性力，辐射离散音（BPF 及其谐波）。
- 湍流噪声：叶片表面湍流边界层和尾迹湍流产生宽频噪声。
- 激波噪声：跨声速转子中，激波与边界层相互作用，产生宽频噪声。
2. 多尺度模拟策略：
a. 近场 LES：对单排或单级叶片通道进行高分辨率 LES，捕捉详细涡结构和声源。
b. 声传播：将 LES 提取的声源作为输入，在更大的计算域内求解声学扰动方程，计算噪声向远场传播。
c. 叶片振动响应：将非定常流场压力加载到结构有限元模型，进行模态叠加法瞬态分析，得到叶片动应力。
3. 非线性效应：在跨声速流中，需考虑流动的非线性和声传播的非线性（如声饱和）。可采用非线性扰动方程或直接高精度 CFD 模拟。
4. 降噪设计：基于模拟结果，优化叶片几何（如掠/弯设计）、转子-静子间距、叶片数，以破坏干涉噪声的相干性，或改变声源指向性。

条件：适用于风扇、压气机、涡轮的气动噪声和颤振预测；需要高保真 CFD 和 CAA 求解器；计算资源要求高。
范围：用于美国GE/普惠的下一代静洁发动机、罗罗 UltraFan​ 的低噪声设计，及军用发动机的声学特征控制。

计算气动声学， 流固耦合， 大涡模拟， 非线性声学

场景：大涵道比涡扇发动机的进气道/风扇噪声预测与抑制，满足 Stage 5/FAA 噪声标准；军用发动机的喷流噪声与后传噪声控制；压气机/风扇叶片的高周疲劳​ 寿命预测。
意义：发动机噪声是民航机主要噪声源，受严格法规限制。传统风洞试验成本高、周期长。该模型通过高保真数值模拟，能在设计阶段准确预测噪声水平和频谱，指导低噪声叶片和机匣设计，减少试验迭代，加速环保、低可探测性发动机的研发。

Tij​：Lighthill 应力张量。
ρ,ui​,p′：密度、速度、压力扰动。
c0​：远场声速。
τij​：粘性应力张量。
η：结构模态坐标向量。
M,C,K：广义质量、阻尼、刚度矩阵。
Ffluid​：广义流体激振力。
D(θ)：噪声指向性函数。
SPL：声压级。
BPF：叶片通过频率。

多物理场耦合：流体力学、声学、结构力学耦合。
多尺度：声源尺度（毫米-厘米）与声传播尺度（米-百米）分离。
非线性：声源（湍流、激波）和传播介质（非均匀流）都可能非线性。
频域/时域混合：常用混合方法提高计算效率。

1. 几何建模与网格划分：建立包含转/静子的详细流体和结构有限元模型，生成高质量网格。
2. 非定常流场计算：进行 LES 或 DES 模拟，获得收敛的非定常流场数据。
3. 声源提取：从流场数据中计算 Lighthill 应力张量 Tij​或等效声源。
4. 声传播计算：以声源为输入，求解声学扰动方程，计算远场噪声。
5. 结构响应计算：将非定常压力场映射到结构网格，进行瞬态动力学分析，得到动应力。
6. 分析与优化：分析噪声频谱、指向性和动应力，优化叶片几何以降低噪声和振动。
7. 试验验证：在压气机/风扇试验台上进行噪声和振动测量，与预测结果对比。

该模型是发动机内部“风暴之声”的虚拟录音室。高速旋转的叶片如同在空气中“弹吉他”。尾迹撞击静子是“拨动琴弦”，产生有调的“乐音”（离散音）。湍流是手指在琴弦上的“摩擦声”，产生无调的“嘶嘶声”（宽频噪声）。激波则是猛烈的“爆音”。大涡模拟如同在“吉他”周围布满了超高速摄影机，捕捉每一股微小的气流（涡）如何运动并产生“声音”。声学扰动方程则模拟这些“声音”如何在复杂的“音乐厅”（发动机进排气道、外涵道）中传播、反射、干涉，最终传到听众（远场麦克风）耳中。流固耦合还考虑了“琴弦”（叶片）自身的振动会如何与“气流”相互作用，产生新的“和声”或“杂音”（颤振噪声）。这实现了对复杂流动噪声产生、传播、辐射全过程的“第一性原理”模拟与诊断。

TH-DD1-0034​

结构科学/拓扑优化/增材制造

超大型工业母机

基于功能梯度点阵结构拓扑优化与多尺度均匀化的机床轻量化动刚度设计模型​

针对机床大件（床身、立柱），在保证动刚度（低阶固有频率 f0​和静刚度 K）前提下实现轻量化。设计变量为功能梯度点阵结构的密度分布 ρ(x)和单胞类型。多尺度优化模型：
宏观尺度：
minρ​m=∫V​ρdV
s.t. f0​(ρ)≥f0,min​
umax​(ρ)≤uallow​
ρmin​≤ρ≤1
其中宏观等效弹性张量 CH和密度 ρH通过渐近均匀化从细观尺度获得：
$\mathbf{C}^H_{ijkl} = \frac{1}{

Y

} \int_Y \mathbf{C}{pqrs} (\epsilon{pq}^{0(ij)} - \epsilon{pq}^{*(ij)}) (\epsilon{rs}^{0(kl)} - \epsilon_{rs}^{(kl)}) dY<br>细观尺度：为不同区域（高应力、低应力）匹配不同类型的点阵单胞（如BCC,FCC,各向异性点阵），以单胞杆件直径d为变量，最大化其比刚度\mathbf{C}^H/\rho^H$。优化算法采用变密度法结合敏度过滤*。

1. 多尺度均匀化理论：假设点阵结构的单胞尺寸远小于宏观结构尺寸，则宏观等效属性可通过求解单胞上的特征应变问题得到。
2. 动刚度约束处理：低阶固有频率 f0​与全局刚度矩阵 K和质量矩阵 M相关，f0​=2π1​λ0​​， 其中 λ0​是广义特征值问题 Kϕ=λMϕ的最小特征值。敏度分析需计算 f0​对设计变量 ρe​的导数。
3. 功能梯度设计：根据应力分布和动态载荷，在不同区域分布不同相对密度的点阵。高应力/高刚度要求区域用密实点阵或实体，低应力区域用稀疏点阵，实现材料的高效分布。
4. 点阵单胞库：建立包含多种拓扑（BCC, FCC, 八角形等）和性能（各向同性/各向异性）的单胞库，根据宏观局部载荷方向选择合适的单胞。
5. 制造约束：考虑增材制造的工艺约束，如最小杆径、最大悬垂角，在优化中施加相应的几何约束。
6. 迭代优化流程：在每次优化迭代中，根据当前密度分布，为每个单元“分配”最优的单胞类型和杆径，计算等效属性，进行宏观有限元分析，更新设计变量，直至收敛。

条件：适用于通过金属增材制造的机床大型构件；点阵单胞尺寸需远小于构件特征尺寸以满足均匀化假设；适用于对重量敏感（如机床移动部件）或需要高比刚度的场合。
范围：用于德国通快激光机床的轻量化横梁、DMG MORI 五轴机床的轻量化主轴箱等。

拓扑优化， 多尺度力学， 均匀化理论， 增材制造

场景：大型龙门移动式机床的横梁轻量化，减少移动质量，提高动态性能；航空航天复合材料铺丝机的超长悬臂，在保证刚度下极致减重；高精度测量机的轻量化框架，降低热惯性。
意义：传统铸造或焊接结构笨重，刚度/重量比低。该模型通过功能梯度点阵结构和多尺度拓扑优化，实现“按需分布材料”，在保证甚至提升动刚度的前提下，实现30%-70%的减重。这不仅降低能耗，还提高了加速性能和固有频率，有助于抑制振动。结合增材制造，可实现传统工艺无法加工的复杂内部点阵，是机床结构设计的革命。

ρ(x)：宏观伪密度设计变量。
m：结构总质量。
f0​：一阶固有频率。
umax​：最大静变形。
CH：均匀化后的等效弹性张量。
Y：单胞区域（代表性体积单元）。
ϵ0,ϵ∗：单位测试应变场和特征应变场。
d：点阵杆件直径（细观设计变量）。
BCC, FCC：体心立方、面心立方点阵拓扑。

多尺度优化：在宏观和细观两个尺度联动优化设计变量。
动刚度约束：频率约束使优化问题非凸，求解更具挑战。
功能梯度：设计变量是空间的函数，非均匀分布。
制造导向：优化中直接考虑增材制造工艺约束。

TH-DD1-0035​

控制科学/微分几何/李群

人形机器人

基于几何力学与非线性模型预测控制的仿人机器人全身动力学运动规划模型​

仿人机器人动力学具有欠驱动、非线性、在流形上的特性。采用几何力学描述，构型空间 Q是李群（如 SE(3)）与关节空间的积。动力学方程用拉格朗日-达朗贝尔原理在切丛 TQ上导出。对于非完整约束（如足底无滑动），需引入分布 D。运动规划问题在非线性模型预测控制框架下求解：
minu(⋅)​∫tt+T​ℓ(q,q˙​,u)dτ+Vf​(q(t+T),q˙​(t+T))
s.t. q(0)=qt​, q˙​(0)=q˙​t​
dtd​[qq˙​​]=f(q,q˙​,u)（几何动力学）
umin​≤u≤umax​
ϕ(q,q˙​,u)≥0（接触、摩擦锥、ZMP 约束）
采用微分动态规划或直接转录法在流形上求解。

1. 几何建模：采用旋转矩阵​ R∈SO(3)表示躯体姿态，避免欧拉角奇异性。速度和加速度用物体角速度​ ω表示，动力学方程在 TSE(3)上表述。
2. 接触模型：足与地面接触引入混合动力学。采用接触隐式方法，将接触力作为优化变量，并施加互补约束（接触时力为正，脱离时力为零）和摩擦锥约束 $

f_t

\le \mu f_n。<br>3.∗∗NMPC问题构造∗∗：<br>−运行代价\ell包括跟踪误差、控制量、能量消耗。<br>−终端代价V_f$ 保证稳定性，常用线性二次调节器在终端状态线性化得到。
- 约束包括动力学等式约束、控制输入约束、接触状态相关的互补约束和 ZMP 稳定性约束。
4. 数值求解：由于问题非凸且规模大，采用实时迭代 NMPC。利用自动微分计算动力学方程的雅可比和海森，用内点法或增广拉格朗日法处理互补约束。为提高实时性，使用condensing技术减少优化变量。
5. 稳定性证明：在合适的终端代价和区域下，可证明非线性 MPC 的闭环稳定性。

条件：适用于高自由度仿人机器人的动态运动（行走、跑、跳）；需要快速求解器（如 acados, ALTRO）；适用于已知环境下的在线运动规划。
范围：用于波士顿动力 Atlas​ 的跑酷、丰田仿人机器人的复杂地形行走、ANYmal​ 的四足动态运动。

几何力学， 非线性模型预测控制， 互补约束优化， 机器人学

场景：仿人机器人在废墟上行走、跳跃越过沟壑、摔倒后自主爬起；在非结构化工厂环境中移动操作。
意义：传统基于简化的模型（如线性倒立摆）的规划器无法实现高动态、复杂的全身运动。该模型基于完整的几何动力学，在 NMPC 框架下统一优化运动轨迹、接触力和关节力矩，能够处理非完整约束、混合动力学、摩擦锥等复杂约束，生成物理可行、动态丰富的运动，是机器人实现类人高水平动态运动能力的核心算法。

q,q˙​：广义坐标和速度（在流形上）。
u：控制输入（关节力矩）。
f：几何动力学方程。
ℓ,Vf​：运行和终端代价函数。
T：预测时域。
ϕ：不等式约束函数（接触、摩擦锥、ZMP）。
R,ω：躯体旋转矩阵和角速度。
fn​,ft​：接触法向力和切向力。
μ：摩擦系数。

几何动力学：在流形和李群上描述刚体运动，避免奇异性。
混合整数互补约束：接触状态引入离散变量，与连续力变量互补。
非线性非凸优化：NMPC 问题通常是非凸的，需要鲁棒求解器。
实时性：需在毫秒级完成优化求解，对算法效率要求极高。

TH-DD1-0036​

调度理论/组合优化/鲁棒优化

航母战斗群

基于两阶段鲁棒优化的航母舰载机出动回收动态调度模型​

航母舰载机调度（ACS）需在不确定的任务需求、天气变化、突发故障下，动态安排飞机的出动、回收、加油挂弹、维修。将飞行甲板和机库建模为资源受限项目调度问题。决策变量 xj,s,t​∈{0,1}表示作业 j（如出动、回收）是否在资源 s（如弹射器、拦阻索、加油点）上于时段 t开始。目标是最小化任务完成时间或最大化出动架次。建立两阶段鲁棒优化模型：
第一阶段：确定“此时此地”的调度决策 x。
第二阶段：在不确定参数 ξ（如任务时长变化、资源故障）实现后，调整调度 y以最小化惩罚。问题形式：
minx∈X​(cTx+maxξ∈U​miny∈Y(x,ξ)​dTy)
其中 U为不确定集（如区间、多面体）。由于问题规模大，采用列约束生成算法求解，并利用问题结构（如网络流）设计启发式加速。

1. 调度问题建模：
- 资源：弹射器、拦阻索、升降机、加油挂弹点、维修台等，各有容量。
- 作业：每架飞机的出动作业链（移出机库->牵引->加油->挂弹->移至弹射器->弹射）和回收作业链（降落->牵引->卸弹->加油->检查->移至机库），作业间有时序和资源占用约束。
- 目标：通常是最小化作业完成时间或最大化给定时间窗口内的出动架次率。
2. 不确定性建模：不确定参数包括作业处理时间（受天气、人员熟练度影响）、资源可用性（突发故障）、新任务插入等。用预算不确定集描述：$\sum_i

\xi_i - \hat{\xi}_i

/\hat{\xi}_i \le \Gamma，其中\Gamma 为“预算”，控制不确定性的保守程度。<br>3. **两阶段鲁棒优化**：第一阶段决策是“必须提前确定”的部分（如弹射器分配）；第二阶段决策是“可调整”的部分（如作业开始时间微调）。目标是找到**对最坏情况不确定性**具有鲁棒性的第一阶段决策。<br>4. **C&CG算法**：主问题求解第一阶段决策，子问题寻找给定第一阶段决策下，使第二阶段成本最大化的最坏情况不确定性 \xi^*$。迭代求解，直至收敛。
5. 动态重调度：当实际偏离计划或突发事件发生时，以当前状态为初始条件，重新求解鲁棒优化问题，生成新调度。

条件：适用于大型航母的高强度连续作业阶段；需要实时掌握甲板状态、飞机状态、任务需求；适用于动态、强对抗的作战环境。
范围：用于美国尼米兹/福特级航母的智能甲板调度系统，及英国伊丽莎白女王级航母的航空作业优化。

运筹学， 鲁棒优化， 调度理论， 组合优化

场景：航母战斗群执行高强度制空/对地打击任务时的甲板作业调度；应对突发威胁（如敌机来袭）时的快速紧急出动调度；在恶劣海况下安全高效地回收舰载机。
意义：甲板调度直接影响航母的作战出动能力和生存力。传统经验调度效率低、应变差。该模型通过鲁棒优化，生成能应对各种不确定性的弹性调度方案，并通过动态重调度快速响应变化。这能最大化甲板作业效率，缩短飞机周转时间，提升航母持续作战能力，是航母战斗力的“倍增器”。

xj,s,t​：第一阶段二进制决策变量。
y：第二阶段连续或整数决策变量（如作业开始时间调整）。
c,d：第一、二阶段成本系数向量。
ξ：不确定参数向量（属于不确定集 U）。
X,Y：第一、二阶段决策的可行域。
Γ：不确定性预算参数。
C&CG：列约束生成算法。

两阶段决策：区分“当下”决策和“未来”适应性决策。
鲁棒优化：针对最坏情况优化，不假设概率分布。
混合整数规划：决策变量包含整数，是 NP-hard 问题。
动态性：需根据实时事件触发重调度。

TH-DD1-0037​

误差理论/贝叶斯推断/时间序列

超精密测量

基于贝叶斯滤波与阿伦方差的激光干涉仪非线性误差在线分离与补偿模型​

激光干涉仪测量误差包括：非线性误差（周期性的 1 阶、2 阶误差，源于偏振混叠、频率混叠）、死程误差、环境误差（温度、气压、湿度）、余弦误差等。建立误差综合模型：
Dmeasured​=Dtrue​+ϵnl​(D)+ϵenv​+ϵcos​+w
其中 ϵnl​(D)=A1​sin(2πD/Λ+ϕ1​)+A2​sin(4πD/Λ+ϕ2​)， Λ为激光半波长。采用多传感器融合（附加参考干涉仪、环境传感器）和贝叶斯滤波进行在线误差分离与补偿。状态向量 xk​=[Dtrue​,D˙,A1​,ϕ1​,A2​,ϕ2​,ΔT,ΔP]T。观测方程包含主干涉仪和参考干涉仪读数。采用粒子滤波或扩展卡尔曼滤波实时估计状态，并补偿 ϵ^nl​(D)和 ϵ^env​。阿伦方差用于分析补偿后的残余噪声特性，评估测量系统的稳定性。

1. 误差机理建模：
- 非线性误差：源于激光偏振态不纯、光学元件缺陷，导致信号正交性偏差，产生与位移成周期性关系的误差。
- 环境误差：空气折射率 n变化导致波长变化，n=1+T0.95P​⋅10−6（Edlen 公式近似）。
2. 状态空间模型：
- 状态方程：Dtrue​和速度 D˙用运动学模型；误差参数 Ai​,ϕi​假设缓慢时变（随机游走）；环境参数 ΔT,ΔP用一阶马尔可夫过程。
- 观测方程：主干涉仪测量值 z1​=Dtrue​+ϵnl​(D;A1​,ϕ1​,A2​,ϕ2​)+ϵenv​(ΔT,ΔP)+v1​；参考干涉仪（测量固定靶）观测值 z2​=ϵnl​(Dref​)+ϵenv​+v2​， 可提供纯误差信息。
3. 贝叶斯滤波：由于观测方程非线性（ϵnl​是 D的非线性函数），采用 EKF 或 PF。PF 用一组粒子表示状态后验分布，适用于强非线性非高斯情况。
4. 在线补偿：在每个测量周期，用滤波估计的状态 x^k∥k​计算当前总误差估计 ϵ^total​， 并从原始测量值 Dmeasured​中减去，得到补偿后的位移 D^true​。
5. 性能评估：计算补偿后位移数据的阿伦方差 σy2​(τ)， 分析其在不同平均时间 τ下的稳定性，通常 σy​(τ)∝τ−1表示主要受白噪声影响，平台表示存在未补偿的系统误差或漂移。

条件：适用于单频或双频激光干涉仪；需配备环境传感器和可选的参考干涉仪；适用于纳米级精度的超精密定位和测量。
范围：用于光刻机工件台、超精密坐标测量机、引力波探测的位移测量系统误差补偿。

计量学， 贝叶斯估计， 时间序列分析， 信号处理

场景：EUV 光刻机的工件台位置测量，补偿非线性误差以实现亚纳米精度；大型望远镜的主动光学面形调整，精确测量促动器位移；纳米压印设备的对准测量。
意义：激光干涉仪是超精密测量的基石，但其固有非线性误差和环境误差是限制其达到理论精度的主要障碍。传统离线标定补偿无法应对时变环境。该模型通过多传感器贝叶斯滤波，在线、实时地分离和补偿各种误差源，将干涉仪的系统误差降低 1-2 个数量级，逼近其噪声极限，是实现亚纳米级稳定测量的关键。

Dmeasured​,Dtrue​：测量位移和真实位移。
ϵnl​：非线性误差，是 D的周期函数。
Ai​,ϕi​：非线性误差的幅值和相位。
Λ：激光半波长。
ϵenv​：由温度 T、气压 P变化引起的环境误差。
w,v：过程噪声和观测噪声。
xk​：状态向量。
ϵ^total​：总误差估计值。
σy2​(τ)：阿伦方差（与平均时间 τ的关系）。

多误差源耦合：多种误差同时存在，且与测量值本身耦合。
非线性状态估计：观测方程非线性，需非线性滤波技术。
在线自适应：滤波算法能跟踪误差参数的缓慢变化。
性能量化：阿伦方差是评估时间域稳定性的标准工具。

1

TH-DD1-0017​

非线性系统/优化理论/博弈论

察打一体无人机

基于非合作微分博弈与滚动时域优化的多无人机协同突防与攻击决策模型​

红方（防御方）拥有地面防空系统，蓝方（攻击方）为多架无人机。定义状态 x（无人机位置、速度、剩余弹药，防空雷达状态），控制输入 uB​（无人机航向、速度、攻击指令），uR​（雷达开关机、导弹发射）。代价函数为双方零和：
J=ϕ(x(tf​))+∫t0​tf​​L(x,uB​,uR​)dt
ϕ为终端代价（如目标毁伤价值），L为运行代价（如无人机被击落损失、雷达暴露惩罚）。根据 Isaacs 方程，最优策略满足鞍点条件。为在线求解，采用滚动时域微分博弈：在每个决策点 tk​， 求解未来 T时域内的开环纳什均衡，仅实施第一个控制量，然后滚动。求解器采用高斯伪谱法将连续问题离散为非线性规划。

1. 问题建模：将攻防对抗建模为二人零和微分博弈，双方动力学（无人机质点模型、雷达探测模型）耦合。
2. 最优性条件：根据 Pontryagin 最小值原理，哈密顿函数 H对蓝方最小、对红方最大。求解两点边值问题。
3. 滚动优化：在线求解全局最优解困难。采用 RHDG 框架，将无限时域问题转化为一系列有限时域开环博弈。
4. 数值求解：使用高斯伪谱法将状态和控制变量在 Legendre-Gauss 点上离散，将微分方程约束转化为代数约束，用 NLP 求解器（如 IPOPT）求解。
5. 实时性保障：利用 warm-start 和并行计算加速求解，满足无人机决策周期（~1秒）。

条件：无人机和防空系统动力学模型已知或可近似；双方信息不完全（如雷达探测概率）；适用于中低强度对抗环境下的任务规划。
范围：用于 美国“天空博格”忠诚僚机、英国“雷神”无人机​ 的自主协同作战任务规划系统。

微分博弈论， 最优控制理论， 非线性规划

场景：多架忠诚僚机在 F-35​ 指挥下，协同突防一体化防空系统，对地攻击高价值目标。
意义：解决了在动态对抗环境下，多无人机实时、分布式、鲁棒的任务规划难题。通过微分博弈框架，无人机能预测敌方最优拦截策略并反制，实现智能突防和协同打击，提升作战效能和生存力。

x：系统状态向量。
uB​,uR​：蓝方（攻）和红方（防）控制向量。
J：性能指标（蓝方最小化，红方最大化）。
H：哈密顿函数。
T：滚动优化时域。
ϕ,L：终端和运行代价函数。

零和微分博弈：双方利益完全冲突，构成鞍点问题。
滚动时域：结合反馈与优化，应对不确定性。
伪谱法：高精度直接法，将最优控制问题转为 NLP。

1. 态势感知与预测：获取敌方雷达、导弹阵地位置及性能参数。
2. 博弈问题构建：定义双方动力学、约束和代价函数。
3. 滚动求解：在每个决策点，求解有限时域开环纳什均衡，得到最优控制序列。
4. 指令下发：实施控制序列的第一个控制量，控制无人机机动。
5. 态势更新：根据传感器信息更新状态，滚动至下一步。

该模型描述了无人机集群与防空系统之间的动态博弈“流”。状态流是双方兵力部署和运动轨迹。控制流是双方的决策指令（机动、开火）。代价流是战斗损耗与目标价值的动态评估。滚动时域优化如同一位“战场象棋大师”，他并非预知全局，而是向前看有限步，推演“如果我这么走，对手最优反应是什么，我再如何应对”，并只执行第一步最优着法。通过不断重复这个“向前看-执行一步”的过程，在动态对抗中始终保持局部最优，引导“代价流”向己方有利方向积累。

TH-DD1-0018​

系统科学/多智能体/强化学习

航母战斗群

基于多智能体深度强化学习的航母战斗群协同防空动态资源调度模型​

将航母战斗群（CSG）的防空作战单元（舰艇、预警机、战斗机）建模为协同多智能体系统。每个智能体 i观察局部态势 oit​， 执行动作 ait​（如雷达开关机、导弹分配、机动），获得团队奖励 rt。目标是最优联合策略 π∗最大化期望累积折扣奖励。采用 MAPPO​ 算法：
1. 集中式训练：Critic 网络访问全局状态 st评估联合动作价值。
2. 分布式执行：每个智能体有自己的 Actor 网络，根据局部观测 oit​决策。
优势函数：At=rt+γVϕ​(st+1)−Vϕ​(st)。
Actor 更新：∇θ​J≈E[∇θ​logπθ​(at∥ot)At]。
Critic 更新：minϕ​(rt+γVϕ​(st+1)−Vϕ​(st))2。

1. 多智能体建模：每个作战平台是一个智能体，其动作空间包括传感器管理、武器分配、战术机动等。
2. 奖励设计：团队奖励 rt包含：击落敌机奖励、拦截导弹奖励、己方单位存活奖励、资源消耗惩罚等。
3. 算法选择：MAPPO 是 PPO 在多智能体中的扩展，通过集中训练解决信用分配问题，通过分布式执行保证可扩展性和隐蔽性。
4. 训练环境：在高保真航母战斗群防空仿真系统中训练，模拟复杂电磁环境、武器交战和机动。
5. 迁移与部署：将训练好的策略网络部署到各平台的指挥控制系统中，实现分布式自主协同。

条件：需要高保真、可配置的CSG防空仿真环境；适用于应对饱和攻击的协同交战场景；智能体需具备信息共享能力（数据链）。
范围：用于 美国海军“海军一体化火控-防空”​ 系统的智能决策辅助，及未来分布式杀伤链的自主协同。

多智能体强化学习， 分布式人工智能， 指挥控制

场景：美国航母战斗群防御反舰弹道导弹和超音速巡航导弹的多波次饱和攻击。
意义：传统基于规则的协同交战系统（CEC）应对复杂饱和攻击时，决策慢、灵活性差。该模型通过 MARL，使各作战单元能自主、实时、协同地分配传感器和武器资源，形成动态、弹性、高效的防御网络，极大提升拦截成功率和系统生存力。

oit​：智能体 i在时刻 t的局部观测。
ait​：智能体 i的动作。
st：全局状态。
rt：团队奖励。
πθ​：参数为 θ的 Actor 策略网络。
Vϕ​：参数为 ϕ的 Critic 价值网络。
γ：折扣因子。
At：优势函数。

集中训练分布式执行：训练时利用全局信息，执行时仅需局部信息。
信用分配：通过团队奖励和 Critic 网络评估各智能体贡献。
策略梯度：直接优化参数化策略。

1. 仿真环境构建：建立包含平台动力学、传感器、武器、通信的CSG防空仿真环境。
2. 智能体定义：定义各平台（舰艇、飞机）的观测、动作空间。
3. 奖励函数设计：精心设计团队奖励函数，引导智能体学习协同。
4. MAPPO 训练：在仿真中运行大量回合，通过策略梯度更新 Actor 和 Critic 网络。
5. 策略评估：在测试场景中评估训练好的策略，评估其协同效率和鲁棒性。
6. 系统集成：将训练好的 Actor 网络集成到各平台指控系统，进行硬件在环测试。

该模型构建了一个 “具有集体智慧的免疫系统”​ 。航母战斗群如同一个生物体，各作战单元是“免疫细胞”（T细胞、B细胞、巨噬细胞）。MARL 训练过程是免疫系统的“适应性进化”：通过无数次模拟“病原体入侵”（敌攻击），免疫细胞学会如何协同识别、攻击、记忆威胁。Critic 网络如同“免疫系统的全局状态评估中心”（如大脑或骨髓），它评估整个机体的“健康状态”（全局价值 V）。Actor 网络是每个免疫细胞的“本地行为准则”，它根据局部感知的“化学信号”（局部观测 oi​）决定是释放“抗体”（发射导弹）还是传递“警报”（共享信息）。最终，这个系统能在没有中央绝对指挥的情况下，自组织、自适应地抵御复杂攻击，实现“分布式智能”。

TH-DD1-0019​

电动力学/等离子体物理/波动理论

高超音速飞行器

基于电磁波在非均匀磁化等离子体鞘套中传播模型的“通信黑障”抑制方法​

高超音速飞行器再入时，周围形成高温等离子体鞘套，其电子密度 Ne​很高，导致电磁波截止频率 ωp​=Ne​e2/(me​ϵ0​)​远高于通信频率，造成“黑障”。施加外加磁场 B0​可使等离子体成为磁化等离子体，其介电张量为：
ϵr​=​SiD0​−iDS0​00P​​
其中 S=1−ω2−ωc2​ωp2​​, D=ω(ω2−ωc2​)ωc​ωp2​​, P=1−ω2ωp2​​, ωc​=eB0​/me​为电子回旋频率。对于沿磁场方向传播的波，存在寻常波和非常波。通过设计磁场构型（如局部强磁场“磁窗”）和选择合适的波模式、频率、极化，可使得电磁波穿透鞘套。透射系数 T可通过求解波在非均匀等离子体中的WKB近似或全波数值解得到。

1. 物理模型：等离子体鞘套电子密度分布 Ne​(r)和碰撞频率 ν(r)由 CFD 计算得到。施加磁场 B0​(r)（由超导线圈或永磁体产生）。
2. 波动方程：在非均匀、磁化、碰撞等离子体中，电磁波满足：∇×∇×E−k02​ϵr​⋅E=0。
3. 传播分析：
- 无磁场时，当 ω<ωp​， 波被截止反射。
- 有磁场时，出现回旋共振和混合共振，在某些频率和方向下，波可以传播（如 whistler 波模式）。
4. 数值求解：采用时域有限差分法或谱方法求解波动方程，计算场分布和透射系数。
5. 优化设计：以最大化透射系数 T为目标，优化磁场分布 B0​(r)、工作频率 f和天线设计。

条件：适用于再入段或高超音速巡航段的通信与测控；需要能产生强磁场（~1 T）的装置；等离子体参数（Ne​,ν）已知或可估计。
范围：用于美国X-37B、HTV-2、NASA 猎户座飞船再入时的黑障缓解，及高超音速武器的数据链。

等离子体物理， 电动力学， 计算电磁学

场景：高超音速导弹末端制导信息回传；可重复使用运载器再入时的遥测与通信；火星探测器进入大气时的通信保障。
意义：“黑障”问题严重制约了高超音速飞行器的信息获取与控制。该模型从波动传播的基本物理出发，提出了利用外加磁场改变等离子体电磁特性的抑制方法。通过多物理场耦合仿真，可以设计出高效的“磁窗”系统，为实现可靠、连续的再入通信提供了革命性解决方案。

Ne​：电子数密度。
ωp​：等离子体频率。
ωc​：电子回旋频率。
B0​：外加静磁场强度。
ϵr​：相对介电张量。
ν：电子-中性粒子碰撞频率。
T：透射系数（功率比）。
S,D,P：磁化等离子体介电张量的元素。

张量介电常数：磁化等离子体是各向异性介质，介电常数是张量。
非均匀介质：等离子体参数随空间变化，需求解非均匀介质中的波动方程。
多物理场耦合：涉及流体力学（等离子体生成）、电磁学（波传播）、超导技术（强磁场产生）。

1. 等离子体鞘套模拟：通过 CFD 计算飞行器周围流场，得到 Ne​(r),Te​(r),ν(r)分布。
2. 磁场设计：设计超导磁体或永磁体阵列，计算其产生的磁场分布 B0​(r)。
3. 建立电磁模型：将 Ne​(r),B0​(r)代入介电张量模型，构建非均匀磁化等离子体模型。
4. 数值求解波动方程：使用 FDTD 等方法，模拟电磁波在其中的传播，计算透射系数 T。
5. 参数优化：改变磁场构型、工作频率、波极化，寻找使 T最大的最优配置。
6. 实验验证：在等离子体风洞中进行缩比实验，测量透射系数，验证模型。

该问题描述了 “光在浑浊水中的传播与净水之窗”​ 。等离子体鞘套如同“浑浊的水”，电子是“悬浮颗粒”，会散射和吸收光（电磁波）。外加磁场如同在水中施加了一个定向的“力场”，使得“悬浮颗粒”（电子）的运动被限制，从而改变了“水”的光学性质（介电常数）。在某些特定的“力场”方向和水流状态下，“浑浊的水”会变得对特定颜色（频率）和角度（极化）的光“透明”，形成一个“光通道”（磁窗）。波动方程求解就是计算光穿过这个复杂可变介质后的剩余强度。这实现了利用磁场“操控”等离子体，为信息“开凿”一条透波通道。

TH-DD1-0020​

多体动力学/控制分配/故障重构

星舰

基于控制分配与滑模变结构控制的星舰多发动机故障重构与容错着陆模型​

星舰垂直着陆段，N台发动机并联。当部分发动机故障（推力丧失 Ti​=0或推力矢量卡滞 ui​固定）时，需重构控制分配以保证姿态稳定和轨迹跟踪。动力学方程：
x˙=f(x)+G(x)ΓT
其中 T=[T1​,...,TN​]T为推力向量，Γ为包含推力方向 ui​和力臂 ri​的控制有效性矩阵。控制分配求解：
minT​TTWT
s.t. ΓT=vdes​
0≤Ti​≤Ti,max​(健康状态)
其中 vdes​=[Fdes​,Mdes​]T为期望的力/力矩。采用滑模变结构控制设计 vdes​， 对模型不确定性和故障具有强鲁棒性。滑模面 s=e˙+Λe=0， 控制律使 s˙=−Ksgn(s)。

1. 故障建模：发动机故障模式包括推力完全丧失、推力下降、推力矢量卡死。通过传感器（压力、温度、转速）实时诊断故障类型和程度，更新控制分配中的约束（如 Ti,max​=0）。
2. 控制分配优化：控制分配将高层控制器输出的广义力指令 vdes​分配给各发动机。故障时，Γ阵发生变化，需在线重新求解上述 QP 问题，得到仍能近似实现 vdes​的推力组合。
3. 滑模控制器设计：
- 定义跟踪误差 e=x−xd​。
- 设计滑模面 s=e˙+Λe， 使系统在 s=0上有期望的动态。
- 设计控制律 vdes​使得 $\frac{1}{2}\frac{d}{dt}s^2 \le -\eta

s

$， 保证有限时间到达滑模面。
- 采用边界层法或高阶滑模抑制抖振。
4. 稳定性分析：结合滑模控制与实时控制分配，证明闭环系统在发动机故障下的一致最终有界稳定。

条件：适用于多发动机并联的垂直起降飞行器；需要发动机健康状态实时监测与诊断；适用于大气内或地外天体的动力下降着陆。
范围：用于 SpaceX 星舰、蓝色起源新格伦、月球着陆器的容错着陆控制系统。

多变量控制， 优化理论， 滑模变结构控制， 故障诊断与容错控制

场景：星舰在火星着陆时，一台或多台“猛禽”发动机故障，仍能安全着陆；载人登月舱在最后下降段发动机推力异常时的应急重构。
意义：多发动机并联是提高推力和可靠性的关键，但故障会严重破坏控制能力。该模型通过实时控制分配，在故障后重新调配剩余发动机的推力和方向，并结合滑模控制的强鲁棒性，使得飞行器在严重故障下仍能维持稳定并完成着陆，极大提升了任务可靠性和安全性。

x：飞行器状态（位置、速度、姿态、角速度）。
T：各发动机推力向量。
Γ：控制有效性矩阵，与推力方向和安装位置有关。
vdes​：期望的广义力/力矩向量。
W：推力加权矩阵（常取单位阵）。
s：滑模面向量。
e：跟踪误差向量。
Λ,K：正定对角矩阵。

控制分配：将控制指令分配给冗余执行机构，是约束优化问题。
滑模控制：不连续反馈控制，对匹配不确定性不变。
故障重构：根据故障信息在线重构控制分配问题。

TH-DD1-0021​

系统辨识/贝叶斯估计/随机过程

发动机健康管理

基于卡尔曼滤波与贝叶斯网络的航空发动机实时性能退化预测与剩余寿命预估模型​

将发动机健康状态（部件效率、流量系数衰减）建模为隐马尔可夫模型。状态向量 xk​=[ΔηFan​,ΔηHPC​,...,SOC]T包含健康参数和性能状态。观测向量 yk​为传感器数据（转速、温度、压力）。系统方程：
xk+1​=Fxk​+wk​（缓慢退化与状态转移）
yk​=h(xk​,uk​)+vk​（非线性观测方程）
采用无迹卡尔曼滤波​ 在线估计 x^k∥k​及其协方差 Pk∥k​。将退化过程建模为维纳过程或伽马过程，基于 UKF 估计出的当前退化量 δ^k​和其不确定性，通过贝叶斯更新预测剩余使用寿命分布：
fRUL​(l∥Y1:k​)=∫fRUL​(l∥δk​)p(δk​∥Y1:k​)dδk​
其中 fRUL​(l∥δk​)是给定当前退化量 δk​的 RUL 条件分布，p(δk​∥Y1:k​)是 UKF 给出的当前退化量后验分布。

1. 状态空间模型：建立发动机部件级退化模型，健康参数 δ通常建模为随机游走或带漂移的维纳过程。
2. 非线性估计：观测方程 h是非线性的（发动机特性图），采用 UKF 或粒子滤波进行状态估计。
3. 退化过程建模：假设健康参数退化路径 {δt​}服从随机过程，如 δt​=δ0​+θt+σBt​， 其中 θ为漂移率（平均退化率），Bt​为标准布朗运动。
4. RUL 预测：定义失效阈值为 D。则 RUL Lk​=inf{l:δk+l​≥D∥δk​}。对于维纳过程，RUL 服从逆高斯分布。通过 UKF 得到当前 δk​的估计 δ^k​和方差 σ^k2​， 将其作为先验，结合退化过程模型，通过贝叶斯公式更新 RUL 分布。
5. 不确定性量化：得到的 RUL 是一个概率分布，而非单点估计，可计算置信区间。

条件：需要发动机高保真模型或大量历史数据来建立退化模型；传感器数据需相对准确；适用于性能缓慢退化的预测，而非突发故障。
范围：用于军民用航空发动机的预测性健康管理，优化视情维修和备件调度。

随机过程， 贝叶斯推断， 非线性滤波， 可靠性工程

场景：美国空军F-35的F135发动机健康管理，规划最佳大修时间；民航公司对CFM56/LEAP发动机的在翼时间优化，降低运营成本。
意义：传统定期维修成本高且可能过度或不足。该模型通过实时数据和概率模型，准确预测发动机性能退化趋势和剩余寿命，实现视情维修。这能大幅减少非计划停车，优化维修资源，延长发动机在翼时间，是航空运营商和军方降低寿命周期成本的关键技术。

xk​：状态向量（健康参数、性能状态）。
yk​：观测向量（传感器数据）。
F：状态转移矩阵。
h：非线性观测函数。
wk​,vk​：过程噪声和观测噪声。
δ^k​：当前健康参数退化量估计。
D：失效阈值。
Lk​：在时刻 k的剩余使用寿命 (RUL)。
fRUL​(l∥⋅)：RUL 的概率密度函数。

隐状态估计：健康参数不可直接测量，需通过观测数据估计。
非线性滤波：UKF 处理非线性观测模型。
随机过程建模：用随机过程描述退化的不确定性。
概率预测：输出是 RUL 的概率分布，而非确定值。

1. 数据收集与预处理：收集发动机历史运行数据和维修记录。
2. 退化建模：基于数据辨识退化过程的参数（如漂移率 θ、扩散系数 σ）。
3. 状态空间模型构建：建立包含退化过程的发动机状态空间模型。
4. 在线状态估计：运行 UKF， 实时估计当前健康状态 x^k∥k​。
5. RUL 分布预测：基于当前估计 δ^k​和其不确定性，结合退化过程模型，计算 RUL 的概率分布 fRUL​(l)。
6. 决策支持：将 RUL 分布和置信区间提供给维修计划系统，辅助决策。

该模型描述了发动机性能的“生命流逝”与“健康诊断”。发动机如同一个“生命体”，其“器官”（压气机、涡轮）会随着“年龄”（循环数）增长而“衰老”（效率衰减）。传感器数据是生命体的“体检指标”（心跳、体温）。UKF​ 如同一位“医生”，他根据不完整的体检指标，结合“人体生理学知识”（发动机模型），推断出各个器官真实的“健康指数”（健康参数 δ）。退化随机过程模型是对“衰老规律”的统计学描述。贝叶斯RUL预测是医生的“预后诊断”：他基于当前推断出的“健康指数”及其不确定性，以及“衰老规律”，给出“病人”大概还能“健康存活”多长时间的概率分布。这实现了从“定期体检”到“基于健康状况的精准预后”​ 的转变，优化“治疗”（维修）时机。

TH-DD1-0022​

热力学/深度学习/数字孪生

超大型工业母机

基于时空图神经网络与数字孪生的机床多源热误差场实时预测与补偿模型​

在大型机床上布置 M个温度传感器和 N个热变形测量点。将机床结构视为图​ G=(V,E)， 节点 vi​为温度/变形测点，边 eij​表示热传导路径。定义节点特征 Xt∈RM×d（温度、历史变形、功率等）。采用时空图神经网络建模：
1. 空间卷积：用图卷积网络捕捉节点间空间依赖：
H(l)=σ(D~−21​A~D~−21​H(l−1)Θ(l))。
2. 时间卷积：用一维因果卷积或 GRU 捕捉时间依赖：
Ht=TCN(Xt−T+1:t)。
最终模型预测未来 P步的热变形场 Y^t+1:t+P。在数字孪生中，将预测变形作为补偿量前馈至数控系统，补偿刀具路径。

1. 图结构构建：基于机床 CAD 模型和传热学知识，构建反映物理连接（如金属连接、空气对流）的图结构。邻接矩阵 A可根据距离或热阻定义。
2. STGNN 模型：
- Spatial GCN：利用图拉普拉斯算子进行谱域卷积，学习温度场在空间上的传播模式。
- Temporal CNN/GRU：学习温度、热变形的历史演变规律，如热积累、滞后效应。
3. 多任务学习：同时预测多个位置的热变形，共享特征提取层，提高数据利用效率。
4. 数字孪生集成：STGNN 作为数字孪生的“热感知大脑”，实时接收传感器数据，预测全机热变形，输出补偿指令。孪生体可根据运行数据在线微调模型。
5. 补偿策略：将预测的热变形 δth​转换为各轴的位置补偿量 Δx,Δy,Δz， 通过数控系统接口进行实时偏移。

条件：机床需布置足够多的温度传感器；需要历史温升和变形数据训练模型；适用于长时间连续加工导致显著热变形的精密/超精密机床。
范围：用于德国德马吉森精机、日本马扎克等高端五轴加工中心、车铣复合中心的热误差补偿。

图神经网络， 时间序列预测， 数字孪生， 传热学

场景：大型龙门加工中心加工航空铝合金框架，连续加工 8 小时后，补偿主轴热伸长和床身扭曲导致的误差；模具加工中，补偿由于主轴和导轨发热产生的轮廓误差。
意义：热误差是机床精度损失的首要因素。传统多点温度回归模型难以刻画复杂空间热传导和动态过程。STGNN 能同时建模温度场时空演变，实现全场、高精度、实时的热误差预测。结合数字孪生，形成“感知-预测-补偿”闭环，将热误差抑制 70%-90%，显著提升机床在变工况、长时间运行下的精度稳定性。

G=(V,E)：机床热传导图。
Xt：t时刻节点特征矩阵（温度、功率等）。
A~=A+I：加自环的邻接矩阵。
D~：度矩阵。
Θ(l)：第 l层 GCN 的权重矩阵。
σ：激活函数。
Y^：预测的热变形场。
T,P：输入时间步长和预测步长。

图结构学习：将非欧几里得的空间关系用图表示。
时空耦合：同时捕获空间传播和时间演化动态。
端到端学习：直接从数据学习从温度到变形的复杂映射。

1. 数据采集：在机床上进行多工况温升实验，采集温度、功率、变形数据。
2. 图构建：基于机床几何和热学知识，构建图结构 G。
3. 模型训练：用历史数据训练 STGNN 模型，输入为历史温度序列，输出为未来变形序列。
4. 模型部署：将训练好的模型集成到机床数字孪生平台。
5. 在线预测与补偿：实时读取传感器数据，输入模型预测变形，生成补偿指令并发送给数控系统。
6. 模型在线更新：定期用新数据微调模型，适应环境变化。

该模型将机床视为一个 “具有热神经网络的生物体”​ 。温度传感器是它的“热觉感受器”，分布在全身。图结构是它的“热神经网络”的“接线图”，描述了热量如何在各“器官”（结构件）之间流动。STGNN​ 是这个生物体的“大脑皮层”，它从“热觉感受器”接收连续的信号流，通过“神经网络”学习热量传递的时空模式，并预测出整个身体即将因为“发热”而产生的“变形姿态”。数字孪生是它的“本体感觉”，将预测的变形姿态与指令动作对比，提前发出“肌肉调节信号”（补偿指令）来抵消变形，从而保持“操作精准”。这实现了对机床“热致形变”这种分布参数系统行为的“超前感知”与“主动抑制”。

TH-DD1-0023​

多体动力学/优化控制/李雅普诺夫理论

人形机器人

基于全身动力学与控制分配的仿人机器人动态行走与抗扰动模型​

人形机器人被建模为浮动基多刚体系统。动力学方程：
M(q)q¨​+C(q,q˙​)=STτ+JcT​λ
其中 q为广义坐标（包含基座位姿和关节角），M为质量矩阵，C为科里奥利和重力项，S为驱动选择矩阵，τ为关节力矩，Jc​为接触雅可比，λ为接触力。采用模型预测控制框架，在有限时域内优化未来关节轨迹和接触力，同时满足动力学约束、接触约束（摩擦锥、无穿透）和 ZMP 稳定性约束。每一步求解非线性规划：
minq,τ,λ​∑(∥q¨​∥2+∥τ∥2+∥λ−λref​∥2)
s.t. 动力学方程、接触约束、ZMP 在支撑多边形内。
采用微分动态规划或直接转录法求解。上层 MPC 输出期望的接触力 λref​和躯干运动，下层通过二次规划分配各关节力矩实现。

1. 动力学建模：使用拉格朗日法或牛顿-欧拉法建立包含所有自由度的完整动力学模型。
2. 接触模型：足与地面接触建模为刚性接触，引入接触力 λ和互补约束（接触时力>0， 脱离时力=0）。
3. 稳定性判据：采用零力矩点​ 或捕获点​ 作为动态稳定性判据，约束 ZMP 在支撑多边形内。
4. MPC 问题构建：将未来几步的步态、接触序列作为已知，优化关节轨迹和接触力，使运动平滑、能耗低，并满足约束。这是一个高度非凸的非线性规划问题。
5. 实时求解：由于计算量大，采用简化模型（如线性倒立摆）进行 MPC 步态生成，再用全身动力学控制进行跟踪和力分配。或使用高效求解器（如 ACADO）和 warm-start。
6. 抗扰动：通过状态估计（IMU、力传感器）检测外部扰动（如推搡），在 MPC 中引入扰动观测或直接调整优化问题的参考轨迹以恢复平衡。

条件：机器人需配备高精度关节编码器、IMU 和足底六维力传感器；适用于平坦及轻度不平整地面的动态行走和跑步。
范围：用于波士顿动力 Atlas、特斯拉 Optimus、德国慕尼黑工业大学 LOLA​ 等先进仿人机器人的运动控制。

多体动力学， 模型预测控制， 优化理论， 接触力学

场景：仿人机器人在灾难现场执行搜救任务，在瓦砾上行走；在仓库中搬运重物并保持平衡；体育竞赛中完成跑酷动作。
意义：动态行走是仿人机器人走向实用的核心能力。该模型通过全身动力学 MPC，统一优化了运动轨迹和接触力，实现了高动态、高能量效率的运动，并能主动应对外部扰动。这是机器人具备在复杂非结构化环境中自主移动和工作能力的基础，代表了腿式机器人控制的最高水平。

q,q˙​,q¨​：广义坐标、速度、加速度。
M(q)：质量矩阵。
C(q,q˙​)：科里奥利、向心力和重力向量。
τ：关节驱动力矩向量。
Jc​：接触点雅可比矩阵。
λ：接触力向量。
S：驱动选择矩阵（将关节力矩映射到广义力）。
ZMP：零力矩点。

高维非线性：系统自由度多（~30），动力学强非线性。
混合动力学：接触状态（着地/腾空）离散变化。
带约束优化：MPC 需处理动力学等式约束和接触不等式约束。
实时性挑战：需在毫秒级完成优化求解。

1. 状态估计：融合 IMU、关节编码器、力觉传感器数据，估计机器人状态（基座位姿、速度、接触状态）。
2. 步态规划：根据目标速度，规划未来几步的落脚点和时间。
3. MPC 求解：基于当前状态和步态计划，求解有限时域最优控制问题，得到最优的关节加速度和接触力序列。
4. 力矩计算：将 MPC 解出的期望加速度和接触力代入逆动力学，计算所需的关节力矩 τ。
5. 底层控制：将关节力矩指令发送给驱动器（电机）。
6. 扰动处理：根据力传感器检测的异常接触力，在 MPC 中调整参考轨迹或增加恢复动作。

该模型描述了人形机器人动态平衡的“最优预见性控制”。机器人如同一个杂技演员，在走钢丝（动态行走）。全身动力学模型是演员的“身体运动学与力学知识”。MPC​ 是演员的“大脑规划”：他不是看一步走一步，而是提前规划未来几步的步伐和身体摆动，确保重心投影始终在“钢丝”（支撑多边形）上方，并且动作最省力。接触力优化是决定脚掌如何精准、柔和地踩踏钢丝，既不打滑也不踩空。实时求解是这个规划过程必须极快，快到成为本能反应。当突然有风吹来（扰动），演员能瞬间调整未来几步的规划，重新找回平衡。这实现了对高维、欠驱动、混合动力学系统的实时、优化、鲁棒控制。

TH-DD1-0024​

信号处理/稀疏编码/深度学习

脑机接口

基于多通道脑电时空稀疏编码与卷积神经网络的运动想象解码模型​

从多通道 EEG 信号中解码运动想象（如想象左手、右手运动）。EEG 信号 X∈RC×T， C为通道数，T为时间点数。采用时空稀疏编码提取特征：
minD,Z​∥X−DZ∥F2​+λ∥Z∥1​
s.t. ∥dk​∥2​=1
其中 D∈RC×K为字典（时空滤波器），Z∈RK×T为稀疏编码。使用卷积神经网络​ 自动提取更深层特征并进行分类。CNN 输入为多通道 EEG 图像（通道×时间），包含时空卷积层、池化层和全连接层。最终输出为运动想象类别的概率 p(y∥X)。采用迁移学习，利用公开数据集预训练模型，再以少量用户特定数据微调，解决个体差异问题。

1. 信号预处理：对 EEG 进行带通滤波（如 8-30 Hz， 包含 μ 和 β 节律），去除眼电等伪迹。
2. 时空特征学习：稀疏编码能学习到与事件相关去同步/同步现象相关的时空模式。字典原子 dk​可解释为空间滤波器，其激活 Z在时间上稀疏。
3. 深度学习：CNN 能自动学习从原始信号或稀疏特征到运动意图的层级化表示。时空卷积层可同时捕获空间（通道间）和时间上的相关性。
4. 个体适应性：BCI 性能受个体差异影响大。迁移学习（如微调 CNN 最后几层）能用少量新用户数据使模型适应其特有的脑电模式。
5. 在线解码：将训练好的模型部署到实时系统，对滑动时间窗内的 EEG 信号进行解码，输出控制指令（如光标移动、机械手控制）。

条件：适用于非侵入式 EEG​ 的运动想象 BCI；需要多通道 EEG 采集设备（如 64 导）；适用于健康人或运动功能障碍患者的运动辅助与康复。
范围：用于美国 BrainGate、德国 g.tec、中国脑机接口等系统的运动控制解码模块。

信号处理， 稀疏表示， 深度学习， 计算神经科学

场景：瘫痪患者通过想象手脚运动，控制机械外骨骼行走或机械臂抓取物体；健康人的虚拟现实操控或游戏。
意义：运动想象 BCI 为严重运动功能障碍患者提供了新的沟通与控制渠道。传统的共同空间模式等方法特征提取依赖先验。该模型通过稀疏编码和 CNN​ 自动学习判别性时空特征，提高了解码准确率和鲁棒性。迁移学习缓解了 BCI 校准时间长的问题，推动 BCI 走向实用化。

X：多通道 EEG 信号矩阵。
D：字典矩阵，每列为一个原子（时空滤波器）。
Z：稀疏编码矩阵。
λ：稀疏性惩罚参数。
p(y∥X)：给定 EEG 信号 X时属于类别 y的概率。
CNN：卷积神经网络，参数为 θ。

稀疏性：假设 EEG 特征可由少量字典原子的线性组合表示。
时空建模：同时考虑信号的空间分布和时间演化。
端到端学习：CNN 可直接从原始或预处理信号学习分类特征。
迁移学习：利用源域知识加速目标域学习。

1. 数据采集：采集受试者在执行不同运动想象任务时的多通道 EEG 数据。
2. 预处理：滤波、降采样、分段。
3. 特征学习：在训练集上学习字典 D和稀疏编码 Z， 或直接训练 CNN。
4. 模型训练：用有标签数据训练分类器（如将稀疏特征输入 SVM，或训练 CNN）。
5. 模型微调：针对新用户，用其少量校准数据微调模型。
6. 在线解码：实时采集 EEG 信号，经预处理后输入模型，得到解码结果并转化为控制指令。

该模型描述了 “从脑电混沌中解读思维指令”​ 的过程。多通道 EEG 如同在头皮各处放置的“收音机”，收听着大脑皮层亿万神经元集体活动产生的“电波交响乐”。运动想象会改变特定脑区（运动皮层）神经元的同步放电模式，如同交响乐中某段旋律的“变调”。稀疏编码假设这段复杂的“变调”可以由少数几个基本的“音乐动机”（字典原子 dk​）以特定节奏（稀疏编码 Z）组合而成。CNN​ 则像一位“音乐AI”，它能直接从原始的“录音”（EEG）中，学习识别出与“左手旋律”和“右手旋律”相关的深层“和声模式”。最终，当受试者想象“左手动”，这个AI就能实时识别出对应的“音乐模式”，并翻译成“向左”的指令。这实现了对高维、噪声、非线性脑电信号的“意图特征提取”与“模式识别”。

TH-DD1-0025​

非线性动力学/燃烧学/自适应控制

旋转爆震发动机

基于Hopf分岔理论与自适应滑模控制的旋转爆震波模态切换与稳定控制模型​

RDE 燃烧室中，爆震波传播存在多种模态（单波、双波、反向波等），且会自发切换，影响推力稳定性。将燃烧室近似为环形反应器，用偏微分方程组描述反应流。通过线性稳定性分析，发现系统的Hopf 分岔导致周期性解（爆震波）的出现。控制目标是将爆震波稳定在期望的模态（如单波）和频率。设计自适应滑模控制器，控制输入为燃料喷注压力调制 u(t)。滑模面设计为：
s=e+c∫edt
其中 e=ωobs​−ωref​为观测到的爆震波频率与参考频率误差。控制律：
u=−Ksgn(s)−θ^ϕ(s)
其中 θ^为自适应参数，用于估计系统不确定性（如当量比波动），更新律 θ^˙=γsϕ(s)。控制器通过调制燃料供应，改变混合层当量比分布，从而影响爆震波传播速度，使其锁定在 ωref​。

1. 动力学建模：使用简化反应模型（如两步化学）和一维 Euler 方程，模拟爆震波在环形室中的传播。分析其平衡点（均匀状态）的稳定性。
2. 分岔分析：在参数空间（如当量比、进口压力）中，当穿过Hopf 分岔线时，均匀解失稳，出现极限环（爆震波）。分岔类型（超临界/亚临界）决定极限环的稳定性。
3. 滑模控制设计：
- 选择被控量：爆震波旋转频率 ω易于通过压力传感器测量。
- 设计滑模面 s=0， 使系统在滑模面上时，频率误差 e指数收敛到零。
- 设计不连续控制 u使系统状态在有限时间内到达滑模面。
4. 自适应律：引入自适应项 θ^ϕ(s)补偿模型不确定性（如化学反应速率、流场扰动），提高鲁棒性。
5. 稳定性证明：构造李雅普诺夫函数 V=21​s2+2γ1​θ~2， 证明在控制律下 V˙≤0。

条件：适用于连续旋转爆震发动机；需要高频压力传感器测量爆震波频率；燃料供应系统需具备快速调制能力（kHz）。
范围：用于美国空军研究实验室 RDE 地面试验、GE 公司 RDE 与涡轮组合研究中的燃烧稳定性控制。

非线性动力学， 燃烧控制， 自适应控制， 滑模控制

场景：旋转爆震冲压发动机在宽马赫数范围内工作，需稳定爆震波模态以保证推力连续；RDE 与涡轮组合，需抑制爆震波模态切换导致的压力振荡，保护下游涡轮。
意义：爆震波模态不稳定是制约 RDE 工程应用的关键难题。该模型从非线性动力学角度揭示了模态切换的分岔本质，并设计了自适应滑模控制器，能够强鲁棒地将爆震波锁定在期望模态，显著提高推力稳定性和发动机工作范围，是 RDE 走向实用化的必备控制技术。

ωobs​：观测到的爆震波旋转频率。
ωref​：期望的爆震波频率（对应目标模态）。
e：频率误差。
s：滑模面。
c,K：控制器正增益。
θ^：自适应参数估计。
ϕ(s)：已知的基函数向量。
γ：自适应增益。
u：控制输入（燃料压力调制量）。

分岔理论：用动力系统理论分析稳态解的产生与失稳。
变结构控制：滑模控制对匹配不确定性具有不变性。
自适应控制：在线估计不确定参数，增强鲁棒性。
频率控制：直接控制爆震波这一关键物理量的频率。

1. 系统建模：建立 RDE 燃烧室的简化动力学模型，进行线性稳定性与分岔分析。
2. 控制器设计：基于频率控制目标，设计滑模面和自适应控制律。
3. 仿真验证：在数值模型上测试控制器，验证其稳定模态和抗扰能力。
4. 实验标定：在 RDE 实验台上，标定频率与燃料压力的关系，确定控制增益范围。
5. 控制器部署：将算法部署到快速控制原型系统，连接传感器（压力）和执行器（燃料阀）。
6. 闭环实验：进行点火实验，验证控制器在真实扰动下稳定模态的效果。

该模型将 RDE 燃烧室视为一个 “非线性振荡器”​ 。均匀混合气状态是“静止”平衡点。当参数（如当量比）越过临界点（Hopf 分岔），平衡点失稳，系统开始“自激振荡”——爆震波旋转。但振荡的“节奏”（单波、双波）可能不稳定。自适应滑模控制器如同一位智能的“乐队指挥”。他用“耳朵”（压力传感器）监听着乐队的节奏 ωobs​，并与乐谱（ωref​）对比。一旦发现有乐手“抢拍”或“拖拍”（模态切换），他就通过“指挥棒”（燃料调制 u）强有力但精准地调整某些乐手的“气息”（当量比），迫使整个乐队回到正确的节拍上。即使乐器音准有变（参数不确定），他也能自适应地调整指挥方式。这实现了对强非线性、不稳定燃烧过程的“频率锁定”与“模态镇定”。

TH-DD1-0026​

材料科学/拓扑优化/热力学

高超音速飞行器

基于多尺度拓扑优化与相变材料的高超声速飞行器热防护/承载一体化结构设计模型​

设计一种多功能梯度点阵结构，外层为超高温陶瓷，中层为相变材料​ 与金属点阵复合，内层为承力结构。优化目标是在满足热防护和结构刚度/强度要求下，最小化重量。建立多尺度优化模型：
1. 宏观尺度：以结构密度分布 ρ(x)为设计变量，优化问题：
minρ​m=∫V​ρdV
s.t. K(ρ)u=f（静力学）
C(ρ)T˙+Kth​(ρ)T=q（瞬态热传导）
Tmax​≤Tallow​， σmax​≤σallow​
其中 K,Kth​为宏观刚度和热传导矩阵，由均匀化方法从细观尺度获取。
2. 细观尺度：设计点阵单胞的拓扑，以单胞杆件直径、角度为变量，最大化等效比刚度和比热导。
3. 相变材料集成：在点阵空隙中填充 PCM，其相变潜热 L在优化中作为约束或目标的一部分。

1. 多尺度建模：
- 宏观：将结构离散为有限元，每个单元具有均匀化后的等效属性。
- 细观：定义代表性体积单元，计算其等效弹性张量 CijklH​和热导张量 kijH​。
2. 均匀化理论：通过渐近展开，得到细观与宏观的关联。等效属性计算为：
$C_{ijkl}^H = \frac{1}{

Y

} \int_Y C{pqrs} (\epsilon{pq}^0(ij) - \epsilon{pq}^*(ij)) (\epsilon{rs}^0(kl) - \epsilon_{rs}^(kl)) dY<br>其中\epsilon^$ 为特征应变场。
3. 优化算法：采用变密度法（SIMP）或水平集法进行拓扑优化。敏度分析通过伴随法进行。由于问题强耦合、非线性，需采用序列凸规划或 MMA 求解。
4. PCM 模型：采用焓法或等效热容法处理相变。优化时考虑 PCM 的潜热效应，在温度约束中体现其“热缓冲”作用。
5. 制造约束：考虑增材制造（如 SLM）的工艺约束，如最小杆径、最大倾角，在优化中施加。

条件：适用于高超声速飞行器的翼前缘、鼻锥、控制舵等严重气动加热且承载的部位；适用于金属/陶瓷增材制造工艺。
范围：用于美国 HAWC/ARRW​ 等高超声速导弹、可重复使用空天飞机的热结构创新设计。

拓扑优化， 多尺度力学， 均匀化理论， 相变传热， 增材制造

场景：高超声速巡航导弹的整体式热防护-弹翼一体化设计，减重 30% 以上；X-37B 机翼前缘的轻量化主动冷却结构。
意义：传统热防护系统（TPS）与承力结构分开设计，重量大、连接复杂。该模型通过多尺度拓扑优化，在材料分布和微观构型两个层面协同设计，实现传热、承载、储能多功能一体化。结合PCM​ 和增材制造，可制造出传统方法无法实现的轻质、高效、复杂的多功能热结构，是飞行器性能跨越式提升的关键。

ρ(x)：宏观设计变量（伪密度）。
m：结构总质量。
K,Kth​：宏观刚度矩阵和热传导矩阵。
u,f：位移向量和载荷向量。
T,q：温度向量和热流向量。
CijklH​,kijH​：均匀化后的等效弹性张量和热导张量。
L：相变材料的潜热。
Tallow​,σallow​：允许的最高温度和应力。

多尺度优化：在宏观和细观两个尺度上同时优化设计变量。
物理场耦合：结构力学场和温度场强耦合。
拓扑优化：优化材料在空间的最优分布，是 0-1 整数规划问题，常用连续变量松弛。
制造约束：将工艺限制转化为数学约束。

TH-DD1-0027​

振动理论/主动控制/频域分析

超大型工业母机

基于陷波滤波器阵列与自适应前馈的主轴-刀柄系统切削颤振主动抑制模型​

在铣削/车削中，由于再生效应，可能引发切削颤振。系统动力学为：
Mx¨+Cx˙+Kx=Fc​(t,x,x˙)
其中 Fc​为时变、状态相关的切削力。线性化后得到时滞微分方程，其特征方程含有指数项 e−sτ， τ为刀具每齿切削周期。当实部为正的特征根出现时，系统颤振。采用主动阻尼器（如电磁作动器）施加控制力 Fa​。控制策略为：
1. 颤振频率辨识：实时 FFT 分析振动信号，提取主导颤振频率 ωc​。
2. 陷波滤波器阵列：设计一组并联的数字陷波滤波器 Hnotch,i​(z)，中心频率可在线调整至 ωc​及其倍频，深度抑制这些频率分量。
3. 自适应前馈：基于主轴转速和齿数，生成与切削力同频的参考信号 r(t)， 通过自适应滤波器 W(z)产生反相控制信号。LMS 算法更新权值：
w(n+1)=w(n)+μe(n)r(n)
其中 e(n)为残余振动误差。
总控制力 Fa​=Z−1{Hnotch​(z)X(z)}+wTr。

1. 颤振机理：再生颤振源于当前刀齿的切削痕迹被下个刀齿再次切削，形成动态反馈。稳定性分析通过求解特征方程得到稳定性叶瓣图。
2. 主动作动器集成：在主轴或刀柄上集成电磁或压电作动器，提供可控的阻尼力。
3. 控制设计：
- 陷波滤波：快速消除已发生的颤振频率成分。需在线调整中心频率以跟踪可能变化的颤振频率。
- 自适应前馈：针对周期性切削力的确定性成分进行前馈抵消，减轻反馈控制器负担。参考信号 r(t)可由主轴编码器信号生成。
4. 多输入多输出：通常需要控制多个方向（如 X, Y 向），设计 MIMO 控制器。
5. 稳定性与鲁棒性：需保证引入主动控制后，闭环系统稳定，且对模型误差（如模态参数变化）鲁棒。

条件：适用于高速铣削/车削加工中心；需集成力/加速度传感器和快速作动器；适用于弱刚性工件（如薄壁件）或高材料去除率加工。
范围：用于德国阿亨工业大学、美国 UC Berkeley​ 等研究的智能主轴/智能刀柄，及航空发动机整体叶盘等难加工零件的高效稳定加工。

振动控制， 信号处理， 自适应滤波， 切削动力学

场景：航空铝合金整体框的高速铣削，抑制颤振提高表面质量并允许更大切深；钛合金叶轮的五轴侧铣，防止颤振导致的刀具崩刃和表面振纹。
意义：切削颤振限制了加工效率、精度和刀具寿命。传统的被动方法（改变转速、切深）牺牲效率。该模型通过主动控制，实时检测并抑制颤振，允许在稳定性叶瓣图的“不稳定区”进行稳定加工，从而大幅提升材料去除率（可达 50% 以上）和加工质量，是实现高效精密制造的革命性技术。

x：刀具-工件系统的广义位移向量。
M,C,K：质量、阻尼、刚度矩阵。
Fc​：非线性时变切削力。
Fa​：主动控制力。
ωc​：颤振频率。
Hnotch,i​(z)：数字陷波滤波器传递函数。
r(n)：参考信号向量。
w(n)：自适应滤波器权值向量。
μ：LMS 步长。
e(n)：误差信号。

时滞系统：再生效应引入时滞，导致特征方程超越。
在线频率辨识：实时 FFT 或阶次跟踪识别颤振频率。
复合控制：结合反馈（陷波）和前馈（自适应）控制。
数字信号处理：控制算法在 DSP/FPGA 上实时运行。

1. 系统辨识：实验模态分析，获取主轴-刀柄系统的频响函数。
2. 传感器/作动器集成：在刀柄或主轴上安装加速度计和作动器。
3. 控制器开发：设计陷波滤波器阵列和自适应前馈控制算法。
4. 实时系统实现：将算法部署到快速控制原型（如 dSPACE），设定采样率（>5 kHz）。
5. 闭环调试：在机床上进行空载和试切实验，调节控制参数。
6. 性能测试：对比施加主动控制前后的切削稳定性极限、表面粗糙度和刀具磨损。

该模型描述了 “对切削颤振的精准声学对抗”​ 。切削过程如同在“演奏”一件“乐器”（机床-工件-刀具系统）。当参数合适时，演奏出平稳的“切削声”。当切深或转速进入“危险区”，再生效应像一个“正反馈麦克风”，会使某个特定频率的“杂音”（颤振频率 ωc​）被急剧放大，产生刺耳的“啸叫”（颤振）。主动阻尼器如同一个 “智能主动降噪耳机”​ 。它内部的“麦克风”（加速度计）实时监听“啸叫”的频率。陷波滤波器是“降噪电路”，针对“啸叫”频率产生一个反相声波，直接抵消它。自适应前馈则更聪明：它知道“乐器”的“乐谱”（主轴转速和齿数），能提前预测出周期性切削力会激发哪些“音符”，并预先产生反相声波进行抵消。两者结合，使得在“危险区”演奏时，听众（工件表面）也听不到任何“啸叫”，只有平稳的“乐声”。这实现了对自激振动的“在线监测、实时抵消”。

TH-DD1-0028​

优化理论/制导控制/凸优化

星舰

基于凸优化与微分平坦理论的星舰动力下降段燃料最优轨迹生成模型​

星舰动力下降段动力学模型（三自由度）：
r˙=v
v˙=mT​+g
m˙=−α∥T∥
其中 T为推力向量，m为质量，α=1/(Isp​g0​)。终端约束：r(tf​)=0,v(tf​)=0。初始约束给定。性能指标为最小燃料消耗，等价

TH-DD1-0028​

优化理论/机器学习/数字孪生

工业母机（美国）

基于深度强化学习与数字孪生的铣削工艺参数在线自适应优化模型​

在数字孪生中构建高保真铣削过程仿真模型，包括切削力、振动、刀具磨损、表面粗糙度预测。定义状态 st​（主轴功率、振动频谱、已加工表面图像特征），动作 at​（主轴转速 n、进给速度 f、轴向切深 ap​的调整量），奖励 rt​为多目标加权：
rt​=w1​⋅MRR−w2​⋅Fmax​−w3​⋅Ra−w4​⋅VB
其中 MRR为材料去除率（正奖励），Fmax​为最大切削力，Ra为表面粗糙度，VB为刀具磨损量（均为惩罚）。采用 深度确定性策略梯度​ 或 近端策略优化​ 算法，通过与数字孪生环境交互，学习最优策略 π∗(at​∥st​)， 实时调整工艺参数以在保证质量、刀具寿命的前提下最大化生产效率。

1. 数字孪生构建：集成物理模型（如机械力学、热力学）和数据驱动模型（如神经网络），构建能准确预测加工结果的虚拟机床。
2. 状态表征：从传感器（功率计、加速度计、视觉）提取高维特征，作为智能体的观测。
3. 奖励函数设计：精心设计多目标奖励函数，平衡效率、质量、成本。权重 wi​可根据生产需求调整。
4. 离线训练：在数字孪生环境中进行海量 episodes 训练，使智能体探索不同工况下的最优参数组合，避免在真实机床上试错。
5. 在线微调与部署：将训练好的策略部署到真实机床控制系统，并根据实际加工反馈（如实测 Ra）进行在线微调，实现自适应优化。

条件：需要高保真加工过程仿真模型或大量历史数据；机床需配备必要的传感器；适用于变工况（如不同材料、刀具）的中小批量精密加工。
范围：用于 美国通用电气航空​ 的自适应加工单元，哈斯自动化​ 高端加工中心的智能工艺优化模块。

强化学习， 数字孪生， 优化理论， 制造信息学

场景：航空发动机高温合金机匣的五轴铣削，根据刀具状态和工件余量实时优化切削参数，在保证表面完整性的同时将加工时间缩短 20%。
意义：传统工艺参数依赖经验或固定手册，无法适应动态变化。该模型通过 DRL​ 在数字孪生中“预演”无数可能，学习出全局最优或安全高效的参数调整策略，并在线自适应。这实现了从“静态工艺”到“动态智能工艺”​ 的飞跃，是智能制造的核心。

st​：状态向量（传感器读数、特征）。
at​：动作向量（工艺参数调整量）。
rt​：奖励值。
MRR：材料去除率。
Fmax​：最大切削力。
Ra：表面粗糙度。
VB：后刀面磨损宽度。
wi​：奖励权重系数。
πθ​：参数为 θ的策略网络。

序贯决策：将参数优化建模为马尔可夫决策过程。
模型无关：DRL 直接从与环境的交互中学习，不依赖精确的解析模型。
多目标优化：奖励函数融合多个相互冲突的目标。

1. 数字孪生环境开发：构建包含机床动力学、切削过程、刀具磨损的仿真环境。
2. 智能体设计：定义状态、动作空间和奖励函数，选择 DRL 算法（如 DDPG）。
3. 离线训练：在仿真中训练智能体，直至策略收敛。
4. 策略验证：在仿真中用测试工况验证策略性能。
5. 系统集成：将策略网络集成到机床 CNC 或边缘计算平台。
6. 在线运行：实时读取传感器数据，由策略网络输出参数调整指令，控制机床。

该模型构建了一个 “在虚拟世界中修炼，在现实世界中施展的加工大师”​ 。数字孪生是一个无限复盘的“虚拟道场”，在这里，“大师”（DRL智能体）可以无成本地尝试各种“招式”（参数组合），并立即看到“效果”（奖励）。通过千万次“修炼”，它学会了根据“对手的状态”（工件材料、刀具磨损）和“环境气息”（振动、功率），使出最恰到好处的“招式”，以最省力（低切削力）、最优雅（好表面）、最持久（少磨损）的方式“击败”材料。当“大师”进入现实机床，它便能实时感知、瞬间决策，始终保持在最优或安全的工作点上。这实现了加工过程从“开环经验控制”到“闭环感知-优化-执行”的升维。

TH-DD1-0029​

信号处理/贝叶斯估计/随机过程

工业母机（美国）

基于多传感器信息融合与隐马尔可夫模型的刀具磨损状态在线监测与剩余寿命预测模型​

从主轴功率、振动、声发射等多传感器采集信号，提取时域、频域、时频域特征 ft​。刀具健康状态 ht​建模为隐马尔可夫模型的隐状态（如“锋利”、“轻微磨损”、“严重磨损”、“失效”）。观测概率 P(ft​∥ht​)由高斯混合模型建模。系统通过 Baum-Welch 算法​ 离线学习 HMM 参数 λ=(A,B,π)。在线监测时，采用 Viterbi 算法​ 解码最可能的隐状态序列 h^1:t​。基于当前状态 ht​和状态转移矩阵 A， 预测刀具剩余使用寿命 RUL的分布。RUL预测可进一步结合维纳过程或伽马过程对磨损累积量进行建模。

1. 特征工程：从原始信号中提取与刀具磨损相关的鲁棒特征，如功率谱熵、小波包能量、声发射 RMS 值等。
2. HMM 建模：假设刀具健康状态是一个离散的马尔可夫链，状态转移由矩阵 A描述。观测特征 ft​是状态的随机输出。
3. 离线训练：使用已知磨损过程的完整数据（从新刀到报废），通过 Baum-Welch 算法最大似然估计 HMM 参数。
4. 在线解码与预测：
- 状态估计：基于当前和历史的观测序列 f1:t​， 用 Viterbi 算法估计当前最可能的状态 h^t​。
- RUL 预测：给定当前状态 ht​=i， 计算从状态 i首次到达失效状态 F的期望步数，作为 RUL点估计。结合状态不确定性，可给出 RUL的概率分布。
5. 自适应更新：随着加工不同材料或使用不同刀具，可在线更新观测概率 B以适应变化。

条件：需要多传感器数据采集系统；需要刀具从新到废的完整磨损数据用于训练；适用于定工况或缓变工况的连续加工（如车削、铣削）。
范围：用于 美国肯纳金属、山特维克可乐满​ 的智能刀具系统，及 NASA​ 太空制造设施的刀具健康管理。

隐马尔可夫模型， 信息融合， 可靠性预测， 信号处理

场景：汽车发动机缸体的高速铣削生产线，预测每把刀的剩余寿命，实现精准换刀，避免因刀具突然失效导致的工件报废和停机。
意义：传统定时换刀或基于经验的换刀策略保守或冒险。该模型通过多传感器融合和 HMM，实现了对刀具磨损状态的准确、在线、无创监测，并能概率性预测剩余寿命。这使得视情换刀成为可能，在保证加工质量的同时，最大化刀具利用率，减少非计划停机，是精益生产和智能制造的关键环节。

ft​：t时刻的多传感器特征向量。
ht​：t时刻的刀具健康隐状态。
λ=(A,B,π)：HMM 参数（转移矩阵、观测概率、初始分布）。
P(⋅∥⋅)：条件概率。
h^1:t​：估计的隐状态序列。
RUL：剩余使用寿命。
Aij​：从状态 i转移到状态 j的概率。

隐状态建模：真实状态不可直接观测，需通过观测序列推断。
时序相关性：HMM 考虑了状态的时间演化规律。
概率预测：输出是状态概率和 RUL 分布，而非确定值。
多源融合：在特征层或决策层融合多传感器信息。

1. 数据采集：在受控条件下进行刀具寿命试验，采集多传感器数据并记录刀具磨损量（后刀面磨损 VB）。
2. 特征提取与选择：从原始数据提取特征，并选择与磨损最相关的特征子集。
3. HMM 训练：将磨损过程离散为几个状态，用完整数据训练 HMM 参数 λ。
4. 在线监测系统部署：将训练好的 HMM 和特征提取算法集成到机床边缘计算设备。
5. 实时运行：在线采集信号，提取特征，运行 Viterbi 算法估计当前状态，并计算 RUL。
6. 预警与决策：当状态进入“严重磨损”或 RUL 低于阈值时，向控制系统或操作员发出换刀预警。

该模型将刀具磨损过程视为一个 “隐秘的疾病发展史”​ 。刀具的“健康状态”（锋利、磨损）是隐藏在体内的“病情阶段”，无法直接窥视。多传感器信号如同“体检指标”（心跳、体温、血液成分），它们受到病情影响，但带有噪声。HMM​ 是这位“AI 医生”的疾病发展模型：它知道病情通常如何演变（转移矩阵 A），以及每个病情阶段会表现出怎样的体检指标（观测概率 B）。在线监测时，“AI 医生”根据实时传来的“体检报告”（特征 ft​），运用它的医学知识（Viterbi 算法），推断出刀具最可能处于哪个“病情阶段”，并预测“还能坚持工作多久”（RUL）。这实现了对制造过程关键耗材的“预防性健康管理”。

TH-DD1-0030​

振动理论/主动控制/模态分析

工业母机（美国）

基于模态空间前馈与反馈复合控制的机床结构低频振动主动抑制模型​

机床结构振动方程：Mx¨+Cx˙+Kx=fdist​+fctrl​。通过实验模态分析，得到前 N阶模态参数（频率 ωi​、阻尼比 ζi​、振型 ϕi​）。利用模态变换 x=Φq， 将物理坐标方程解耦为模态坐标方程：
q¨​i​+2ζi​ωi​q˙​i​+ωi2​qi​=ϕiT​fdist​/mi​+ϕiT​fctrl​/mi​
其中 mi​为模态质量。控制策略：
1. 前馈控制：针对周期性激励（如主轴不平衡），基于转速信号生成同频正弦参考，通过自适应滤波（如 FxLMS）产生反相控制力，在各阶模态上抵消激励。
2. 反馈控制：针对随机扰动，对每阶模态设计独立的加速度反馈或位移微分反馈，增加模态阻尼。控制力 fctrl​=Φ−Tu， 其中 u为模态控制力向量。作动器采用音圈电机或压电陶瓷集成在机床关键位置。

1. 系统辨识：通过锤击法或激振器进行实验模态分析，获取结构低阶主导模态参数。
2. 模态解耦：验证模态振型 Φ的正交性，确保 M,K在模态坐标下对角化，C近似对角（比例阻尼）。
3. 控制器设计：
- 前馈：FxLMS 算法需要估计控制通道的次级路径（从作动器到误差传感器的传递函数）。
- 反馈：对每阶模态 i， 设计 PD 控制：ui​=−kp,i​qi​−kd,i​q˙​i​， 转化为物理坐标控制力。
4. 传感器/作动器布置：根据模态振型，将加速度传感器布置在振幅最大点，作动器布置在能有效激励目标模态的位置。
5. 稳定性分析：考虑作动器饱和、时延、模态截断误差，分析闭环系统的稳定性裕度。

条件：适用于大型、弱刚性机床（如龙门铣、落地镗）的低频结构振动抑制；需要集成作动器和传感器；适用于精密、超精密加工场景。
范围：用于 美国劳伦斯利弗莫尔国家实验室​ 的超精密机床，MAG IAS​ 大型动梁龙门加工中心的振动控制系统。

模态分析， 主动振动控制， 自适应滤波， 结构动力学

场景：大型光学元件（如望远镜镜坯）的超精密铣削，主动抑制由地面微振动和主轴旋转引起的结构振动，实现亚微米级形状精度和纳米级表面粗糙度。
意义：低频结构振动是限制大型机床加工精度的主要因素之一，被动隔振效果有限。该模型通过模态空间主动控制，能针对性地增加结构阻尼，并前馈抵消周期性激励源，将关键模态的振动幅值降低一个数量级以上。这为在非理想环境下实现极限精度加工提供了可能，是高端装备制造的核心技术。

M,C,K：质量、阻尼、刚度矩阵。
x,x˙,x¨：物理坐标位移、速度、加速度向量。
fdist​,fctrl​：扰动力和控制力向量。
Φ：模态振型矩阵。
q,q˙​,q¨​：模态坐标位移、速度、加速度向量。
ωi​,ζi​,ϕi​：第 i阶模态频率、阻尼比、振型向量。
mi​：第 i阶模态质量。
u：模态坐标下的控制力向量。

模态解耦：将多自由度系统转化为多个单自由度系统处理。
复合控制：结合前馈（针对确定性扰动）和反馈（针对随机扰动）。
自适应前馈：FxLMS 能自动调整滤波器权值以跟踪频率变化。
分布式控制：控制力作用于物理结构多个点。

1. 模态测试：对机床结构进行实验模态分析，识别前 N 阶模态参数。
2. 控制设计：针对目标模态，设计前馈和反馈控制律，计算控制增益。
3. 硬件集成：在机床上安装加速度传感器和音圈电机作动器，连接快速控制原型系统。
4. 次级路径辨识：离线辨识从各作动器到各传感器的传递函数。
5. 控制器实现：将控制算法（模态变换、前馈、反馈）编程实现，设定采样率。
6. 闭环调试与验证：进行空载和切削实验，调节参数，评估振动抑制效果。

该模型将机床结构视为一个 “可以主动调音的乐器”​ 。机床的各个结构模态如同乐器的不同音阶，每个音阶有自己的固有频率和阻尼。外部扰动（地面振动、主轴旋转）如同在“拨动”这些琴弦，产生不和谐的“杂音”（振动）。模态传感器是“听觉麦克风”，监听各个“音阶”的振动幅度。模态控制器是“智能调音师”：对于周期性“拨弦”（主轴不平衡），他提前生成一个反相“声波”（前馈力）去抵消；对于随机“风吹”（地面微振），他实时施加一个“阻尼手”（反馈力），增加琴弦的阻尼，让杂音迅速衰减。通过模态坐标变换，调音师可以独立、精准地调节每一根“琴弦”，使整个“乐器”在加工时保持“静默”。这实现了对分布式参数结构振动的“模态级精准阻尼注入”。

TH-DD1-0031​

强化学习/机器人学/模仿学习

自动化机器人（美国）

基于分层强化学习与技能原语的机器人灵巧操作任务通用决策模型​

将复杂的机器人操作任务（如装配、包装）分解为技能层次：高层任务规划器选择技能序列，中层技能原语（如“抓取”、“插入”、“旋拧”）参数化执行，底层运动控制器跟踪轨迹。采用 分层强化学习，如 Option-Critic​ 架构：高层策略 πhigh​在离散的技能选项空间中选择选项 ot​， 选项内部有终止条件 βo​和内部策略 πo​。奖励设计为稀疏的（任务完成）和稠密的（如距离误差、力超限惩罚）结合。通过离线预训练与在线微调：先在仿真环境中用大量任务预训练技能原语和策略，再迁移到真实机器人，用少量真实交互数据微调。

1. 技能分解与表示：将操作任务解构为可重复使用的技能原语。每个技能原语由其前提条件、效果、执行策略和终止条件定义。
2. HRL 框架：
- 高层：将任务目标转化为技能序列的 MDP。
- 中层（选项）：每个选项对应一个技能原语，其内部策略 πo​学习如何根据当前状态调整技能参数（如抓取位置、插入力）。
- 底层：执行运动控制，可采用已知的控制器（如阻抗控制）。
3. 训练策略：
- 技能预训练：在仿真中单独训练每个技能原语，使其在各种初始条件下鲁棒成功。
- 分层策略训练：在包含多个技能的复合任务中训练高层策略，学习技能选择和排序。
4. 仿真到真实迁移：采用域随机化技术，在仿真中随机化物理参数（摩擦、质量、外观），使策略能泛化到真实世界。再通过少量真实交互进行在线自适应。

条件：需要高保真物理仿真环境（如 MuJoCo, Isaac Sim）；机器人需配备力/力矩传感器和视觉；适用于结构化或半结构化环境中的复杂操作任务。
范围：用于 波士顿动力 Stretch​ 物流机器人，亚马逊机器人的分拣与包装系统，特斯拉 Optimus​ 的家庭服务任务。

分层强化学习， 技能学习， 机器人操作， 迁移学习

场景：物流仓库中，机器人自主完成从货架识别、抓取不同形状商品、到装入纸箱并封箱的完整流程；家庭环境中，人形机器人完成整理桌面、洗碗、使用工具等任务。
意义：传统机器人编程依赖精确示教，无法适应变化。该模型通过 HRL​ 让机器人自动学习可组合的技能库，并能规划技能序列以完成新任务。结合仿真到真实迁移，大大降低了真实机器人训练的数据需求和风险。这为实现通用、灵巧、自主的机器人操作提供了核心决策框架，是机器人走向广泛应用的关键。

st​：状态（关节角度、末端位姿、视觉、力觉）。
ot​：高层选择的选项（技能）。
πhigh​：高层策略。
πo​,βo​：选项 o的内部策略和终止概率。
rt​：奖励信号。
θ：策略网络参数。

层次化：将决策过程分解为抽象层次，简化学习。
技能复用：学习到的技能原语可在不同任务中复用。
稀疏奖励：处理长视野任务的关键挑战。
域随机化：解决仿真与现实差异的实用技术。

1. 任务与环境定义：在仿真中定义机器人模型、操作对象和任务目标。
2. 技能原语定义：识别并定义完成任务所需的基本技能（如抓、放、推、插）。
3. 技能预训练：在仿真中为每个技能原语训练鲁棒的执行策略。
4. 分层策略训练：给定一个复合任务，训练高层策略学习如何调用和排序技能原语。
5. 域随机化与策略泛化：在训练中随机化仿真参数，增强策略的鲁棒性。
6. 真实世界部署与微调：将策略部署到真实机器人，通过少量交互数据在线微调策略或技能参数。

该模型模拟了 “人类从本能动作到复杂技能的学习与组合过程”​ 。婴儿先学会“抓”、“看”、“爬”等基本动作原语。长大后，他学会将这些原语组合成“拿水杯喝水”、“用钥匙开门”等技能。HRL​ 中的技能原语就是机器人的“基本动作库”，通过预训练变得可靠。高层策略是机器人的“任务规划大脑”，它根据当前“看到”和“摸到”的（状态 st​），从“动作库”里选择一个最合适的“动作”（选项 ot​）来执行。如果这个动作做完还没达到目标（βo​未触发），大脑就再选下一个动作。通过无数次在“虚拟世界”（仿真）中的“玩耍”和“尝试”，机器人学会了如何组合动作来完成各种任务，并最终能在“现实世界”中施展。这实现了机器人从“单任务编程”到“多任务技能学习与规划”的认知升级。

TH-DD1-0032​

多智能体系统/分布式优化/图论

自动化机器人（美国）

基于分布式模型预测控制与共识算法的多移动机器人协同运输系统动态编队与避障模型​

N个移动机器人协同运输一个大型物体。每个机器人 i的动力学为 x˙i​=fi​(xi​,ui​)。定义物体为虚拟领导者，其期望轨迹 xd​(t)已知。控制目标：1) 所有机器人形成并保持特定刚性编队；2) 整体跟踪领导者轨迹；3) 避免机器人间及与环境障碍碰撞。采用 分布式模型预测控制：每个机器人 i在时域 T内求解局部优化问题：
minui​​∑k​(∥ei​∥2+∥ui​∥2)+∑j∈Ni​​∥x^i​−x^j​−dijd​∥2
s.t. 动力学约束、输入约束、碰撞避免约束 dist(xi​,xj​)≥dsafe​。
其中 ei​=xi​−(xd​+did​)为跟踪误差，dijd​为期望的相对位置，x^j​是邻居 j的预测状态（通过通信获得）。通过迭代求解和通信，实现分布式共识，使整体编队稳定并跟踪轨迹。

1. 系统建模：建立单个机器人的运动学或动力学模型。定义编队几何关系 dijd​。
2. DMPC 问题构建：每个机器人基于自身状态和从邻居接收的预测状态，构建局部优化问题。耦合项（编队保持）通过惩罚与邻居状态的偏差来实现。
3. 通信拓扑：定义机器人间的通信图 G。通常要求图是连通的，以确保信息能传播，实现编队共识。
4. 碰撞避免：在优化问题中引入基于距离的硬约束或惩罚项，确保机器人间及与障碍物的最小安全距离。
5. 求解与实现：每个机器人并行求解自己的 QP 或 NLP 问题（如使用 OSQP 或 ACADO），仅实施第一个控制量，然后在下一个采样周期重复。需要保证求解速度满足实时性要求。
6. 稳定性分析：在一定的通信和假设下，可以证明分布式闭环系统的稳定性和编队收敛性。

条件：机器人间需具备可靠的局部无线通信；每个机器人需具备一定的本地计算能力；适用于已知或部分已知环境中的协同搬运任务。
范围：用于 美国 Kiva Systems（亚马逊机器人）​ 的多AGV协同搬运系统，美国陆军的多无人地面车辆协同物资运输。

分布式控制， 模型预测控制， 多智能体协同， 图论

场景：电商仓库中，多台移动机器人协同将大型货架搬运至拣选站；救灾现场，多台无人车协同运输大型障碍物或搭建临时桥梁。
意义：单个机器人能力有限，多机器人协同能完成复杂任务。该模型通过 DMPC，使每个机器人仅依赖局部信息和邻居通信，就能自主决策，共同保持编队、跟踪轨迹并避障。无需中央控制器，系统具有可扩展性和鲁棒性（单个故障不影响整体）。这是实现高效、灵活、自主的群体机器人系统的核心控制架构。

xi​,ui​：机器人 i的状态和控制输入。
xd​(t)：虚拟领导者的期望轨迹。
did​：机器人 i相对于领导者的期望偏移。
dijd​：机器人 i和 j之间的期望相对位置。
Ni​：机器人 i的邻居集合（通信范围内）。
x^j​：邻居 j的预测状态。
dsafe​：安全距离。
ei​：跟踪误差。

分布式：无中心节点，决策基于局部信息。
预测：每个机器人优化未来一段时间的控制序列。
耦合约束：编队要求通过邻居间的耦合代价函数实现。
实时优化：需要在毫秒级完成局部优化求解。

1. 任务分配与编队定义：给定运输任务，确定所需机器人数量 N和编队形状（定义 dijd​）。
2. 通信网络建立：机器人开机，通过发现协议建立局部通信拓扑 G。
3. 分布式控制器运行：每个机器人周期性地：
a. 获取自身状态（定位）和感知到的邻居及障碍物信息。
b. 通过通信接收邻居的预测状态 x^j​。
c. 求解局部 DMPC 优化问题，得到最优控制序列。
d. 实施第一个控制量 ui∗​， 并将自己的预测状态广播给邻居。
4. 任务执行与监控：机器人群体协同运动，直至完成任务。上位系统监控整体状态。

该模型描述了一个 “具有群体智能的蚁群运输”​ 。想象一群蚂蚁协同搬运一片大树叶。没有一只蚂蚁是“指挥官”，但蚁群却能稳定地保持树叶的朝向和移动方向。每只蚂蚁（机器人）只遵循简单的局部规则：1) 尽量保持与旁边蚂蚁的固定距离和角度（编队代价）；2) 朝着大部队前进的方向用力（跟踪代价）；3) 别撞到旁边的蚂蚁和石头（避障约束）。DMPC​ 就是每只蚂蚁“大脑”里的快速优化器：它根据当前看到的局部情况（邻居位置、障碍物）和“听到”的旁边蚂蚁的“打算”（预测状态 x^j​），快速计算自己下一步该怎么走（ui​），才能使整个群体协调一致。通过所有蚂蚁同时进行这种局部感知、通信、优化，涌现出了全局有序的协同运输行为。这实现了去中心化系统的“自组织协同”。