带后缘小翼的旋翼振动载荷计算

建立了考虑弹性桨叶、刚性小翼的旋翼气动弹性分析模型和旋翼载荷计算方法.以广义质量和广义力的形式描述小翼惯性力和气动力对系统的影响,以非定常/动态失速模型计算剖面气动力,结合基于实验数据修正的组合气动模型计算带小翼部分的剖面气动力,集成大变形桨叶模型考虑弹性变形的非线性,以力积分法计算桨叶剖面振动载荷.通过计算分析与实验结果相比较,验证了建立的气动弹性模型和载荷计算方法.结果表明:建立的桨叶结构模型精度很高,气弹模型能够准确预测旋翼的振动载荷,挥舞弯矩平均误差控制在9.1%,使用修正的小翼气动模型能有效提高小翼运动时桨叶振动载荷的计算精度.      

一种提高螺旋桨相同步噪声模型辨识精度的方法

相同步降噪一般先通过一定飞行条件下的实测数据辨识出螺旋桨噪声模型,然后基于噪声模型计算出该条件下的最优相角,再将最优相角用于相同步降噪。在噪声模型辨识的过程中,受飞行速度、高度和气流变化等的影响,实测数据经常会发生较大的波动,从而影响辨识模型和最优相角的准确性。提出一种基于小波滤波和三参数正弦拟合法的最小数据波动的噪声数据选取方法,提高噪声模型的辨识精度,该方法通过小波滤波算法从噪声信号中提取出螺旋桨的叶尖通过频率信号,采用三参数正弦拟合算法合理地选择出波动最小的数据用于噪声模型辨识,从而有效地回避较大波动数据,提高辨识模型的精度。试验结果表明相较于传统使用固定数据辨识所得的噪声模型,使用最小波动数据辨识所得噪声模型能够获得更高的精度,且噪声模型预测的声压级和实际测量的声压级误差小于1dB,模型预测的最优相角与实际最优相角的误差小于5°,最优相角在试验位置点能够实现高达19.5dB的降噪效果。     

应用时变参数建模方法辨识时变模态参数

 应用非平稳时间序列的时变自回归建模方法进行了参数随时间变化的线性系统模态参数的辨识。对线性时变系统在白噪声激励下振动响应的非平稳时间序列进行建模。通过引入基函数将非平稳过程的辨识问题转化为线性时不变过程的辨识。结合信号时频变换确定模型阶次, 通过时变的伯格尔( Bur g) 算法对时变的自回归(AR) 模型系数和时变结构模态频率进行了估算。通过对刚度随时间变化的三自由度系统模态频率的仿真辨识, 验证了辨识方法的有效性。     

基于网格测力数据的多体分离轨迹预测方法研究

将基于风洞网格测力试验数据建立的气动力模型与刚体运动方程进行耦合求解得到多体分离轨迹-时间特性，建立了一种多体分离的离线轨迹预测方法。为了提高气动力模型的预测精度，针对移动最小二乘法（MLS）模型提出一种新的权函数形式，针对Kriging气动力数学模型通过加入样点预处理提出了Kriging-Pre数学模型。研究方法应用于来流马赫数6条件下，某并联两级入轨飞行器标模的分离特性研究。研究表明采用改进的两种气动力数学模型均可有效提高分离轨迹预测精度，得到与CFD以及风洞试验定性一致的结论。验证了本文提出的离线轨迹预测方法可以满足当前多体分离特性定性分析需求，具有较高时效性。     

基于时频域滤波及频域广义整体最小二乘辨识的飞机颤振模态参数辨识

提出一套适用于噪声环境的飞机颤振模态参数辨识方法.为减小噪声对辨识结果的影响,首先设计了一种针对扫频激励的时频滤波器,利用扫频信号及其响应在时频域分布较为集中的特点,有效去除噪声,提高了试验数据的信噪比.为进一步提高辨识精度,提出了一种基于随机模型的频域广义最小二乘辨识算法.将噪声条件下的系统辨识问题转化为广义整体最小二乘问题,并采用线性的广义奇异值分解求解模型系数,避免了非线性优化的复杂计算.通过优化加权项,获得了接近极大似然估计的辨识效果.最后,通过试飞试验数据验证了方法的有效性.     

脉冲风洞天平-模型支撑一体化测力技术研究

机体/推进一体化气动性能评估是超高速技术发展的关键之一，一体化试验模型具有扁平比很高的特点，内部空间十分有限，传统测力天平安装时将占用模型大量空间，导致发动机相关设备难以安装，从而影响风洞试验的开展。针对上述问题，设计了天平-模型支撑一体化测力装置，并对其进行了强度分析和模态分析，验证了测力装置的强度和频响特性；其次，对一体化测力装置进行了静态校准，获得了相应的载荷计算公式；最后针对2.0m试验模型在Φ600mm脉冲燃烧风洞中开展了Ma5.0、Ma5.5、Ma6.0状态下的气动力载荷测量试验，并对该测量结果与成熟的盒式天平测量结果进行了对比，两者一致性较好，最大测量误差为Ma5.5状态下的法向输出结果，最大值为6.45%，能满足脉冲风洞测力要求。本研究提出的一体化测力装置可为脉冲风洞中机体/推进一体化气动力实验提供参考，进一步发展了脉冲风洞测力技术。     

支持向量机在航空发动机起动模型辨识中的应用研究

支持向量机（SVM）可以优化网络，有效降低模型复杂性，不存在维数灾难和局部极小问题。本文以某型发动机起动调整试验的试车数据为样本，使用SVM对某一大气条件下的发动机起动模型进行了辨识，并使用另外一组试车数据．通过辨识模型对起动过程进行了仿真；最后，比较了SVM和RBF神经网络起动模型的辨识精度。结果表明，用SVM辨识发动机起动过程模型，方法简单，学习速度快，辨识精度较高。     

升力体飞行器尾喷流模拟气动力试验方法研究

尾喷流对升力体高超声速飞行器的气动特性影响显著,风洞喷流模拟测力试验是研究升力体飞行器尾喷流干扰效应的重要手段。在尾喷流模拟气动力试验中,选取恰当的喷流模拟参数,以及克服喷流供气管路对天平测力的干扰以提高测量精准度,是需要解决的关键技术。在 CARDC 的Ф1米高超声速风洞中,研究了采用冷喷流模拟、飞行器整体模型测力的升力体飞行器尾喷流模拟测力试验方法。通过优化模型结构设计、选用小干扰的喷管分断缝隙密封措施,解决了带尾喷流模拟条件下的升力体飞行器气动力精确测量问题,提高了带喷流气动力试验数据精度,接近常规气动力试验的水平。     

小展弦比飞翼标模三座高速风洞气动力数据相关性研究

为研究飞翼布局模型在不同风洞的测力试验数据的相关性，分析飞翼布局模型风洞测力试验精度水平，为以融合体飞翼布局为代表的未来作战飞机气动力试验精度提供参考，采用同一台测力天平及外形相同的尾支杆在国内三座1．2 m 风洞中对小展弦比飞翼标模进行了重复性试验和对比试验。试验结果表明，小展弦比飞翼标模风洞测力试验精度及不同风洞数据相关性与飞翼布局流动特性关系较大，在小迎角附着流状态，不同风洞的数据相关性较好，测力精度较高，随着迎角的增加，飞翼布局背风面前缘涡会发生破裂，涡破裂后不同风洞的数据相关性和试验精度都有不同程度的降低。跨声速条件下由于飞翼布局背风面复杂的流动特性，使得其试验精度较超声速略差。不同风洞数据的差异主要体现在升力特性拐点起始迎角、近声速附近马赫数的零升阻力系数和零升迎角方面。     

基于DRSN与电压幅值分析的航空HVDC系统逆变器故障诊断

机载270 V高压直流（HVDC）系统的故障诊断一直是航电领域中的一个难点问题,为此提出了基于深度残差收缩网络（DRSN）的故障模块识别算法与基于线电压幅值分析的故障器件定位算法。首先对系统总电流进行采集,并进行差值标准化处理获得特征数据;根据特征数据的特点,利用Flatten层对原有DRSN结构进行改进,来提高算法对故障模块的识别精度。在确定系统逆变模块故障之后,利用两相线电压之比确定出故障相,再利用线电压均值模型确定故障器件。相比于现有方法,所提方法仅使用1个电流传感器和2个电压传感器便实现了系统故障诊断,满足了飞机对重量的限制要求。实验证明：所提出的方法故障模块识别精度,以及故障器件定位精度可达97%以上,具有较好实用性。     

Transfer learning: A new aerodynamic force identification network based on adaptive EMD and soft thresholding in hypersonic wind tunnel

The aerodynamic test in the pulse combustion wind tunnel is very important for the design, evaluation and optimization of aerodynamic characteristics of the hypersonic aircraft. The test accuracy even affects the success or failure of hypersonic aircraft development. In the aerodynamic test of pulse combustion wind tunnel, the aerodynamic signal is disturbed by the inertial force signal, which seriously affects the test accuracy of aerodynamic force. Aiming at the above problems, this paper innovatively proposes an aerodynamic intelligent identification method, that is the transfer learning network based on adaptive Empirical Modal Decomposition (EMD) and Soft Thresholding (TLN-AE&ST). Compared with the existing aerodynamic intelligent identification model based on deep learning technology, this study introduces the transfer learning idea into the aerodynamic intelligent identification model for the first time. The TLN-AE&ST effectively alleviates the problem of scarcity of training samples for intelligent models due to the high cost of wind tunnel tests, and provides a new idea for further implementation of deep learning technology in the field of wind tunnel aerodynamic testing. And this study designed residual attention block with soft threshold and dense block with adaptive EMD in TLN-AE&ST model. Residual attention block with soft threshold module can more effectively suppress the influence of instrument noise signal on model training effect. Dense block with adaptive EMD makes the deep learning model no longer a black box to a certain extent, and has certain physical significance. Finally, a series of wind tunnel tests were carried out in the Φ = 2.4 m pulse combustion wind tunnel of China Aerodynamic Research and Development Center to verify the effectiveness of TLN-AE&ST.     

Force measurement using strain-gauge balance in shock tunnel based on deep learning

When a force test is conducted in a shock tunnel, vibration of the Force Measurement System (FMS) is excited under the strong flow impact, and it cannot be attenuated rapidly within the extremely short test duration of milliseconds order. The output signal of the force balance is coupled with the aerodynamic force and the inertial vibration. This interference can result in inaccurate force measurements, which can negatively impact the accuracy of the test results. To eliminate inertial vibration interference from the output signal, proposed here is a dynamic calibration modeling method for an FMS based on deep learning. The signal is processed using an intelligent Recurrent Neural Network (RNN) model in the time domain and an intelligent Convolutional Neural Network (CNN) model in the frequency domain. Results processed with the intelligent models show that the inertial vibration characteristics of the FMS can be identified efficiently and its main frequency is about 380 Hz. After processed by the intelligent models, the inertial vibration is mostly eliminated from the output signal. Also, the data processing results are subjected to error analysis. The relative error of each component is about 1%, which verifies that the modeling method based on deep learning has considerable engineering application value in data processing for pulse-type strain-gauge balances. Overall, the proposed dynamic calibration modeling method has the potential to improve the accuracy and reliability of force measurements in shock tunnel tests, which could have significant implications for the field of aerospace engineering.     

非电传民机纵向气动参数辨识激励信号研究

针对非电传民机气动参数辨识时,须通过设计激励信号激发出与待辨识参数相关的飞机运动模态才能得到准确的气动参数的特点,开展了适用于非电传民机纵向气动参数辨识的激励信号设计方法研究。基于信号能量分布和幅频响应分析的信号设计方法,对激励信号进行参数设计;综合辨识效果和驾驶员的易操纵性,建议选取经参数设计后的单周期正弦信号作为非电传民机的纵向激励信号。试飞验证结果表明,所提方法能够较好地激发出飞机运动模态,使试飞数据具有较高的气动参数可辨识性。     

变截面悬臂梁结构动载荷辨识方法

在航空航天领域，作用在结构上动载荷的确定对结构健康监测是非常必要和重要的。为此，本文以类似机翼结构的变截面悬臂梁结构为研究对象，提出了一种基于光纤光栅传感器与卡尔曼滤波器的动载荷识别方法。首先，根据变截面梁单元形式，推导出变截面梁的质量矩阵与刚度矩阵，建立动力学运动方程。然后，以光纤光栅传感器测得的应变信息作为观测信号，通过卡尔曼滤波器生成的增益矩阵、新息序列矩阵以及协方差矩阵，得到灵敏度矩阵和估计力的增益矩阵。在此基础上，利用广义回归模型及其最小二乘算法，估算出动载荷大小、判断出动载荷激励位置。借助数值仿真与实验手段，分别验证了该方法对于单点正弦激励、方波激励、锯齿波激励以及多点同时激励等工况下的动载荷识别效果。结果表明，本文所提算法具有较好的动载荷识别效果和噪声抑制能力，能够为未来风洞试验和真实飞行试验环境中诸如大展弦比机翼表面气动压力等载荷实时辨识、气动外形自适应控制以及结构健康监测提供技术支撑。     

基于HHT的航空发动机气动失稳信号

针对航空发动机工作范围内存在的气动失稳现象,运用希尔伯特-黄变换(HHT)分析其信号的时变特征;通过对其处理非线性、非平稳信号分析新方法与其他时频分析方法的对比,并对HHT存在的问题进行针对性解决,使其适应航空发动机气动失稳数据分析的要求.并在Labview平台上通过数字仿真试验实现和验证了HHT方法;结果表明:此算法准确有效;通过航空发动机工程试验数据的处理过程,验证了HHT在处理此类相关问题时的可行性、适用性,同时指出其仍然存在的缺陷.     

遗传寻优神经网络在平台温控系统建模中的应用

温度直接影响惯性仪表及惯性平台的使用精度,而高精度温控系统的设计依赖于准确的平台加温模型,针对平台系统中多种惯性仪表加温过程复杂度高,当前采用的阶跃响应辨识方法存在模型适应性差、精度不高等情况,且针对基于梯度下降的BP学习算法存在局部收敛的问题.采用基于遗传算法寻优的神经网络辨识的方法,对惯性仪表加温模型进行建模,试验验证通过遗传寻优后的BP神经网络学习算法,提高了网络的学习精度,进而提高了平台系统中惯性仪表加温过程数学模型的精度,模型适应性较高,为后续惯性仪表的加温控制方法的设计提供了必要的条件.     

基于VMD-CWT和改进CNN的直升机轴承故障诊断

由于直升机自动倾斜器滚动轴承振动信号具有非平稳、非线性特点,并夹杂非敏感故障特征信息,导致网络模型对周期信号过于敏感,不能充分利用故障信息的问题;针对此问题,提出一种变分模态分解(VMD)与连续小波变换(CWT)联合提取敏感故障特征的方法。研究表明:在相同模型训练下,该方法相对其他方法最高可提升模型准确率20.8%。为了解决卷积神经网络(CNN)进一步提高故障识别精度难的问题,提出一种基于K最近邻(KNN)改进的CNN的模型,在课题组和西储大学公开轴承数据集验证,测试精度达到99.8%和100%,可有效实现直升机自动倾斜器滚动轴承的故障诊断。     

Investigation of lateral-directional aerodynamic parameters identification method for fly-by-wire passenger airliners

A new identification method is proposed to solve the problem of the influence on the loaded excitation signals brought by high feedback gain augmentation in lateral-directional aerodynamic parameters identification of fly-by-wire（FBW） passenger airliners. Taking for example an FBW passenger airliner model with directional relaxed-static-stability, through analysis of its signal energy distribution and airframe frequency response, a new method is proposed for signal type selection, signal parameters design, and the appropriate frequency relationship between the aileron and rudder excitation signals. A simulation validation is presented of the FBW passenger airliner＇s lateral-directional aerodynamic parameters identification. The validation result demonstrates that the designed signal can excite the lateral-directional motion mode of the FBW passenger airliner adequately and persistently. Meanwhile, the relative errors of aerodynamic parameters are less than 5%.