固体发动机试车废气烟团抬升及扩散研究

对固体发动机试车排放废气烟团的抬升和扩散，采用计算与环境监测相结合的方式进行了系统研究，给出了烟团抬升计算公式。     

固体推进剂生产和使用对环境的污染及改进措施

综述了固体推进剂及火箭发动机在生产和使用过程中产生的污染以及改进措施。火箭推进剂燃气的酸性、对臭氧分解的作用及其毒性是造成其大气污染的主要来源，应设法降低各种污染或研究新型“洁净”推进剂，适应环境保护的要求。     

导弹发射箱(筒)内燃气流特性分析——热态试验研究

本试验是利用局部动力相似理论，在导弹燃气动力效应实验室利用缩比导弹发动机模拟燃气流对发射箱的冲击效应，主要对后盖不同开启时间气流对箱（筒）体的冲击规律作了深入的研究，以寻求气流的冲击特性对盖体开启时间的最佳效应，对箱（筒）体工程设计及最佳开盖时间提供预估参数和设计准则。     

固体火箭发动机羽焰测温方法研究

根据固体火箭发动机羽焰特征研制了多目标多光谱高温仪,它可同时测量羽焰六个目标点的温度,每个目标点均有八个工作波长。同时提出了求解真温的实用方法,完成了固体火箭发动机羽焰温度及其分布的测量。     

二维火箭喷焰流场的化学组份和电磁特性计算

提出了一种能计算二维火箭喷焰流场化学组份和电磁特性分布的计算模型和方法,并编制了相应的计算机程序。该程序能较真实地反映喷焰流场中发生的实际化学反应和电磁波衰减效应,适用于接近完全膨胀的少烟或无烟推进剂火箭喷焰参数的计算。计算结果表明,不考虑化学反应,将对流场内参量,特别是化学参量和电磁参量的计算结果产生很大误差。     

有中心锥圆排波瓣喷管引射器内流场模拟

为了了解有中心锥圆排波瓣喷管引射器内流场和温度场的特性，从圆柱坐标系出发，推导了非正交曲线坐标系下引射器内流场的基本方程，采用SIMPLEC算法和一种完全压力修正方法，在同位网络上求解了流场控制方程，并与实验测量结果进行了比较，结果表明，在中心锥壁面的作用下，圆柱混合管中流向涡很快形成，次流的低温等值线可以延伸至混合管中心轴线处，计算结果与测量值符合较好。     

多喷嘴超声速引射器启动性能试验

建立了多喷嘴超声速引射器试车台,采用燃气作为一次流驱动工质对多种多喷嘴构型引射器的启动性能进行了试验研究。试验结果表明:相对于环型引射和中心引射,具有较高一次流马赫数的多喷嘴引射在增强混合的同时引入了额外的压力损失,其启动所需要的第二喉道面积更大、最小启动压力更高;引射喷嘴个数越多、管道马赫数越高、引射喷嘴出口马赫数越高,则所需启动压力越高;引射喷嘴出口马赫数越高,所获得的盲腔压力越低;二次流的"助推"作用可以在一定程度上改善引射器的启动性能。     

混合管面积和位置对排气引射器性能的影响

通过对一个轴对称波瓣主喷管与４种不同截面积的圆形混合管、并分别在不同轴向位置时的组合试验,研究了混合管与主喷管截面积之比Ａｍ／Ａｐ及轴向间距Ｌｍｐ对排气引射系统的引射系数、压力损失系数和气动性能综合参数等的影响。结果表明：在试验范围内,Ａｍ／Ａｐ增大,系统的引射系数增大、综合氯动性能改善;Ｌｍｇ增大,４系统的引射系数和压力损失系数也增大。对于不同范围,压力损失系数增加的斜率不同,;总的趋势则是综合     

基于扇区负荷约束的管制移交间隔多目标优化模型

繁忙扇区的容量随着交通复杂性的改变而动态变化,现有的基于确定容量的管制移交间隔管理策略不再适用,且动态容量下频繁改变移交间隔也不利于空中管制指挥。本文首先通过将交通复杂性转化为管制工作负荷参数,解决移交间隔改变导致的容量动态变化问题,建立基于扇区负荷的容量流量匹配模型。其次设计管制移交间隔策略稳定性表征函数,提出以策略稳定性和延误成本为目标的管制移交策略优化模型和智能算法。最后基于昆明机场进近扇区实际数据进行仿真验证,证明本方法可以获得一组帕累托最优解,能够为流量管理部门发布管制移交策略以供决策支持。     

基于深度学习的辅助动力装置性能参数预测方法研究

针对传统机器学习的辅助动力装置(Auxiliary Power Unit, APU)性能参数预测方法不能充分利用参数数据间的时序性和非线性问题,提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)-长短期记忆(Long Short-Term Memory, LSTM)-注意力(Attention)的APU性能参数预测方法。首先,引入一维CNN,通过预处理的参数数据得到不同属性的抽象特征。然后,使用LSTM神经网络对这些特征进行记忆,并结合可以对特征状态赋予不同权重的Attention机制来实现参数预测。使用某型APU的参数数据预测未来不同步长的排气温度(Exhaust Gas Temperature, EGT)。实验结果表明,对于单步EGT的预测,CNN-LSTM-Attention模型在平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)指标上比CNN-LSTM、LSTM和简单循环神经网络(Simple Recurrent Neural Network, Simple RNN)模型分别降低了15.2%、32.5%、60.3%,在均方根误差(Root Mean Square Error, RMSE)指标上分别降低了7.3%、11.6%、32.9%。同时它在多步EGT的预测中具有较高的预测精度,证明了该方法的有效性,为短期APU性能变化趋势预测提供一定的参考。