用真实IMU/GPS数据进行机载SAR运动补偿处理

分析了机载SAR(Synthetic Aperture Radar)条带成像模式的运动补偿技术原理,通过对激光IMU/GPS(Inertial Measurement Units/Global Positioning System)组合提供的位置参数进行分析,表明Y12载机平台具有很大的运动误差,在此基础上利用高精度激光IMU/GPS组合提供的天线相位中心精确位置参数,结合距离-多普勒成像算法进行了机载SAR数据的运动补偿处理,试验表明利用此IMU/GPS提供的运动参数进行对具有很大运动误差的SAR数据运动补偿后,已不需要计算负担沉重的自聚焦类算法进行残留运动误差补偿,就能得到高质量的高分辨率SAR图像.     

机载SAR成像信号处理研究和实践

成像信号处理是合成孔径雷达(SAR)的核心．必须根据SAR系统战技指标的要求，设计先进、合理和实用的成像信号处理方案和算法。某型机载SAR旁视成像模式综合运用二维可分离成像算法、预处理和运动补偿，前斜视成像模式综合运用线性距离多普勒成像算法、天线扫描和运动补偿，满足了全数字化、机上实时成像的要求。样机试飞中，在国内首次获得高清晰度3m分辨率的旁视SAR图像和首次实现高分辨率前斜视SAR成像。试飞数据在地面处理后，在国内首次获得方位分辨率优于0．5m的成像结果。     

超声速横侧射流燃烧中可压缩性影响的数值研究

为了研究湍流的可压缩性效应对超声速燃烧的影响,对复杂的超声速横侧射流氢气/空气燃烧流场进行了数值模拟。采用修正的k-ε湍流模型(包括膨胀可压缩性和激波不稳定性两部分修正),考虑H2/Air详细化学反应机理(GRI-Mech2.11机理,10组分,28基元反应)。结果表明,可压缩性修正k-ε湍流模型能够预测复杂的超声速横侧射流流场结构。可压缩性使流体分离增强,湍流混合受到抑制,从而显著影响了超声速燃烧过程,数值模拟中需要考虑可压缩性效应的影响。     

三维加力燃烧室两相湍流燃烧的数值模拟

本文对涡扇发动机三维加力燃烧室内的两相湍流燃烧过程进行了数值模拟。两相流模型采用双流体模型,湍流模型采用标准 k-ε模型,湍流燃烧采用涡旋破碎 ( EBU)模型,数值方法采用 LEAGAP算法。计算结果定性合理。      

三维加力燃烧室湍流流场的数值模拟

采用SIMPLE方法,对涡扇航空发动机加力燃烧室内无化学反应的湍流流场进行了数值模拟。该加力燃烧室带有波瓣型混合器,并有多个环形稳定器及径向稳定器。湍流模型采用kε双方程模型。湍流流场数值计算结果合理。     

基于灰色神经网络的疲劳裂纹预测方法研究

为对构件疲劳损伤进行预测,提出了基于灰色神经网络模型的疲劳裂纹扩展预测方法。将灰色GM（I,1）模型向BP网络映射,建立了一维灰色神经网络GNNM（1,1）模型。基于灰色GM（1,1）模型的发展系数和灰作用量给出了GNNM（1,1）模型初始权值。应用建立的GNNM（1,1）模型预测了某不锈钢构件腐蚀疲劳裂纹的扩展,并与GM（I,1）模型的预测结果进行了对比,表明GNNM（1,1）模型具有更高的预测精度和模型精度。     

某型涡扇发动机使用可靠性评估

对某型发动机进行使用故障统计分析,得到故障随使用时间、故障类型的分布和平均故障间隔时间、返修率等可靠性参数。对该型发动机使用返修记录进行统计分析,得到发动机返修、提前换发与发动机返修后使用寿命的关系,以对该型发动机寿命控制提供借鉴或依据。     

通道中有稳定器的湍流流场分区计算方法

采用任意曲线坐标系对含有Ｖ型稳定器的通道内湍流流场进行数值计算。对含有Ｖ型槽的复杂流场中网格分区方法作了详细的分析,提出一个新的网格划分方法。数值计算采用曲线坐标系下非交错网格的ＳＩＭＰＬＥ方法,计算时对整个流场进行分区迭代,直到得到收敛结果。文中对一含有Ｖ型稳定器的直通道湍流流场进行了数值计算,结果合理。     

固体火箭发动机复合材料燃烧室外压稳定性研究

为了研究固体火箭发动机的外压承载能力,采用非线性有限元分析方法,对未填充药柱复合材料壳体、带药燃烧室的外压承载能力进行了仿真分析,并采用试验方法对仿真结果进行校验。研究结果表明,带药燃烧室的外压承载能力明显高于未填充药柱的复合材料壳体,药柱对燃烧室的承载能力有增强效果。此外,燃烧室内部充压能够有效提高其外压承载能力,且内部压强与燃烧室外压承载能力几乎呈线性关系。同时,还发现对于环槽加中孔药型,当药柱模量较低时,筒段为外压承载的薄弱部位,药柱模量增加有利于提高燃烧室失稳外压临界值;但是当药柱模量增加至一定程度时,封头由于环槽部位药柱肉厚较薄而转变为新的薄弱部位,药柱模量增加燃烧室失稳外压临界值并不增加。     

基于模糊数据挖掘的网络入侵检测模型

提出了一个基于模糊数据挖掘的入侵模型.异常检测的一个主要问题是正常模式随时间变化.如果一个实际的入侵行为稍有偏差就有可能与正常的模式相匹配,而异常检测系统则无法检测到这种入侵行为.为解决这个问题,本文利用模糊数据挖掘技术建立正常模式,并用一组模糊关联规则表示.在进行异常检测时,利用新的审计数据挖掘当前模糊关联规则,并计算其与正常模式的相似度,如相似度低于规定的阈值,使其产生入侵警报.最后,文中利用遗传算法优化模糊成员函数来选择其参数.