增升状态下的全机位流数值模拟

研究了势流理论下的全机增升装置复杂外形气动力数值计算方法,该方法以低阶面元法为基础,具有计算量小、速度快的优点.复杂流动的粘性效应主要通过附面层粘性修正技术加以体现.采用该方法对某增升装置翼身组合体外形压力分布特性进行计算,并和风洞实验数据相比较,验证了方法的正确性和实用性.在此基础上对某型飞机真实复杂外形的压力分布特性进行了计算,为复杂外形飞行器增升装置的初步设计、方案选型与评估提供了非常理想的工程技术手段.     

锻造LF6法兰阳极化后表面深灰色原因分析

锻造LF6材料法兰硫酸阳极化后表面产生深灰色物质,影响产品质量和性能。分析认为这种现象与材料、机械加工和表面腐蚀有关,为此设计了一系列工艺验证试验,探寻深灰色物质产生的原因。试验结果表明,锻造LF6材料自身所含有的金属元素、机械加工和生产周期过长是阳极化封闭后零件表面产生深灰色的主要原因。     

固液混合推进石蜡燃料的性质及燃烧性能研究

石蜡燃料具有高退移速率和低成本的特性,是理想的固液混合推进剂燃料。为了研究不同石蜡燃料的性质对燃烧性能的影响规律,针对54#,58#,62#和66#4种粗晶石蜡和58#,60#,70#和90#4种微晶石蜡开展了粘度分析和TG-DSC热分析,并利用高速摄影法测试了8种石蜡在氧气流中的燃烧性能。研究结果表明:8种石蜡燃料的退移速率与氧气质量密流之间均满足幂函数关系,幂函数系数分别为0.0521±0.0012,0.0479±0.0008,0.0444±0.0010,0.0394±0.0007,0.0459±0.0009,0.0411±0.0008,0.0385±0.0011和0.0247±0.0007。石蜡的燃烧特性受粘度和熔点的影响很大,熔点越高,其退移速率越低;石蜡熔化液体的粘度越低,其退移速率越高。8种石蜡燃料的平均退移速率分别比HTPB燃料的退移速率高196%,171%,159%,141%,156%,146%,125%和48%。     

基于实测星载原子钟数据的脉冲星守时方法

利用脉冲星估计星载原子钟钟差是实现卫星自主守时的途径之一。为充分分析基于脉冲星的自主守时系统性能，利用实测的星载原子钟钟差数据和中子星内部组成探测器(neutron star interior composition explorer, NICER)的PSR B1937+21脉冲星的观测数据，对比分析了星载原子钟和脉冲星的误差特性。设计了脉冲星守时系统框架和星载原子钟钟差估计方法。以实测的星载原子钟钟差数据为基础，计算分析了脉冲星守时系统的性能。计算结果表明，若脉冲星的脉冲到达时间（time of arrival, TOA）解算精度为1 μs/30 d，则原子钟钟差估计精度可达到优于1 μs的水平，初步验证了脉冲星守时系统的可行性。     

尾涡数值模拟的曲涡元技术

连接涡线端点形成涡段并计算其对空间任意点的影响系数是尾迹分析的基本环节,称为涡元技术。本文推出圆弧涡元与其应用程序,并引进抛物拱弧涡元,以代替传统的直涡元。提供的曲涡元程序可方便地用于尾迹分析,算例表明曲涡元在提高精度减少计算量方面的先进性。     

星用非金属材料出气污染性质原位测试设备研制

成功研制了星用非金属材料出气污染性质原位测试设备， 可原位、连续、定量测试星用非金属材料出气可凝挥发物，给出全过程的出气数据。测试系统稳定、测试仪器灵敏、最小可检达４．４×１０－ ８ｇ／ｃｍ ２。是我国目前唯一的多功位星用非金属材料出气污染高灵敏度原位测试设备。     

固体燃料ATR涡轮/压气机匹配方法研究

为了获得固体燃料空气涡轮火箭发动机(SP-ATR)中涡轮和压气机的匹配工作特性,建立了涡轮和压气机的工作特性模型,根据SP-ATR转速、功率和背压平衡的工作特点,分别基于涡轮和压气机的工作环境先后采用两种不同的方法完成了二者的匹配。对比两种匹配方法得出结论:(1)基于涡轮的匹配方法与转速稳定过程一致,可确定特定飞行环境中发动机的转速;(2)基于压气机的匹配方法需要条件更少、适用范围更广,可用于特定转速调控方案下驱涡燃气流量的确定。两种匹配方法的计算结果相对Ax STREAM仿真结果的最大误差为10.75%,两种匹配方法的计算结果相差不超过8%。将建立的匹配方法应用于HARM弹自主爬升飞行过程,得到SP-ATR驱涡燃气流量的定量调控规律。     

A non-local vectorial total variational model for multichannel SAR image speckle suppression

This paper aims at the multichannel synthetic aperture radar(SAR)image speckle reduction.This paper proposes a novel energy minimized regularization model for multichannel image denoising,which is an extension of the non-local total variational model for gray-scale image.It contains two terms,namely the vectorial data fidelity term and the non-local vectorial total variation term.The latter is constructed by high-dimensional non-local gradient that contains the structure information of the multichannel image.The existence and the uniqueness of the solution of the model are proved.A fixed point iterative algorithm is designed to acquire the solution of this model.The convergence property of this algorithm is proved as well.This model is applied to the multipolarimetric and multi-temporal RADARSAT-2 images despeckling.The result shows that this model performs better than the original vectorial total variational model on texture preserving.     

Determination of optimal samples for robot calibration based on error similarity

Industrial robots are used for automatic drilling and riveting.The absolute position accuracy of an industrial robot is one of the key performance indexes in aircraft assembly,and can be improved through error compensation to meet aircraft assembly requirements.The achievable accuracy and the difficulty of accuracy compensation implementation are closely related to the choice of sampling points.Therefore,based on the error similarity error compensation method,a method for choosing sampling points on a uniform grid is proposed.A simulation is conducted to analyze the influence of the sample point locations on error compensation.In addition,the grid steps of the sampling points are optimized using a statistical analysis method.The method is used to generate grids and optimize the grid steps of a Kuka KR-210 robot.The experimental results show that the method for planning sampling data can be used to effectively optimize the sampling grid.After error compensation,the position accuracy of the robot meets the position accuracy requirements.     

结构自适应序贯正则极端学习机时间序列预测及其应用

为提高初始小样本情况下时间序列在线预测的精度,提出了一种结构自适应序贯正则极端学习机(SA-SRELM)。该方法在在线序贯学习阶段,针对不同训练样本规模选择不同的递推方式对输出权值进行更新;同时,在训练样本达到一定规模后,为提高预测模型对系统的动态适应性,在加入新样本的同时对旧样本进行剔除,完成预测模型的训练。利用3种混沌时间序列预测实例对所提方法的有效性进行了验证。最后,将所提方法用于航空发动机排气温度预测中,结果表明该方法相对正则极端学习机(RELM)和序贯正则极端学习机(SRELM)方法具有更好的泛化性能,预测精度分别是二者的约6倍和2倍。