等离子涂层热疲劳失效模式及失效机理研究

开展了等离子涂层构件热疲劳实验研究,对失效过程及失效模式进行考察,分析了对失效起主导作用的应力分量.针对陶瓷层材料引入粘塑性本构模型,对涂层的热疲劳进行数值模拟研究.分析表明,氧化层厚度为2 μm时,陶瓷层波峰位置容易萌生Ⅰ型横向裂纹,界面中部偏上位置容易萌生Ⅱ型横向裂纹;氧化层厚度为8 μm时,陶瓷层内部法向应力主导横向裂纹的扩展;不同厚度的氧化层内部将形成较高的应变能密度.给出了等离子涂层内部裂纹形成过程及机理.      

基于EMD及PNN的航天器振动环境分析

针对航天器非平稳随机振动信号模态频率密集的特点,提出了基于经验模式分解EMD (Empirical Mode Decomposition)的多分量过程神经网络PNN(Process Neural Network)自回归模型.通过EMD对原始时间序列进行分解, 使之成为一组不同尺度的局部正交本征模函数IMF(Intrinsic Mode Functions),利用PNN对每个IMF分别进行时变参数分析并以此确定其时变自功率谱密度,对所有分量的时变自功率谱密度通过叠加进行重构, 以此得到原始信号的时变自功率谱密度.仿真结果和实例分析表明:和传统的时频分析法相比,该方法直接使用信号数据,避免了相关估计计算,减小了计算工作量;无交叉干扰项,提高了信号的时频分布特性,具有较高的时频分辨率;对各工况下航天器的振动信号能有效的进行分析,具有较强的信号特征提取能力.      

民机缝翼滑轨机构磨损分析研究

民用飞机缝翼结构中滚轮滑轨机构的可靠性对飞行安全有着重要的影响。本文针对滚轮滑轨机构运动副表面的磨损机理进行分析,分别分析了滑轨几种磨损模式下的破坏机理,并针对降低滚轮滑轨机构的磨损量提出了几点建议。为民用飞机缝翼高寿命和高可靠性做了基础研究工作。     

诊断反舰导弹故障模式的故障诊断法运用

通过对反舰导弹故障分析,借助于故障树分析法,建立了被测导弹和测试系统的故障模式,以实现对导弹故障诊断和定位的自动化、综合化,进一步提高部队的快速保障和修理能力。     

高频激励下旋转柔性臂逆动力学模态自适应方法研究

在空间柔性机械臂的动力学与控制问题中,逆动力学求解常要求有较高的计算速度.当柔性多体系统受到高频激励时,必须考虑高阶模态才能保证足够的计算精度,但同时提高了计算自由度数,降低了计算速度.为了提高此类问题的计算效率,本文将模态自适应策略应用于旋转柔性臂逆动力学建模,计算了高频激励下产生期望旋转运动的柔性臂关节驱动力矩,验证了该方法的有效性,并研究了重力对计算结果的影响.      

采用单轴双太阳帆板空间站的一种姿态定向模式

采用单轴双帆板供电和单框架控制力矩陀螺(SGCMG)作为执行机构的倾斜轨道空间站,当太阳方向与轨道面夹角较大时,帆板的光照条件不易保证,为此本文针对这种类型的空间站设计了一种姿态定向模式以保证帆板的光照条件,并通过在阴影区姿态机动,利用重力梯度力矩对SGCMG进行卸载。仿真结果表明,该姿态定向模式满足太阳帆板的光照条件,重力梯度力矩卸载方法保证了SGCMG中的角动量不超出给定的范围。     

一次火箭流量对RBCC性能影响的数值和实验研究

利用三维两相数值计算方法和地面直联试验系统,开展了不同来流速度下一次火箭流量变化对发动机性能的影响。数值研究结果表明,在不同来流条件下,一次流流量的增加对发动机推力和比冲的贡献不同,在低速条件时,一次火箭流量的增加对来流空气的加热以及缩短二次燃料的雾化蒸发时间和距离起着积极的作用,对性能的提高有一定作用;当来流速度较高时,过大一次流流量对流动通道产生了阻塞效应,造成对推力和比冲贡献作用的减小。试验结果验证了数值研究得到的规律,特别在高马赫数条件下,一次火箭流量的增加对推力和比冲的贡献是减小的,且飞行速度越高,这种贡献越小。无论低速还是高速来流条件,存在着一个优化的一次流流量,这对提高发动机性能有很大好处。     

VHF地空数据链网关信息处理模式分析

VHF数据链网关信息处理模式直接影响系统的实时性,采用排队论模型详细分析了两种信息处理模式对系统实时性的影响,进行了计算机仿真,通过分析仿真结果,得到了适合的信息处理模式。     

冲角对压气机叶栅内二次涡的影响

在实验结果的基础上,通过数值模拟,并应用拓扑学原理和壁面流谱规律,分析了不同冲角下压气机叶栅内的二次涡的发展过程,给出了其拓扑结构。结果表明:随着冲角增加,叶栅吸力面的分离尺度增加,流动非定常性增强,并且分离形态由开式分离向闭式分离转化;而壁角涡对冲角变化不敏感。最后提出了新的压气机平面叶栅内的旋涡模型。      

基于EMD和SVM的滚动轴承故障诊断方法

将支持向量机(SupportVectorMachine,简称SVM)、经验模态分解(EmpiricalModeDecomposition,简称EMD)方法和AR(Auto-Regressive,简称AR)模型相结合应用于滚动轴承故障诊断中。该方法首先对滚动轴承振动信号进行经验模态分解,将其分解为多个内禀模态函数(IntrinsicModeFunction,简称IMF)之和,然后对每一个IMF分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型。实验结果表明,该方法在小样本情况下仍能准确、有效地对滚动轴承的工作状态和故障类型进行分类,从而实现了滚动轴承故障诊断的自动化。