端壁转动对凹槽叶尖流动换热性能的影响

为了研究端壁转动对跨声速凹槽叶尖流动换热性能的影响,采用数值方法,详细研究了三种冷却孔结构凹槽叶尖在端壁转动条件下的叶尖间隙流场、冷却流流态、气膜冷却效率、叶尖表面换热系数和叶尖泄漏流量,同时考虑凹槽深度和端壁转动速度的影响。结果表明:端壁转动在叶尖凹槽内形成与泄漏流分离涡方向相反的旋涡,使泄漏流在凹槽底面的再附增强,在凹槽突肩的再附减弱。端壁转动能减少叶尖泄漏流量,研究范围内,叶尖相对泄漏流量最多减小20%。随着凹槽深度增大,叶尖平均气膜冷却效率随之增大,叶尖平均换热系数和叶尖泄漏流量随之减小。随着端壁转速减小,叶尖泄漏流量随之增大,压力侧和吸力侧冷却孔模型的叶尖平均气膜冷却效率随之减小,而中弧线冷却孔模型的叶尖平均气膜冷却效率随之增大。压力侧喷入冷却气流,叶尖的气膜冷却效果最好。     

基于小波原理的振动信号包络提取法

根据小波能对信号包络提取的原理对滚动轴承的振动信号进行了研究．应用基于小波原理的自信息包络提取法，同时把该方法应用于分析滚动轴承故障，证明该方法能更有效地提取滚动轴承的信号包络，适用于分析滚动轴承故障。     

基于改进果蝇算法优化的GRNN航空发动机排气温度预测模型

利用广义回归神经网络(GRNN)良好的非线性映射能力，对航空发动机排气温度(EGT)进行预测。由于GRNN的预测性能受宽度系数的影响，因此采用改进的果蝇算法优化广义回归神经网络(IFOA-GRNN)，并用优化后的GRNN对航空发动机的EGT进行预测。以某发动机为案例，选取相关参数作为预测模型的输入变量，EGT作为预测模型的输出变量。在相同的样本分配下，将FOA-GRNN(fruit fly optimization algorithm to optimize GRNN)、GRNN、自回归预测模型和优化的支持向量回归机作为对比算法。分析结果表明:IFOA-GRNN的收敛精度高于FOA-GRNN；IFOA-GRNN对EGT预测的平均相对误差为2.47%、拟合优度为0.8506，其预测效果均优于其他对比算法；同时，IFOA-GRNN对噪声的敏感性也低于其他对比算法。      

基于IGA-ELM网络的滚动轴承故障诊断

为了提高航空发动机轴承故障诊断准确率,提出基于改进遗传算法优化极限学习机网络（IGA-ELM）的诊断模型。针对传统遗传算法易早熟等缺陷,对遗传算法的交叉操作和变异操作进行改进,并用改进的遗传算法优化极限学习机的输入权值矩阵和隐含层阈值,利用Moore-Penrose算法计算极限学习机的输出权值矩阵。使用IGA-ELM诊断模型对滚动轴承正常、内环故障、外环故障和滚珠故障4种工况进行诊断,并分析极限学习机隐含层神经元的数量和激活函数对轴承故障诊断的影响。为了验证改进遗传算法优化极限学习机的有效性,将传统遗传算法、自适应遗传算法和粒子群算法作为对比算法。经过分析表明：改进遗传算法收敛速度和收敛误差,均优于对比算法。     

冲击式凹槽叶尖流动换热特性

针对冲击式凹槽叶尖的流动换热特性，采用数值模拟方法，详细分析了三种冲击式凹槽结构和三种凹槽助肋结构的间隙泄漏流场、叶尖二次流损失、叶尖总压损失系数和叶尖表面传热系数，同时考虑了助肋位置、数量和凹槽深度的影响。结果表明:叶尖凹槽前缘助肋抑制了间隙泄漏涡吸力侧分支，增强了泄漏流在凹槽内的分离流动。同一凹槽深度，双助肋凹槽叶尖的相对总压损失最小，研究范围内减小约13%。冲击式凹槽叶尖增强了泄漏流在凹槽内的掺混流动，减小了泄漏流的动能。同一凹槽深度，冲击式双助肋凹槽叶尖的相对总压损失最小，研究范围内减小约18%。冲击式凹槽叶尖减小了泄漏流在凹槽底面的再附，增大了泄漏流在叶尖突肩壁面的再附，突肩壁面出现高传热系数区域。      

基于IPSO Elman神经网络的航空发动机故障诊断

为提高航空发动机故障诊断的精度,提出改进粒子群优化的Elman神经网络对航空发动机故障诊断的方法。利用MIV(平均影响值)对神经网络的输入端自变量进行筛选，降低输入维度；采用改进粒子群优化算法对Elman神经网络的权值和阀值进行优化，并对优化的神经网络进行训练；用训练好的神经网络对航空发动机故障进行诊断并与常规的BP（back propagation）、Elman神经网络、GM（1,n）、SVM (support vector machines)进行对比。仿真结果表明:IPSO Elman(improved particle swarm optimization Elman neural network)神经网络的诊断误差在不同数量训练样本时都小于其他方法，并且在参选故障诊断的性能参数不同时，其诊断误差相近，展现出较强的适应能力。