二次流对带间隔式进气门引射喷管流场的影响

通过仿真研究了跨声速飞行状态下（Ma=1.2）一种带间隔式进气门的引射喷管流动特性，获得了二次流对三次流流动状态、喷管流动结构以及推力性能的影响规律。结果表明：带有间隔式辅助进气门的引射喷管内部存在显著的横向流动，诱导产生了多对流向涡结构，沿着流动方向流向涡的尺度逐渐减小。主流始终处于过膨胀状态，主导了引射喷管的内流流动，并和二次流之间形成了一道剪切层结构。随着二次流落压比的升高，二次流和三次流流量增加，其对主流的束缚作用增强，主流过膨胀现象得到有效抑制，推力性能从0.698增加至0.819。     

基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆（LSTM）网络对于多维数据特征识别和提取上存在不足的问题，在其改进模型嵌套式长短期记忆（NLSTM）网络的基础上，提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络，保留捷径连接中的卷积神经网络结构，既能充分提取时序特征又能保证有用数据在网络层中的跳层传递，并融入注意力机制构建多层残差网络，注意力机制的使用能够选择出对预测结果有重要影响的信息，有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析，结果表明：所述方法能有效建立监测数据与发动机健康状态之间的关系，剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%，比未融入注意力机制方法平均降低18.9%，有效提高了预测精度。     

固体运载火箭级间热分离仿真气体模型研究

目前,计算流体力学和飞行力学耦合仿真是模拟运载火箭级间分离较为流行的方法,而发动机内外流动建模则是运用该方法的关键。工程上,常用的方法是将发动机燃气与外部大气当作同一种气体组分处理,未考虑内外流动的多组分与燃烧效应。分析了化学非平衡流模型、双组分气体模型和常规单组分气体模型在火箭级间热分离流场计算中的适用性。化学非平衡流模型由于过高的计算消耗,不适用于火箭研制工程中大规模的参数化研究。而热化学等级较低的双组分气体和单组分气体模型由于计算量较低,具有较好的工程适用性。双组分气体模型计入了火箭燃气的特性,计算消耗远低于化学非平衡计算,且能够较好地预测火箭级间段的流动分离,在计算效率和计算保真度之间做出了较好的平衡,未来在工程研究中有较大的应用潜力。     

内装式空射运载火箭重力出舱机箭耦合动力学分析

研究了以运输机为平台的内装式运载火箭空射过程载机和火箭的耦合动力学建模。建模针对两个阶段：第一阶段，火箭固定于载机机舱内，两者构成一个整体，按照普通刚体的力学方法处理；第二阶段，火箭解锁后，沿着舱内的发射筒向外滑行，载机和火箭形成两刚体相互作用的耦合系统，基于牛顿-欧拉法建立系统动力学模型。载机在空射火箭过程中，油门和升降舵满偏，在加速前飞的同时拉大姿态俯仰角，火箭在自身重力分量和惯性力的作用下，沿着机舱内的发射筒加速向外滑行，直至与载机分离。数值仿真分析了空射过程载机的重要力学参数的变化过程，验证了载机操控策略的可行性和安全性，可为未来中国空射运载火箭技术设计提供数据参考。     

智能控制在航天推力矢量伺服系统中的应用及展望

运载火箭控制技术的快速发展对推力矢量伺服系统提出了面对复杂非线性负载的自适应力位综合控制,智能故障诊断管理等新要求。结合近年来智能控制理论的进展,分析了几种可用于推力矢量控制的新型控制方法。在伺服系统中应用一些先进的智能控制理论,有望在负载辨识和模拟、自适应主动柔顺控制、故障诊断及余度管理等方面取得比传统控制方法更好的应用效果。     

星载高速数字电路电源芯片选型及电源完整性设计

优化电源完整性及可靠性设计可以有效提高高速数字电路在高速、高负载及极端环境下工作的性能及可靠性。通过对开关式点电源及LDO (低压差线型稳压器)两种供电方式在星载高速数字电路中的应用特点进行分析,总结出针对两种电源在电源完整性上的设计准则,量化相应测试指标,通过对开关类电源LTM4644及LDO型电源对信号完整性设计及电源芯片选型进行研究优化,为星载高速数字电路电源完整性设计及测试提供部分参考及依据。     

基于函数链神经网络的深度分类器

目前的宽度学习系统（Broad learning system，BLS）通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接，网络权值可以用求解伪逆的方法快速求得，避免了耗时的训练过程，从而成为快速而高效的学习方法。然而在追求高精度结果的过程中，BLS对于增强节点数量的需求过于巨大，容易造成过拟合问题。为此，本文提出了基于函数链神经网络（Functional-link neural network，FLNN）的深度分类器（FLNN based deep classifier，FLNNDC），旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构，每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点，而不是全部映射节点。和原宽度结构相比，在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。