飞行器径向连接螺栓振动断裂分析

应用有限元分析结合试验数据，获得随机振动环境下飞行器径向连接螺栓的载荷功率谱密度（PSD）；采用基于弯曲效应的载荷与应力的线性关系，获取螺栓头根部的名义应力功率谱密度；基于Dirlik经验公式，获取应力随机过程的峰值概率密度函数和预期波峰数，联合Miner线性累积损伤模型及经应力集中系数修正的材料S-N曲线，评估径向连接螺栓头根部振动疲劳寿命，获得的结果与试验螺栓头断裂现象符合，并确定螺栓断裂原因为低频共振疲劳。     

基于Deform软件二次开发和BP神经网络的TA15多向锻造微观组织预报

通过热压缩实验构建了TA15合金的热变形真应力-应变曲线，以此为基础分别建立了合金双相区及单相区温度区间的热变形本构方程；基于热压缩试样动态再结晶的统计数据建立了TA15合金的动态再结晶模型。借助Deform提供的二次开发功能实现相关数学模型的程序化，制定正交实验方案，实现了TA15合金多向锻造变形的微观组织仿真。通过正交实验分析得出各项因子的影响对象及强弱差异，提出了双相区及单相区温度区间内的多向锻造最佳因子组合。建立了TA15合金多向锻造变形微观组织的BP （Back Propagation）神经网络预测模型，将预测结果与有限元仿真结果进行比较，结果表明两种方法的预测结果基本一致，但神经网络具备有限元仿真难以实现的良好细节预测能力，能更为细致地实现对微观组织分布状态的划分。     

径向孔形状对针栓式喷注器液膜下漏率的影响

为了研究径向孔形状对针栓式喷注器液膜下漏率的影响并对其进行准确预估，以径向圆孔液束的相对变形模型为基础，通过类比分析提出了矩形孔的相对变形理论模型，并考虑多喷注单元间相互影响和不同高宽比矩形孔的绕流侧边效应，首次建立了径向矩形孔的下漏率模型。通过试验及数值仿真对模型进行了验证分析，结果表明理论预估结果与数值仿真及试验结果吻合较好，也表明针对矩形孔建立的相对变形模型及下漏率模型具有较好的准确性。另外，研究表明矩形孔的下漏率除了与几何阻塞率、有效动量比及液膜厚度与液束孔宽度之比有关外，还与高宽比有关；3种不同高宽比情况下的下漏率均显著小于几何下漏率；同时下漏率随有效动量比增大而增大的趋势均较平缓。综合分析径向圆孔和3种不同高宽比矩形孔的结果发现，在径向孔横截面积及流量等工况参数完全相同的情况下，径向孔形状对下漏率有显著的影响，矩形孔的下漏率显著低于圆形孔的；矩形孔的高宽比越大，下漏率越大。实际应用中选择矩形孔更有利于控制下漏率，并可通过改变高宽比控制下漏率；同时在变工况过程中，矩形孔的下漏流量也会随着主路推进剂一起调节变化，保持下漏率变化不大，故具有较好的大范围变推力流量匹配特性。     

面向BDSBAS电文认证的OTAR播发策略设计

星基增强系统（SBAS）是向用户提供完好性信息的广域增强系统，涉及生命安全领域。为了提高SBAS系统的抗欺骗能力，基于椭圆曲线数字签名算法（ECDSA）提出面向北斗星基增强系统（BDSBAS）的电文认证设计方案。根据国内商用密码标准椭圆曲线（SM2）算法进行相应参数设计和电文排布方案，并描述了空中密钥更新（OTAR）的电文播发策略。为了进一步对试验方案进行验证，采用蒙特卡罗OTAR仿真器，基于3种播发调度算法进行仿真试验，通过调整权重对不同情况下OTAR电文接收时间进行分析。仿真结果为具体情况下OTAR电文方案播发调度的选择提供了重要参考依据。      

基于机器学习方法的三维粒子重构技术

通过三维粒子重构获取粒子场的分布情况是层析粒子图像测速的关键步骤，有限二维投影下的三维粒子重构是一个欠定的反问题，其精确解往往很难得到。一般情况下，可以通过优化方法得到近似解。为了获取质量更高的粒子场并用于层析粒子图像测速，提出了一种基于卷积神经网络（Convolutional Neural Networks，CNN）的粒子重构方法。所提出的技术可以从基于传统的代数重构技术（Algebraic Reconstruction Technique，ART）的方法所得到的粗略粒子分布中进一步提高粒子重构质量。与现有的基于ART的算法相比，新技术在重构质量方面有了显著的改进，可以有效剔除虚假粒子并更准确地还原粒子形状，并且在粒子浓度较稠密的情况下计算速度至少快了一个数量级。     

BP神经网络预测复合材料热压罐成型均匀性

复合材料热压罐成型过程中的固化度差值是复合材料固化度均匀性的主要表征参数之一。基于3层BP神经网络，以复合材料双平台固化工艺曲线的加热速率、保温时间和保温温度为输入参数，建立了成型过程任一时刻最大固化度差值的快速估算模型。仿真复合材料热压罐成型过程，得到最大固化度差值作为试验样本数据，对BP神经网络进行训练，训练结束后对该模型的准确性进行验证。结果表明:该BP神经网络估算模型准确性和效率较高，为复合材料热压罐成型最大固化度差值的估算提供了一种快速有效的新方法。      

基于神经网络的磁平静期赤道电集流预测

利用BP神经网络技术分别对2008年后磁平静期印度扇区、秘鲁扇区以及CHAMP卫星的赤道电集流（EEJ）变化进行预测，其中神经网络训练数据为对应的2000—2007年磁平静期EEJ观测数据，输入参量为天数、地方时、太阳天顶角、太阳活动指数（F_10.7）、太阴时以及卫星地理经度，输出参量为EEJ.对EEJ预测结果进行了统计学分析，并且与实际观测结果进行对比.结果表明:BP神经网络对事件中EEJ的变化具有很好的预测能力，预测结果能够反映EEJ的重要分布特征；EEJ预测值与观测值之间具有很好的相关性，其中地磁台站观测值与预测值相关性系数可达85%以上.此外，将BP神经网络模型的预测结果与Yamazaki提出的经验模型结果进行对比，结果显示BP神经网络与其经验模型性能相当.研究结果表明，BP神经网络技术在平静期EEJ变化预测方面性能优异，具有良好的应用前景.      

涡轮基组合动力与火箭的耦合特性分析及匹配优化设计

基于高斯伪谱航迹优化方法，建立了"火箭辅助型涡轮基组合动力"的飞行器/推进系统匹配分析方法，针对地面水平起降、以马赫数5巡航的高超声速飞行器，以巡航航程最远为目标，完成了涡轮基组合动力（TBCC）与火箭的耦合特性分析及匹配优化设计。研究结果表明：对于可行的TBCC方案（起飞推重比为1.0），引入合适推力的火箭有助于提升加速爬升段的总效率并降低质量消耗，且对巡航航程有着一定的提升（4%起飞重量推力火箭可增加航程0.97%）；对于不可行的TBCC方案（起飞推重比为0.8），引入火箭不仅可实现推进系统方案的收敛，且其巡航航程相比可行的TBCC方案最多可增加7.9%。考虑到TBCC较大的"死重"和较低的单位迎面推力对巡航性能的不利影响，结构质量占比为25%的巡航型飞行器建议采用"13%起飞重量推力火箭辅助起飞推重比为0.7的TBCC "推进系统。相比之下，结构质量占比为55%的加速型飞行器建议采用" 5%起飞重量推力火箭辅助起飞推重比为0.98的TBCC"推进系统。     

基于卷积神经网络双层壁三维热应力预测方法

为实现三维物理场的预测，提出一种利用卷积神经网络（CNN）对双层壁冷却结构外壁三维热应力快速评估方法。针对双层壁冷却结构外壁平板状的结构特征，沿壁厚方向将温度场切分为多个切片。将温度作为卷积网络输入张量的基本元素，不同厚度位置的切片对应输入张量的通道维度，从而实现将三维温度场输入进网络，并输出在热载荷作用下的三维等效应力场。结果表明：训练收敛后的网络在测试集上的平均绝对误差为1.23 MPa，平均相对误差为15.10%，对峰值应力的平均绝对误差为16.10 MPa，平均相对误差为11.81%。对于双层壁冷却结构的热应力预测问题，CNN能够很好地完成温度到应力的映射。使用深度学习方法探究热弹性问题的潜在机理有望实现。     

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。