航空发动机变结构控制

首先建立了发动机的线性模型，然后根据发动机的工作特点，利用变结构控制理论设计出了发动机变结构控制器，仿真结构证明这种控制系统具有较好的控制效果。     

燃气涡轮发动机人工智能实时诊断和预测

定义有感知的发动机状态监控（COEHM）系统采用的方法，采用这些建立在真实和模拟发动机数据基础上的方法可以精确地预测燃气涡轮发动机工作状况（总体完整性），性能变化（降低）和部件寿命（氏疲劳循环，高疲劳循环及蠕变）损耗，发展一套COEHM系统需要应用诸如数字滤波，多项式，模糊逻辑，专家系统，概率系统，神经网络这样的工具，这还不是全部，还需要应用一些新颖的方法使得系统具有精确预测被监控事件结果的能力，COEHM系统可以提供快速而精确的诊断和信息预测（以减少维修时间），无故障和周转时间，改进的临界寿命管理方法可以减少发动机的寿命周期费用，所以，COEHM系统的发展大大地减少发动机的使用费用，增强了工作能力，克服了由于人员减少而引起的技术经验损失。     

基于地面试验的涡扇发动机装机推力损失分析

为评定涡扇发动机装机推力损失,基于推力直接确定方法开展了发动机推力测量地面试验。通过改进完善安装节推力数据处理方法、进气道冲压阻力计算方法来提高总推力测量精度,分析表明:台架试验推力测量最大误差为2.41%,11架次飞行后停机状态发动机总推力测量误差小于0.8 kN,基本满足推力测量评定的需求。以相同状态台架试验数据为基准,对比发现:随着发动机功率状态增大,总推力损失呈明显增大趋势,中间状态换算总推力损失达到了17.95%,最大状态换算总推力损失达到了27.72%。通过分析风扇换算转速、换算流量等关键参数,得出:装机后受进气道的影响,导致换算流量明显小于同等状态下台架试验的换算流量,同时进气道内气流总压的过大损失,是造成装机后发动机推力损失明显的主要原因。     

基于RBF网络的航空发动机辨识模型

利用实测到的发动机飞行试验数据作为学习样本,采用径向基函数(RBF)神经网络建立了发动机的辨识模型.利用这种方法对不同飞行高度发动机的参数进行了辨识,并与几种BP网络进行了比较.研究结果表明:这种方法具有训练时间短、学习速度快、辨识精度高等优点.     

航空发动机全权限数控系统飞行演示试验及分析

航空发动机全权限数字电子控制系统飞行演示验证的成功标志着我国在航空发动机控制领域取得了重大技术突破。本文针对首次进行的航空发动机全权限数字电子控制系统验证试飞,简述了试验的目的、内容、方法,并根据试验结果及分析给出了试飞结论。最后,本文还对航空发动机全权限数字电子控制系统的发展和要解决的技术予以了展望。     

航空动力装置飞行试验展望

回顾了航空动力装置的发展历程，参照IHPTET计划指出了航空动力装置的发展趋势，根据国内航空动力装置飞行试验鲷状提出：航空动力飞行试验下一步的发展必须立足于全行业实现跨越式发展的大背景下，在现有设备及研究的基础上，结合后续型号的需求，选择具有代表性的研究领域开展先期研究或技术储备，并对亟需开展的几个研究方向提出了自己的看法。     

神经网络用于风洞中压气机失速监控

旋转失速和喘振是严重影响轴流压气机性能的截然不同的两种气动不稳定现象。旋转失速和喘振均能引起转子和静子叶片振动及压气机内部温度急剧上升，在叶片上的大的动应力会引起严惩的机械破坏。对16英尺超音速风洞试验中压气机的3C3转子叶片，失速发生约10转（即1秒）后，失速产生的振动应力将达到对压气机产生机械危害的程度。旋转失速是16英尺跨音速风洞试验中C－1压气机中常见的不稳定现象；旋转失速在2转（0．2秒）时间内，产生一个应力峰值并逐渐衰减。显然，需要一个系统在出现失速征兆的瞬间能很快探测到并发出警告，该系统还具有自主修正能力。建立在多年实践观察基础上的开环技术已成为当前主要的监控模式，工程师可以采修正的操作以避免压气机进入失速。在控制系统中引入闭环防失速装置可使压气机工作点离开失速边界是人们最终的追求目标。实现对压气机失速的控制需要对开环和闭环模式的高速自动处理。神经网络用于数据分类、信号处理、对象建模及预测的一项新的信息处理技术。由于神经网络用于数据分类具有快速、精确及高抗噪性，因而，神经网络适合被选作对压气机不稳定性进行探测及监控研究。     

可重构飞行控制系统研究

对自修复飞控系统的关键技术－－可重构飞控系统进行了论述。介绍了目前主要的一些重构控制方法的特点，并对控制算法的优缺点及实现条件进行了分析；针对已进行了的可重构飞控系统的飞行试验进行了分析，并对试验结果做出了评价；指出了未来可重构飞控系统的实现途径和发展趋势。     

航空动力装置飞行试验展望

简述了航空动力装置的发展历程和发展趋势。根据国内航空动力装置飞行试验现状提出 :航空动力装置飞行试验的发展必须建立在全行业实现跨越式发展的基础上 ,立足于现有设备和研究 ,结合后续型号的需求 ,选择具有代表性的研究方面开展预先研究 ,做好技术储备。