计算机模拟试验在矢量喷管研究中的应用

以UG和MSC／NASTRAN、MSC／PATRAN为软件平台，对中国燃气涡轮研究院提供的轴对称矢量喷管(AVEN)方案的运动机构进行了三维实体建模、运动仿真和有限元强度分析等方面的研究。通过运动学仿真模拟出了喷管的实际运动状态，分析了喷管机构运动的可行性和可控性，并对运动时各构件间的相互关系(如干涉、散度等)及运动极限状态进行了研究，得出了该运动机构的最大矢量角以及作动环偏转角与喷管矢量角之间的关系。同时利用有限元通用分析软件对关键零件进行了有限元强度校核，校核结果表明能满足强度设计的要求。     

双转子临界转速的简易分析方法及应用

采用纯弯曲及弯扭耦合两种传递矩阵法和子结构传递矩阵法计算具有畸形结构的双转子系统的临界转速，提出了用线性插值法确定双转子临界转速的简便方法和由不平衡响应系统位能峰值转速确定双转子系统计及阻尼影响的临界转速，本文分析方法有较大的工程应用价值。     

带装药裂纹发动机内流场数值研究

在N－S方程基础上，考虑网格移动，建立了适用于固体火箭发动机内流场的湍流控制方程组，并对带装药裂纹的固体的火箭发动机内流场进行了数值模拟，分析了推进剂中裂纹深度，宽度、位置、角度等多种因素对发动机内流场的影响，计算结果表明：（1）裂纹出口处流速高，大于主通道流速，在裂纹出口附近存在回流区；（2）当裂纹紧靠发动机前封头时，裂纹出口附近回流强度减弱，裂纹对发动机内的流动影响较小；（3）当裂纹深度与裂纹宽度比大于240时，裂纹内压强急剧升高，对发动机装药结构完整性具有重要影响。     

M16共轴式单座直升机总体设计中的几个问题

论述了共轴式直升机M 16总体设计中的几个问题 ,包括总体参数选择、尾翼布局、双旋翼之间的气动干扰问题。对这些问题进行分析和试验验证。通过对总体参数的调整 ,使该机的气动性能、稳定性和操纵性达到要求。     

复杂曲面FSS加工系统研究

为了解决大型复杂曲面FSS(FrequencySelectiveSurface)加工中的关键技术,研究并开发了5自由度机器人数字化加工系统。与传统的5轴联动加工方法相比,提出的分区加工和浮动电主轴模糊定位相结合的快速加工方法大大提高了系统的加工效率。利用建立的数字化加工系统加工了复杂曲面FSS雷达罩试件和平板FSS试件。对比测试了不同加工工艺条件下平板FSS的频率传输响应特性,验证了该加工系统的有效性。     

利用试验数据的产品可靠性综合验证方案确定方法

常用抽样检验的方法进行产品可靠性验证,根据这一方法所确定的验证试验方案,在一定的风险下所需样本量较大,有时在工程上是不可接受的。针对这一问题,提出利用产品研制期间的试验数据,重新确定抽样方案,从而减少验证试验所需样本量或降低风险。由于这种方法充分利用了产品研制期间的试验信息,因此在保证有较好的验证效果的条件下,与传统的验证方案相比,可以减少试验样本量,降低风险。     

军用航空有机玻璃热分析动力学研究

对某型号军用飞机上航空有机玻璃用热重-差热(TG-DTA)分析仪进行了热分析动力学研究,实验在不同的氧气浓度(5%,10%,15%,21%)和升温速率(15℃/min,30℃/min)条件下进行,用改良的Coats-Redfern法计算出了动力学参数,用Doyle法计算理论失重值。研究发现表观活化能和频率因子都随氧浓度的下降而增加,在升温度速率分别为15℃/min和30℃/min条件下当氧浓度变化时表观活化能分别为100~108kJ/mol和87~92kJ/mol,而频率因子分别为(7~35)10⁶/s和(0.4~1)10⁶/s。计算结果很好的吻合了实验结果。     

不同热化学非平衡模型对高超声速喷管流场影响的数值分析

采用轴对称NS方程,数值研究不同热化学非平衡模型对高超声速喷管流场的影响,包括:(1)不同组元数的高温空气模型(5组元、7组元1、1组元)的比较;(2)热力非平衡(双温度)的化学动力过程与热力平衡(单温度)的化学动力过程的比较。计算结果表明,高焓风洞实验条件下喷管流场处于热力和化学都是非平衡的状态。在计算条件下,数值模拟以采用7组元或11组元的热化学非平衡模型为宜。     

火焰筒掺混孔边裂纹萌生和扩展机理研究

利用有限元法，结合瞬态传热过程研究了火焰筒掺混孔内孔边裂纹形成和扩展机理，应用应变疲劳理论和裂纹扩展分析方法对裂纹萌生时间和扩展能力进行分析。由于火焰筒在热循环载荷作用下各处升温速度不一致．引起结构上的相互约束，使掺混孔边产生循环塑性变形导致疲劳裂纹萌生；裂纹萌生后会继续扩展，但这种扩展能力有限；孔边冷却区域大小会对裂纹扩展能力产生较大影响。     

基于遗传规划和线性鉴别分析的故障特征提取模型及其应用

1引言航空发动机故障诊断需要从原始监测数据中获取合理的特征参数,如果依靠专家经验手工从众多的监测参数中选取特征参数,将是十分烦琐和低效的。因此,构造优质的特征参数是提高故障诊断效率及其准确性的关键。许多机器学习方法被应用到特征参数的自动选取中,例如神经网络[1],