基于有限元仿真的指尖密封准动态性能分析方法

指尖密封性能的量化表达和计算效率一直是设计人员关心的问题。针对指尖密封的工作特点,对其泄漏机理和磨损特性进行了分析。基于有限元分析构建了指尖密封性能量化表达的准动态性能模型,解决了理论设计中磨损和泄漏特性难以计算和计算工作量较大的问题。采用该方法的研究结果表明环境温度升高到300℃时,泄漏率较之27oC条件下降低了65%,磨损率升高了约4%;指尖片厚度从0.1mm增加到0.5mm时,泄漏率降低了70%,磨损率升高了28%;同时指尖曲梁个数、转子转速和压差对指尖密封性能同样具有重要影响。分析初步表明,提出的计算方法能够较好地反映指尖密封实际动态特性,为指尖密封性能设计提供了快捷高效计算方法。     

改进的粒子群算法求解飞机位姿评估问题

在飞机装配中,要求调姿基准点距离误差和最小以及各点距离误差满足容差条件。以往的飞机位姿评估算法注重距离误差和最小,可能出现调姿基准点的距离误差不满足容差约束的情况。为了求解在满足容差约束条件下的距离误差和最小的飞机位姿参数,提出一种新的优化模型,将带容差约束转化为带惩罚函数,与距离误差和一同作为优化目标,采用求解约束优化问题的粒子群算法进行求解。在上述算法上进一步改进,通过动态改变约束参数来加强约束条件,可以通过迭代方式进一步减小飞机调姿基准点最大距离误差。仿真算例和蒙特卡洛分析证明,求解约束优化的粒子群算法和改进的粒子群算法在求解飞机位姿评估问题时,求解得到的调姿测量点最大误差小于奇异值分解法。     

基于压缩量偏差约束的整体叶盘砂布轮数控抛光路径规划

数控抛光是实现整体叶盘叶片表面光整加工自动化、高效化的关键技术,而抛光路径规划对表面质量有着显著的影响。在抛光曲面时,砂布轮沿接触曲线上的径向压缩量偏差导致材料去除量一致性较差。针对该问题,提出一种基于压缩量偏差约束的路径规划方法。通过对砂布轮受曲面挤压变形几何分析,建立了自由曲面抛光接触线上砂布轮压缩变形量分布模型。在给定刀触点处,以接触曲线上最大压缩量偏差最小化为评价指标构建了刀轴矢量优化模型,并利用改进的粒子群优化（PSO）算法进行求解。基于最优刀轴矢量,完成自由曲面上等参数相邻刀触轨迹曲线的计算。最后,通过数据对比和试验,验证了所提方法的正确性和有效性。结果表明,抛光区域的轮廓度、粗糙度均得到明显的改善。     

0.3 m低温风洞液氮供给系统研制

基于系统级的一维热流体模拟分析,建立了适用于研究分析0.3 m低温风洞液氮供给系统的数学模型,并开展了系统漏热、两相流及缓冲罐中液氮容积等流体动力学分析;在系统现有控制策略及试验数据的基础上,基于该数学模型开展了系统压力动态响应分析,获得了在阀门动态调节过程中管网压力的瞬态响应,计算结果与试验值的总体误差控制在10%以内。喷射压力一致化改造避免了阀间干扰,添加的回流管道消除了供给末端的两相流现象,使喷射压力控制精度达到1.1%,调节时间减少到23 s,实现了风洞总温快速安全调节和精确控制。     

风扇/压气机周向模态识别中传感器角度偏差的影响

基于任意角度压缩感知(CS)方法分析了传感器安装角度偏差对风扇/压气机周向模态识别重构的影响,设计了一套自适应角度优化程序修正重构误差。利用数值试验探究了传感器角度偏差和数量对周向模态重构结果的影响,研究表明:当角度偏差等级为2.5%时,平均重构误差达到10%以上,若保证重构误差基本不变,将传感器数量从7个增加至25个,仅可以将角度偏差等级放宽至4%。而采用小生境微种群遗传算法进行自适应角度优化,在20 dB信噪比下,通过自适应角度优化可将角度偏差等级从2.5%放宽至10%,降低了传感器安装的精度要求。成功优化了一款冷却风扇在前三阶叶片通过频率下的主要周向声模态重构幅值。自适应角度优化算法有效提升了基于压缩感知的风扇/压气机周向模态重构可靠性。     

行政自由裁量权的道德边界

行政自由裁量权的正确行使,不仅离不开法律控制,而且需要设立道德边界。行政自由裁量权的道德边界,由行政主体在行政自由裁量中应当遵循的道德原则所构成。这样的道德原则主要有:平等裁量原则、公正裁量原则和据实裁量原则。行政自由裁量的道德原则,内化为行政主体的道德信念,就可以使行政主体自觉地控制其自由裁量行为。而公众舆论对于行政自由裁量过程的道德监督,则是实现行政自由裁量的道德原则内化的外部条件。     

基于图像识别的机械振动信号特征提取与寿命预测方法研究

滚动轴承作为许多机械设备的关键组件,被广泛应用于机械制造、航空航天等领域,其健康状态直接影响了相应设备的剩余寿命,因此在设备故障预测与健康管理(Prognostics and Health Management, PHM)领域,滚动轴承寿命预测具有很高的研究价值。目前基于数据驱动的轴承寿命预测方法主要利用特征提取并构造健康因子(Health Indicator, HI),然而在这一过程中特征的选择与融合依然依赖于专家先验知识,并且健康因子也很难从复杂的时序数据中进行提取。因此,提出了一种新型的数据驱动寿命预测算法,在特征提取方面,通过连续小波变换(Continuous Wavelet Transform,CWT)将传感器振动信号转换为时频谱图,再通过深度残差网络(Deep residual network, ResNet)结合时空卷积网络(Temporal Convolutional Network, TCN)将时频谱图中的时域频域特征构造成为健康因子,最后完成剩余寿命预测。本研究在PRONOSTIA数据集上与现有的数据驱动算法进行了对比,证明了该算法可以更准确地完成剩余寿命预测。