超燃冲压发动机燃烧室冷态流场研究

利用西北工业大学电阻加热超声速燃烧室直连式实验设备,针对自行设计的超声速燃烧室模型,在燃烧室入口马赫数Ma=2.0、入口流量m=0.73～1.0kg/s、入口总压p_t≈(7～8)×105Pa、入口总温T_t为室温条件下,开展了不同燃烧室进口流量、隔离段长高比以及燃烧室出口堵塞比情况下的燃烧室冷流实验;采用CFD商用软件对燃烧室冷流流场进行了数值模拟,并将计算结果与实验数据进行了对比和分析.研究结果表明,增加隔离段的长高比,可以提高燃烧室抗反压的能力,燃烧室出口压力场的畸变对燃烧室内部流场有较大的影响,同时通过计算结果与实验数据的对比验证了计算方法的适用性.      

故障模拟多功能振动试验台的设计

提出了一种多功能振动试验台的设计方案,可模拟多种转动机械振动状况,配置数据采集分析系统,通采集、分析安装在试验台上的传感器信号,可对转子的振动情况进行测量。模拟转子动平衡、不对中、轴承故障等实验,便于技术诊断人员、科研实验人员进行转子多种振动和轴承故障的测试实验,也适合对相关技术人员进行教学培训工作。     

超声速凹槽大涡数值模拟研究

在超声速燃烧室内常采用凹槽增强燃料与空气的混合,实现火焰稳定,本文采用大涡模拟方法对开式凹槽流场进行了数值模拟研究,计算采用Smagorinsky 亚网格模型模拟小尺度涡的作用.数值模拟结果给出了凹槽流动的自激振荡的发展过程,以及凹槽流动中拟序结构的演变过程,如涡的卷起、增长,涡与涡之间的合并、破碎等,计算得到的凹槽波动的峰值频率和理论结果一致.     

基于联系度的雷达导引头综合能力评估

雷达导引头是反舰导弹的重要组成部分,对其综合能力的评估是一个多因素综合评判问题。文章分析了影响雷达导引头综合能力的主要因素,建立了雷达导引头综合能力评估指标体系和基于联系度的雷达导引头综合能力评估模型,并提出了联系度的比较规则。最后,评估得出了国外几种典型的雷达导引头综合能力的优劣排序。     

等离子体气动激励抑制压气机叶栅角区流动分离的仿真与实验

进行了等离子体气动激励抑制低速压气机叶栅角区流动分离的数值仿真研究,并进行了实验验证.小攻角情况下,叶片吸力面角区流动分离导致显著的尾迹总压损失.来流速度为50 m/s(雷诺数为223 000)时,等离子体气动激励可以有效的抑制角区流动分离,降低总压损失.激励电压、频率分别为10 kV和22 kHz时,50%叶高处的尾迹压力分布基本不变,60%和70%叶高处的最大总压损失分别减小了13.83%和10.74%.增加激励电极组数或激励电压,可以增强抑制效果.      

航空发动机数控系统多故障识别

提出了一种基于模糊逻辑的航空发动机数控系统多故障的识别方法.首先采用Takagi-Sugeno(T-S)模糊模型描述一种涡喷发动机数控系统的非线性模型,然后应用全解耦奇偶方程进行多故障的检测和隔离,并结合卡尔曼滤波器识别出传感器和执行器故障参数.仿真结果表明,针对传感器和执行器同时发生故障的情况,此方法能有效检测故障,并能准确识别出故障参数.      

氧化剂含量和粒度对NEPE推进剂燃速影响的模型化

以高能固体推进剂热分解特性和燃烧模型的研究成果为基础,建立了由化学结构参数计算NEPE推进剂的燃速和压强指数的公式,计算了氧化剂组分含量和粒度对燃烧性能的影响。经验证,计算结果与实测燃速值的偏差全部在±20%以内,其中80%的偏差在±10%以内。这说明所建立的模型基本合理,编制的NEPE类推进剂燃速计算程序基本可行。     

叶片外物损伤容限设计的本质特点及设计准则的发展

通过对风扇/压气机叶片外物损伤及其失效特点的深入分析,认为叶片外物损伤容限设计的本质是考虑外物损伤影响的叶片振动应力设计.通过对国内外发动机设计规范和标准的分析和回顾,将外物损伤容限设计准则的发展分为3个阶段:①50年代初-60年代末,以外物损伤(FOD)的预防和维护为主;②70年代初-90年代末,等效为应力集中系数K_t≤3的缺口容限设计;③2000年以来,FOD的概率容限设计.最后对我国外物损伤容限设计的研究方向提出了建议.      

高超声速锥导乘波体非设计点性能研究

对设计马赫数6的锥导乘波体在马赫数4～7、迎角-6°～+6°的三维流场进行了数值模拟.研究表明:粘性对阻力系数的影响较大;非设计马赫数时,锥导乘波体的升阻比没有明显减小;升力系数与迎角呈线性关系,随着迎角增大而增大;升阻比在+2°迎角下达到最大.     

基于粗糙集和神经网络的导弹故障诊断方法

人工神经元网络（ANN）具有本质的非线性特性、并行处理能力以及自组织自学习的能力,但单独使用ANN处理问题时,往往会存在一些缺陷。文章介绍导弹驾驶仪故障智能诊断的一种新方法：首先,利用粗糙集原理约简故障特征属性数据;其次,用带动量项的批处理BP神经网络方法对故障数据进行训练并检验;最后,将故障数据处理后输入神经网络分类器,对故障实施诊断。