拉扭复合加载下相位差对2A12-T4铝合金高周疲劳失效的影响

采用航空工业常用材料2A12-T4铝合金,针对不同应力幅比,进行了拉扭复合加载下相位差对多轴高周疲劳失效的影响试验,研究了恒定应力幅比λ=1下相位差对多轴疲劳失效的影响,对不同应力幅比下疲劳寿命随着相位差的变化进行了对比,并分析了λ=1时不同相位差下试样的断裂形式。结果表明,在相同的Von-Mises等效应力下,当应力幅比λ=1时,随着相位差的增大,疲劳寿命逐渐升高,且与相位差的正弦近似成指数关系。在不同应力幅比下随着相位差的增大,疲劳寿命均呈现升高的趋势,但只有λ=1的情况对疲劳寿命的影响最大。试件断裂呈现Ⅰ型与Ⅱ型的混合型破坏特征,随着相位差的增大,试件断裂由Ⅰ型裂纹占主导逐渐过渡到Ⅱ型裂纹占主导。     

基于Hilbert谱脊线粗糙度的微弱目标检测算法

为检测海杂波中的微弱目标,文中采用实测数据分析了海杂波的Hilbert谱脊线及其粗糙度,研究了目标对其Hilbert谱脊线及其粗糙度的影响。研究发现,目标的出现将导致海杂波Hilbert谱脊线起伏趋予平滑,Hilbert谱脊线粗糙度减小,在此基础上,文中提出了采用Hilbert谱脊线粗糙度检测微弱目标的方法。仿真结果表...     

运输类飞机平尾失速敏感性及其试飞技术研究

从平尾失速理论研究出发,探讨了可能产生平尾失速的飞行状态,总结了可用于运输类飞机平尾失速敏感性研究的飞行试验技术,研究了平尾失速和机翼失速的相互区别,帮助飞行员在遇到机翼失速或平尾失速时进行必要的清晰判断,并采取适当的改出方法,从而保证飞机飞行安全.研究结果可为未来大型运输类飞机平尾失速敏感性试飞提供很好的技术支持.     

基于固有模态函数频域熵的目标检测算法

为提高海杂波中慢速目标的检测性能,提出了一种基于固有模态函数(IMF)频域熵的目标检测算法。该算法对原始信号经 EMD分解后得到的固有模态函数采用 Fourier变换,自动地提取其各个分量的频域能量,以此获得 IMF能量分布特点,再运用信息熵的方法构建检验统计量,并将其输入非参量检测器中进行目标检测。研究结果表明,相比于海杂波、海尖峰,慢速目标的能量分布更为分散,熵值更大,对比频域广义符号(GS)检测算法,所提 方法检测性能更优,适用于慢速目标检测。     

狭缝斜肋内冷通道流动和换热特性的数值研究

为了探究狭缝斜肋的流动和换热特性,进一步挖掘传统斜肋的性能,采用数值模拟的方法,研究了五种不同位置和倾斜角度的狭缝对45°斜肋流动和换热特性的影响,计算的进口雷诺数为2×104～8×104,并与传统的实心肋进行了对比分析。结果表明,狭缝的存在显著改变了冷却通道的流动结构以及换热分布,降低了冷却通道的阻力损失,减小了通道整体的强化换热系数,但同时增加了肋片表面的强化换热系数,且狭缝的位置和倾斜角度的不同对通道性能也存在一定的影响。对比综合热效率,狭缝斜肋相比实心肋增加了约12%～15%。     

非线性结构动响应的Taylor级数解法

Taylor级数方法是结构动力分析中一种新的时间积分方法,它在求解线性问题方面的理论和应用已经比较完善和成熟.将Taylor方法进一步用于非线性结构动响应的求解,对于非线性项可以表示为多元多项式的结构动响应问题,建立了Taylor级数方法的理论,给出了递归求解通式.通过对典型方程的求解,阐述了Taylor级数方法的应用.算例表明,Taylor级数方法解决非线性结构动响应问题是行之有效的.     

Ni—Ti记忆合金低温电阻率测试与研究

本文概述了Ni-Ti记忆合金低温电阻率测试方法,对测试结果进行了分析,并讨论了不同热处理工艺过程对Ni-Ti合金电阻率与温度关系及合金的热弹性马氏体相变点M的影响,并给出了测试结果。     

低速冲击下金属蜂窝夹芯板抗侵彻性能的试验研究

利用落锤冲击试验系统,研究了金属蜂窝夹芯板在低速冲击载荷作用下的抗侵彻行为。试验获得了平头、半球形和锥形锤头冲击下蜂窝夹芯板的破坏模式和力-位移曲线,分析了锤头形状和芯材厚度对夹芯板最终破坏模式、力-位移曲线和临界破坏能量的影响。试验结果表明:夹芯板在平头、半球形和锥形锤头冲击下上面板分别产生了圆形剪切、圆形拉伸和钻石形的最终失效模式,下面板的最终失效模式分别为圆形剪切、瓣形开裂和瓣形开裂;金属蜂窝夹芯薄板在锥形锤头和半球形锤头冲击下的力-位移曲线会出现单峰模式,金属蜂窝夹芯厚板在锥形锤头和半球形锤头冲击下的力-位移曲线则是双峰模式,而在平头锤头冲击下的金属蜂窝夹芯板的力-位移曲线均为双峰模式;金属蜂窝夹芯薄板抵抗半球形锤头侵彻的能力最好,抵抗平头锤头侵彻的能力最差,而金属蜂窝夹芯厚板抵抗锥形锤头侵彻的能力最好,抵抗平头锤头和半球形锤头侵彻的能力较差。     

基于模糊信息粒化和优化SVM的航空发动机性能趋势预测

提出采用模糊信息粒化(FIG)和优化的支持向量机(SVM)来预测航空发动机参数的变化趋势和变化空间。利用模糊信息粒化方法对性能参数进行粒化处理。以K CV验证误差最小作为优化目标,采用遗传算法(GA)实现支持向量机惩罚参数和核函数参数的自适应优化选择;训练SVM模型并进行并对模糊粒子非线性预测。利用某航空公司的某型航空发动机性能参数监测数据进行验证,结果表明:该算法可以有效实现航空发动机性能参数变化趋势和变化空间预测。在实例基础上分析了窗口大小对算法预测精度的影响以及算法多步预测的效果,得出算法最佳窗口大小为3个数据且算法3步以内预测误差小于10%。      

状态划分下基于Bi-LSTM-Att的轴承剩余寿命预测

准确预测滚动轴承剩余使用寿命(remaining useful life, RUL),对于保证工程设备安全稳定可靠运行具有极其重要的作用.现有深度学习预测方法往往直接建立振动监测数据与剩余寿命之间的映射关系,通常忽略滚动轴承性能退化的不同状态差异性,且并未考虑深度学习模型所提取各类特征的差异性,给剩余寿命预测结果带来了极大的偏差.鉴于此,提出一种新型滚动轴承退化状态划分方法和RUL预测方法.提取轴承振动信号的特征,利用Mann-Kendall检验法进行趋势判断,确定出退化期的起始点;通过归一化奇异值相关系数走势确定出慢速退化期的终点;构建基于融合注意力机制的双向长短时记忆网络(bidirectional long short-term memory with attention, Bi-LSTM-Att)的滚动轴承RUL预测模型,利用所截取的慢速退化期数据与对应RUL标签训练预测模型实现RUL预测.通过轴承公开数据集验证所提方法对轴承RUL预测的准确性和有效性.