回转对称光学曲面磨削误差建模及补偿工艺研究

根据回转对称曲面的特点,利用轨迹包络的原理建立了一种光学曲面磨削的数学模型;分析砂轮半径误差和砂轮定位误差对回转对称光学曲面面形精度的影响;针对回转对称曲面建立了误差模型,将砂轮半径误差和砂轮定位误差进行分离和辨识;利用误差补偿机制补偿磨削过程中砂轮半径误差和砂轮定位误差,提高了回转对称曲面精度;在自主研发的磨床上通过实验验证了这种误差补偿机制的有效性。     

端壁采用孔式抽吸对扩压叶栅气动性能的影响

为明晰孔式附面层抽吸技术对压气机叶栅气动性能的作用效果,实验研究了在端壁不同位置设置抽吸孔时对大折转角扩压叶栅壁面流谱、出口二次流及损失的影响。研究结果表明,端壁抽吸改变了原型叶栅内部流场结构,角区分离起始点前进行附面层吸除可有效延缓通道涡的形成,降低叶栅损失;分离起始点之后角区分离已经充分发展的位置不宜布置抽吸孔;相比较抽吸槽,采用抽吸孔可以通过更少的抽吸量达到相同程度地对叶栅流动性能的改善。      

新型等离子体激励器对流动分离点控制

在西北工业大学低湍流度风洞中采用新型等离子激励器对NACA0015翼型进行表面流动分离点的控制实验。实验风速为20m／s和35m／s,迎角为0°～16°。并参照压力分布的实验结果对流动控制的效果进行了对比分析。结果表明：翼型表面的气流分离点只要落在等离子体激励所形成的激励区内,分离点都会被推迟到靠近等离子体激励器的最末端电极处。证明等离子激励器能够对翼型表面的分离点进行有效控制。     

基于飞行包线划分的航空发动机T-S模糊模型辨识

针对航空发动机在建立Takagi-Sugeno(T-S)模糊模型时运算耗时长和过分依赖学习数据的问题,提出了一种基于飞行包线划分的航空发动机T-S建模方法.通过飞行包线划分和标称点求取确定T-S模型的前件结构;计算各标称点的状态空间模型,将其作为T-S模型的后件;最后通过对航空发动机发参数据的机器学习完成对模型前件参数的辨识.仿真对比结果表明:该方法缩短了航空发动机T-S模糊模型的建模时间,并使得高压转子和低压转子转速的绝对误差分别小于0.25%,0.10%,保持了辨识精度.      

高负荷吸附式风扇气动性能数值模拟

采用NUMECA商用软件,模拟了叶片附面层吸气技术对高负荷风扇叶片三维流场的影响。重点研究了抽气模型的建立方法,深入分析了不同开孔位置、尺寸及不同抽吸量对风扇气动性能的影响。结果表明,在来流条件相同的情况下,转、静子选取适当的开孔位置,抽吸流量为总流量的1.5%时,压比、效率最大可分别提高6.5%和1.6%。     

相变材料热控系统内部接触热阻的辨识方法研究

在相变材料热控系统的吸热融化过程中,由于材料与容器壁面之间的空穴效应形成的接触热阻,将对熔化传热形成阻尼效应。采用反演热传导反问题的方法,将参数辨识中的灵敏度法和共轭梯度法应用到实验,建立了一种可用于材料熔化过程界面稳态和瞬态接触热阻的辨识方法。模拟辨识与初步应用表明：辨识方法计算精度高、稳定性好,为精细化分析相变材料热控系统中的熔化吸热过程奠定基础。     

形状记忆聚合物基复合材料在航空航天领域的应用

形状记忆聚合物( SMPs)某些特定的宏观性能(如形状)可以对外部刺激予以响应,其基本分子结构是一种具有活性运动的高分子网络.SMPs由2段组成,一段具有高弹性,另一段在特定刺激下可降低刚度,后者可以是一种分子开关或是刺激敏感型区域.当SMPs被暴露在特定刺激环境时,开关或相转变被激发,储存在临时形状中的应变能被释放出来,导致形状恢复.     

基于神经网络的自适应非线性控制及仿真研究

研究了神经网络非线性动态系统的自适应控制方法,首先利用改进的非线性自回归滑动平均模型,采用多层前向神经网络辨识非线性系统模型,然后直接由辨识结果设计出控制器,并根据控制误差对控制律作在线修正.利用导弹模型进行了控制仿真,仿真结果表明采用此方法可以得到较好的控制效果,而且在模型不确定和有噪声干扰的情况下仍能正常跟踪给定的迎角信号,具有较好的鲁棒性.      

基于感应同步器的高速高精度位置测量技术

现有的基于感应同步器的鉴幅、鉴相位置测量法,由于其原理缺陷,不适合高速高精度的测量场合.为解决高速高精度位置测量问题,给出一种新型的基于感应同步器的位置测量方法--幅度细分法.感应同步器输出的感应信号是调幅信号且幅度很低,为采用幅度细分技术,需对其输出的感应信号无失真的放大.在阐述系统工作原理的基础上,给出了系统的结构,并对关键功能电路进行了实验及仿真研究.结果表明,此法从原理上克服了感应信号中动态分量对测量结果的影响,克服了现有测量法不适合高速高精度测量的缺点,具有测量精度高、时间间隔固定、适合高速度运动场合下的位置测量等优点.     

基于对角回归网络的非线性系统建模

分析了非线性系统神经网络建模的规律,利用对角回归神经网络(DRNN)实现了非线性动态系统的辨识.辨识结构采用串并联模式,网络权值的调整为考虑时变因素的调整算法.与静态神经网络相比,基于DRNN的辨识方法显示出很强的处理动态问题的能力,无需辨别系统阶次,辨识结构简单,收敛速度快.仿真结果表明该方法是有效可行的.