高负荷低压涡轮时序效应数值模拟与试验验证

为了研究上下游叶片的相位对低压涡轮流动的影响机理，使用商用 CFX 软件进行数值模拟，并辅以试验校核。选取了 0°和180°2个流动相差较大的相位，分析边界层分离与转捩、边界层积分参数，对吸力面的载荷系数、壁面剪力、附面层形状因子及 动量厚度等进行对比，并从边界层的瞬态流动分析着手，在1个尾迹扫掠周期内对Klebanoff条纹、K-H涡等结构进行分析。结果 表明：不同相位的流动特性差异主要取决于势流的压力扰动与速度扰动的相位，这将决定尾迹诱导转捩与寂静区之间的主导关 系。当压力扰动与速度扰动同相时，寂静区处于逆压梯度逐渐增强的阶段，保持层流的能力被削弱；反之当二者异相时寂静区强 度较大，尾迹诱导转捩带来的湍流损失可以被寂静区平衡。通过瞬态分析可知，0°相位尾迹诱导全展向K-H涡的卷起，全展向涡 的破碎会带来较大的能量耗散，且其诱导的Klebanoff条纹强度较大，二者共同作用使得尾缘动量损失较大。     

低温推进剂重定位推力幅值及时序优化

为了减少重定位时间及推进剂消耗量,提升低温末级的机动性及运载能力,采用流体体积函数(VOF)方法开展重定位推力幅值及时序优化研究,分析重定位过程推进剂质心高度、平均动能、卷气率以及平均气泡直径的变化规律,以获得不同推力幅值及推力时序下的重定位时间和推进剂消耗量。结果表明：小推力重定位时间长,推进剂消耗量少;而大推力重定位时间短,推进剂消耗量多。通过合理优化推力时序可以有效减少重定位时间及推进剂消耗量。     

改进的多级涡轮噪声经验预测模型

基于早期的涡轮噪声经验预测模型和涡轮噪声试验数据,对影响涡轮噪声的关键涡轮参数进行了分析,发展了改进的多级涡轮噪声经验预测模型.该模型由单级涡轮噪声计算、涡轮噪声在下游涡轮级中传播的衰减量计算和各级涡轮噪声叠加3个部分组成.采用涡轮噪声试验数据对单级涡轮噪声计算方法进行了验证.结果表明:该单级涡轮噪声计算方法的计算结果误差小于1.5dB.由试验数据拟合得到的涡轮噪声叶片排衰减经验预测模型也被应用于该改进的多级涡轮噪声经验预测模型中.与早期经验预测模型相比,改进模型的计算方法更合理,噪声预测结果更可靠.      

基于灰色时序的航空发动机磨损故障预测模型

把时序AR(n)预测模型和灰色GM(1,1) 预测模型两者有机结合起来,形成新的灰色时序模型的预测模型.以发动机光谱为例,经过实测数据检验,显示了其更好的预测效果.     

基于免疫粒子群算法的滑油屑末支持向量机预测模型设计

将人工免疫理论的克隆选择算法中的抗体克隆、变异和抑制策略引入粒子群优化算法中,提出了一种基于克隆选择的免疫粒子群优化算法,克服了基本粒子群算法易于陷入局部最优解的缺点.针对支持向量机预测模型的参数选择影响其预测精度的问题,引入免疫粒子群优化算法设计了参数自适应优化的航空发动机滑油屑末支持向量机预测模型.仿真结果表明:与传统的交叉验证试算法相比,基于免疫粒子群优化的预测模型实现了参数的自动择优,并且提高了预测精度.      

基于灰色理论的自适应多参数预测模型

故障预测对保障武器装备安全可靠工作具有重要意义。但是,用于武器装备故障诊断和预测的数据往往是小样本、多特征参数数据,当前主要的故障预测方法在实际故障预测中虽取得了一定的效果,但均存在不足之处。本文基于灰色预测建模理论,分析了GM(1,1)预测建模中的不足,考虑多个特征参数间的相互关系以及预测序列的实际特点,修正了初始值和背景值,建立了小样本情况下的自适应多特征参数预测模型,并以某型飞机发动机的多特征参数的仿真数据为例进行了预测分析,结果表明该模型具有很好的预测精度,证明了该模型的有效性。     

CCF300/QY8911单向纤维增强复合材料纵向压缩性能预测

提出了一种单向纤维增强复合材料压缩性能的预测方法.该方法基于纤维增强复合材料压缩的微屈曲失效机理与纤维膝切失效机理,对CCF300/QY8911碳纤维增强复合材料单向层合板的纵向压缩性能展开研究.将纤维微屈曲失效与纤维膝切失效机理统一起来,提出一种基于两种失效机理的预测模型,很好地实现了CCF300/QY8911单向纤维增强复合材料压缩性能的预测.通过与试验数据进行比较表明:基于两种失效机理分析的CCF300/QY8911单向纤维复合材料压缩性能预测模型与试验数据符合较好,误差在5%以内.      

基于半监督集成学习的多核设计空间探索

随着处理器的系统结构日趋复杂,设计空间呈指数式增长,并且软件模拟技术极为费时,成为处理器设计的重要挑战。提出了一种结合集成学习和半监督学习技术的高效设计空间探索方法。具体而言,该方法包括2个阶段:使用均匀随机采样方法从处理器设计空间中选择一小组具有代表性的设计点,通过模拟获得性能响应,从而组成训练数据集;提出基于半监督学习的AdaBoost（SSLBoost）模型预测未模拟的样本配置的响应,从而搜索最优的处理器设计配置。实验结果表明,与现有的基于人工神经网络和支持向量机（SVM）的有监督预测模型相比,SSLBoost模型能够使用更少的模拟样本构建出不差于现有方法性能的预测模型;而当模拟样本数量相同时,SSLBoost模型的预测精度更高。      

现代谱分析在识别脉动信号中的应用

功率谱密度被广泛地应用于分析平稳时间序列,随着现代谱分析技术的发展,经典谱分析技术的缺点得到解决。本文对现代谱分析技术的特点作了论述,利用最大熵谱法分辨率高,特别适用于短数据序列及低信噪比弱信号的特点。通过对几组实测的地脉动响应数据的对比分析,获得了信号的功率话密度（PSD）,借助PSD识别出结构的模态频率,而用经典谱方法无法获得。     

基于时序建模的卫星故障检测方法

为解决当前卫星故障检测面临的依赖规则库、多元特征融合不足以及数据正负样本分布不均衡等问题,从卫星数据的时序特性出发,提出基于时序建模的卫星故障检测方法与半监督模型,实现卫星数据规律的有效挖掘与数据驱动的故障检测。考虑卫星数据间的时序关联,提出基于长短期记忆神经网络的卫星故障检测方法,并引入滑动窗口机制实现卫星数据的有效预测与故障检测。考虑卫星数据多元特征参数间的关联关系,引入时间卷积和自编码器神经网络,同时建模不同时刻、多元特征参数间的依赖关系,实现融合多元特征参数进行卫星故障的有效检测。以某型号卫星电源分系统为实验对象,仿真结果表明,所提算法和模型在关键指标方面优于BP神经网络等传统故障检测方法和模型。