小突片红外抑制效应的实验研究

利用地面模拟试验件实验研究了主喷管流速为亚声速,温度610℃左右,下洗气流速度11m/s,位于主喷管出口的小突片的安装方式和尺寸对某型号直升机发动机出口红外隐身效果的影响,实验用的混合管主喷管面积比为1.5。结果表明,和不装小突片时的基准状态相比,安装四片小突片时出口最高气流温度和平均气流温度分别降低2.3%和1%,主喷管总压升高0.44%。而增加小突片的尺寸,对红外抑制效果有所改进,不过总压损失会增大。     

基于小波过程神经网络的飞机发动机状态监视

 针对飞机发动机状态监视问题，提出了小波过程神经网络模型。其隐层和输出层为过程神经元，隐层激活函采用小波函数。该模型结合了过程神经网络可以处理连续输入信号的特点及小波变换良好的时频局域化性质，有更强的学习能力和更高的预测精度。文中给出了相应的学习算法，并以飞机发动机状态监视中排气温度裕度的预测为例，分别利用3层前向过程神经网络和小波过程神经网络进行预测。结果表明，小波过程神经网络结构更简单，收敛速度更快，优于过程神经网络，因而为飞机发动机状态监视提供了一种有效的方法。     

舵面电动加载系统的自适应CMAC复合控制

针对无人机舵面电动加载系统具有非线性及多余力矩的特点,提出了一种自适应CMAC(Cerebellar Model Articulation Controller)神经网络与自适应神经元控制器并联构成复合控制结构.该控制策略以系统的指令输入和实际输出作为CMAC的激励信号,以系统的当前控制误差作为CMAC的训练信号.提出了利用误差在线自适应调整学习率的方法,消除了常规前馈型CMAC的过学习和不稳定现象.建立了无人机舵面电动加载系统的数学模型,给出了具体的控制结构和算法.仿真结果表明:该方法有效抑制了加载系统的多余力矩,增强了系统的稳定性,明显改善了舵面电动加载系统的动态性能.     

中航工业综合技术研究所在四地区举办标准培训

为了庆祝第40届世界标准日,让航空行业员工了解标准化、认识标准化,提升标准化的运行效力和应用作用,中航工业综合技术研究所在世界标准日之际,     

电子束熔覆改性技术扫描波形设计

根据电子束扫描特性,设计电子束熔覆改性试验所用波形,利用该波形进行钛合金表面熔凝和硅化物涂层重熔试验,研究了扫描波形对电子束单道熔覆能量输入均匀性的影响。结果表明,电子束熔覆过程中熔池表面温度场均匀性是扫描波形、电子束束斑品质、扫描频率和工艺参数综合影响的结果,所设计波形可用于电子束熔覆表面改性技术,改性层厚度均匀一致,扫描波形是影响电子束熔覆过程中熔池表面温度场均匀性的关键因素。     

基于多智能体混合学习的多星协同动态任务规划算法(英文)

针对多星协同动态任务规划问题,以往多采用基于启发式的重规划算法,但是由于启发式策略依赖于具体任务,使得优化性受到影响。注意到协同规划的历史信息对后续协同规划的影响,本文提出了一种基于策略迭代的多智能体强化学习和迁移学习的混合学习算法求解该问题近似最优策略。本文的多智能体强化学习方法利用神经网络描述各颗卫星的强化学习策略,通过协同进化的方法迭代搜索具有最优拓扑结构和连接权重的策略神经网络个体。针对随机出现的观测任务请求导致历史学习策略失效,通过迁移学习将历史学习策略转换为当前初始策略,保证规划质量前提下加快多星协同任务规划速度。仿真实验及分析结果表明本文算法对动态随机出现的任务请求有良好的适应性。     

喷丸强化残余应力场三维数值分析

建立了喷丸强化三维有限元模型,实现了喷丸强化处理残余应力场的数值模拟.根据显式动力分析各种能量变化过程,确定了显式分析求解时间选择方法;研究了喷丸速度、弹丸直径、入射角度及摩擦力等因素对喷丸残余应力场影响的一般规律,并与现有相关文献试验结论进行对比;分析了单次和多次冲击下材料内部的残余应力场分布及塑性应变分布特点;建立了不同数目的多丸粒喷丸强化三维有限元模型,研究了不同覆盖率对残余应力场分布的影响规律.      

冲击射流火焰流场的LDV实验研究

搭建了基于激光多普勒测速仪（LDV）的冲击射流火焰流场实验平台,开发了固态粒子发生器、粒子回收装置和精密位移机构等装置,对单孔喷嘴（功率200W）、同轴喷嘴（功率1200W）的自由射流火焰流场和冲击射流火焰流场进行高精度测量,测量数据具有较高的准确性和可重复性。在冲击射流模式下,利用多个位置点的平均速度分量测量值进行流场重构,获得了冲击射流火焰流场基本特征。实验发现:在靠近冲击壁面区域距中心滞止点约1倍喷嘴直径处出现水平方向速度峰值,该点处可能会形成短冲击距离下换热强度的第二次峰值。在同轴射流工况中,外环同轴射流和中心射流间存在一个内部剪切混合层:在自由射流火焰模式下,该混合层随着射流的发展而耗散;在冲击射流火焰模式下,由于受到滞止区的作用,混合层向外扩张。     

基于复数深度神经网络的逆合成孔径雷达成像方法

压缩感知（Compressive sensing, CS）理论框架下逆合成孔径雷达（Inverse syntheitic operture radar, ISAR）成像的结果具有超分辨、无旁瓣干扰等特点,但CS ISAR成像方法性能仍然受到稀疏表示不准确和图像重建方法效率低等限制。基于深度神经网络（Deep neural network, DNN）的欠采样或不完整信号重建方法取得了瞩目的表现。DNN能够自主学习最优网络参数并挖掘出输入数据的抽象高层特征表示,但目前已有的DNN都为实数域的模型,无法直接用于复数形式数据处理。为了利用DNN的优势提高ISAR欠采样数据成像的质量,本文通过级联不同类型的复数网络层的方式,构建具有多级分解能力的复数深度神经网络（Complex value DND, CV-DNN）,利用CV-DNN实现ISAR成像。实验结果表明,基于CV-DNN的ISAR成像方法在成像质量和计算效率方面都优于传统压缩感知成像方法。     

基于元学习和PINN的变工况刀具磨损精确预测方法

刀具磨损预测对保证零件加工质量和效率、降低加工成本具有重要作用,尤其是在广泛采用难加工材料的航空航天制造领域。数据与机理融合模型能够结合机理模型和数据驱动模型的优势,是实现刀具磨损预测的有效手段。然而现有的融合方法难以有效平衡数据和机理对模型的权重,导致难以真正实现融合模型的预期效果。本文提出了一种基于元学习（Meta learning,ML）和PINN（Physics-informed neural network）的刀具磨损预测方法,通过磨损机理约束数据驱动模型的解空间,并结合元学习算法优化融合模型的损失函数以合理利用数据和机理提供的信息。实例验证结果表明,本文所提出的方法能有效提高变工况下的刀具磨损预测精度和稳定性。