江苏美龙航空部件有限公司

<正>江苏美龙航空部件有限公司成立于2009年12月,位于镇江新区航空产业园,占地面积150亩,建成厂房5万平方米厂,引进国外先进设备建成航空复合材料加工和精密机械加工生产线,主要从事航空先进材料结构件、客货舱内饰、地面训练机内饰、高铁用复合材料部件研制及航空精密机械加工零件制造。美龙航空通过必维国际检验集团的AS9100质量体系认证和中国新时代认证中心GJB9001认证,具有军工单位三级保密资质。公司通过中国商飞、中航工业、中电科技、航天科技、航天科工成员单位的合格供     

物理启发的深度学习模型及其在热端部件散热中的应用

热端部件散热是众多空天设备的关键技术。表面温度分布是散热设计中用到的重要信息,常规的解析建模手段和机器学习方法均无法有效地表达此类高维信息。近年来兴起的图像深度学习算法是解决表面温度信息预测的有效手段。然而,现有的基于大数据的深度学习方法往往对于物理数据和小样本数据不适用,体现为泛化精度差、数据兼容性差、可解释性差。因此,有必要结合传热的先验知识发展物理启发的新型深度学习算法,以增强高自由度、高复杂度散热对象上的设计能力。本文基于卷积算子和有限差分求解方式的类比关系,提出了一种物理启发式的循环卷积神经网络。以横向出流的冲击冷却为例,开展了变计算域大小、变工况、变尺寸的批量数值模拟,获取了冲击冷却关键特征的小样本图像数据。进一步通过神经网络的训练,构建了多参数、大范围内有较好拟合能力的温度、传热系数、压力代理模型。研究结果表明,本文提出的物理启发神经网络模型,对于计算域大小没有限制,可以统一表达不同空间范围内获取的物理数据的共性规律。模型的各类超参设定均具有明确的物理意义,且与经典的微分方程求解理论有一定的类比关系,增强了神经网络调参的方向性。通过传热物理规律与黑箱模型的融合,本文实现了小样本多参数物理数据的共性建模。该方法可以迅速重构热端部件的高维分布信息,可服务于热端部件的快速分析设计以及优化。     

基于电源纹波的功率负载旁路检测方法

传统功率器部件的工作状态往往需要大量的传感器资源，并占用较多的无线/有线复用通信资源。为了实现功率器件的智能状态检测，降低使用传感器的复杂性，增强系统的可靠性，提出了一种基于电源状态检测的功率器部件旁路多点状态的检测方法。该方法的创新点体现于在不修改原有电路结构的情况下，旁路采集电源纹波作为功率器件工作状态的重要特征。在此基础上应用信号处理算法分析电源纹波的频域信息并构建数据集，进一步通过机器学习方法区分功率器件的各自工作状态。通过对大功率LED二极管PWM调制的纹波进行探测，对提出的相关方法进行了实验验证。实验结果表明，该方法检测性能优越、对环境不敏感，实现了更加智能、可靠、可拓展的功率器部件智能检测。     

旋转部件转动诱导振动信号检测与分析

阐述了一个典型旋转部件振动时产生诱导振动信号的检测方法。介绍了测试系统，旋转部件振动测点布置和振动信号采集。根据两个样机的实测结果，认为旋转部件的诱导振动信号与旋转部件生产质量、安装精度密切相关，对旋转部件轴承固有特征的理论计算值和实测频谱进行了比较，进而判断轴承是否存在故障，并分析了上、下轴承间振动信号的相关性。