固体火箭发动机试车后燃烧产物

本文论及了固体火箭发动机试车中喷管排出的燃气在空气中后燃烧过程的产物,温度和放热,对大气污染及防治的研究有意义.     

涡喷发动机高空模拟试验推力测量问题

推力测量是高空模拟试验领域重要的研究课题.本文通过某高空台的推力测量,介绍其试验设备、测量方法及试验结果,重点讨论了该高空台的推力修正及测量精度问题.     

氢氧发动机试验安全技术

本文着重从氢氧发动机试验过程中的安全技术方面进行技术总结,从事故中吸取教训,采取有效措施,以保障氢氧发动机的试验成功.     

基于遗传算法的发动机控制通道数学模型辨识

由于控制器结构的变化,某型发动机电子调节器主要控制通道的动态响应过程为分段线性数学模型。为了获得精确的数学模型,对基本遗传算法进行了改进,提出了一种基于改进遗传算法的辨识算法,能有效辨识出系统的结构跳变时刻及其分段数学模型参数,仿真结果表明,该算法辨识的模型与实际系统接近,较之其它辨识算法具有计算稳定、辨识精度高和适应性强等优点。     

离心泵的瞬变过程性能研究

本文介绍了离心泵在纯液相流瞬变工况的性能研究的一些进展.特别注意了泵在气-液两相流瞬变工况的机理分析.介绍了航天部31所对于冲压发动机供油系统涡轮泵流体瞬变过程的研究成果.研究表明,离心泵的瞬变性能是其重要的特性之一;不能离开泵所在系统来讨论其瞬变性能;在非定常流中,区分“瞬变过程”与“缓变过程”,有十分重要的理论与实践意义.     

冲压发动机燃烧稳定性及瞬态压力测量结果分析

本文针对冲压发动机地面试验中存在的不稳定工作现象进行了分析,并对燃烧室压力测量系统特性进行了计算,以判断所得测量结果的真实性.根据冲压发动机的使用特点,文中还提出了燃烧稳定性要求.     

单推-3推进剂、低铱催化剂推力室特性试验

本文叙述了催化分解推力室采用单推-3推进剂、低铱催化剂的特性试验,其中包括地面试验、高空试验、低温试验、高温试验及湿度试验,并给出了试验结果.     

液体火箭发动机健康监控──故障检测与诊断

以大型液体火箭发动机故障诊断系统框架为基础，按照发动机不同工作阶段的特点建立了相应的故障检测与诊断算法。利用发动机的高队数学模型，对基于推广的卡尔曼滤波器技术的新息检测算法进行了研究。根据发动机系统工作过程的特点，建立了降阶故障模式响应模型，并发展了相应的故障模式检验方法。为了适应在线实时检测的需要，利用发动机的试验数据，分别研究了基于人工神经元网络辨识模型的发动机启动过程检测算法和基于时间序列分析方法的发动机主机工作过程检测算法。通过试验数据的检测验证，证明了这些实时算法的快速性、准确性和鲁律性。     

用于单级入轨的三组元发动机参数优化

针对可重复使用的天地往返运载器运载任务，以三组元发动机的性能计算，分析为基础，以运载器的结构干质量为优化目标，对三组元发动机参数进行了优化分析。得到了对应于最小运载器干质量下的发动机最佳参数与发动机最佳模式转换时间，为将来的发动机详细设计打下基础。     

Aircraft engine fault detection based on grouped convolutional denoising autoencoders

Many existing aircraft engine fault detection methods are highly dependent on performance deviation data that are provided by the original equipment manufacturer. To improve the independent engine fault detection ability, Aircraft Communications Addressing and Reporting System (ACARS) data can be used. However, owing to the characteristics of high dimension, complex correlations between parameters, and large noise content, it is difficult for existing methods to detect faults effectively by using ACARS data. To solve this problem, a novel engine fault detection method based on original ACARS data is proposed. First, inspired by computer vision methods, all variables were divided into separated groups according to their correlations. Then, an improved convolutional denoising autoencoder was used to extract the features of each group. Finally, all of the extracted features were fused to form feature vectors. Thereby, fault samples could be identified based on these feature vectors. Experiments were conducted to validate the effectiveness and efficiency of our method and other competing methods by considering real ACARS data as the data source. The results reveal the good performance of our method with regard to comprehensive fault detection and robustness. Additionally, the computational and time costs of our method are shown to be relatively low.