复杂激励下涡轴发动机中央从动锥齿轮故障机理

针对某小型涡轴发动机燃气发生器转子前端中央从动锥齿轮发生的疲劳断裂故障,同时考虑了齿面高频啮合激励作用和转子-从动锥齿轮耦合振动带来的影响,研究了从动锥齿轮的振动响应特征。结果表明:齿面啮合激励会激起从动锥齿轮5节径振型,同时,转子-从动锥齿轮耦合振动会对锥齿轮产生转子转速2倍频(2×)激励,并激起锥齿轮的俯仰模态振型,除此之外,齿面附加约束作用改变了该振型下的振动应力分布、使疲劳裂纹沿径向扩展,与故障现象相符,证明了该故障机理分析的正确性。     

基于阵元激励幅度分档的赋形波束方向图综合

提出了一种新型的基于幅度分档的赋形波束方向图综合算法。该算法共分为3步。首先,使用传统方向图综合方法如交替投影得到波束的无幅值限制的阵元激励;然后,使用概率密度理论对得到的阵元激励幅度进行处理得到量化的阵元激励幅度,最后,通过量化阵元激励幅度,使用半正定松弛（SDR）方法得到阵元激励的相位分布。上述步骤中,如何使用概率密度理论得到量化的阵元激励幅度是3步中较为重要的一步。将阵元激励幅度用概率密度变量进行替代,通过事先设定的阵元激励幅度档位个数,以及每个阵元激励幅度落在相应档位时取值的概率,可以得到含有概率密度变量的综合方向图表达式。最小化含有概率密度变量的综合方向图与理想方向图的功率之差即可得到量化的阵元激励幅度。使用概率密度理论得到量化阵元激励幅度的优势在于,可以根据任意形状的阵面和阵元栅格排布来划分幅度的档位区间,从而有着更广泛的适用性。在例证部分,通过多组算例的仿真,以及与一些对算法性能的分析,所提算法验证了其在综合效果上的优越性。     

倾斜轨道卫星组合式散热面优化设计方法

提出一种基于传统被动热控设计思路的组合式散热面优化设计方法,通过优化散热面布局和合理利用空间外热流,实现热控系统热量合理分配,优化热控系统研制流程。以某卫星的优化设计实践为例,基于该方法建立的简化模型可以快速地确定散热面的布局和比例,并减小热控系统质量,表明该设计方法合理、可行。     

布雷顿与斯特林联合循环ECOP性能分析

以反映热机循环输出和损失之比的生态学性能系数ECOP为目标,用有限时间热力学的方法分析了具有热阻、热漏的布雷顿与斯特林联合循环的性能;导出了在牛顿传热律下布雷顿循环的ECOP的解析式,并通过数值算例得到了它们之间的关系;分析并研究了各种参数对联合循环性能的影响。     

混合励磁双凸极电机模态分析方法

以三相混合励磁双凸极电机及其三相桥式功率变换器为研究对象，提出了同时将每相绕组端点电压和导通功率器件作为状态变量的状态分析方法，给出了电机运行中所有可能的工作模态状态方程。继而以H_PWM-L_ON型调制方式为例，讨论了具体的工作模态，给出了各模态状态方程、实际的电流回路和主要原理波形，并通过实验作出了验证。     

三维复杂目标求解的多层快速多极子方法

采用多层快速多极子方法(Multilevel fast multipole algorithm,MLFMA)求解混合场积分方程(Combined field integral equation,CFIE),并选择RWG型基函数,对金属带缝锥球体、三面角反射器以及钻石体的单站RCS(Radar cross section)进行了计算,计算结果与试验吻合良好.在此基础上计算了F-22缩比模型的单站RCS,其计算量、存储量分别达到O(NlogN)量级和O(N)量级,此方法适用于带有尖点和特别细长曲面的三维复杂目标,如战斗机外形的RCS计算分析.     

跨声速风洞颤振试验模型激振与数据处理方法研究

简述了几种主要激励方法在颤振实验中的优缺点,分别用瞬态激励、有限带宽白噪声激励和单频激励进行地面模态实验,测量机翼模型的振动响应,并用STD、ARMA和复指数模态参数识别等时域方法识别固有频率和模态阻尼,通过与软件计算结果对比分析得知,实测的固有频率与计算结果吻合很好.     

具有输出耦合电感的高压增益双管正激组合变换器

为了克服双管正激变换器电压增益低、不适合应用于高输出电压场合的弱点,本文提出了一种具有输出耦合电感的高电压增益双管正激组合变换器。该组合变换器既具有双管正激变换器高可靠性的优点,同时电压增益是双管正激变换器的4倍。因此,在相同输入和输出电压条件下,该组合变换器的高频变压器副边输出续流二极管电压应力,为双管正激变换器对应二极管电压应力的1/4,从而在高输出电压应用场合,副边输出续流二极管可以采用低压快恢复二极管,极大地改善了续流二极管的反向恢复问题,提高了变换器的可靠性。     

基于GRNN-ELM的飞机复合材料结构损伤识别

飞机结构的损伤严重影响着飞机的飞行安全,为了解决飞机复合材料结构损伤难以有效识别问题,本文提出一种基于广义回归神经网络(General regression neural network,GRNN)与极限学习机(Extreme learning machine,ELM)组合的飞机复合材料结构损伤识别新方法。首先对飞机复合材料层合板进行冲击,而后对其进行疲劳拉伸试验,通过优化布局在复合材料层合板上的光纤光栅传感器募集应变信息,并对其进行预处理。采用变分模态分解(Variational mode decomposition,VMD)对募集的应变信息进行自适应分解,得到多个基本模式分量(Intrinsic mode function,IMF)。计算各阶IMF分量的奇异熵,通过核独立主元分析(Kernel independent component analysis,KICA)方法对奇异熵进行特征融合,构建融合特征向量。采用融合特征向量建立基于GRNN-ELM的复合材料结构损伤识别模型,通过试验对损伤识别模型的有效性进行了验证,并分别与所构建的ELM和GRNN损伤识别模型的识别结果进行比较。结果表明,该方法能有效对飞机复合材料结构损伤进行识别,具有很好的工程应用价值。     

基于多智能体系统的飞机舵面故障诊断方法

采用了多智能体系统方法对飞机系统的舵面故障诊断问题进行分析.首先从飞机系统的复杂性角度分析了该方法对其进行故障诊断的适应性,然后提出了对组成飞机舵面故障诊断系统的各智能体进行分类、建模和编码的方法,并在此基础上提出了故障诊断智能体的交互模型.在仿真实例中,采用Simulink建立了F-16飞机的仿真模型,用JADE平台构造了故障识别智能体以通过数据融合来对具体的舵面故障进行诊断,并利用MAC-Sim建立了Simulink与JADE平台之间的信息互通.仿真结果说明,该方法能够通过智能体的交互与协作来实现飞机舵面单故障和组合故障的在线协同诊断.