高空飞艇螺旋桨优化设计与气动性能车载试验

结合某高空飞艇螺旋桨的总体设计方案要求,完成螺旋桨的优化设计以及气动性能车载试验.采用叶素动量理论作为螺旋桨气动性能的计算方法,并通过风洞试验验证了该方法的可靠性.结合遗传算法对螺旋桨的弦长和扭转角进行了优化,使螺旋桨更加高效轻质,优化后螺旋桨设计点的气动效率增加了2.3%.建立螺旋桨车载试验测控系统,可以改变试验海拔高度和大气参数,得到优化设计螺旋桨不同工况的气动性能.试验结果表明,相同转速和来流条件下,海拔越高,螺旋桨的推力和扭矩越小.海拔为3-6km时,全尺寸高空飞艇螺旋桨计算推力和扭矩与试验结果的平均相对误差分别为2.8%和9.2%,两者基本吻合,从而验证了高空飞艇螺旋桨车载试验的准确性.      

基于非结构网格流场超大规模并行计算

大规模并行的计算流体力学已成为现代航空工业研发的核心手段之一。基于非结构混合网格和有限体积法,发展了适用于工业级复杂外形气动计算的并行流动数值模拟方法。文中首先介绍了紧致数值离散格式、基于Metis的分布式多核系统网格分区技术、并行边界虚拟单元技术和MPI并行实现等相关算法。采用网格量相对较小的旋成体构型绕流模型对比分析多核并行计算结果与单核计算结果以验证并行计算的正确性,比较了不同并行规模下并行效率和残差收敛情况。然后通过对上亿网格单元的运输机复杂构型绕流模拟,开展并行效率的测试,结果表明,本文方法并行加速性能高,直到多达18816核并行效率都保持在80%以上。     

基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。     

飞行仿真气动力数据机器学习建模方法

基于机器学习思想,提出了一种大空域、宽速域的气动力建模方法。该方法利用飞行仿真弹道数据辨识的气动力数据,采用人工神经网络技术,实现了对高度、速度、姿态和舵偏角等多维度强非线性特性的全弹道气动力数据的高精度逼近。首先,分析了神经网络层数、隐含层神经元个数等对建模误差的影响,通过对典型弹道气动数据的神经网络建模计算,确定了较合适的神经网络层数和较优的隐层神经元个数。进而,利用飞行仿真的弹道数据辨识出沿弹道的气动力,采用神经网络建立了包含多个弹道融合的气动力模型,输出量分别为三轴气动力系数和力矩系数。最后通过气动模型输出量与原样本数据的对比,以及4条未参与训练弹道气动数据的预测,验证了该气动力建模方法具有较高的精度。建模结果表明:采用神经网络方法建立的飞行器气动力模型,对拟合多源耦合输入全弹道非线性气动力是可行的和有效的,在样本覆盖的高度、速度、姿态和控制舵偏角范围内,气动力拟合能力较强,并具有一定的外推性。该项研究可以为基于飞行试验数据的气动建模提供新的方法,并且能为飞行器气动力数据挖掘、飞行仿真和总体性能分析提供参考。     

宽弦风扇叶片颤振预测的工程研究

为研究宽弦复合弯掠风扇叶片的颤振问题,以及适用于工程设计的颤振预测方法,分别采用经验法和数值模拟方法,对大涵道比风扇性能试验件叶片进行颤振预测,并将预测结果与试验结果进行对比,考察颤振预测方法的准确性和实用性。对比过程中,分析了颤振发生的机理,提出了抑制颤振的手段。结果表明:两种方法都准确地预测了风扇转子叶片发生的颤振,与试验现象吻合,计算量在可接受范围内,具备工程实用价值。     

无人机类脑吸引子神经网络导航技术

当前无人机在非结构化或未知环境下飞行主要采用SLAM进行导航与定位,存在如下突出问题：依赖高精度昂贵激光雷达等环境感知传感器;需要建立准确世界和无人机物理模型;受环境影响较大;自主智能水平较低,无法较好地满足无人机对导航系统的要求,需要发展自主智能的导航方式。基于吸引子神经网络的类脑导航技术,无需训练模型参数,不依赖高精度传感器,无需精确建模,且复杂环境下鲁棒性较强,具有解决上述问题的潜力。简要阐述了动物大脑导航机理,分析了吸引子神经网络和基于吸引子神经网络的类脑导航关键技术,最后讨论了吸引子类脑导航技术在无人机应用中的挑战。     

三维叶轮机叶片黏性反问题设计改进方法

提出了一种改进的适用于三维黏性流场的叶轮机叶片反问题设计方法。该方法假设叶片的中弧线具有虚拟移动速度,其位移量由目标载荷与实际载荷的差值计算,并利用黏性底层厚度进行限制。采用三次B样条曲线插值方法对叶片中弧线进行光顺,新叶型通过更新后的中弧线和给定的叶片厚度得到。算例验算结果表明:该方法能够根据设计意图对叶型进行修改,鲁棒性强,收敛速度快,叶片的可变自由度高,不依赖于特定的网格和求解器,具备一定的通用性。      

基于深度学习的混合翼型前缘压力分布预测

提出了一种基于深度学习的混合翼型前缘压力分布预测方法,通过对翼型几何特征提取、压力分布曲线的参数化,建立了卷积神经网络模型（CNN）,并利用计算流体力学（CFD）的计算结果作为其训练样本,实现对混合翼型前缘压力分布的预测。结果表明:两种方法计算结果的拟合优度大于0.98,基于深度学习的计算方法耗时1.7 s,CFD方法耗时大于50 s,计算时间大大缩短。该方法能够在满足计算精度的条件下提高计算效率并可应用于其他的翼型设计过程。      

AP聚类改进免疫算法用于航空发动机故障诊断

在免疫算法训练过程中引入近邻传播(AP)聚类与熵权法,对训练样本进行聚类与权值计算,将权值引入免疫算法中样本选择阈值的计算,以解决训练过程采用固定选择阈值所造成的检测器在部分区域过拟合,部分区域欠拟合的问题。结果表明:改进的免疫算法用于典型非线性函数的寻优时,迭代性能均优于传统免疫算法,并在大部分情况下优于粒子群算法与量子遗传算法,在进行某型发动机故障诊断的实例实验时,改进后的算法的诊断准确率达到98.06%,高于传统免疫算法的92.60%。      

压电阻抗技术监测固体推进剂老化研究

为了进一步研究表面粘贴式的主动传感技术——压电阻抗技术(EMI, Electro-Mechanical Impedance)监测固体推进剂的老化,构建了基于线粘弹杆结构的一维机电耦合模型,根据粘弹性波的理论与边界条件进行分析,建立一种线粘弹结构动态模量与其机械阻抗的表征关系,并对构建的机电耦合阻抗模型进行了数值计算及试验验证。针对HTPB固体推进剂开展高温热加速老化试验及压电主动激励试验,根据监测所得导纳频谱并通过提取结构机械阻抗进行分析,结果表明:压电陶瓷片与推进剂结构在高频机电耦合运动时(300kHz,280kHz)有明显的共振现象,结构固有频率高于机电耦合共振频率,并且在200kHz～400kHz频段与700kHz～900kHz频段内,结构机械阻抗频谱峰值会因固体推进剂的热老化时间增长而降低,且与热老化时间之间满足线性关系。由此可见,压电阻抗法能够与固体推进剂在力学性能上建立表征关系,通过得到固体推进剂结构机械阻抗能够监测其老化损伤。