脉冲爆震燃烧效率的探索性试验研究

为了对脉冲爆震燃烧过程的燃烧效率有一个初步了解,在分析脉冲爆震发动机工作原理的基础上,设计了一套带有压力可调单向阀结构的取样系统,并进行了试验验证.试验针对爆震频率为5Hz、当量比为1的汽油和空气混气,测试了爆震波充分发展前后不同位置处爆震燃烧过程的燃烧效率,结果表明可以利用设计的取样系统进行脉冲爆震发动机燃烧效率的测量,试验还发现在脉冲爆震室后爆震发展比较充分的位置,测取的燃烧效率比较高,最高可达99.6%.     

覆膜陶瓷粉末的选择性激光烧结工艺研究及参数优化

研究了选择性激光烧结成形制造过程中激光功率密度、扫描速度、预热温度和激光束扫描间距对烧结成形件致密度的影响,通过正交试验及方差分析,判定了各工艺参数的显著性及其重要性顺序,并给出覆膜陶瓷粉末烧结的最佳工艺参数。     

基于支持向量机回归的电力负荷预测研究

不同于传统的基于经验风险最小化的回归方法,支持向量机回归方法基于结构风险最小化准则.与神经网络相比,该方法在解决学习精度和推广性之间的矛盾方面有明显的优势.本文以城市电力负荷预测为应用背景,对比研究了基于统计学习理论的支持向量机回归方法和神经网络方法.预测结果显示支持向量机可能是一种非常有前景的预测工具,其预测精度明显好于神经网络.     

大扭曲叶片整体涡轮电解加工工艺研究

研究用展成电解工艺进行大扭曲度整体涡轮叶片的机械加工，对涡轮叶片型面进行数据处理，用软件方式实现电解加工的多轴联动进给；分析叶片电解过程成形规律，合理设计阴极、流场，解决大扭曲叶片加工的叶背二次腐蚀、出口短路等关键工艺问题，试验可稳定达到工序精度要求，并可批量生产。     

多层打孔隔热材料空间应用热性能研究

在分析了空间多层打孔隔热材料中导热和辐射的复合传热问题的基础上,提出了空间多层打孔隔热材料反射屏温度计算的模型以及内部辐射数值分析模型.利用该模型对不同几何、物理参数下的对象进行模拟计算,通过对计算结果的分析,明确作为几何参数的层密度和层数以及作为表面特性参数的黑度和打孔率对材料热性能的影响.该热性能的研究对提高空间多层打孔隔热材料的隔热效果,实现材料的优化设计具有积极的指导意义.     

固体燃料超燃冲压发动机燃速研究进展

对固体燃料超燃冲压发动机燃烧面退移速率（简称燃速）研究现状和进展进行了详细阐述,分别从固体燃料类型、燃烧室构型、理论预估模型、数值模拟及实验研究等方面出发,论述了固体燃料在超声速流动下燃速研究的进展和难点;从亚燃冲压发动机、热防护层、富氧环境下绝热层烧蚀3个方面提炼出可以用于超燃冲压发动机燃速研究的经验和方法:①提出了加强针对固体燃料超声速流动中受热行为、传热传质过程的研究方向;②深入探索了固体超燃燃速性质;③开发了对应的数值软件及系统地进行实验等观点,为国内该领域的研究提供参考.      

固液火箭发动机试验燃速的计算

基于固液火箭发动机固体药柱燃速与药柱通道氧化剂质量流率的关系,推导分析得出:在2s短工作时间内或者药柱通道直径增大10%的情况下,燃烧室压力与其氧化剂质量流量成正比.因此通过试验测量的燃烧室压力可计算得到发动机转级或者关机拖尾段中的氧化剂质量流量.据此,计算发动机拖尾段消耗的燃料质量,消除发动机拖尾段燃料消耗对平均燃速的影响,可以修正常用的计算试验燃速的起止点平均法.利用此方法对两种试验推进剂组合的燃速进行了计算,原偏高的燃速值降低约20%,不同尺寸发动机的燃速符合尺寸规律,偏差在5%以内,使小尺寸发动机测得的燃速可应用到大尺寸发动机的设计中.      

基于神经网络与果蝇优化算法的涡轮叶片低循环疲劳寿命健壮性设计

在对涡轮叶片低循环疲劳寿命概率分析的基础上,将广义回归型神经网络(generalized regression neural network,GRNN)与果蝇优化算法(fruit fly optimization algorithm,FFOA)结合,利用果蝇优化算法的多点全局的快速搜索能力来优化影响疲劳寿命的随机变量,进行涡轮叶片低循环疲劳寿命健壮性优化设计.优化结果表明:疲劳寿命的概率区间减小17.9%,对随机变量的敏感度降低,从而可以更精确地对疲劳寿命进行估计.计算结果验证了该方法在工程应用中的可行性.      

颗粒冲刷对C/C材料烧蚀影响的实验研究

为研究粒子直接撞击模式下C/C材料的烧蚀形貌及性能,丰富C/C材料烧蚀研究,开展了粒子侵蚀实验.利用扫描电镜和三维微观成像等测量手段进行微观烧蚀形貌的研究,结果表明颗粒冲刷条件下由于粒子的直接撞击,侵蚀区域出现小凹坑,但轴棒纤维突出,轴棒表面出现大小不同的凹坑,部分单丝从基体中断裂,形成微观锥形孔穴形貌,径向纤维束部分区域出现孔和开槽,整体形貌不再连续一致;未侵蚀部位的微观形貌和烧蚀试验中的喉部形貌一致,单丝呈现笋尖状.     

An adaptive turbo-shaft engine modeling method based on PS and MRR-LSSVR algorithms

In order to establish an adaptive turbo-shaft engine model with high accuracy, a new modeling method based on parameter selection (PS) algorithm and multi-input multi-output recursive reduced least square support vector regression (MRR-LSSVR) machine is proposed. Firstly, the PS algorithm is designed to choose the most reasonable inputs of the adaptive module. During this process, a wrapper criterion based on least square support vector regression (LSSVR) machine is adopted, which can not only reduce computational complexity but also enhance generalization performance. Secondly, with the input variables determined by the PS algorithm, a mapping model of engine parameter estimation is trained off-line using MRR-LSSVR, which has a satisfying accuracy within 5&. Finally, based on a numerical simulation platform of an integrated helicopter/ turbo-shaft engine system, an adaptive turbo-shaft engine model is developed and tested in a certain flight envelope. Under the condition of single or multiple engine components being degraded, many simulation experiments are carried out, and the simulation results show the effectiveness and validity of the proposed adaptive modeling method.