解读珠海航展

正中国国际航空航天博览会(以下简称珠海航展),是中国唯一由中央政府批准举办的国际性专业航空航天展览。这个开始于1996年的大型航展,经过了初期艰难的筹备和探索,已经成为世界第五大国际航展,备受国际关注。筹办航展,要涉及多少部门?现代全球的十大国际航展,都有着浓厚的政府背景。因为航展是当代航空航天尖端技术的展示贸易会,要举办这样的展会,需要众多政府部门的通力合     

一种金属结构裂纹监测的薄膜传感器设计

针对金属结构服役过程中裂纹实时监测的需求,设计了一种基于电位法原理的裂纹监测薄膜传感器。首先,建立了该薄膜传感器的有限元模型并对传感器输出特性进行了仿真分析。仿真结果表明:通过分析各监测点之间的电位差变化可以判断裂纹扩展方向和长度。其次,应用离子镀技术在铝合金中心孔试件表面制备了薄膜传感器,薄膜传感器与基体表面结合良好。最后,进行了基于薄膜传感器的裂纹监测试验。实验结果表明:通过分析相邻两次监测数据的变化程度可以判断裂纹所处的扩展阶段。     

自主创新振兴装备制造业

装备制造业是经济社会发展的支柱性、战略性产业,高度发达的装备制造业是实现工业化的基础条件,是一个国家综合国力和技术水平的重要体现.     

先进复合材料格栅结构(AGS)应用与研究进展

 具有空间点阵的先进复合材料格栅结构（AGS）是一种新型高效的结构形式,在航空、航天结构中具有良好的应用前景。介绍了AGS优良的各项性能以及在美、俄等国航空、航天工程中的应用现状,着重描述了混合工艺法、模具膨胀工艺和拉挤 互锁格栅结构几种现行工艺方法,并对当前国内外针对格栅结构的力学性能和结构健康监测的研究进行了概述。最后提出了AGS进一步研究的工作展望。     

基于双树复小波变换的风力叶片监测研究

对风力发电系统而言,结构服役期间的健康监测非常重要.由于布拉格光纤光栅(Fiber Bragg grating,FBG)传感器的中心波长随应变或温度呈线性变化,因此FBG传感器广泛应用于结构测试.本文提出了基于FBG传感器的风力叶片监测方法,并通过实验验证该方法.沿着叶片长度方向粘贴5个FBG传感器进行应变测量.由于环...     

健康和使用监测系统（HUMS）适航审定方法研究

健康和使用监测系统（HUMS）的安装能够有效监测旋翼航空器关键部件（如发动机、旋翼系统、传动系统）的使用情况,并准确及时判断其可能产生的故障类型、故障部位和故障程度,从而大大提高旋翼航空器的安全性和使用效能。本文重点围绕HUMS系统的适航审定,通过对国外适航当局相关适航条款及符合性方法的研究,梳理总结HUMS适航审定中的关键要素,期望能为下一步制定我国旋翼航空器HUMS适航符合性验证方法提供帮助。     

航空发动机故障诊断的机载自适应模型

提出了复合拟合法建立状态变量模型,该方法应用于建立高维状态变量模型时,具有较高的精度.将健康参数作为增广的状态变量,设计了卡尔曼滤波器,从而可以根据可测参数的偏离量估计得到健康参数.为了减少自适应模型与真实发动机之间的建模误差,在自适应模型中加入神经网络对稳态基点模型进行修正,从而提高了故障诊断系统的置信度.      

航空燃气涡轮发动机气路故障诊断进展

航空发动机健康管理是提高当代先进航空发动机安全性、可靠性以及经济可承受性的关键技术,是实现发动机视情维修的重要方法之一。航空发动机气路故障诊断作为健康管理系统的重要支撑技术,在先进航空发动机发展过程中具有重要的研究价值与前景。基于航空发动机气路故障诊断50余年的发展成果,梳理了航空发动机气路故障诊断的总体实施流程,包括气路测量参数的选择及参数预处理方法、基线值的计算及基线模型的构建方法;介绍了基于模型和数据驱动的气路故障诊断方法的基本原理和典型成果并对不同方法的特点进行了评述;对气路故障诊断未来发展方向,包括性能预测、在线气路故障诊断、信息融合以及过渡态气路故障诊断的基本思想和研究现状进行了分析。国内外研究表明：航空发动机气路故障诊断已经形成了以基于模型和基于数据驱动为基础的诊断方法体系,得到了较全面且系统的发展。中国在已有研究成果的基础上,应进一步完善航空发动机全寿命周期数据的收集与整理,建立航空发动机健康管理系统的设计体系,增强产、学、研、用等多方协作,为先进航空发动机健康管理系统提供有力技术支撑。     

浅谈航空发动机孔探数据分析体系的建设

通过孔探检查对发动机进行在翼状态监控和适时进行发动机修理具有重要意义.当前较大的航空公司存有庞大的发动机孔探数据,本文尝试通过对发动机孔探数据进行处理和分析,结合发动机健康管理方法,对在翼发动机时寿进行预测,以便对维修决策给出相关的参考建议.     

基于LSTM-ResNet模型的时变结构损伤检测

面向火箭结构健康监测,提出了一种基于深度学习的损伤检测方法,直接将多个通道的振动数据作为输入,并基于由长短时记忆网络LSTM(Long Short-Term Memory Networks)和残差卷积神经网络ResNet(Residual Convolutional Neural Networks)组合而成的LSTM-ResNet网络进行损伤识别。其优点在于,首先利用LSTM提取信号的时间依赖特征,减轻了由某些通道信号缺失带来的影响,再利用ResNet在不损耗特征的情况下进一步提取空间特征,提高了训练效率和损伤辨识准确性。通过充液圆筒振动放水实验模拟火箭飞行状态下的燃料消耗,并基于自主构建的数据集和公用数据集对LSTM-ResNet、LSTM、ResNet以及ResNet-LSTM网络进行了训练,训练结果表明,LSTM-ResNet组合网络无论在传感器是否存在故障的情况下都具有更好的性能,损伤检测精度更高。