定常情况下二维叶栅气动性能的数值模拟

以某型航空发动机叶轮机为研究对象,采用了周期性边界条件和Spalart A1lmaras湍流计算模型,通过数值模拟,对定常情况下二维叶栅气动性能进行了数值模拟,结果表明：气流转折角的变化是与攻角相关联的,并且进口静压、叶栅负荷和损失都随着攻角的变化而变化。     

基于改进型BP神经网络模型的飞行事故预测研究

飞行事故预测是预防飞行事故的有效途径.对飞行事故进行准确、可靠的预测,定量描述出安全形势的演变情况,可以为上级机关正确决策提供可靠的分析基础,直接为空军安全管理和决策提供服务. 飞行事故与导致其原因之间呈现多因素、复杂的非线性关系,难以用传统的预测函数模型描述.     

ANN和GA混合算法在故障诊断中的应用

介绍了ANN和GA的混合诊断算法,采用双重GA循环优化神经网络的结构和连接权重。设计提出了ANN和GA的混合方法的计算机流程图,运用三层前向神经网络执行诊断功能,并给出了混合算法在某型导弹自动驾驶仪故障诊断中的应用实例分析。     

消除数据调制影响的FFT捕获方法

在利用快速傅里叶变换(FFT, Fast Fourier Transform)捕获扩频信号的过程中,为了提高捕获精度,会遇到基带数据调制影响捕获性能的问题.主要分析了基带数据符号跳变影响FFT捕获性能的原因:在频域内造成待检测信号的幅度衰减以及频点偏移.提出了一种解决此问题的方法:通过对I和Q两路信号的运算,构造一个不受数据调制影响的复信号,对此信号作FFT,完成捕获.给出了此方法的MATLAB仿真,以及基于现场可编程门阵列(FPGA, Field Programmable Gate Array)的实现方案.实验数据表明,此方法消除了基带数据调制对FFT捕获性能的影响,且在相等积分时间的条件下,比常用方法的捕获精度提高了一倍.      

基于递归神经网络的控制力矩陀螺操纵律设计

利用递归神经网络对单框架控制力矩陀螺(SGCMG)系统操纵律进行动态求解,设计了一 种基于递归神经网络的SGCMG系统操纵律。通过选择适当参数可以使该网络渐近收敛到稳定 状态,从而使操纵律具有较小的操纵误差。该操纵律不用计算Jacobi矩阵的伪逆,因此避免 了Jacobi矩阵求逆所带来的一系列问题。对某SGCMG系统的仿真结果表明,上述操纵律是可 行的。     

冗余直接驱动阀系统的余度控制策略

针对冗余直接驱动阀伺服系统中由于余度降级所造成的性能降低问题,提出一种神经网络自适应滑模余度控制策略.利用径向基函数神经网络RBFNN(Radial Basis Function Neural Network) 的在线学习功能,对系统发生的变化进行快速自适应补偿,使系统状态趋近于滑模面,提高跟踪精度和鲁棒性;并通过与比例微分PD(Proportional-Derivative)算法的并行控制,促进RBFNN的收敛,增强系统的稳定性.通过与PID(Proportional-Integral-Derivative)切换控制策略的对比研究,表明RBFNN自适应滑模余度控制方法不但设计简单,而且能够有效克服余度降级带来的系统性能下降的问题,极大地改善了系统的品质.      

大小叶片直叶栅泄漏流动数值模拟分析

基于S-A湍流模型的全三维数值模拟方法,对带间隙的大小叶片和常规直叶栅亚音泄漏流动进行了计算与分析.结果表明:短弦长小叶片对大叶片吸力面负荷分布、泄漏量以及泄漏涡的产生位置的控制作用较弱;攻角增大后,大叶片泄漏发展到小叶片尖隙导致二次泄漏,恶化叶栅性能;当小叶片靠近吸力面时表现的更为强烈;存在壁面移动时,二次泄漏更容易发生,但间隙流动得到改善;由于攻角变化导致了大叶片泄漏与小叶片尖隙干扰位置变化,表现出不同的叶尖流动模式.      

静叶角度调节对组合压气机性能优化机理

采用流线曲率法求解组合压气机的准三维流场,在叶片排前后缘及中间设置计算站,使用样条函数拟合流线;根据组合压气机结构特点,发展了适合其特性计算的损失、落后角模型及计算程序;将特性计算程序与导、静叶角度优化调节方案相结合,确定出不同设计转速下,导、静叶最佳调节角度组合.在90%设计转速,近最高效率点处,利用全三维的数值模拟手段分析了组合压气机导、静叶最佳角度调节前后流场结构变化.研究结果表明:导、静叶角度调节削弱了压气机叶片排中的激波强度,减少了损失,同时能抑制气流的分离,明显改善组合压气机的流场结构.      

基于铸件热应力及变形的人工神经网络和遗传算法优化方法

将神经网络与遗传算法相结合,以有限元分析得到的样本集合作为教师样本,通过神经网络的训练建立设计参数与控制目标的非线性映射关系,并以此代替后续的有限元分析,获得遗传算法求解优化问题迭代中所需的目标函数近似值。以Al-4.5%Cu应力框为例,在分析铸件热应力及变形机理的基础上,对应力杆的高度、宽度和粗细杆截面比、浇注温度、界面换热系数和砂型的预热温度6个参数进行优化,从而有效地控制铸件内部的热应力及变形。优化结果表明:此方法在较少的有限元计算情况下即可获得较好的优化解,与初始设计相比,弯曲变形和热应力分别降低了58.5%和40.6%。     

复合材料格栅结构优化设计中的计算智能技术

针对复合材料格栅结构优化设计多变量、多约束、连续和离散混合变量、高度非线性的难点,提出了用进化神经网络来实现结构设计参数(输入)与结构响应参数(输出)的全局非线性映射关系,以此来代替优化过程中的有限元计算,以提高优化效率.以遗传算法为优化求解器,神经网络屈曲稳定性响应面为主要约束,对复合材料格栅加筋结构进行优化.结果表明,在相同样本数的情况下,进化神经网络可获得比BP网络更高精度的映射模型,具有很强的泛化能力.该方法可以为解决大型复合材料结构优化问题提供一条高效途径.