航空发动机全包线自适应解耦控制器设计

为实现航空发动机在全包线的解耦控制, 在飞行包线内选择了若干点, 使用遗传算法对单神经元自适应解耦控制器的比例系数进行了离线优化。以优化得到的若干组参数为训练样本, 离线训练径向基函数(RBF)神经网络, 训练后的网络可映射高度、马赫数与比例系数之间的非线性关系, 飞行包线内任意点的解耦控制器比例系数即可由该网络得到。仿真表明:在设计点和非设计点, 系统均具有良好的动态特性和解耦特性。该方法结构简单、易于实现, 具有实用价值。      

气量分配对轴径向旋流杯燃烧室贫熄边界的影响

针对轴径向旋流杯燃烧室,研究了头部进气面积及主燃孔布局对此类燃烧室贫熄特性的影响.实验结果表明:减小一级轴向旋流器进气面积和增加主燃孔个数对燃烧室贫熄性能有较大影响.一级进气面积减小20%可拓宽贫熄边界9.7%;增加主燃孔为4个时,燃烧室贫熄边界变宽约7.6%.此外,增加一级进气面积20%,改变二级进气面积20%及改变主燃孔个数为2个等情况对燃烧室贫熄边界影响较小.      

径向基函数在三维Euler方程数值计算中的应用

基于三维Euler方程,对非结构四面体网格给出了一种基于紧支径向基函数重构的ENO型有限体积格式,方法的主要思想是先对每一个四面体单元构造插值径向基函数,而在计算交界面的流通量采用高斯积分公式以保证格式的整体精度,时间离散采用三阶TVD Runge-Kutta方法。最后用该格式对一些典型算例进行了数值模拟,结果表明该方法计算速度快,对间断有很好的分辨能力。     

低雷诺数下跨声速转子流动失稳及周向槽处理机匣扩稳

采用数值方法模拟了低雷诺数条件下NASA Rotor 37跨声速压气机转子内部流场。结果表明,附面层径向涡是该压气机转子流动失稳的一个很重要的原因。根据该压气机转子低雷诺数条件下流动失稳的特点,研究了周向槽处理机匣结构对其性能的影响。结果表明,引入处理机匣后,附面层径向涡得到一定程度的抑制,由附面层径向涡所引发的叶顶阻塞区有所减小,提高了压气机转子的失速裕度。     

裂纹故障齿轮结构声振特性与模拟研究

将齿轮结构按照圆盘来等效处理,建立了故障齿轮的动力学分析模型与声学模型,分别分析了径向裂纹和弧向裂纹情况下齿轮体的振动辐射声压与声场指向特性,研究了裂纹对齿轮结构辐射声场特性的影响.综合利用ANSYS及MATLAB软件模拟计算得到裂纹齿轮结构在r=0.5 m球面上的声压指向分布及轴向声压分布,探讨了不同的裂纹类型和不同的裂纹大小对齿轮结构振动声特性的影响程度,通过对模拟研究结果的分析比较与评价来说明裂纹的位置、形状以及裂纹大小对齿轮结构声场特性的影响大小和影响规律,为采用声学方法来诊断齿轮故障奠定了基础.      

附面层抽吸对低雷诺数下压气机稳定性的影响

数值模拟了低雷诺数下附面层抽吸流动控制对跨声速压气机稳定性的影响。低雷诺数下附面层径向涡及其诱发的叶顶分离阻塞触发压气机流动失稳,通过在NASA Rotor 37跨声速轴流压气机转子叶片吸力面上设计抽吸槽,探讨了抽吸流动控制对低雷诺数下压气机性能和稳定性的影响．并对比分析了抽吸前后压气机流场特性的变化和抽吸流动控制提高低雷诺数下跨声速轴流压气机稳定性的作用机理。     

基于RBF网络辨识的涡扇发动机双变量神经网络PID解耦控制

根据神经网络与PID算法相结合的思想, 针对涡扇发动机双变量控制中变量之间的耦合问题, 提出基于径向基函数神经网络(RBF)辨识的发动机双变量神经网络PID解耦控制, 并给出控制系统的控制结构及原理.仿真结果表明, 该方法控制精度高、跟踪性能强、鲁棒性良好, 能够有效地减小各回路之间的耦合影响, 并保证控制系统具有良好的稳态和动态性能, 适合航空发动机控制.      

三列角接触球轴承径向负荷的拟静力学分析

为了解决三列角接触球轴承径向负荷分配及其应力、变形关系的问题,本文在单列角接触球轴承拟静力学研究的基础上,利用钢球最大承载及径向总负荷的关系,并考虑到离心力修正问题,采用拟静力学方法,导出各列负荷及其应力和变形的表达式,并采用有限元方法计算了在既得变形情况下的应力分布情况。     

考虑发动机干扰的尾吊布局后体气动优化设计

针对尾吊布局飞机考虑发动机干扰的机身后体减阻优化设计问题,建立了适用于复杂构型的气动外形优化设计系统。该优化设计系统采用了自由形变(FFD)参数化方法和基于紧支函数的径向基函数(RBF)动网格技术、计算流体力学(CFD)技术、Kriging代理模型以及改进的微分进化算法。利用该系统对机身后体进行了减阻优化设计,总阻力减小了2.67%。流场分析显示,阻力减小得益于优化后改变了机身后体与短舱之间流管的形状,减小了与挂架产生的不利干扰,消除了流动分离,削弱了激波强度。优化结果表明,针对尾吊布局飞机后体减阻优化设计问题,所建立的优化设计系统具有较好的实用性。     

基于量子粒子群和流形学习的分类方法及其在发动机故障诊断中的应用

针对测量参数存在的非线性、参数间的耦合性以及噪声干扰,将量子粒子群算法引入到流形学习的参数选择中,结合径向基神经网络,提出了一种故障诊断方法。邻域个数和约简维数是流形学习中的关键问题。结果表明:该方法首先利用量子粒子群算法优选邻域个数、约简维数和径向基函数的参数,再利用等距特征映射(ISOMAP)对原始参数进行非线性降维,提取其低维流形特征,从而进行故障分类。结果表明:该方法能够有效地对发动机各种复合故障进行分类,精度达到97.33%,量子粒子群优于基本粒子群优化的分类结果;其分类精度明显优于主元分析(PCA)、核主元分析(KPCA)方法,且有很强的抗噪能力。