气动加热表面内侧液氮冷却数值研究

以Fluent计算软件为平台,利用混合两相流模型和Lemmon提出的液氮物性表达式,通过编写用户自定义程序(UDFs)实现对液氮物性和气液相间传输项的模拟,从而对一侧表面模拟气动加热热流条件、另一侧表面为绝热条件的二维矩形狭缝通道内的液氮流动换热进行了数值模拟.结果表明,利用液氮狭缝通道强化换热可以实现对气动加热表面的有效冷却;冷却通道沿程换热效果随着质量流率的增大而提高;在单位表面积质量流率一致的情况下,通道长度的增长有利于改善气动加热表面的冷却效果.     

直摆头与斜摆头五坐标机床数控加工程序互换求解算法

 针对复杂结构零件五坐标加工设备变更带来的程序处理问题,分析讨论了直摆头-转台式和斜摆头-转台式两种五坐标机床之间的数控加工程序互换求解算法。根据不同的机床结构,建立了机床坐标系之间的对应关系;基于机床自动跟踪模式下的数控加工程序后置处理和逆后置处理方法,提出了机床之间数控加工程序的互换算法;采用单步距走刀时间不变的控制方式,给出了加工进给速度的互换算法,实现了程序转换对工艺参数的继承。实际应用验证表明,该算法可有效解决直摆头与斜摆头五坐标机床数控加工程序之间的互换问题。     

无轴承异步电机的自抗扰控制策略

针对无轴承异步电机(BLIM)的逆系统解耦控制性能受负载和参数变化影响的问题,在转子磁链定向逆系统解耦控制的基础上,采用自抗扰控制器(ADRC)替换经典的PID控制器,将BLIM模型中的交叉耦合项、本体参数变化和负载视为“扰动”,统一用ADRC的扩张状态观测器(ESO)估测,非线性状态误差反馈控制器(NLSEF)进行补偿。仿真结果表明:采用了ADRC,系统具有较好的动态解耦控制性能;同时,对电机参数和负载变化具有更好的鲁棒性。     

基于多子人口群协作进化的拦截轨道优化

针对基本遗传算法对航天器拦截轨道数值优化计算效率较低的问题,提出了一种新的基于多子人口群协作进化的算法。使用子人口划分技术提高了人口多样性防止早熟,用免疫算子减小搜索空间,两者都加速了进化计算过程。应用此算法求解了具有推力约束和拦截时间约束使燃料消耗量最小的航天器拦截轨道,并分析了其与基本遗传算法的不同。通过航天器拦截轨道仿真表明,该算法优于基本遗传算法,可用较少的计算时间得到全局最佳解,提高了航天器拦截轨道优化的计算效率。     

0Cr15Ni5Cu2Ti钢的高温氧化行为

 采用增重法研究了0Cr15Ni5Cu2Ti钢在500,600,700和800 ℃下的高温氧化行为。利用扫描电镜（SEM）、能谱分析（EDS）、X射线衍射分析（XRD）以及金相显微分析等技术,对氧化膜的形貌、化学形态和组成以及基体组织的特点进行了研究。试验结果表明,在700 ℃以下,0Cr15Ni5Cu2Ti钢的氧化动力学符合抛物线规律,表面生成的氧化膜具有良好的保护性。800 ℃氧化时,随氧化膜厚度的增加内应力迅速增大,氧化膜容易破裂,甚至剥落;不锈钢基体中发生马氏体向奥氏体的逆转变,使贫铬层厚度增加,促进了失稳氧化发生,导致试样表面局部区域容易生成氧化物“瘤”,而加剧氧化。     

飞行机组告警系统软件设计

介绍了飞行机组告警系统软件设计,对软件架构、功能及相关关键技术进行了详细描述。     

机械合金化技术的航空材料生产中的应用

本文简要介绍了机械合金化技术制备新材料的原理及其在航空工业中的应用与发展前景。对机械合金化弥散强化镍基超合金，铁基合金，铝基合金，钛基合金等在航空中应用及发展，均做了概要介绍。     

直接升力控制律的逆乃奎斯特阵列法设计

采用直接力控制可弥补常规飞机在轨迹操纵方面的不足,并产生某些新的运动模式 对飞机直接升力控制可的三种基本运动模式进行讨论,从中归纳出直接升力控制 设计就是输出解控制系统的设计问题。并以单纯直接升力控制方式为例,用逆乃奎斯特列方法设计了某飞机的直接升力系统,仿真结果表明ＩＮＡ方法是解决多变量解耦问题的有效方法。     

基于CNN 与BiLSTM 的退化设备剩余使用寿命预测

针对DC-DC 变换器难以建立物理退化模型的问题,提出了一种基于卷积神经网络和双向长短期记忆 神经网络的剩余寿命预测算法。首先,通过对DC-DC 变换器中关键器件进行失效模式分析,得到DC-DC 变换 器的失效特征参数;然后,采用卷积神经网络对多传感器信号进行融合和特征提取,获得百分比指数退化指标; 其次,将获得的健康指标输入到融合注意力机制的双向记忆神经网络中,利用注意力机制对输出结果进行加权 融合,利用不同的权重值优化预测模型,最后,利用蒙特卡洛丢弃法获得剩余寿命的区间估计,并通过仿真数 据验证了所提出方法的有效性。     

基于物理信息神经网络的气动数据融合方法

为了解决训练传统深度神经网络对大数据的依赖问题,气动数据中包含的物理结构信息需要被充分利用。物理信息神经网络（physics-informed neural network, PINN）是一种非监督的学习算法,采用深度神经网络直接逼近流场偏微分方程的解,因此适用于气动数据的建模。然而训练PINN时,损失函数反映的是抽样点处神经网络所拟合的偏微分方程值的偏差,对于复杂的非线性偏微分方程,这一偏差不能准确反映神经网络所拟合的函数与微分方程解函数的偏差,而且用神经网络拟合初始条件和边界条件时,不可避免存在拟合误差,误差随空间和时间累计,这使PINN的建模精度相比传统的模型没有优势。为了解决这些问题,本文把PINN与流场的计算流体动力学（Computational Fluid Dynamics, CFD）仿真结果进行融合,在流场抽样点处的损失函数中增加了PINN在该点的输出与流场在该点的CFD值偏差,从而提高了神经网络的建模精度。根据CFD仿真时使用的模型,融合方式采用瞬时模式或时均模式。测试结果表明该方法能够有效提高PINN的建模精度。