三种不锈钢材料抗固体颗粒冲蚀性能研究

采用增压气流固体颗粒冲蚀试验方法研究1Cr11Ni2W2Mo2V、1Cr12Ni2WMoVNb、1Cr17Ni2三种不锈钢材料的抗冲蚀性能。结果表明,三种不锈钢材料在固体颗粒冲击下均发生冲蚀磨损,30°稳定冲蚀速率大于90°稳定冲蚀速率。在相同冲蚀条件下,三种不锈钢材料抗冲蚀性能1Cr17Ni2>1Cr12Ni2W2MoVNb>1Cr11Ni2W2MoV,即1Cr17Ni2不锈钢抗冲蚀性能最好。     

微型燃气轮机发电站控制策略分析

介绍了微型燃气轮机发电站的技术特点,基于基本PI算法,分析了微型燃气轮机发电站的基本控制策略。在传统的PI算法基础上,分析了微燃机的嵌套闭环控制策略,分别对微型燃气轮机发电站的转速闭环、功率闭环以及排气温度闭环的控制策略进行了分析和研究,并给出了三个闭环的相关试验曲线。研究结果表明,基于基本PI算法的嵌套闭环控制策略适用于微燃机发电站,可保证电站具有很好的经济性和工作稳定性,其对提高电站的使用寿命也有很大帮助,具有很好的工程应用价值。     

固体火箭发动机碳基材料喷管热化学烧蚀特性

为了准确预示固体火箭发动机碳基材料喷管的烧蚀率,依据热化学烧蚀理论,建立了喷管传热烧蚀的二维轴对称气-固-热耦合计算模型,计算通过FLUENT壁面化学反应模型完成,无需事先假设烧蚀控制机制。针对70-lb BATES发动机喷管进行了烧蚀计算,研究了推进剂配方、氧化性组分、燃烧室压强对喷管烧蚀的影响。结果表明:烧蚀率计算值与试验测试值吻合较好;烧蚀率分布遵循喷管内壁热流密度分布规律,在喉部上游入口处达到峰值;烧蚀率随推进剂Al含量增加而降低,随燃烧室压强升高而近似正比例增大;H2O是决定烧蚀的主要氧化性组分。     

固体火箭发动机喷管喉部凝相颗粒粒度分布实验

设计了一种新的收集固体火箭发动机喷管凝相颗粒的实验装置,针对典型的HTPB复合推进剂,开展了喷管喉部凝相颗粒的收集实验和粒度分析,研究了燃烧室压强和收敛角度对喷管喉部颗粒粒度分布的影响规律。研究结果表明,喷管喉部的凝相颗粒在0.27～50μm之间都有颗粒存在,凝相颗粒主要集中在0.3～15μm之间,粒径大于15μm的颗粒较少;燃烧室压强对颗粒粒径有较大影响,随着燃烧室压强的升高,凝相颗粒粒径变小,粒度分布更为集中;燃烧室压强相同的条件下,收敛角度对喷管喉部的凝相颗粒粒度分布影响较小。     

N2O微推力器结构改进的仿真与试验分析

主要考虑影响比冲的温度因素,在原有N₂O微推力器结构上提出了改进方案,对改进前后N₂O微推力器推力室进行了三维流动传热耦合仿真,并采用改进后N₂O微推力器开展催化分解试验研究.对比分析后发现减少推力室向外的热量传递能维持较高的分解气体温度,从而利于提升N₂O微推力器比冲,并得到了影响微推力器比冲的结构参数,研究工作为N₂O微推力器的优化设计提供了有益参考.      

固体火箭发动机不稳定燃烧研究进展

对固体火箭发动机不稳定燃烧的国内外研究现状和进展进行了详细综述.分别从物理概念、理论预估模型、实验研究、数值模拟等方面出发,论述了不稳定燃烧研究过程中的难点和一些经验教训.提出了应加强流场与声场能量交换、铝粉综合作用等机理的理论研究;开展分布燃烧、脉冲触发不稳定燃烧的实验研究;进一步开发稳定性预估软件等观点,为国内固体火箭发动机在该领域的研究提供参考.      

微型扑翼飞行器非定常运动对平尾的影响

以西北工业大学自行研制的微型扑翼飞行器ASN211为研究对象,利用其简化的二维扑翼及平尾串列翼模型进行了非定常数值模拟,分析了扑翼俯仰运动及沉浮运动对平尾气动性能的影响。在数值模拟模块中,模型的俯仰运动及沉浮运动由动网格技术实现。通过计算流体力学(CFD)软件Fluent对此非定常流场进行数值计算,重点研究了扑翼非定常运动尾流对平尾气动效率的影响。定常状态与非定常时均条件下平尾升力曲线的对比分析表明,扑翼的非定常运动能够增大平尾的失速迎角及最大升力系数,因而使平尾的失速特性得到改善。     

含金属固体推进剂燃烧残渣的成分分析

借助于近代物理分析技术（如Ｘ射线衍射、光电子能谱）及化学分析法，对含金属（硼／铝）固体推进剂燃烧后残渣的成分进行了较为全面的分析。在定性分析的基础上，着重介绍了残渣中剩余金属及其它成分的定量分析方法，包括Ｘ射线衍射及化学滴定法（氧化－还原滴定、酸碱滴定）。     

可燃药筒在某型号发动机点火器中的应用

介绍可燃药简在某型号固体火箭发动机点火器中的应用情况，列举了有关试验数据和结果，同时对应用其制成的新型轻质点火器的优点进行了总结。     

某型固体火箭发动机的可靠性增长分析

对某型固体火箭发动机的可靠性增长进行了统计检验，在可靠性增长的基础上，用二项分布阶段可靠性增长的Bayes方法评定了该机的可靠性下限。结果表明，可靠性增长方法能充分利用信息，并可节省大量试验样本。