航空活塞发动机高空模拟试验台温度系统研究

在航空活塞发动机高空模拟试验中,模拟温度低、温度范围跨度大,高空模拟试验台（简称高空台）上应用了空气制冷和电加热两种调温措施,控制难度较大。将模拟温度划分为高温、常温、低温三个温度段,分别应用三种不同的调节方式进行温度控制;在系统数学建模和温度变化动态特性分析基础上,对高空台温度系统的调节过程进行了仿真研究,结果表明该方法能够满足温度的调节速度和控制精度要求。为了满足带涡轮增压器的航空活塞发动机对进气温度的要求,建立了涡轮增压器与中冷器之间的数学换热关系,以稳态时的发动机进气温度为例进行了仿真计算,结果与     

车用发动机磁流变悬置的刚度优化

由于传统的悬置优化设计一般不考虑发动机载荷以及系统阻尼,不能反映磁流变悬置的半自动控制特性。因此,选取具有代表性的车用直列式4缸4冲程发动机悬置系统的振动力学模型,利用遗传优化算法建立一种磁流变液阻尼器初始刚度优化的新方法。该方法使磁流变液悬置在发动机多种转速下有更优秀的传递率,在冲击载荷下满足安全要求的发动机振动烈度。     

2．5小时从巴黎到东京

欧洲航天巨头欧洲宇航防务集团不久前宣布,他们正在研发的“零排放极超音速运输”火箭飞机将在2060年前后投^运营,届时从巴黎飞到东京只需要2．5小时。这种载员50—100人的低污染火箭飞机有可能成为未来的飞机主要模式,它将运用由加工白海草的生物燃料驱动的常规引擎起飞,到达一定高度后转为火箭发动机驱动。     

印度欲研制“一小时闪击全球”武器

据《印度防务在线》报道,印度计划研发最高时速达6000千米的高超音速巡航导弹,以期实现空中快速打击。该导弹设计射程约300千米,具备较高的目标突防能力。尽管目前只有美俄在研发高超音速巡航导弹,但印度海军雄心勃勃地希望到2016年为其隐身驱逐舰装备高超音速巡航导弹。     

航空发动机中加速度传感器的应用

<正>发动机是飞机的心脏,为保证飞机操作系统绝对安全可靠、飞行安全,必须在发动机上安装相应的传感器,用来测量发动机的工作参数,随时监控发动机的工作状态。加速度传感器在发动机研制、生产和使用过程中,对发动机进行振动测量和监视。目前用于航空发动机振动测量的传感器主要是磁电式速度传感器和压电加速度传     

印度航天计划还能走多远

2010年12月25日,印度用GSLV-F06运载火箭托举着GSAt-5P通信卫星从斯里哈里科塔航天发射中心点火起飞,不料升空148秒秒后,火箭突然偏离轨道,随之在空中猛烈爆炸,冒出浓烟大火,最后坠落大海。     

静止、流动空-燃混合气的高能点火研究

在脉冲爆震发动机的实际应用中,高能点火相对于传统的点火方式有利于减少延迟时间、上升时间,缩短爆燃向爆震的转变距离。实验结果显示对于静止混合气延迟时间通常可以减少3倍,对于流动混合气(0.35 kg/s)延迟时间减少超过4倍,并且可以得到其他一些性能上的提高。进一步实验证明,如果反应物的化学当量比合适,则存在一个与其最适应的点火能量可以使爆燃向爆震的转变距离最小。     

气膜抽吸与叶片前缘内部壁面射流的作用机制

为揭示气膜抽吸对壁面射流流动与换热的干涉效应,获得壁面射流冷却通道内的流动特性与换热特性,建立了涡轮叶片前缘带气膜抽吸的单通道壁面射流冷却计算模型。采用RANS方法,结合SST k-ω湍流模型,研究了气膜抽吸、射流雷诺数、气膜孔位置和数量等因素对壁面射流内部冷却特性的影响机制。结果表明：气膜抽吸会大幅提高流动结构的稳定性,气膜孔入口的分离涡则会显著提高孔口附近的换热系数;气膜抽吸引起壁面射流流量的降低不利于靶面下游的冷却,但滞止区和通道内的流动损失降低幅度大于气膜孔内的掺混损失,从而使整体流动损失系数降低了4.5%;射流雷诺数的增加会提高换热强度,但对流动结构几乎没有影响;单孔结构中,在前缘滞止线处开孔能够提供最高的气膜流量比,且对前缘内部靶面的冷却效果良好;多孔结构中,双气膜孔结构的流动损失最大,三气膜孔结构的流动损失和换热强度最为均衡。研究结果可为壁面射流冷却结构的气膜孔布置提供依据,为进一步提高壁面射流冷却结构的冷却效果提供参考。     

基于DSP的发动机电子控制单元开发

介绍了基于飞思卡尔公司16位DSP的发动机电子控制单元开发,完成了数据采集、现场控制和实时监控的系统功能.开发主要包括:传感器信号处理电路、执行器功率驱动电路、电控系统软件设计、发动机电子控制单元(ECU)开发系统上位机通信监控系统.通过测控试验证明了该发动机电子控制单元的实用性和可靠性.     

基于深度强化学习的机械装备剩余使用寿命预测方法

随着机械装备发展的日益大型化和复杂化,其使用安全性和可靠性也越来越受到重视.剩余使用寿命(remaining useful life, RUL)预测技术,通过分析设备的运行数据,预测设备还能正常运行的时间,利用该技术可有效提升设备运行的安全性和可靠性,同时可为设备的后续维修决策提供关键依据.本文提出一种基于深度强化学习(deep reinforcement learning, DRL)的RUL预测方法,首先通过自编码器(autoencoder, AE)对机械装备的原始信号进行特征提取,利用提取到的特征构成强化学习的状态变量,通过设置合适的动作空间和奖励函数训练强化学习模型,使其能依据样本间的时序相关性对装备的RUL进行准确预测.与其他方法相比,强化学习方法的时序交互决策逻辑可以自然地保留样本间的时序依赖关系,降低了RUL预测的波动性.最后利用涡轮发动机数据集CMPASS对提出的方法进行实验验证,所提出的方法在RMSE和Score两项指标上均优于目前多种RUL预测方法,且所提出方法对于接近退化末期的装备预测效果有明显提升.