基于改进曲率模态的叶盘结构损伤识别研究

针对曲率模态不能识别结构端部单元损伤的问题,提出了改进的曲率模态识别模型。叶盘是航空发动机结构非常重要的部件之一,若其发生故障将对发动机安全运转造成严重的威胁。而曲率模态对结构故障具有很强的敏感性,运用曲率模态方法,从不同的损伤位置以及不同的损伤程度这两方面比较了叶盘模态振型变化情况,并且用改进的曲率模态方法对结构端部进行计算。数值计算结果表明:当发动机叶盘受到损伤,位移模态和结构频率难以有效反映出结构的损伤位置,各阶固有频率会下降;曲率模态方法能有效反映出结构损伤状况,曲率在损伤处发生突变现象,并能对损伤程度给出定性的描述;而改进的曲率模态识别模型能够识别出结构端部的损伤故障。这为航空发动机叶盘结构的损伤检测提供了理论依据。

基于ARIMA的民航发动机下发预测（英文）

时间序列自回归滑动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)能较准确处理和预测依循环顺序获得的航空发动机性能数据。采用分箱改进的拉伊达准则处理起飞EGTM数据,可为ARIMA模型提供了更加真实的数据,获得航空发动机起飞EGTM预测值,依据航空公司发动机设定的可靠度进行下发预测。应用验证表明:基于ARIMA的起飞EGTM时间序列能够满足航空发动机的质量管理的要求。

基于LMNN的航空发动机维修等级决策

针对航空发动机维修等级之间界限模糊、决策准确度较低的问题,提出一种基于大间隔近邻(LMNN)算法和K近邻算法的发动机维修等级决策方法。首先以发动机历史维修数据为基础,通过大间隔近邻算法获取变换矩阵;再利用变换矩阵将发动机监测数据映射到最优的特征空间;最后采用X近邻算法以优化后的数据为训练样本建立决策模型,对发动机下发时的状态进行评估确定其维修等级。采用某型航空发动机的状态参数和维修等级数据验证了该方法的有效性,其决策准确度高于常用的支持向量机模型和神经网络模型。

有机污染物和碳纳米颗粒:吸附机理及影响因素(英文)

研究目的:碳纳米颗粒由于其独特的优良性能被广泛应用,从而不可避免地进入环境。进入环境的碳纳米颗粒与有机污染物有很强的相互作用,并且碳纳米颗粒对有机污染物的吸附可能会影响污染物的环境风险和迁移。因此,本研究总结了目前有机污染物在碳纳米颗粒上吸附的研究进展,为有机污染物及碳纳米颗粒的环境行为研究及风险评价提供重要信息。重要结论:有机污染物和碳纳米颗粒的主要相互作用有憎水性、静电、氢键和π-π作用,这些作用及它们的强度受碳纳米颗粒的表面性质、形态及有机污染物的分子大小、结构和官能团等影响。不同的吸附机理可能同时控制有机物在碳纳米颗粒上的吸附过程,而且在不同的环境条件下吸附控制机理不同。区分吸附控制机理和影响因素的研究对预测有机污染物和碳纳米颗粒的环境行为和风险非常重要。