MIMO窄带加宽带非高斯随机振动试验

提出了一种用于多输入多输出窄带加宽带非高斯随机振动试验方法。首先，详细分析了随机相位与非高斯随机信号偏度和峭度的关系，提出了一种可用于快速生成具有指定偏度和峭度的迭代相位调节法。其次，根据控制通道之间的耦合关系，利用各通道之间随机相位的不相关特性，实现了多通道非高斯随机信号生成的解耦。然后，将生成的非高斯随机信号作为参考输出响应，采用时域逆系统方法生成驱动信号，并利用控制算法分别对响应信号的功率谱、偏度和峭度进行控制。最后，通过三轴向振动台试验验证了本文提出的多输入多输出窄带加宽带非高斯随机振动试验方法的可行性。结果表明，控制点上加速度的功率谱被控制在了±3 dB的容差限内，满足预设的容差要求。同时，时域响应信号的峭度和偏度也满足给定的参考要求。     

风雷软件LES开发设计与验证

基于国家数值风洞风雷软件开源框架，设计开发了LES(Large Eddy Simulation)湍流模型，主要包括Fourier谱/有限差分方法 LES求解器和有限体积/有限差分方法 LES求解器。简要介绍了采用的不可压缩流动求解的投影法、Fourier谱/有限差分混合方法、亚格子模型等理论方法，给出设计的软件框架和计算流程，尤其说明采用的松/紧2种耦合模式。通过数值模拟不可压缩槽道湍流、亚临界雷诺数圆柱绕流、NACA0012临界攻角的低频振荡算例，验证求解器的计算精度和复杂湍流模拟能力。基于风雷开源框架设计的开源LES模型，具备高精度数值格式、亚格子模型、湍流统计等通用模块，可为国内学者提供一个LES湍流模拟研究的开放平台。     

基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆（LSTM）网络对于多维数据特征识别和提取上存在不足的问题，在其改进模型嵌套式长短期记忆（NLSTM）网络的基础上，提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络，保留捷径连接中的卷积神经网络结构，既能充分提取时序特征又能保证有用数据在网络层中的跳层传递，并融入注意力机制构建多层残差网络，注意力机制的使用能够选择出对预测结果有重要影响的信息，有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析，结果表明：所述方法能有效建立监测数据与发动机健康状态之间的关系，剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%，比未融入注意力机制方法平均降低18.9%，有效提高了预测精度。     

基于BP神经网络的冰形特征参数预测

机翼结冰影响了飞机飞行的气动特性，严重时将会引起事故，对冰形特征参数进行预测对翼型气动特性研究以及后续防除冰措施具有重要的意义。本文利用BP神经网络，建立翼型冰形特征参数预测模型，并采用k折交叉验证进行网络结构选择，以气象与飞行条件作为输入，结冰极限、冰角高度和角度等冰形特征参数作为输出。结果表明:预测的冰形特征参数（除下冰角高度外）与数值结果相对误差低于5%，证明该方法具有较好的预测效果。     

基于卷积神经网络的结冰翼型气动特性建模

提出了基于卷积神经网络（CNN）的结冰翼型气动特性预测方法，设计了输入层结冰翼型图像规范，克服了复杂冰形在翼面同一位置法线方向存在多值，单值函数难以描述的问题。预测模型可同时预测多个迎角对应的升阻力系数，实现了直接从冰形图像到气动特性的快速预测，对升力系数和阻力系数预测结果的平均相对误差均可控制在8%以内。重点研究了不同卷积层数量、卷积核数量、卷积核尺寸对模型性能的影响规律：CNN的不同层次特征对应不同滤波频率，卷积层数增加会捕获更多高频特征量；增加卷积核数量可提取更多冰形特征，提升模型性能，但数量过多会增加冗余特征，降低模型泛化性能；阻力系数预测模型对卷积核数量的最低要求大于升力系数，其原因在于，相较升力系数，阻力系数不仅受翼面压差影响，还受摩阻特性影响，其建模所需的关键特征数量多于升力系数；增大卷积核尺寸，可扩大卷积操作“视野”，增强对冰形整体特征信息的提取，有利于提升模型泛化性能。相关结论为飞机结冰气动特性实时动态预测与监测提供了新的思路和方法支撑。     

浅谈通用航空人才的培养

本文首先利用灰色预测,分析了未来几年通用航空飞行员的数量情况;然后利用2011-2016年的通用航空事故数据,分析了目前通用航空人才质量状况;最后对如何通过培养增加通航人才数量和保障人才质量给出合理化建议。     

某型飞机传动链条的小轴质量改进

针对某型飞机传动链条的小轴在修理过程中发现挂金属屑以及有疑似裂纹的质量隐患,采用工作原理分析、制造分析、装配分析、修理分析等方法,找出存在隐患的原因,提出预防小轴修理质量的改进措施,以确保产品维修质量受控,为类似结构质量改进提供参考。