摘要：针对高效X型转子发动机汽油燃烧不充分的问题,提出了一种缸内直喷掺氢方法用于提升燃烧效率和发动机热力性能。建立了X型转子发动机三维CFD数值模型,通过缸压、放热率和功率实验数据验证了模型有效性,在喷氢总量、喷氢压力、喷氢开始时刻相同的条件下,分析了氢气缸内直喷且汽油预混时氢气喷孔直径对发动机缸内流动、燃烧、热力性能以及污染物排放特性的影响,并与纯汽油预混式发动机性能进行对比,揭示了缸内直喷掺氢方法的优越性。结果表明,在小氢气喷孔直径(2 mm)下,火焰传播比较均匀,且在燃烧室两侧狭缝中都有较大的对称的火焰,燃烧更加充分,发动机指示热效率达到了最高37.07%,较不喷氢和大氢气喷孔直径(4 mm)分别提高了10.23%和7.85%。与大氢气喷孔直径相比,虽然小氢气喷孔直径下NO x排放量上升了21.12%,但是碳氢化合物、碳烟排放量分别下降了79.08%和2.17%。小氢气喷孔直径(2 mm)为最优喷氢方案,研究为X型转子发动机的喷氢方案设计与优化提供了指导。

摘要：激光粉末床熔融增材制造面临质量稳定一致性的挑战,铺粉质量是影响成形件质量的重要因素。近年来,计算机视觉在铺粉缺陷监测中的应用表现突出,但其性能却受到标注数据数量不足的限制。针对这一问题,笔者设计了基于视觉大模型分割一切模型(SAM)的铺粉缺陷分割模型(PSAM)。针对SAM预训练参数的知识迁移问题,引入Adapter模块实现参数微调;针对铺粉分割任务中类别信息的需求,改进了SAM中的掩码解码器;针对工业场景中人工提示难的问题,提出了自动提示生成器,实现了视觉提示的自动生成。在训练样本数量仅为50的情况下,PSAM表现出了良好的分割性能,平均交并比(mIoU)可达到65.02%,相较于Deeplab v3和U-Net分别提升了8.52个百分点和5.31个百分点。本研究展示了视觉大模型在增材过程监控中的应用价值和应用潜力。

摘要：航空发动机故障预测与健康管理是提高航空发动机安全性、可靠性以及经济可承受性的关键技术。基于深度学习的人工智能方法在机械故障诊断领域受到广泛关注并开展了深入研究,但现有深度学习“黑箱算法”的现状仍然存在模型可解释性差、理论基础薄弱等问题。针对航空发动机健康管理与智能运维的迫切需求,提出航空发动机可解释性智能监测诊断网络,并在某型涡扇发动机整机长试试验中验证了异常检测与中介轴承故障诊断的有效性。将发动机振动信号先验信息融入稀疏表示模型,对模型的迭代求解算法进行展开得到结构具有可解释性的核心网络;针对航空发动机异常检测与智能诊断任务构造了基于对抗训练框架的可解释性异常检测子网络和基于特征提取框架的可解释性故障诊断子网络。本文提出的基于迭代算法展开的网络构造框架具备明确的理论基础,即网络设计有依据;稀疏表示模型驱动的可视化方法能够检验网络是否学到了与发动机故障相符的有意义的特征,即学习结果可信任。最后,通过某型涡扇发动机整机长试试验积累的超过500小时的试车数据,验证了本文提出的模型驱动的可解释性智能监测诊断网络在航空发动机异常检测与中介轴承故障诊断方面的有效性与可靠性。

摘要：等离子体点火助燃在近些年来受到了国际众多学者的广泛关注,传统的火花放电等离子体反应器基于重复性实验设计,但随着飞行高度升高,气压降低和燃烧室流速增大,单纯的热效应无法适应逐渐恶劣的燃烧室环境,限制了燃烧室的安全工作边界。为了维持火花放电,更合理更高效地控制等离子体放电反应,产生所需的活性物质和能量,为此对电源电压进行优化设计。利用二维模型、零维模型以及深度学习模型计算分析了放电频率和电子密度增长方式对火花放电的影响,通过神经网络模型计算得到电压幅值的增长率与初始电子密度的增长率成负线性关系,电子密度增长方式中先慢后快和分段增长更省能,而电子密度分段式增长所对应的电压放电所产生的O原子和O(1D)粒子数更多,更有利于助燃。综合考虑能耗和助燃组分粒子数,分段式增长的电子密度所对应的电压波形是火花放电点火助燃最佳的选择。