介绍了基于Volterra级数的尾流激励叶片气动力降阶模型,用于上游尾流激励下叶片气动载荷的快速计算。用一个叶片的算例验证了该降阶模型,通过不同流速的算例对比发现:该降阶模型可以快速准确地描述尾流激励引起的叶片气动力,流速或流场结构不是影响该气动力降阶模型精度的关键,而上游尾流扰动是否满足小扰动假设是保证该气动力降阶模型精确的关键。

采用优化方法识别气动力降阶模型的核函数,其基本思想是:为气动力降阶模型的每一个核函数构造一个拟合曲线,优化拟合曲线的参数,使气动力降阶模型的气动力输出和CFD或试验结果一致。二维叶片气动力降阶模型的算例和结果表明:识别得到的核函数与用阶跃方法识别的结果完全一致。

结合英国Thermo Radiometrie公司生产的RM312多功能板型仪,分析使用X射线测量技术测量热轧板带尺寸时存在的问题及解决办法。该方法测量热轧钢板厚度时,需要解决各种干扰对测量精度的影响。采用合金补偿、温度补偿、双射线源立体测量和在线标准化等技术,较好地消除了合金成分、温度、位移变化及噪声对测量精度的影响,为轧线控制系统提供了丰富的实时测量数据,有力地支持了热轧钢板的板形控制。

为快速求解尾流引起的叶片气动力，提出了基于谐波平衡法的尾流激励的叶片气动力降阶模型方法。对该气动力降阶模型方法进一步的研究发现:小扰动情况下，尾流谐波引起的叶片气动力谐波振幅和尾流谐波振幅的比例系数只与尾流频率有关。基于这一发现，进一步提出了尾流激励下的叶片气动力快速分析方法。该方法首先得到若干谐波尾流引起的叶片气动力谐波振幅与谐波尾流振幅的比例系数，并拟合出这些比例系数与尾流谐波频率的关系曲线;对任意尾流通过该曲线插值出该尾流各谐波对应的比例系数，得到叶片气动力谐波振幅，再由气动力降阶模型求得尾流激励的叶片气动力。算例结果表明:提出的气动力快速分析方法可以快速准确的估计任意尾流激励下的叶片气动力，而无需对不同频率尾流反复的进行CFD气动力计算。

为了探究影响基于谐波平衡法的气动力降阶模型计算精度的因素,建立了基于谐波平衡法的尾流激励叶片气动力降阶模型,讨论分析了进口尾流均值压力和尾流谐波振幅对该气动力降阶模型计算精度的影响。结果发现:进口尾流均值压力和尾流谐波振幅对叶片气动力降阶模型的计算精度都会产生显著影响。

发动机中存在上下游干涉作用,上游叶片的尾迹流会引起下游叶片发生强迫振动。针对这一现象,提出了采用神经网络模型的方法辨识尾流激励下的叶片气动力。通过计算流体力学(computational fluid dynamics,CFD)方法获得时域尾流压力波及其叶片气动力作为训练信号和测试信号,分别用BP(back propagation)神经网络和线性自回归神经网络(onlinear auto-regressive with exogenous input neural network,NARX),建立尾流激励下的叶片气动力辨识模型,对测试信号的叶片气动力进行辨识,并与CFD结果进行比较,探究这两种辨识模型的计算精度。算例结果表明:基于NARX神经网络的叶片气动力辨识模型较基于BP神经网络的叶片气动力辨识模型计算精度更高,泛化能力更强。基于NARX神经网络的尾流激励叶片气动力辨识模型,可以快速准确地辨识不同振幅的随机尾流激励和周期尾流激励下的叶片气动力。