惯性平台系统摇摆条件下的漂移处理方法

惯性平台在摇摆条件下,由于轴端摩擦力矩的存在,导致在摇摆运动时影 响平台稳定性,引起平台各轴附加常值漂移。介绍了两种惯性平台摇摆条件下的漂移处 理方法, 第一种方法利用平台轴端框架角传感器的输出数据, 首先使用离散傅里叶变 换得到数据频谱, 其次根据数据频谱设计数字滤波器, 对得到的数据进行滤波处理, 最后使用线性回归法对滤波后的数据进行拟合, 从而得到摇摆条件下平台摇摆漂移; 第二种方法使用加速度计的输出, 根据敏感的加速度可以得到敏感轴与重力加速度的 角度, 由此计算出摇摆过程的漂移速度。实验表明, 频谱分析法可以进行三个方向的 计算, 但台体轴结果的稳定性不好; 加速度输出拟合方法虽只可进行两个方向的计 算,但稳定性较好。     

单模光纤环热应力双折射仿真分析

光纤陀螺在温度场作用下产生零位偏移,降低了光纤陀螺的精度。光纤环 是光纤陀螺产生温度误差的主要根源。分析了温度场作用下,单模光纤环产生热应力双 折射的机理。基于有限元方法仿真出光纤环在特定加热条件下的热应力双折射的大小及 其随时间的变化。最后结合仿真结果提出了减小光纤环热应力双折射的几种方法,对提 高光纤陀螺温度环境性能有较大的指导意义。     

旋转式重力梯度仪自身梯度补偿研究

重力梯度仪安装在惯性稳定平台上,忽略载体姿态角改变等条件下的影响,在空间上保持方向不变,因此载体相对于重力梯度仪的旋转会改变其周围空间的质量分布,从而引起自身梯度的变化.这种自身梯度变化影响了重力梯度仪的测量精度,是动基座重力梯度测量误差的重要来源.由于周围环境物体到重力梯度仪的距离很近,采用基于中心引力梯度的方法计算自身梯度具有较大误差.推导了基于加速度计输出的重力梯度仪自身梯度补偿方法.仿真结果表明通过基于中心引力梯度的方法和基于加速度计输出的方法分别计算单位质量的质量点产生的自身梯度时,0.3m位置处自身梯度补偿的偏差超过5E,采用基于加速度计输出的方法进行自身梯度补偿更加精确.     

特种材料结构件精密车削研究

分别以残余应力、表面粗糙度、损伤层深度和抗拉性能为考核指标,采用正交实验法对特种材料结构件的精密车削工艺参数进行了综合优化,破解了以往生产过程中仅依靠经验选取加工参数的难题,为获得惯性级特种材料低应力精密加工技术、提高产品长期稳定性提供了一定的理论基础.     

精密导电滑环的关键技术及发展趋势

精密导电滑环是一种广泛应用于惯导平台、控制力矩陀螺、工业控制、视频监控、转台等的关键部件,实现功率、信号电流在两个相对旋转部件间传递.本文介绍了精密导电滑环的分类、结构及技术特点,详细论述了导电滑环的各项主要技术指标及其影响因素,重点分析了导电滑环的摩擦副接触材料、电刷成型、灌封胶工艺、导电杆加工、指标测试等关键技术及解决途径,展望了精密导电滑环的应用前景和发展趋势.     

陀螺仪壳体组件精密车削加工技术研究

本文以精密制造车间数字化制造系统为平台,在陀螺仪壳体组件结构特点分析的基础上,选用合适刀具角度和切削参数,减少陀螺仪壳体组件加工过程中结构变形.设计专用工装,优化精密车削时工件装夹方式,提高陀螺仪壳体组件的加工精度和加工稳定性,实现陀螺仪壳体组件的高精密加工.     

国外铍材应用与加工进展

由于其优越的性能,铍及其合金被广泛的应用于制造核装置、空间飞行器、惯性导航系统、精密光学系统关键零组件.为了借鉴国外铍加工发展经验,本文对国外铍材应用、机械加工、特种加工、钎焊、机械连接和胶结以及加工防护等方面的发展现状进行了介绍.     

惯导平台关键结构压力适应性仿真分析

为提高高精度惯导平台的环境适应性,需要平台壳体结构在压差较大的环境中保证较好的刚强度与稳定性,从而保证系统正常工作.本文首先依据实物模型建立了平台壳体关键件的有限元模型,较好的保证了结构的各类功能性结构特征;其次,仿真分析了结构在压差环境下的刚度强度特性;再次,对薄壁拱形结构稳定性进行仿真分析;最后,结合仿真数据,针对部分结构提出优化设计建议以进一步提高系统的压力适应性.     

基于三维激光成像系统的相机标定方法

三维激光成像系统中点云数据与影像数据的融合可以对被扫描物体赋予真彩色.为了获得点云数据与影像数据良好的融合效果,就需要精确的确定载体坐标系与相机坐标系之间的关系.本文针对三维激光成像系统点云模型真彩色处理方法进行研究,提出了一种基于三维激光成像系统的相机标定方法.通过对相机坐标系的标定,建立点云数据与影像数据之间的数学模型.实验结果显示,采用所提出的方法,能够使得三维立体点云数据与影像数据精确融合.最终得到被扫描目标的真彩色3D模型.     

基于多特征图像增强深度卷积神经网络的航天用电子元器件分类算法

为了实现航天用电子元器件的全自动及非接触识别,并减少由照明系统造成的图像亮度不均、偏色等问题对检测结果的影响,通过结合局部、区域和总体三个层次特征提升物体检测精度,提出了一种基于多特征图像增强深度卷积神经网络(MFIE-DCNN)的航天用电子元器件分类算法。MFIE-DCNN算法包含多特征学习和深度学习,其学习过程类似于人类视觉系统,能够对形状、方向和颜色特征进行深度挖掘,突出元器件边界信息,抑制背景杂波干扰。实验结果表明,该算法能够区分电路板板载元器件的种类,检测准确度优于传统算法。对比基于稀疏自动编码器的深度神经网络,检测结果提高了近20%。