流阻对200N单推-3发动机热试车工作特性的影响

管道及阀门内部流阻会显著影响发动机工作性能。为探究不同管路流阻大小下200N单推-3发动机工作特性，开展了光管和波纹管两种管路200N发动机热试车试验研究。结果表明：大流阻工况喷前压下降约42.8%。热试车前后喷前压振荡剧烈，不利于发动机平稳工作。管路流阻显著影响脉冲燃压，小流阻脉冲燃压建立约2.5MPa，大流阻脉冲工作燃压建立约1MPa，远低于前者；管路流阻显著影响阀门启动特性，大流阻状态下，阀门启动时间(T₈₀)约为小流阻状态的3.93～5.28倍，管路流阻对阀门电流影响很小；小流阻状态下脉冲冲量显著大于大流阻状态下的脉冲冲量，约为后者1.5～2.1倍。     

再入飞行器自适应最优姿态控制

针对再入飞行器姿态控制问题，应用自适应动态规划（ADP）理论设计了姿态控制器。将再入飞行器的姿态控制建模为非线性系统的最优控制问题，提出单网络积分型强化学习（SNIRL）算法进行求解，该算法简化了积分型强化学习（IRL）算法在迭代计算中的执行-评价双网络结构，只需要采用评价网络估计值函数就可以求得最优控制律，其收敛性得到了理论证明。基于SNIRL算法设计了自适应最优控制器，并证明了闭环系统的稳定性。通过数值仿真校验了SNIRL算法比IRL算法计算效率更高，收敛速度更快，并校验了自适应最优姿态控制器的有效性 。     

浅谈"三化"工作中模块型谱的确立

介绍了模块型谱的定义、构架、建立时的基本步骤和方法,并对企业在模块型谱的应用提出了几点建议.     

某型机载数字计算机修理测试技术研究

针对机载数字计算机的串行交换模块及一次性指令模块在修理过程中出现的故障及修理模式进行分析,以实际工作为基础,讨论了传统修理模式与现代修理模式中采用的主要技术和工艺方法的区别,以及现代修理模式中软件测试方法的优势。     

基于单平面双螺旋谐振单元新型左手传输线研究

对基于单平面双螺旋谐振单元的左手传输线进行了研究.对设计的单平面双螺旋单元结构的电磁特性进行仿真并与实际测量结果比较.用散射参数提取算法提取了该结构的折射率和相位常数,提取结果表明上述参数在特定频段同时为负,证明该结构具有左手特性.提出调整螺旋圈数控制传输线电磁特性的方法.通过仿真总结和检验了该参数的调整规律.     

单液滴破碎空间尺寸分布特性的实验研究

为了研究液滴破碎后颗粒云空间尺寸分布的机理特性,通过试验方法并建立相应的均匀性指标数学模型,分析了不同We数对液滴破碎后颗粒群空间分布均匀性的影响。结果表明:(1)液滴袋状破碎后颗粒分布类似于袋形的蜂窝结构,并以类似爆破的形式向后方外围扩散分离。(2)多模式破碎后颗粒群为类似于"树"形结构的颗粒分布,前端有分布密集、粒径较小的聚集团,后方分布着大范围的颗粒群。(3)剪切破碎后颗粒群为类似"桶"形的颗粒分布,外围分布着大量颗粒,而内部分布较为复杂。(4)在We数为10~70时,颗粒群的离散率在整体上是呈现先升高后下降再升高的趋势。当We数为30和60时,两个方向上的离散率存在较大差异,而三种不同的破碎模式中,剪切破碎均匀性表现最好。     

基于VALOR NPI的航空电子模块DFM分析实现

为有效解决设计缺陷造成的航空电子模块可制造性问题,结合航空电子模块产品特点和工艺技术水平,提出建设基于VALOR的航空电子模块可制造性设计自动化设计平台,实现DFM自动化分析与设计,阐述了DFM设计的必要性、技术原理和实现过程,提出了“三库”构建方法和基于物料清单的印制电路板数据分析方法,应用结果表明,提出的方法能够覆盖PCB可制造性问题,提高分析效率。     

导流槽构型对火箭起飞时流场和声场的影响

为了研究四喷管运载火箭起飞时火箭周围噪声环境问题,建立燃气/空气双组分的可压缩流动模型,采用2阶Roe格式、SAS(scale-adaptive simulation)湍流模型和声学类比积分法Ffowcs-Williams Hawkings(FW-H)求解三维Navier-Stokes方程。以单机火箭的噪声问题为对象开展数值模拟,并将噪声数值计算结果与试验数据对比,误差在3dB以内(相对误差小于1.6%),验证预测噪声方法的有效性,进而研究四喷管运载火箭起飞阶段采用不同导流槽构型对箭体舱段区域噪声环境的影响,结果表明:在相同噪声接收点处,单侧导流槽对应的总声压级比双侧导流槽大,两者的总声压级(OASPL)之差最大为10.7dB。另外,当采用单侧导流槽时,沿周向接收点的噪声总声压相对单侧导流槽中心截面呈对称分布,而且沿导流出口方向逐渐增大。所建立的噪声数值方法为大推力捆绑运载火箭舱段的噪声环境预测及其控制提供一定参考。     

基于SE模块改进Xception的动物种类识别

Xception是Inception网络的一种极端化表现,在与Inception v3参数相近的情况下,它能够达到更高的准确度。由于神经网络提取的特征不一定都是有用特征,因此以Xception为基础,将SE(Squeeze and Excitation）模块加入该网络,调整特征通道的权重,使得网络的精确度得到提高。通过实验,融合SE模块的Xception网络训练精确度分别在Oxford-IIIT Pet数据集和CUB_200_2011数据集上提升了1%~1.7%和0.8%~1%,证明了SE模块能够进一步提升Xception的精确度。将改进后的Xception应用到动物种类识别中,根据精确度曲线对实验策略调整改进,最终在测试集上获得95.63%的识别率。