碳纤维特性对C/ C 复合材料界面性能的影响

分别采用扫描电镜、比表面积与孔体积分析仪等手段对日丝(RS-Cf ) 和美丝(MS-Cf ) 两种碳纤 维进行表面状态表征分析,通过纤维顶出试验、冲剪强度和弯曲强度对两种纤维制备的C/ C 复合材料界面性 能进行了微观和宏观测试,研究了不同表观结构纤维对C/ C 复合材料界面性能的影响。纤维表面形貌观察结 果表明:圆形RS-Cf 表面沟槽比腰果形MS-Cf 明显,但沟槽数量少于MS-Cf,而MS-Cf 的比表面积、孔体积和 孔径均大于RS-Cf。RS-C/ C、MS-C/ C 复合材料界面强度分别为2. 98 和3. 80 MPa;RS-C/ C 复合材料的弯曲 和冲剪强度分别为55. 9 和32. 0 MPa,低于MS-C/ C 复合材料的65． 0 和35. 2 MPa,微观和宏观力学性能均表 明MS-C/ C 复合材料的界面强度高于RS-C/ C 复合材料。     

基于形状记忆合金的仿壁虎柔性脚掌设计

壁虎通过脚掌独特的外翻机制可以迅速地在壁面实现黏附与脱附。本文通过对壁虎脚掌外翻脱附过程的仿生研究，模仿壁虎外翻脱附机理，以形状记忆合金丝为驱动器，设计仿壁虎柔性脚掌，开展力学分析与计算。基于形状记忆合金的驱动特性及仿壁虎机器人的运动步态，设计了仿壁虎柔性脚掌的控制策略。最后分析了脚趾有无外翻动作脱附时的受力情况，实验测试了柔性脚趾的弯曲与外翻脱附性能，验证了仿壁虎柔性脚掌设计的有效性和可行性。     

基于长短时记忆神经网络(LSTM)的钟差预报算法

原子钟钟差预报在原子时计算和原子钟频率驾驭中发挥着重要的作用。长短时记忆神经网络（LSTM）预报算法能够处理多参数长期依赖关系的时间序列预报，以氢钟和铯钟实测数据为样本，通过构建LSTM钟差预报模型，降低了长期原子钟内部噪声以及原子钟漂移对钟差预报的影响，并以72h，240h和720h为预报时长，分别与线性多项式模型、灰色模型和Kalman模型原子钟钟差预报模型进行预报误差对比。研究表明，在240h以上的预报时长中，LSTM建模长期依赖关系的优势得以体现，相较于其他3类模型可以获得更高的预报精度。     

航天器大尺度部件折叠展开原理分析及应用

围绕航天器向大尺度、远距离发展所涉及的大尺度部件在轨展开技术中新工艺、新材料、新结构等，对现有航天器大尺度部件的折展机构进行了统计与分析，系统梳理了在轨航天器折展机构的技术参数、结构与组成等。介绍了折纸艺术、自回弹材料与记忆合金等新工艺、新材料在航天器太阳帆板、天线等大尺度部件上的应用。重点分析并梳理了新型结构的特性及其工作原理，包括：充气展开式、单轴旋转式、径向扩展式、单元重构式、延长伸展式等。最后，结合即将开展的载人登月与月球基地建设、太阳系探测等深空探测任务，对在轨航天器大尺度部件的折展结构与机构的发展趋势进行了展望。     

时滞BAM神经网络周期解的存在唯一性

研究了一类具有变系数及状态依赖时滞或分布时滞的BAM神经网络模型的周期解存在唯一性问题,利用不动点定理获得了周期解的存在唯一性条件,并应用数例说明结论的有效性。     

一种混合励磁开关磁通永磁记忆电机设计与调磁性能分析

设计了一种混合励磁开关磁通永磁记忆电机,利用Ansoft Maxwell 2D仿真软件建立了其电机模型,分析了其电机运行原理。采用有限元分析方法,对电机的调磁特性进行了探究,给出了铝镍钴永磁体处于不同磁化状态时的磁力线分布、相磁链曲线、反电动势曲线、磁通密度分布曲线和转矩波形曲线。仿真结果表明,该电机相较于常规永磁同步电机具有良好的调磁性能。     

基于形状记忆聚合物复合材料航天航空可变形结构技术研究进展

形状记忆聚合物及其复合材料是一种在相应的外界刺激下可以在临时形状和初始形状之间进行切换的智能材料,具有低密度、低成本、可回复变形大,刺激方式可控等优点,在航天航空领域,如:空间可展开结构、锁紧释放机构、变体等,展现出来了巨大的应用潜力。这些应用大多处于开发阶段,一部分完成了地面功能验证,少部分进行了航天实验。本文首先总结了形状记忆聚合物(SMP)和形状记忆聚合物复合材料(SMPC)的分类,以及恶劣的空间环境因素下SMP的性能变化。随后总结了SMPC的空间可展开结构,包括:铰链、桁架、太阳能电池阵;SMPC的解锁释放结构;SMPC的变体结构以及基于4D打印的SMPC可展开结构的潜在应用。最后,对形状记忆材料和结构的发展前景进行了展望。     

一种LSTM模型预测BC值的空间碎片无控再入预报方法

提出一种利用长短周期记忆(LSTM)神经网络模型动态预测无控再入过程中弹道系数(BC)值实现空间碎片高精度再入时刻预报。通过利用空间碎片两行根数(TLE)、简化通用摄动模型(SGP4)与公开的物体陨落时间作为实测数据样本，利用迭代修正BC值方法构建预测模型的训练集，由此构造用于预测BC值的LSTM模型预测BC，再采用高精度轨道外推动力学模型配合预测BC值预报再入时刻，结果表明基于LSTM模型预测BC的空间碎片再入时刻预报方法是可行的，在95%的置信度内，90天以上的再入时刻预报精度小于10%，30天预报精度小于8%。     

A hybrid deep neural network based on multi-time window convolutional bidirectional LSTM for civil aircraft APU hazard identification

Safety is one of the important topics in the field of civil aviation. Auxiliary Power Unit(APU) is one of important components in aircraft, which provides electrical power and compressed air for aircraft. The hazards in APU are prone to cause economic losses and even casualties. So,actively identifying the hazards in APU before an accident occurs is necessary. In this paper, a Hybrid Deep Neural Network(HDNN) based on multi-time window convolutional neural network-Bidirectional Long Short-Term M...