面向快速响应产品的星上目标定位及识别方法

针对遥感卫星星上目标的定位及识别，本文面向快速响应应用需求，首先对星上目标定位及识别工作模式进行研究，总结出狭义和广义两种模式，其次重点对像方-物方坐标双向定位算法进行梳理，并针对典型地物目标星上自动识别算法提出研究思路，最后给出算法的应用方法流程。本文研究为快速响应产品星上智能处理提供方法参考。     

无缓凝剂磷酸镁修补砂浆的力学性能实验研究

磷酸镁水泥(Magnesium phosphate cement,MPC)是一种快速修补型胶凝材料,具备快硬、早强、高强、粘结力强、耐久性好等优点。首先运用正交试验方法,通过控制胶砂比、氧化镁与磷酸二氢盐的物质的量比(M/P)和水胶比,确定了基准MPC修补砂浆的最优配合比。然后研究了粉煤灰和磨细矿渣对MPC修补砂浆抗压强度和抗折强度的影响,分析了其强度特征。结果表明,MPC修补砂浆的最佳M/P比为6∶1,胶砂比1∶1。掺加粉煤灰的MPC修补砂浆具有较高的强度尤其是抗折强度,适宜作为道路与机场道面的快速修补材料。掺加磨细矿渣的MPC修补砂浆,其力学性能不如掺加粉煤灰的MPC修补砂浆。此外,MPC修补砂浆的抗折强度和抗压强度之间具有密切的线性相关关系,且与养护龄期、原材料来源与烧结温度、是否掺加缓凝剂和矿物掺合料、M/P比和水胶比等因素无关。     

考虑输入饱和的固定翼无人机自适应增益滑模控制

针对复杂环境下的固定翼无人机飞行控制问题，考虑输入饱和以及复杂外界干扰的影响，提出一种基于自适应滑模控制方法的固定翼无人机飞行控制策略。首先，对固定翼无人机模型进行介绍，将模型分为姿态子系统和速度子系统；其次，针对姿态子系统和速度子系统的特点以及控制需求，分别采用自适应多变量螺旋滑模和自适应快速超螺旋滑模设计姿态控制器和速度控制器，该策略无需设计干扰观测器对外界干扰进行估计，仍然可以实现固定翼无人机对姿态参考指令和速度参考指令的有限时间精确跟踪，并基于Lyapunov的稳定性分析方法证明了闭环系统的稳定性。最后，对本文所提出的控制策略进行了仿真验证，结果表明该控制策略具有良好的控制性能。     

基于CZT的变时间窗时变参数在线辨识方法及应用

针对时变参数的在线辨识问题,提出了基于CZT的变时间窗时变参数在线辨识方法,通过滑动时间窗以及基于方差阈值的重启设计,提高了现有频域辨识方法对时变参数的辨识速度,并且有效避免了数值微分对噪声的放大问题。最后,基于飞机系统的执行机构故障,对该方法进行仿真验证,并与传统辨识方法进行对比,说明了该方法对时变参数有较强的辨识能力,验证了该方法的有效性。     

基于全过程移动监督技术的感应电机定子绕组温度实时监测系统

随着物联网技术的发展,如何将物联网技术与非侵入式电力设备运行状态监测技术相结合成为当前研究热点之一。为了探索基于物联网技术的电气设备运行状态监测新模式,以感应电机定子绕组温度的非侵入式在线监测为出发点,首先提出了一种基于自适应法和最小二乘法的电机定子绕组温度辨识方法,并结合当前物联网技术的发展,设计了一种基于全过程监督技术的感应电机全寿命周期监督定子温度监测系统。以1台5.5 kW感应电机为例进行试验验证,结果表明该系统具有较强的鲁棒性。所提出的理念和技术可以为其他大型电力设备的状态监测提供重要参考和技术支撑。     

基于CDKF的快速协方差交叉融合跟踪算法研究

随着目标抗干扰能力的增强，单一寻的制导方式很难完成对目标的稳定跟踪和精确打击，需采用多种探测器作为传感器，提供多种观测数据以实现对目标的稳定跟踪和精确打击。建立了适当的目标运动模型和观测模型，利用中心差分卡尔曼滤波（CDKF）变换处理模型的非线性问题，避免了求解复杂的雅克比矩阵。对于分布式多传感器融合，传统的方法多采用协方差交叉（CI）融合方法，但是这类方法需要寻优求解。而快速协方差交叉（FCI）则不需要进行寻优过程，且计算量小。在此基础上，提出了用于多传感器目标跟踪的CDKF-FCI融合算法。最后，对算法进行了仿真分析，并进一步验证了提出算法的有效性。     

基于在线学习的数控加工刀具寿命动态预测方法

预测刀具寿命对保证零件质量和控制加工成本意义重大,但刀具磨损过程复杂多变,刀具剩余寿命受工况影响难以准确预测。针对以上问题,提出了一种基于在线学习的刀具寿命动态预测方法,以长短时记忆网络为基础模型,融合在线学习模块,使得模型能够在加工过程中自动更新参数,实现变工况下刀具寿命的精确预测。进行了铣削加工试验,结果表明,刀具寿命动态预测方法可以有效提升刀具寿命预测精度。     

抗离群值的鲁棒正则化贯序超限学习机

针对离群值环境下的在线学习问题,提出一种鲁棒正则化贯序超限学习机(Robust regularized online sequential extreme learning machine,RR-OSELM)。RR-OSELM以增量学习新样本的方式实现在线学习,并在学习过程中基于样本的先验误差进行逆向加权计算以降低学习模型对于离群值的敏感性;同时RR-OSELM通过融合使用Tikhonov正则化技术进一步增强了其在实际应用中的稳定性。实验结果表明,RR-OSELM具有较同类算法更好的鲁棒性和实用性,对于离群值环境下的在线建模与预测问题是积极有效的。