基于对象的航天器需求工程建设初探

介绍了需求工程的研究内容;针对传统基于文档的需求工程的缺陷与不足,提出并阐述了开展基于对象需求工程建设的必要性;根据航天器研制的特点,研究提出了基于对象的航天器需求工程建设体系结构;围绕体系结构重点研究需求描述方法和需求应用验证过程,结合某航天器基于对象的需求管理验证了基于对象的航天器需求工程思想的可行性和适用性,通过对象化管理需求和关联视图,关联矩阵等方式分析关联关系,验证了基于对象的需求工程,提高了需求管理颗粒度,增强了需求关联影响分析能力,为后续开展基于对象的需求工程应用实施提供了理论指导和实践探索。     

基于AVIDM框架的卫星设计集成技术研究

在分析了并行工程特点的基础上,对产品数据管理技术进行了阐述,结合实际工作对基于AVIDM框架的卫星设计集成系统建设及在卫星型号产品中推广PDM技术的有关工作进行了详细论述,提出了型号应用的不同层次及PDM实践中应注意解决的问题。     

量子点在量子领域的应用展望

量子点是一种新型半导体纳米晶体,作为一种新兴的光电活性材料,可以实现光电转化,具有亮度高、斯托克位移大、吸收光谱宽、摩尔消光系数高、量子产率高、光稳定性好、荧光寿命长等特点。同时,最初量子点概念的提出和成功制备也对量子限域效应的认知提供了一定的帮助。量子点的尺寸在纳米量级范围内,尺寸限域产生了量子限域效应、宏观量子隧道效应、尺寸效应和表面效应,使其具有了独特的性能。随着对量子点的不断深入研究,其在非线形光学、磁介质、催化、医药、功能材料、生命科学和信息技术等领域的应用逐渐开拓,其在量子密钥分发、量子计量学和量子信息处理等应用领域的研究工作也逐渐提上日程。     

基于物理信息神经网络的气动数据融合方法

为了解决训练传统深度神经网络对大数据的依赖问题，气动数据中包含的物理结构信息需要被充分利用。物理信息神经网络（physics-informed neural network, PINN）是一种非监督的学习算法，采用深度神经网络直接逼近流场偏微分方程的解，因此适用于气动数据的建模。然而训练PINN时，损失函数反映的是抽样点处神经网络所拟合的偏微分方程值的偏差，对于复杂的非线性偏微分方程，这一偏差不能准确反映神经网络所拟合的函数与微分方程解函数的偏差，而且用神经网络拟合初始条件和边界条件时，不可避免存在拟合误差，误差随空间和时间累计，这使PINN的建模精度相比传统的模型没有优势。为了解决这些问题，本文把PINN与流场的计算流体动力学（Computational Fluid Dynamics, CFD）仿真结果进行融合，在流场抽样点处的损失函数中增加了PINN在该点的输出与流场在该点的CFD值偏差，从而提高了神经网络的建模精度。根据CFD仿真时使用的模型，融合方式采用瞬时模式或时均模式。测试结果表明该方法能够有效提高PINN的建模精度。     

空间碎片撞击卫星影响分析及验证

近年来，空间碎片环境日益复杂严峻，对卫星在轨飞行构成严重威胁，发生碰撞风险大幅增加。针对低轨卫星遭受空间碎片撞击问题，分析了撞击产生的二次碎片云损伤机理，提出了利用遥测数据评估撞击产生的影响，分析撞击信息的流程，设计了相应地面验证实验。结果表明:碎片云引发二次损伤为空间碎片撞击卫星主要损伤形式。碎片云可导致多层隔热材料(MLI)发生破损甚至严重撕裂、外翻，同时引起供电线缆损伤、导线被击断。破损的供电电缆，通过大电流后发生断路的可能性急剧提升，对卫星危害巨大。