多支点柔性转子系统临界转速稳健设计方法

基于响应面法和容差模型提出了定量考虑参数变差影响的转子系统临界转速稳健设计方法。该方法利用响应面模型获得多参数、多目标之间的函数关系,并以多阶临界转速分布为约束条件、以临界转速对支承刚度变差敏感度最低为设计目标。对小涵道比涡扇发动机低压转子系统临界转速稳健设计结果表明:在考虑各支点支承刚度变差情况下,采用多参数、多目标稳健设计方法,可保证多支点柔性转子系统的临界转速特性在满足设计要求的同时,转子系统临界转速对支承刚度变差的敏感度最低,验证了该方法的有效性。      

机上互联:航空公司面临艰难的选择

随着时代的发展,加装机上互联系统已经成为了航空公司必须面对的选择之一,因为它能够为飞机乘客、飞行员、MRO供应商等民航业不同层次的参与者带来全新的变化和效率的提升。但当前摆在航空公司面前的是如何选择机上互联系统或供应商,如何赶上先进技术红利并守住自己的成本底线。为此,机上互联供应商也在不断优化产品,其中部件标准化首当其冲。     

中高轨卫星海洋成像图像几何定位精度提升方法

针对中高轨卫星海洋成像时缺少控制点下的图像定位精度提升问题,提出一种提升定位精度的方法。该方法利用中高轨卫星成像范围大,配合姿态机动,在短时间内寻找有特征点的区域,通过卫星图像与高精度控制图像进行匹配,寻找控制点,求解偏置矩阵,并将该区域的偏置矩阵补偿到海洋地区,以达到提升图像定位精度的目的。结合中高轨卫星成像特点,对河南嵩山检校场和太原区域图像进行仿真,并利用嵩山检校场数据进行在轨几何检校,将检校参数补偿到太原区域。仿真结果表明:无控制点定位精度从118.3个像素提高到37.8个像素,证明了文章提出方法的有效性。     

高分七号卫星激光测高仪激光器设计

高分七号(GF-7)卫星激光测高仪激光器是一台输出能量较大、光束质量要求又高的激光器。为了实现这样的技术要求,采用被动调Q的振荡级+两级板条放大器(MOPA)的技术路线,以激光二极管(LD)侧面泵浦的被动调Q之字形薄板条激光器作为振荡级,以实现近衍射极限的种子光输出,再通过两级之字形板条放大器,使最终输出的大能量激光束能够保持较好的光束质量,满足测高仪小足印光斑的要求。设计的振荡级采用双玻罗(Porro)镜谐振腔,实现输出能量2 mJ、光束质量因子(M~2)1.3、脉冲宽度3 ns。经过两级板条放大器后,输出光束M~2为1.5～1.8,单脉冲能量达到180 mJ,脉冲宽度为4～5 ns,证明激光器设计合理,可以作为对地观测类激光测高仪激光器的设计参考。     

基于HHT的航空直流串行电弧特征提取方法

由于飞机内部布线空间有限、电弧故障存在发生时间地点随机以及特征不明显等问题，导致检测困难。本文基于航空270 V高压直流（HVDC）系统开展直流串行电弧故障特征提取方法研究，采用希尔伯特黄变换（HHT）提取电弧电流交流分量的时域和频域特征量。选择HHT的固有模态函数IMF5瞬时幅值的峰峰值和标准差作为识别电弧故障的时域特征，与原始信号中提取的时域特征量对比，正常和电弧特征量的区分度更大；选择HHT的固有模态函数IMF1+IMF2、一定频带范围内的瞬时幅值计算得到的谐波功率和作为区分正常和电弧情况的频域特征量。与常用的快速傅里叶变换（FFT）方法相比，HHT三维时频谱能够反映信号的局部特征，HHT方法计算得到的正常和电弧特征量之间的区分度更大，电弧和正常特征量的比值最高可达346。基于HHT的电弧故障特征提取方法能够更好地区分正常和电弧情况，有助于提高电弧故障的检测率，降低虚警率，具有重要的工程应用价值。     

多变量全局寻优与智能优化在星座组网中的应用

顶层任务规划通常与星座组网紧密结合，小卫星分散灵活的特性尤其适用于星群规模化在轨运行。针对热点区域覆盖和全球覆盖的不同任务需求，提出了对构型多变量进行全局寻优和利用智能优化技术进行星座构型优化的方法，两种优化方法可分别获得小规模星群最优效能与超大型星群的较优效能。优化方法不受轨道类型和任务目标分布的约束，具有良好的鲁棒性。     

基于趋势符号聚合近似的卫星时序数据分类方法

作为在时间序列数据挖掘中广泛使用的主要符号化表示方法，符号聚合近似（SAX）使用段的平均值作为符号表示，由于无法区分具有不同趋势但具有相同平均值符号的不同时间序列，某些情况下可能会导致错误的分类。提出了一种改进的符号表示——趋势符号聚合近似（TrSAX），集成SAX与最小二乘法，用以描述时间序列的均值和斜率，并由此构建出BOTS分类器。此外，对卫星的模拟量遥测时序数据中的角度序列、转速序列、电流序列进行分析，并从UCR公开数据集中筛选出与3种序列类似的3个数据集进行分类实验验证。与应用了SAX和2个改进的SAX、经典的欧氏距离（ED）、动态时间规整（DTW）的1-NN分类方法进行对比，结果表明:提出的BOTS分类方法的分类错误率明显低于其他5种分类方法。      

基于3D-Winograd的快速卷积算法设计及FPGA实现

近年来，卷积神经网络（CNN）已被计算机视觉任务广泛采用。由于FPGA的高性能、能效和可重新配置性，已被认为是最有前途的CNN硬件加速器，但是受FPGA计算能力、存储资源的限制，基于传统Winograd算法计算三维卷积的FPGA解决方案性能还有提升的空间。首先，研究了适用于三维运算的Winograd算法一维展开过程；然后，通过增加一次性输入特征图和卷积块的维度大小、低比特量化权重和输入数据等方法改善CNN在FPGA上的运行性能。优化思路包括使用移位代替部分除法的方法、分tile方案、二维到三维扩展及低比特量化等4个部分。相对传统的二维Winograd算法，优化算法每个卷积层的时钟周期数减少了7倍左右，相较传统滑窗卷积算法平均每个卷积层减少7倍左右。通过研究，证明了基于一维展开的3D-Winograd算法可以大大减少运算复杂度，并改善在FPGA运行CNN的性能。      

一种基于卷积神经网络的地磁基准图构建方法

地磁匹配导航技术是一种重要的辅助导航制导方法，地磁基准图的构建精度对地磁匹配制导的精准度起着决定性作用。针对现有地磁基准图构建精度难以满足实际地磁匹配导航需求的问题，提出了一种基于卷积神经网络的地磁基准图构建方法。首先，利用卷积层提取低分辨率基准图中的特征图像块；然后，利用基于学习的阈值收缩算法（LISTA）实现图像块的稀疏表示；最后，利用三通道的地磁信息得到重建后的高分辨率基准图。实验结果表明:所提方法对地磁基准图具有更高的构建精度，同时对噪声有更好的鲁棒性，各种客观评价指标均高于现有的超分辨率重建方法。