基于TOPSIS算法的空间快速响应发射方案评估

针对空间快速响应发射方案评估优选问题,通过分析空间快速响应发射任务规划过程得到发射方案组成要素,在此基础上构建了三级评估指标体系;综合考虑专家主观喜好和客观事实,同时为了有效避免个别专家个性意愿对于权重分配的影响,采用信息熵权法和群决策层次分析法相组合的方式完成了指标赋权;针对方案指标数据的多样性,通过逼近理想解排序法对方案进行了综合评估及优选排序.典型算例证明了该方法的科学性和实用性,可为空间快速响应发射方案评估优选提供理论支撑.     

BP神经网络预测复合材料热压罐成型均匀性

复合材料热压罐成型过程中的固化度差值是复合材料固化度均匀性的主要表征参数之一。基于3层BP神经网络，以复合材料双平台固化工艺曲线的加热速率、保温时间和保温温度为输入参数，建立了成型过程任一时刻最大固化度差值的快速估算模型。仿真复合材料热压罐成型过程，得到最大固化度差值作为试验样本数据，对BP神经网络进行训练，训练结束后对该模型的准确性进行验证。结果表明:该BP神经网络估算模型准确性和效率较高，为复合材料热压罐成型最大固化度差值的估算提供了一种快速有效的新方法。      

单组元300N发动机低温试验研究

为探究低温环境下单组元300N发动机的工作特性，揭示影响发动机低温性能的主要影响因素，以300N发动机为试验对象，开展了模拟飞行工况的发动机低温试验。给出了低温试验研究方法，分别从温度差异对发动机性能影响、催化剂活性差异对发动机低温启动特性影响和低温对电磁阀响应特性影响等方面获得研究结果。结果表明，低温是影响发动机低温性能的主要影响因素，-48℃条件催化剂无法完成推进剂的催化分解，发动机发生爆炸；-30℃条件下起活时间为80.5～87.5ms，发动机可正常启动，且启动温度与起活时间呈指数关系；催化剂批次差异也对发动机低温工作性能产生一定影响，不同批次催化剂低温起活时间的差异可达91ms；低温试验过程中，电磁阀的关闭受到低温推进剂粘性和背压的影响，产生了明显的迟滞现象，延迟时间约100ms，对发动机在轨的精准控制存在一定影响。     

低温锂离子电池研究进展

随着能源需求的日益高涨，锂离子电池（LIB）在各个领域内的应用愈发广泛。为满足极端气候等特殊应用环境对储能器件的需求，LIB需拓宽其工作温度范围。从材料和电池结构角度详细总结了应用于低温条件LIB的最新研究进展。首先，分析了限制LIB低温性能的根本原因；然后，分别从电解液的研发与优化、电极材料的改性和开发、新型电池体系的开发、电池热管理系统（BTMS）设计4个方面归纳并讨论了在低温情况下改善LIB性能的途径和方法；最后，总结了低温LIB研究亟待解决的问题，并为新一代低温LIB的发展提出了可行的研究方向。      

基于改进深度学习模型的焊缝缺陷检测算法

针对传统深度学习模型在进行焊缝缺陷检测时对小缺陷目标检测效果不理想问题，提出基于改进深度学习Faster RCNN模型的焊缝缺陷检测算法，算法通过多层特征网络提取多尺度特征图并共同作用于模型后续环节，以充分利用模型中的低层特征，增加细节信息；改进模型的区域生成网络，加入多种滑动窗口，从而优化了模型锚点的长宽比设置，提高检测能力。实验表明，改进Faster RCNN模型取得最优的缺陷检测结果，对于小缺陷目标仍取得较好的检测精度，从而验证了算法的有效性。     

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。     

空间低温杜瓦瓶凯夫拉支撑结构多约束优化设计

采用新型凯夫拉纤维作为某空间用小型低温杜瓦瓶的支撑材料，在验证其力学性能的基础上，设计了杜瓦瓶的支撑结构，建立了一种新的热力学耦合优化模型，给出支撑结构固有频率、热应力及发射环境下的约束条件，通过一种“离散点加密”新约束优化法计算出了支撑结构满足约束条件范围内的要求的最优设计参数。     

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。