卫星综合测试系统中多控制台管理技术改进

针对主测试处理机（MTP）在测试操作控制台（TCC）管理中存在的问题,在基于多进程的控制台管理技术基础上,提出通过守护进程动态对僵死进程进行信息收集,利用进程控制技术实现MTP对测试操作控制台管理的改进方法。该方法解决了多进程环境下MTP服务器在控制台管理上僵死进程过多的问题,提高了系统资源的利用率,增强了卫星综合测试系统的可靠性和稳定性。     

3D雷达对3D雷达的引导提示性能分析

分析了不同位置关系3D雷达对3D雷达的成功引导概率及引导误差,讨论了成功引导概率随参数特征变化的性质,仿真分析目标到提示雷达不同斜距时目标在被提示雷达中的角度分布及引导误差变化。研究对雷达组网中3D雷达对3D雷达引导提示系统设计有一定的参考价值。     

柔性锥-杆式对接机构碰撞过程仿真研究

以中小型航天器普遍采用的锥-杆式对接机构为研究对象,提出一种柔性对接锥作为缓冲系统的方案,用柔性锥变形吸收撞击能量作为缓冲。用有限元法对碰撞过程进行仿真,讨论了柔性对接锥作为缓冲系统的性能对对接过程的影响。仿真结果表明:与普通对接锥相比,柔性锥能减小碰撞力峰值50%多。     

基于稀薄气-粒两相流的蒙特卡洛颗粒辐射模型研究

在气-粒两相相变模型及液态和固态颗粒碰撞、聚合和分离模型的基础上,发展稀薄条件下考虑颗粒辐射的蒙特卡洛颗粒辐射模型。通过对高超声速稀薄环境中的气-粒两相喷流流场的数值模拟,得到气-粒两相流的流场参数,利用所得流场参数作为颗粒辐射模型的初始参数进行颗粒辐射计算,同时考虑了有无探照发射时的光谱辐射强度。结果表明,在颗粒浓度较大时计算两相稀薄流的流场参数,考虑颗粒辐射是必要的,并且考虑有无探照发射对光谱辐射强度数值的影响。     

声表面波色散延时线激励的高精度时间间隔测量方法

高精度时间间隔测量技术对国民经济与国防建设意义重大,论述了一种新的高精度时间间隔测量方法,可以达到1ps量级甚至更高的测量精度。该方法利用声表面波色散延迟线作为时间内插器,时间内插器起到时间拉伸的作用,从而可以获得多个观测值,由于平均的效果,总的测量误差将被大大降低。理论分析与仿真实验均表明该方法可以达到很高的时间测量精度,是切实可行的。     

深空环境下卫星编队飞行队形重构实时重规划

针对深空环境中卫星编队自主队形重构的机动问题,设计了队形重构过程中的实时重规划方案。在每次重规划过程中首先用Legendre伪谱法将当前时刻到终端时刻的重构问题离散化为非线性规划问题;其次,根据卫星编队飞行队形重构的特点,使用协同进化粒子群(CPSO)方法对每次重规划进行求解,该方法既避免了传统优化方法对复杂问题梯度的求解,又能在整个优化过程中保证约束条件的满足,并且能够事先为粒子群的进化提供大致方向,极大地提高了每次重规划的计算速度;最后,提出了重构过程中具体的重规划策略,以保证队形重构的顺利进行。仿真结果表明,与传统的控制方法相比,在重构过程中,该方法能够在初始给定轨迹的基础上进一步优化,可以有效降低重构过程的能量消耗,并能够避免重构过程中碰撞的发生。     

AP粒度对其感度、推进剂燃烧速度及临界电子激发能的影响

研究了固体推进剂中氧化剂AP的平均粒度对其撞击感度和摩擦感度的影响,以及当AP加入改性双基推进剂中后,其平均粒度对改性双基推进剂燃烧速度的影响。揭示了影响AP撞击感度、摩擦感度以及推进剂燃烧速度的主要原因,即AP颗粒大小与引起其分解所需的临界电子激发能之间的关系。这对超细AP在推进剂中的安全合理应用具有重要指导意义。     

基于改进配点法的最省燃料交会研究

基于改进的直接配点法,研究了有限推力最优交会控制问题。给出了有限推力交会的最优控制模型,将状态量和控制量离散化,节点间的状态量用五阶多项式表示,形成一系列代数约束,转化为一个非线性规划问题,用序列二次规划算法(SQP)求解参数最优化问题。对终端时刻自由的最省燃料交会问题的数值仿真结果表明:与直接配点法相比,改进配点法的精度较高。     

高校学生宿舍管理实践研究

由于多方原因,高校学生宿舍的管理一直是学生管理工作的难点问题,学校各院系的学生宿舍管理也毫不例外。面对这一难题,笔者集思广益大胆探索,分析各种原因,对症下药,逐步摸索出一套适合大学院系学生宿舍管理的方法,即从八个方面入手探索解决大学生宿舍管理难题。     

基于自适应迭代学习的小行星绕飞容错控制

对于小行星绕飞任务的探测器姿态控制问题,已有方法大都考虑了干扰力矩和参数不确定等因素,而忽视了执行器故障情况。针对执行器故障条件下的小行星探测器姿态控制问题,提出了一种基于自适应迭代学习的容错控制方法。所设计的控制器包括两部分：其一针对执行器故障,设计了自适应迭代学习控制器,采用类滑模的思想和自适应迭代学习算法对控制器参数进行调整,进而补偿执行器故障带来的影响,保证系统在控制输出不足情况下的高精度姿态稳定性;其二针对探测器参量变化、外部环境干扰等不确定情况,设计了基于自适应神经网络的迭代学习控制器,采用径向基函数（RadialBasisFunction,RBF）神经网络对系统非线性部分进行逼近,同时对控制器参数进行自适应迭代学习调整,进而保证系统在不确定情况下的动态性能。数值仿真结果表明该控制器能够有效抑制外部环境干扰和内部参数变化带来的不利影响,在执行器部分失效甚至完全失效故障情况下,仍能保证系统的鲁棒性并实现误差在10^-2数量级内的较高姿态控制精度。