无线能量传输的核心功率器部件挑战与进展

微波无线能量传输系统中高功率微波发射、高效率微波整流是共性关键技术，其中高效率微波整流是区别于传统无线系统的专项技术。首先，从两类4种微波功率源国内外典型产品技术方案、成果水平开展论述；系统探讨了二极管、三极管及电真空器件整流技术发展现状及研究热点。其次，针对微波无线传能系统高效率、高动态、高集成、长寿命多功能公用传能建设等技术挑战，提出了应对策略和解决途径；最后，进一步凝练和规划了面向空间高功率微波无线能量传输系统的关键技术、核心产品，并对我国无线功率传输的核心器部件及系统构架做出展望。     

星载氮化镓固态功率放大器整机高可靠设计技术研究

为了满足星载应用对于固态功率放大器长寿命的应用需求，针对近年来研究较多的氮化镓（gallium nitride,GaN）固态功率放大器（solid state power amplifier,SSPA），阐述了器件存在的可靠性问题，提出了整机高可靠设计方法。首先，探讨了氮化镓器件的典型失效机理，给出了氮化镓器件在高场退化以及热退化方面的研究结果，分析了逆压电极化效应及热载流子效应引起器件退化的物理机制。其次，围绕降额设计、整机热设计以及电路稳定性设计，研究了如何针对氮化镓器件的特点实现星载固放的高可靠设计，并给出了典型的仿真及实验结果。最后，给出了典型的星载固态功率放大器空间环境模拟试验结果，产品在热真空试验、温循老炼以及高温老炼等试验过程中表现出了较高的稳定性和一致性，为氮化镓固态功率放大器的上星应用提供了有力的支撑。     

基于MBSE的月球科研站任务分析

月球探测在完成“绕落回”三步走后，从单点短期探测向建设月面基础设施的月球科研站长期探测转变，给月球探测任务的规划论证、总体设计、系统研制和在轨探测等提出了更高要求。本文采用基于模型的系统工程（MBSE）思想，提出适宜的基于模型的月球科研站系统分析正向流程，以系统模型作为载体依次深入剖析任务总体、任务使命需求和任务应用场景。通过开展基于模型的月球科研站任务分析，初步实现了月球科研站任务分析过程正向化、设计要素定义全量化、设计要素之间的关联表达显性化、月球科研站工程总体单位下发的研制要求有源化。     

运载火箭双维度极性检查方法与应用

运载火箭接口极性设计及安装的正确性关系到型号的飞行成败,为确保运载火箭在设计及生产制造过程中的极性正确性,提出了一种对设计极性和安装极性进行双维度闭环检查确认的方法。本方法已在新一代大型运载火箭中实现了全箭接口极性全流程闭环检查确认,加强了极性设计状态和产品安装实现的闭环管控,确保了接口极性设计的正确和匹配。     

基于XTCE标准的遥测参数装订与核对研究

面对我国现代航天高密度发射的需求，精准高效的遥测参数装订与核对尤为重要。本文基于XTCE标准定义的遥测参数格式，构建了XTCE标准对遥测参数数据底座，实现遥测参数的统一标准、统一管理和统一平台。阐述了XTCE标准的结构、火箭遥测数据库的生成和数据底座的构造。实现了对大型火箭遥测参数的自动装订，大幅提高了工作效率。     

一种基于地转风模型的平流层风场插值方法

平流层风场水平分量的数据精度和密度对高空气球实验的轨迹预测精度和飞行控制精度有着直接的影响。面向平流层风场，提出一种基于地转风模型的插值方法。该方法通过改进科里奥利频率公式，并用二维卷积计算地转风模型，提升了地转风模型的计算效率和低纬度地区风场精度，再用迭代二元线性回归和改进的自适应观测场偏差权重矩阵减小了观测误差对插值结果的影响。实验结果表明:所提插值方法能有效提升平流层风场插值计算速度，并对平流层风场水平分量的插值精度有显著提升。      

混合动理学通量WENO方法拓展

在马赫数2.5来流条件下，开展了高频微秒脉冲放电控制压缩折角激波/边界层干扰非定常性的风洞实验，放电位于压缩折角上游沿流向布局的6对电极之间，所选取的放电频率为14 kHz,接近于来流边界层的特征频率。采用高速纹影成像技术记录流场的动态变化，并基于纹影图像灰度值的时间序列采用平均、均方根、本征正交分解、动态模态分解、傅里叶变换等方法进行处理，对比研究有/无控制情形下激波/边界层干扰的非定常特性。研究发现，对于无控情形的基准流场，流动的低频特性表现为分离激波的振荡及边界层大尺度涡经过激波的脱落行为，中、高频特性表现为边界层小尺度涡与激波的相互作用；对于受控情形，来流边界层内的大涡尺度在放电作用下增大，大尺度涡与分离激波相互作用使得激波的振荡转变为稀疏压缩波的脉动，流经激波的边界层脉动更强，分离激波的低频振荡(10～300 Hz)有所改善。此时，流动的低频特性主要表现为边界层大尺度涡经过激波的脱落行为，而中、高频特性与基准流场相似。     

物理启发的深度学习模型及其在热端部件散热中的应用

热端部件散热是众多空天设备的关键技术。表面温度分布是散热设计中用到的重要信息,常规的解析建模手段和机器学习方法均无法有效地表达此类高维信息。近年来兴起的图像深度学习算法是解决表面温度信息预测的有效手段。然而,现有的基于大数据的深度学习方法往往对于物理数据和小样本数据不适用,体现为泛化精度差、数据兼容性差、可解释性差。因此,有必要结合传热的先验知识发展物理启发的新型深度学习算法,以增强高自由度、高复杂度散热对象上的设计能力。本文基于卷积算子和有限差分求解方式的类比关系,提出了一种物理启发式的循环卷积神经网络。以横向出流的冲击冷却为例,开展了变计算域大小、变工况、变尺寸的批量数值模拟,获取了冲击冷却关键特征的小样本图像数据。进一步通过神经网络的训练,构建了多参数、大范围内有较好拟合能力的温度、传热系数、压力代理模型。研究结果表明,本文提出的物理启发神经网络模型,对于计算域大小没有限制,可以统一表达不同空间范围内获取的物理数据的共性规律。模型的各类超参设定均具有明确的物理意义,且与经典的微分方程求解理论有一定的类比关系,增强了神经网络调参的方向性。通过传热物理规律与黑箱模型的融合,本文实现了小样本多参数物理数据的共性建模。该方法可以迅速重构热端部件的高维分布信息,可服务于热端部件的快速分析设计以及优化。