CPT原子钟系统光源温度控制设计与实现

介绍了半导体激光器波长影响机理,针对相干布局数囚禁（CPT）原子钟系统光源,设计并制作了通过半导体激光器的温度稳定的电路。实验结果表明,采用此电路的激光器,其温度稳定度约为0.02℃,相应波长稳定度可达0.001 2 nm。     

基于模糊算法的红外遥控器智能检测系统的实现

总结分析了各种红外遥控器的编码和编码发送方式。为便于实现各种红外遥控器的智能检测，介绍了一种基于模糊算法的对红外遥控器信息进行采集的数据处理方法。     

燃烧室内壁数字化加工技术研究

针对火箭发动机燃烧室内壁型槽复杂、加工效率低和质量不稳定的难题,利用加工中心数字仿真技术,对加工中心整体装配建模,进行数字化加工工艺过程整体仿真,研究五轴棒铣刀加工技术,革新了原有的螺旋槽片铣刀加工工艺方案,提出薄壁螺旋槽燃烧室内壁零件加工中心高效加工工艺技术方案,加工质量显著提高,加工效率提高近3倍,工艺改进后的零件经过装配热试车考核满足要求.     

错误分析理论及错误分类

错误分析理论是二语习得中探索语言学习心理过程的重要理论和方法，它的重大贡献是明确指出了语内错误是语言学习中错误来源的主要原因。研究者对各种错误的揭示和描述不仅促进了错误分析既作为理论又作为方法的双向研究，而且对二语语言学习有重要的启示作用。     

滴定分析计算模式探讨

通过对滴定分析三种计算模式的比较,说明采用以化学式及其化学计量数为基本单元的计算方法的优越性.     

一种含风电-电池储能的多场景输电网规划方法

以可再生新能源(如风电、光伏)及化学电池为载体的电源系统已为航天器及电动机等用电客户提供了一种有效供电方式。针对风电的不确定性以及电池储能系统功率双向流动特性,尤其是风电的波动性与间歇性对输电网规划的影响,采用多场景概率法以风电场的风速数据作为划分依据,以风机的切入风速、切出风速以及额定风速的组合区间作为划分区间,利用Monte Carlo方法来计算场景概率,以输电网规划建设成本与过负荷费用最低为目标函数,设计了一种含风电-电池储能的输电网扩展规划模型,并采用遗传算法对规划模型进行求解。最后,以Garver-6节点系统为仿真算例,验证所设计规划方法的有效性。仿真结果表明,接入储能系统后,其输电网规划适应度很小(约为900),可提高系统经济效益。     

基于联合仿真的飞机空调系统故障影响

飞机空调系统是飞机的重要组成部分,由于其在飞行过程中环境和工作参数变化较大,易于受到多种因素的影响而成为故障率较高的飞机系统之一。飞机空调系统故障主要发生在飞行过程中,在地面状态难以复现,因此基于联合仿真的飞机空调系统故障影响分析对飞机设计验证和地面维修具有重要意义。首先根据飞机空调系统原理建立了冲压空气进气口模型、发动机压气机模型、压力调节与预冷组件模型、制冷组件模型;然后基于AMESim-Simulink联合仿真平台,模拟飞行过程中空调系统组件性能动态变化过程;最后对典型故障如预冷器泄漏、预冷器空气活门卡死、压力传感器冲击、冲压空气进气作动筒卡死等故障进行模拟,再现了飞行过程中空调系统故障情况,分析了空调组件性能的变化过程。     

波浪形前缘降低后掠叶片宽频噪声实验研究

为了研究波浪形前缘对后掠叶片湍流干涉噪声的影响,通过放置于叶片上游的倾斜圆柱产生尾迹,圆柱尾迹为各向异性的湍流,之后湍流与叶片相互干涉产生干涉噪声。实验采用的叶型后掠角度为30°,截面为NACA0012翼型。在气流来流速度30m/s,40m/,60m/s和70m/s的情况下（基于叶片弦长的雷诺数为300000~700000）,使用31个麦克风线阵列测量了基准后掠叶片与波浪形前缘叶片对应的叶片湍流干涉噪声。采用Clean-SC算法处理数据,得到不同幅值与波长下后掠叶片前缘噪声信息。实验结果表明,波浪形前缘幅值与波长对总声压级降噪量均有影响,使用最大幅值和最小波长的波浪形前缘降噪效果最好;不同气流速度下,采用相同的波浪形前缘,使用斯特劳哈尔数表征的噪声频谱图变化规律相似。     

复合材料孔隙超声反射法和穿透法检测对比分析

采用超声反射法和超声穿透法对碳纤维增强树脂基复合材料层压板进行孔隙缺陷检测与孔隙率数值评估。通过工艺偏离的方法制备不同孔隙级差的检测试样,采用超声反射法与超声穿透法对该批试样进行检测,得到不同级差孔隙缺陷对应的超声检测波形和成像检测结果,并基于声波衰减幅度对孔隙率进行量化评估。结果表明:孔隙率在0.0%~3.0%之间时,两种超声检测方法的评估结果相吻合,超声反射法对微米级孔隙缺陷或低孔隙级差具备更高的检测灵敏度;超声穿透法对高孔隙率级差或大厚度或高衰减材料的复合材料制件提供更高的超声穿透能力。     

基于深度学习的目标检测框架组件研究

深度学习与计算机视觉的结合给目标检测研究领域带来了全新的检测模式,通过对基于深度学习的目标检测网络分析研究,目标检测网络框架可模块化地拆分为特征提取网络、多尺度融合和预测网络三个部分。从组成目标检测网络模块化的角度对各个模块进行了详细的分析综述,并给出了如何根据实际需求来构建适合的模型框架建议,为基于深度学习的目标检测方法研究提供参考。