冗余度机器人力控制的运动学稳定性分析

把非冗余度机器人位置／力混合控制方案引入到冗余度机器人，用线性化的动力学模型对其运动学稳定性进行分析，提出一种改进的基于运动学稳定的冗余度机器人混合控制策略。仿真研究结果证明了所提出方法的有效性。     

单片机控制无刷直流电动机速度伺服系统

介绍了一种稀土永磁无刷直流方波电动机速度伺服系统，该系统以８０９８单片机为核心，外加ＧＡＬ芯片构成控制器，主回路开关器件采用ＩＧＢＴ，用ＥＸＢ８４０驱动，组成功率变换电路，实现了ＰＷＭ波单极半调制方式的电机伺服控制。     

卫星通信的产业化

回顾了中国发展卫星通信的简要历史，介绍了中国卫星通信的现状和作用。在调查国内用户需求的基础上，预测了１９８８－２００２年国内用户对卫星通信转发器需要的数量。     

亚、超音速机翼非定常广义气动力系数之间的关系

 <正> 研究弹性飞机的动力学特性应计及非定常广义气动力。为了尽可能保留非定常运动历程,应首先计算由阶跃函数形式下洗产生的非定常气动力函数(指示函数或指数函数),再利用卷积形式的迭加原理处理任意函数形式下洗产生的非定常气动力。用振型法建立飞机弹性运动方程,可将飞机上任一质点的弹性位移近似地表示为     

基于参数化模型和遗传算法的复合材料加筋壁板结构选型优化研究

针对复合材料加筋壁板的结构优化选型问题,采用辅助层压板和添加极小弹性模量材料的复合材料加筋壁板有限元建模方法,应用PATRAN/NASTRAN的参数化建模功能和遗传算法相结合的复合材料加筋壁板的优化方法,对5种复合材料结构形式进行了从2000N/mm到6000N/mm压缩载荷下的结构优化分析。结果表明,当载荷小于4500N/mm时,最有效的加筋壁板结构型式为J型;当压缩载荷大于4500N/mm时,最有效的加筋壁板结构型式为I型。     

电子束表面造型对液冷冷板散热性能影响研究

为了获得电子束表面造型对液冷冷板散热性能的影响规律,对带有柱状表面造型的液冷冷板进行数值模拟。结果表明,当冷却液通道中存在柱状表面造型时,可有效提高冷板的散热性能,其中造型高度对冷板的散热性能影响最大,造型流向间距的影响其次,造型直径的影响最小;当柱状造型直径1mm、高度6mm且相邻造型的流向间距为4mm时,冷却液与模拟发热芯片的温差为46.08℃,该冷板的散热性能与空白试样对比可提升23.23%。之后根据模拟结果,制备了具有不同表面造型特征的液冷冷板试样,散热性能测试结果表明,通道内制备柱状造型可提高冷板散热性能达13%以上;但当柱状造型高度4mm,且造型数量较少时,改变柱状造型特征对提升冷板散热性能的影响较小。     

三角翼DBD等离子体流动控制研究进展

现代战机采用较多的三角翼，在大迎角绕流时存在前缘涡破裂等气动问题。作为新型主动流动控制技术，等离子体激励频带宽、响应快、结构简单、便于闭环控制，在解决三角翼气动问题上具有潜力。回顾了介质阻挡放电（DBD）等离子体气动激励的基本原理，及其用于三角翼前缘涡控制的研究进展。从来流条件、几何构型、激励参数等方面分析了DBD等离子体激励对流动控制效果的影响规律；结合不同激励频率下流场演化特性，分析了流动控制机理。最后，从理论研究和工程应用的角度，对三角翼前缘涡控制的发展进行总结展望。     

数值模拟方法对NASA CRM模型阻力预测的影响

在复杂工程外形的数值模拟中，网格类型、规模和分布、湍流模型、数值格式等都会不同程度影响模拟结果。如何评估这些模拟方法对模拟结果的影响，并识别对模拟结果影响较显著的因素，对于CFD的发展方向有积极的借鉴指导意义。为了综合研究不同因素对商用运输机外形阻力预测的影响，以AIAA第六届阻力预测会议外形NASA CRM为研究对象，同时考虑了网格、湍流模型、无黏通量格式和体心梯度求解方法等因素对阻力预测的影响。分析中采用枚举法和正交试验设计两种方法，并使用了基于聚类分析的定性敏感性分析方法和基于Mckay主影响分析的定量方法，识别出对阻力预测影响较大的因素，这为数值模拟方法的发展指明了方向。     

双向比对高精度物理时间同步方法

提出一种面向未来卫星在轨应用的闭环物理高精度时间同步方法。比较了所提方法与其他时间同步方法的区别与优势，建立了远程系统时间同步基本模型与误差传递模型，基于双向测距和时间传递技术分析了高精度钟差获取原理，给出了时钟调整环路的时域频域参数依赖关系。完成了高精度时间同步地面试验系统构建，测试了开环非调钟状态下钟差测量精度误差、闭环调钟状态下时间同步准确度误差以及长时运行情况下的时间同步监测结果。测试结果表明，该方法能够实现优于1 ns量级的时间同步，为高精度时间同步技术研究提供了新的途径。     

Low-latitude storm time ionospheric predictions using support vector machines

The electromagnetic drift plays an important role in low-latitude storm time ionospheric dynamics. In this study we attempt to utilize the electric field data into ionospheric predictions by using support vector machine (SVM), a promising algorithm for small-sample nonlinear regressions. Taking the disturbance electric field data as input, different SVMs have been trained for three seasonal bins at two stations near the north crest of the Equatorial Ionization Anomaly (EIA). Eighteen storm events are used to check out their predicting abilities. The results show fairly good agreement between the predictions and observations. Compared with STORM, a widely used empirical correlation model, the SVM method brings a relative improvement of 23% for these testing events. Based on this study we argue that the SVM method can improve the storm time ionospheric predictions.