某弹载天线热管PCM热控装置参数分析

为获得某弹载天线热管PCM复合热控装置的相控阵天线的温控性能,建立了其整机数学模型,并基于DSC测试数据,采用有效热容法对材料的相变过程进行模拟。根据T/R组件安装面的最高温度和储热器内相变材料的相变完成情况,研究了相变材料导热系数和翅片数对整机热控性能的影响。研究发现,使用较高导热系数的相变材料与较多的铜翅片数量有利于提高装置的热控性能,且两参数效益可以互补。最后根据研究获得的综合优选参数,制作了试验样机,验证了参数设置的合理性和可行性。     

大功率通信卫星热真空试验闭环控温方法

为了提高大功率通信卫星整星热真空试验的控温精度、降低控温风险,设计了一种应用PID闭环控制技术对星上热管网络进行闭环控温进而对整星温度进行自动控制的方法。在某大功率通信卫星整星热真空试验中,进行了星上典型热分区的PID参数自整定试验,并参考自整定试验结果确定了星上PID自动控温参数,应用PID闭环自动控温方法对卫星进行整个热真空试验过程的自动控温,控温精度达到±0.5 ℃,满足试验控温要求,提高了试验控温的准确性与安全性。     

基于多目标遗传算法的差速器壳体轻量化设计

针对某新能源汽车差速器壳体需在满足行驶工况的刚强度要求下实现轻量化,提出一种基于多目标遗传算法NGSA-II和参数化模型相关联的优化设计方法。首先通过SolidWorks和ANSYS的联合仿真,对差速器壳体的大端、小端、法兰及主减速器外圆等部位的厚度实现参数化手段,并通过模态分析和静力学计算证明壳体有足够的优化空间;然后构建尺寸变量同优化目标之间的响应曲面;最后基于多目标遗传算法,建立以质量最小和壳体最大应力最小为目标的优化模型,对差速器壳体进行轻量化设计。结果显示：优化后壳体总质量从6.80 kg减为6.10 kg,减少了10.3%;壳体最大应力降低了9.9%;同时壳体的最大变形量在安全范围内,证明基于多目标遗传算法进行轻量化设计是可行的。     

ROPP反演软件算法及其精度分析

介绍了ROPP反演软件中无线电掩星反演的算法与精度分析. 采用COSMIC卫星2008年1 月1日全天的附加相位数据, 反演得到折射率、温度、压强与湿度等参数, 并与CDAAC 相应结果进行对比. 实验结果表明, 在30km高度以下, 折射率、压强和湿度的相对 误差在2%以内, 温度误差不超过2K.     

基于分层介质模型的HF雷达高度计火星回波仿真研究

火星次表层中的水探测是当前深空探测领域中的热门问题之一. 高频(HF)雷达高度计具有较强的穿透能力, 且能同时实现距离和功率测量, 是火星次表层探测的重要手段. 介绍了高频雷达高度计系统的原理和设计, 通过分析高度计电磁脉冲与多层光滑介质之间的相互作用, 得出其回波功 率随时间变化的模型, 并考虑了表面粗糙度对表面回波功率的影响. 选用典型的火星分层介质模型, 对其介电常数特性和高度计回波波形 进行了仿真. 仿真结果表明, 采用高频雷达高度计系统可实现对火星次表 层介电特性垂直廓线的反演, 对火星中水的识别具有重要 作用.     

基于遗传算法的含集中质量和弹性支撑复合材料层合板固有频率优化设计

运用遗传算法对含集中质量和弹性支撑的复合材料层合板进行了以自振频率最大化为目标的优化设计,采用了灵活的整数编码方式和改进后的收敛准则,同时考虑了集中质量和弹性支撑的位置优化问题以及铺层顺序优化问题.通过大量试验计算,对遗传算法中的运行参数进行了合理设置,达到了计算结果为全局最优解的概率高于0.95,并且计算量最少的目标.     

基于深度学习递归神经网络的电离层总电子含量经验预报模型

利用行星际太阳风参数与太阳活动指数、地磁活动指数、电离层总电子含量格点化地图数据,首次基于一种能处理时间序列的深度学习递归神经网络（Recurrent Neural Network,RNN）,建立提前24h的单站电离层TEC预报模型.对北京站（40°N,115°E）的预测结果显示,RNN对扰动电离层的预测误差低于反向传播神经网络（Back Propagation Neural Network,BPNN）0.49～1.46TECU,将太阳风参数加入预报因子模型后对电离层正暴预测准确率的提升可达16.8%.RNN对2001和2015年31个强电离层暴预报的均方根误差比BPNN低0.2TECU,将太阳风参数加入RNN模型可使31个事件的平均预报误差降低0.36～0.47TECU.研究结果表明深度递归神经网络比BPNN更适用于电离层TEC的短期预报,且在预报因子中加入太阳风数据对电离层正暴的预报效果有明显改善.     

发动机线性模型在动态过程中的应用研究

本文分析了发动机线性模型在动态过程中的应用研究,建立了发动机线性变参数模型,并进行了仿真验证,获得了较好的动态性能。这样,在发动机整个工作过程中,可通过线性变参数模型将发动机的稳态和动态过程描述出来,方便了控制器的设计。     

利用人工神经网络快速计算木星系磁坐标

在木星辐射带研究中,从地理坐标向磁坐标的准确转换是建模基础.以往的建模中,磁壳参数L值的计算基于磁偶极场假设,该方法精确度较差.结合最新的高精度木星磁场模型JRM09,本文提出基于磁力线追踪法的木星磁坐标计算方法,并分析其合理性和必要性.要求精确度较高时,磁力线追踪法计算耗时很长.本文在磁力线追踪法的基础上进行改进,提出基于人工神经网络的磁坐标快速计算方法.该方法包括分类器和拟合器.分类器基于Adaboost算法的BP神经网络,用于预测某地理坐标是否在内磁层,如果在内磁层,则用拟合器计算L值.拟合器采用遗传算法优化BP神经网络.结果表明,分类器的分类错误率在3%以内,而拟合器的预测误差在7%以内.以Juno号一圈探测轨道为例,利用神经网络的磁坐标计算法比磁力线追踪计算法速度快3个数量级以上.基于人工神经网络的磁坐标快速计算方法可用于未来木星辐射带的研究.     

基于MapReduce的CME参数识别模型并行计算技术

日冕物质抛射（Coronal Mass Ejection,CME）参数识别模型是太阳风预报过程的重要组成部分.在空间环境预报业务中,为提高太阳风预报的准确率,需要提高CME参数识别的精度.模型以计算任务串行的方式运行,运算效率低导致模型运算时间长,不能满足这种需求.CME参数识别模型的物理运算过程相互不独立,其在单节点上的运行方式不能满足并行化要求.基于MapReduce的并行计算框架,改进了CME参数识别模型的计算流程,提出CDMR（CME detection under MapReduce）方法,实现了CME参数识别模型的并行计算,并对比分析CME参数识别模型在串行计算和MapReduce并行计算下的运行时间,提高了模型的识别精度和计算效率.