航天研究院（本部）质量管理体系建设模型研究

航天研究院（本部）质量管理体系建设是确保复杂系统产品全寿命周期质量可靠性的重要基础。航天研究院（本部）质量管理体系既要突出复杂系统产品又要体现管理服务。与项目产品保证、机制、质量文化结合并追求卓越绩效的航天研究院（本部）质量管理体系建设模式．为解决质量管理体系有效性问题提供了途径。     

利用GPS修正电离层模型研究

电离层传输延迟误差是GPS测量中主要误差之一.阐述了采用双频技术建立改正精度较高的电离层模型的一般方法,包括双频伪距法、双频载波相位法和双频多普勒效应法,并以双频GPS多普勒观测量为例进行了试算和分析.结果表明采用精度较高的电离层模型先对观测量进行修正,再进行差分求解可以有效提高解精度和质量.     

天基成像跟踪关键技术研究

介绍了天基成像跟踪的工作原理,对成像跟踪关键技术进行了研究.提出利用激光成像目标反演技术进行目标识别跟踪,并分析了星上可见光红外扫描探测技术.最后提出天基平台复合轴跟踪系统可以采用两种设计方法,并介绍了特殊环境下的视轴稳定技术,为天基成像跟踪平台的设计提供参考.     

交会对接光学成像敏感器光点布局求解有效性研究

在自主交会对接的最后逼近段,CCD光学成像敏感器作为主要的导航敏感器,其测量的有效性直接关系到交会对接导航信息获取的准确性。目标标志器上的光点个数和光点布局是影响光学成像敏感器测量有效性的重要因素。本文首先给出四光点平面布局真伪解之间的转换关系,在此基础上对增加一个突出光点的五光点布局和增加两个突出光点的六光点布局求解的有效性进行理论分析,对四光点、五光点布局求解出现伪解的情况给出伪解判别条件和解决方法,并通过仿真验证了有效性。     

磁力矩器用聚合物材料的原子氧效应试验研究

文章对磁力矩器用4种聚合物材料进行原子氧和真空效应评价试验,利用新型的原子氧环境模拟设备及其他分析手段对试样的质量损失率(SAML)和表面形貌的变化进行了研究。试验结果表明,真空环境会导致材料产生质量损失,4种材料的真空质损最大相差24倍;原子氧作用导致聚合物材料的颜色发生变化,且造成材料的质量损失,4种材料的质量损失率最大相差25倍;原子氧与有机硅物质反应能够形成保护层,可以抑制原子氧对材料内部的进一步侵蚀。     

某型号真空热试验污染问题排查及对策解析

文章遵照航天型号对质量问题按"双五条"归零的要求,对某型号卫星真空热试验发生污染的问题进行仔细排查,找到了产生污染的原因,主要是由于加热带温度的失控导致了红外加热笼黑漆在真空高温环境下的挥发.随后通过问题复现验证了结论的正确性,从而制定了有效的措施.文章体现了型号质量问题从技术上"归零"的全过程.     

国防科技工业质量与可靠性研究中心将举办可靠性系列专题培训班

为更好地满足军工行业各单位、各级各类可靠性技术和管理人员的不同需求．帮助他们掌握应知应会的可靠性专业知识,2009年中心培训部将举办可靠性系列专题培训班,共分6个专题,具体课程设置见下表。希望各单位踊跃报名参加．也感谢长期以来各单位对中心培训工作的大力支持。     

星载SAR成像处理系统中多线程矩阵转置的设计和实现

矩阵转置被广泛地应用在星载合成孔径雷达的地面成像处理中,由于对原始回波数据快速成像的需求,根据现有共享内存系统的特点,提出利用多线程矩阵转置的并行处理方法。在Linux环境下,利用基于Pthread的线程调度方法和封装类,在研究和分析矩阵转置的几种处理方法的基础上,设计和实现多线程矩阵转置。通过在HP Proliant DL580平台上的实验证明,多线程矩阵转置与传统的矩阵转置相比,能充分利用处理器的资源,具有良好的并行扩展性,有利于进行快速成像处理。     

空间飞行器交会对接相对位置和姿态的在轨自检校光学成像测量算法

空间飞行器交会对接的最后逼近阶段，通常采用光学成像敏感器来测量跟踪飞行器和目标飞行器之间的相对位置和姿态。考虑到飞行器在轨运行期间，CCD相机受空间环境的影响，其内参数会发生变化的实际情况，提出了一种单CCD在轨自检校光学测量方案，其主要特点是飞行器在执行测量任务时，可同时进行相机内参数的自检校。首先根据严格的中心投影共线条件方程，推导出目标飞行器光学特征点坐标和对应的像点坐标与内参数及相对位置和姿态的严格解析关系；然后建立了内参数及相对位置和姿态的解析表达式；提出了目标航天器上光学特征点的布设要求。通过严格的理论分析和数值仿真，单CCD在轨自检校光学测量方案具有可靠性高、精度高、算法易实现、适应能力强等优点。     

粉末床激光成形熔池辐射强度信号的机器学习

粉末床熔融成形（PBF）的过程监测和质量识别是保障其制造质量的关键技术。在监测信号中,熔池辐射强度信号蕴含了丰富的熔池特征信息,但监测信号与材料科学现象的直接联系尚不明确,适合利用机器学习算法开展深入研究。首先,通过设置不同的工艺参数（部分偏离工艺窗口）实施316L不锈钢成形实验,成形过程中采集熔池辐射强度信号。然后,通过数据分割、特征提取和特征选择对信号数据进行预处理,构建了用于机器学习的数据集。最后,使用21种不同的机器学习算法,一是将熔池辐射强度数据按照工艺参数（如激光功率高、中、低）进行分类,经过训练的算法可在实际生产中识别异常（辐射强度异常、代表激光功率和扫描速度偏离最佳状态）;二是将熔池辐射强度数据按最终成形块体的质量（密度、表面粗糙度）进行分类,经过训练的算法可在实际生产中识别质量。结果表明：对于熔池辐射强度的异常识别,二次支持向量机算法的分类效果最好,准确度达到96.4%以上;对于密度和表面粗糙度预测,由于样件质量与数据样本之间的复杂关系,预测结果呈现不同的分布情况,但预测准确度均达96.0%以上。