基于MSP430单片机的步进电机细分驱动器

阐述了两相混合式步进电机的细分控制原理,提出了以MSP430单片机为微控制器,通过DAC7612产生相差为π2的细分电流控制信号,以集成步进电机驱动芯片为驱动器,实现了两相混合式步进电机的细分运行控制,电流细分精度达到1/2048。     

2GHz～6GHz功率驱动模块研究

文章研究了工作频率为2GHz～6GHz的微波功率模块（MPM）中的功率驱动模块。分析了功率驱动模块的特性与基本分析方法,重点研究了驱动模块中均衡网络的分析与设计及功率放大器的偏置技术。针对微波功率模块中小型化行波管的离散特性,可以利用仿真软件的优化功能快速地对功率驱动模块进行辅助设计。基于此方法,设计了一个频率为2GHz～6GHz、最大输出功率达32．5dBm的功率驱动模块。     

欠驱动航天器飞轮控制方法

针对应用任意剪刀对构型飞轮群的欠驱动刚体航天器姿态控制问题,将飞轮群与航天器看作整体系统进行建模,从整体系统可控性角度分析采用传统模型进行控制系统设计存在的局限性。随后通过对飞轮群角动量集合描述,得出航天器姿态可机动集合。由于飞轮群构型的任意性及航天器的欠驱动特性,导致具有初始角动量的整体系统难以针对系统状态方程采用Lyapunov函数方法进行状态反馈控制器设计,同时为了保证存在外扰动力矩的航天器姿态机动精度,采用非线性预测控制方法实现系统的反馈控制。所提控制算法实现了任意飞轮群剪刀对构型、飞轮群角动量非饱和条件下,任意系统初始角动量欠驱动航天器在姿态可机动集合中的机动控制。仿真结果表明,系统具有良好的控制性能及精度。     

基于机器学习的空间翻滚目标实时运动预测

借助监督式机器学习（ML）方法,对空间翻滚目标的运动状态预测问题进行研究,为空间机器人抓捕空间翻滚目标提供可靠的数据依据。基于物理模型的运动预测方法依赖理想的建模假设,需要连续的视觉反馈信息,解决目标预测问题的能力有限。因此,本文采用机器学习中纯数据驱动方式的稀疏伪输入高斯过程（SPGP）回归方法进行空间翻滚目标的运动预测。给定空间翻滚目标运动状态的历史观测数据,通过连续优化真实观测数据,得到稀疏的伪训练数据集,进而在线快速预测目标的运动状态,预测的计算效率达到毫秒级。此外,利用马尔科夫链蒙特卡洛（MCMC）法处理连续优化过程,克服由于随机初始值造成的优化过程陷入局部极小值问题。利用Snelson数据验证了所提稀疏伪输入高斯过程回归方法的正确性,并通过4组仿真算例验证了所提方法对于空间翻滚目标运动预测的有效性和鲁棒性。     

项目导向任务驱动教学法在电工电子实训课程中的应用

电工电子实训是实践教学环节的重要组成部分,针对电工电子实训教学现状,提出"项目导向任务驱动教学法"在电工电子实训教学中应用,阐述了"项目导向任务驱动"教学法的涵义,并以其在教学过程中的实际操作作为示例,讲解此方法具体实施过程。     

挠性太阳帆板驱动控制系统研究

主要研究了挠性太阳帆板的闭环驱动控制问题.利用挠性结构的模态恒等式,获得了广义状态空间形式的挠性太阳帆板驱动动力学方程.基于Lyapunov方法,设计了基于输出反馈的PD控制器,并根据广义系统理论讨论了闭环系统的正则性和无脉冲性,以确保控制系统是允许的.数值仿真验证了闭环控制算法的有效性并与开环控制进行了比对.最后进行了总结并提出新的研究问题.     

星型GAP与固体推进剂填料的表界面性能

采用动态接触角和界面张力仪,研究了星型GAP(S-GAP)与AP、RDX和HMX之间的表界面性能.结果表明,星型GAP与固体填料间的界面张力关系为γSL(S-GAP/RDX)<γSL(S-GAP/HMX)<γSL(S-GAP/AP);星型GAP与固体填料间的粘附功关系为Wa(S-GAP/AP)相似文献   

一种基于数据驱动的装备信息系统软件快速设计框架

针对装备信息系统类软件特点,提出了一种基于数据驱动的软件设计框架.该框架采用数据土壤生成服务森林的核心设计思想,形成一套快速实现该类软件的设计模式,以及面向表单型、流程型、可视化型等常用业务类型开发的辅助工具,支撑软件的敏捷构建.针对装备数据的异构多源特性,与框架配合提出了面向装备信息的数据规范模型,支撑设计框架的通用化、智能化使用.该设计框架形成了一套面向装备信息类软件的研发指导思路,降低了软件的设计复杂度,提升了软件可靠性.     

数据驱动的装药浇注过程关键参数预测

当前固体火箭发动机制造过程中推进剂生产质量波动大,而浇注速度及浇注量是影响装药质量的关键工艺参数。针对在混合锅结构限制、药量巨大以及热固性推进剂粘度随时间变化而变化的工艺特点导致壳体内无法布置传感器直接测量浇注速度和浇注量等关键参数的问题,通过机器学习技术,利用可直接测量的与浇注速度和浇注量相关的其他工艺参数以及设备运行参数等大量试验数据构建浇注速度和浇注量的在线预测模型,实现其间接软测量。首先,采集可直接测得的实测工艺参数作为训练和测试数据;然后,结合浇注花板的具体结构,通过支持向量机和极限学习机等非线性回归的机器学习方法训练数据,建立壳体花板出口处的浇注速度和浇注量回归模型,用于在线预测;最后,在实验室环境下的缩比模拟器上进行浇注速度和浇注量检测验证,表明该方法为装药浇注工艺过程的数字化和智能化可行性提供了依据。