气相色谱法测定玻璃纤维增强不饱和聚酯树脂塑料中残留苯乙烯单体的含量CSCD

采用气相色谱法火焰离子检测器(FID)测定玻璃纤维增强不饱和聚酯树脂塑料中苯乙烯残留单体含量,用二氯甲烷提取苯乙烯,使用毛细管柱(HP-5),以内标法(正丁苯为内标物)定量,内标法标准曲线线性关系良好,线性相关系数为0.999 7。加样回收率得到满意结果,最低检测限可达5mg/kg。     

基于锥形压入的材料力学性能测试方法研究

通过压入测试以获取工程服役结构、小型构件和焊接结构焊缝过渡区的材料单轴本构关系参数,且根据材料本构关系参数来估算材料的压入硬度对于工程设计和安全评估有重要意义.对于幂律材料,本文依据锥形压入试验原理和弹塑性接触有限元分析(EPFEA),揭示了不同锥角的锥形压头其压入能量比与屈服应力之间存在线性关系,提出了基于能量原理预测金属材料本构关系部分关键参数(弹性模量、屈服应力和硬化指数)的CR-EMI (Constitutive Relationship based on Energy Method of Indentation)方法.同时,基于此种线性关系提出了由Hollomon本构关系模型参数预测硬度的H-EMI(Hardness based on Energy Method of Indentation)方法.通过对多种金属材料进行压入试验和有限元分析,验证了CR-EMI方法和H-EMI方法的有效性与精确性.     

拦截高速目标的比例与反比例导引捕获区分析

针对拦截高速目标的作战特点,分析了比例导引(PN)与反比例导引(RPN)的捕获区。首先,通过分析拦截弹与目标的相对运动关系,推导得到了顺轨和逆轨的零控拦截条件,此条件由目标和拦截弹的速度前置角以及二者速度比确定;其次,以拦截弹和目标速度前置角为坐标系,推导得到了PN以及RPN捕获区以及各自导航比设置范围。PN的捕获区由逆轨零控拦截条件以及与其相切且斜率为1/(N-1)的两条直线构成,RPN的捕获区由顺轨零控拦截条件以及与其相切且斜率为1/(-N-1)的两条直线构成;然后,利用函数对称性将PN与RPN捕获区转换到同一坐标区间,得到了相同条件下RPN捕获区要大于PN捕获区的结论;最后,开展了四种情形下的仿真,验证了本文捕获区分析的合理性及有效性。     

考虑侧窗约束的模型预测静态规划末制导方法

针对红外导引头侧窗探测模式下,非对称视场约束造成末制导阶段目标易丢失的问题,提出一种考虑侧窗约束的模型预测静态规划末制导方法。首先,基于体视线坐标系建立三维相对运动模型,得到不依赖于“小攻角”假设的准确模型。在处理无过程约束问题的模型预测静态规划方法基础上,引入松弛变量与虚拟控制量,设计出考虑侧窗视场约束的末制导算法。为了进一步降低末制导算法对初始猜测轨迹的依赖性,提高适应性与计算效率,提出逐步增加约束条件的计算策略。仿真结果表明,该方法在末制导过程中满足侧窗约束,相比于凸优化方法,优化变量减少,计算速度更快;相比于基于障碍李雅普诺夫函数的末制导律,能够满足侧窗约束,同时能适应不同的初始条件。     

日凌的计算及其对神六任务的影响分析

从信道链路上分析了日凌对卫星通信的影响,给出了日凌计算的几何模型与计算方法,并用该方法计算了神舟六号发射前后的日凌情况,分析了日凌对神舟六号发射的影响。该计算方法比较准确,并在实际观测中得到了验证。     

人眼启发的图像非均匀映射变换模型构造算法

人眼的视觉信息采集是非均匀的。这种特征和注意力机制确保了人类视觉系统在信息处理方面的优先性。首先介绍了对数极坐标映射，然后基于人类视觉系统的构造，提出了非均匀映射模型的构造规则。基于此规则，以线性模型为例进行了应用性研究。扩展了非均匀映射模型的范围，促进了空间变分辨率视觉理论的进一步发展。     

模糊数学在火箭发动机故障诊断专家系统中的应用初探

在简要介绍了模糊数学及其应用的基础上，重点论述了应用模糊数学为故障诊断专家系统建立诊断矩阵、确立故障征兆与故障成因间的隶属关系、模式识别等的过程和方法。最后介绍了据此原理而建立的火箭发动机的故障诊断专家系统。     

多模自适应目标图像跟踪

本文建立了图像序列中含加性和乘性两种噪声模型影响下的目标偏移值测量模型。并针对目标机动性，采用多模虑波器和两段卡尔曼虑波器对目标状态进行估值，有效抑制了各种噪声影响，又消除了显式的目标机动性检测，且有较高的实时性和较少的存储量等优点。     

气体注入压力激励法测量卫星液体推进剂剩余量的热力学模型

通过对气体注入压力激励法测量卫星液体推进剂剩余量系统的详细热力学过程分析,建立了能满足实际测量需求的等温和绝热两种热力学模型,对具体测量模型的选用及相关问题进行了分析。     

基于深度学习的组合体航天器模型预测控制

利用模型预测算法先预测控制结果后控制的类人行为特点,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的模型预测控制算法,满足航天工程低硬件需求,实现组合航天器多场景下姿态控制律的重构。该算法首先利用模型预测控制将组合航天器从初始状态控制到预期状态,然后将控制过程中状态量用于3层3核卷积神经网络的训练,训练完成后,用该卷积神经网络代替模型预测对组合航天器进行控制,从而降低计算资源需求。仿真校验表明：该算法可预测5个控制周期内的控制参数,相比传统模型预测算法所需硬件计算时间降低约5倍,在一般硬件环境下30 s内即可完成各场景下的组合航天器姿态控制,控制精度在10 -4 量级。