大型航天器研制设施建设中的技术状态控制与文件管理

文章通过分析大型航天器研制设施项目的建设特点,对因技术变更造成的技术状态控制问题,提出借鉴型号研制技术状态管理模式予以解决的方法。同时,对建设项目文件管理中存在的有关问题提出改进建议。     

基于神经网络的卫星控制系统故障识别方法

闭环控制系统的反馈调节机制,可能破坏开环系统的可辨识性,导致误报率和漏报率同时上升,还可能导致同一故障模式下的多个变量发生异常,给闭环控制系统故障识别带来难度。针对单输入单输出系统,分析了闭环控制对可辨识性、误报率和漏报率的影响,对多输入多输出系统,理论上推导了闭环控制系统传感器故障的传播机理,分析了闭环控制系统对系统变量的影响关系,利用神经网络构建了闭环故障识别算法。数值仿真结果验证了闭环对故障系统诊断的不利影响,而卫星姿态控制系统的仿真结果标明:与传统方法相比,提出的方法识别性能更高。     

基于挖掘性学习和探索性学习相结合的管理学原理教学方法研究

在分析高校《管理学原理》教学现状及存在问题的基础上,本研究借鉴挖掘性学习和探索性学习理论并结合长期教学实践,提出了基于挖掘性学习和探索性学习相结合的《管理学原理》教学方法及改革思路。     

网络环境下大学英语自主学习监控体系的构建

网络环境下的大学英语自主学习是大学英语教学改革的一项重要内容。为保障自主学习效果,本文提出构建多层次监控体系,即教师对学生的监控、软件对学生的监控、学生间相互监控和学生自我监控,并阐述监控效果及可能的发展方向。     

基于深度图推理的卫星背板部件检测方法

在轨加注是一种典型的在轨服务操作,它对于降低空间运输成本和任务风险起着重要的作用,视觉感知系统可以感知操作任务周围环境并提供给控制系统。目前在轨加注依赖于人,在人员监控下完成或通过遥操作完成,缺乏自主性。本文围绕未来高自主性的基于深度强化学习的在轨加注方法,对基于深度学习的视觉感知方法展开了研究,针对基于深度学习的方法对相似实例的检测存在精确率低、对光照变化敏感等缺点,提出了基于深度图推理的卫星背板部件检测方法。提出的方法可以有效地检测复杂形状的目标,不依赖于手工设计的特征;提高了复杂光照环境下部件的检测正确率;可以有效区分外形相似的不同部件;其有效性在数学仿真和物理仿真中均得到了验证。     

新能源电动飞机发展与挑战

发展绿色航空是人类社会形成的基本共识,新能源电动飞机为实现彻底的绿色航空提供了一条光明的技术途径。简述了航空对环境的影响、电在飞机上的应用及电动飞机的发展历程,对新能源电动飞机的能源分类、电推进系统及其总体效率进行了研究,重点针对载人轻型运动飞机,分析了电动飞机的发展现状、特征以及能源需求,通过对电池作为能源的载人电动飞机的航程和极限航程研究,提出了电池能量密度提升和性能改进、高升阻比空气动力设计、低成本轻质高效复合材料结构设计与制造、高效率电推进系统设计与集成等电动飞机发展面临的挑战,给出了应大力发展电动飞机的建议和本领域未来的研究方向。     

大型机载 SIGINT系统的任务、设计原则及技术体制探析

简要叙述了大型机载SIGIN T 飞机在现代战争中的主要任务,归纳给出了机载SIGIN T 系统的设计原则,并在分析外军现役机载SIGIN T系统技术特点的基础上,提出了大型机载SIGIN T系统的功能结构和技术体制,为深入研究提供参考。     

Ground maneuver for front-wheel drive aircraft via deep reinforcement learning

The maneuvering time on the ground accounts for 10%–30% of their flight time, and it always exceeds 50% for short-haul aircraft when the ground traffic is congested. Aircraft also contribute significantly to emissions, fuel burn, and noise when taxiing on the ground at airports. There is an urgent need to reduce aircraft taxiing time on the ground. However, it is too expensive for airports and aircraft carriers to build and maintain more runways, and it is space-limited to tow the aircraft fast using tractors. Autonomous drive capability is currently the best solution for aircraft, which can save the maneuver time for aircraft. An idea is proposed that the wheels are driven by APU-powered (auxiliary power unit) motors, APU is working on its efficient point; consequently, the emissions, fuel burn, and noise will be reduced significantly. For Front-wheel drive aircraft, the front wheel must provide longitudinal force to tow the plane forward and lateral force to help the aircraft make a turn. Forward traction effects the aircraft’s maximum turning ability, which is difficult to be modeled to guide the controller design. Deep reinforcement learning provides a powerful tool to help us design controllers for black-box models; however, the models of related works are always simplified, fixed, or not easily modified, but that is what we care about most. Only with complex models can the trained controller be intelligent. High-fidelity models that can easily modified are necessary for aircraft ground maneuver controller design. This paper focuses on the maneuvering problem of front-wheel drive aircraft, a high-fidelity aircraft taxiing dynamic model is established, including the 6-DOF airframe, landing gears, and nonlinear tire force model. A deep reinforcement learning based controller was designed to improve the maneuver performance of front-wheel drive aircraft. It is proved that in some conditions, the DRL based controller outperformed conventional look-ahead controllers.     

载人航天器的精细化软件研制技术管理方法

载人航天器软件研制具有技术新、难度大、新研配置项多等特点,必须研究一种新型的软件技术管理方法,以确保软件产品质量受控。文章介绍的精细化管理方法是在现有软件研制规范的基础上,通过软件研制工作的阶段化以及软件管理工作的划分,实现了软件的精细化管理。“天宫一号”目标飞行器软件研制工作的实践证明:该方法符合载人航天器型号研制的实际,可保证软件产品质量满足飞行任务要求。