搅拌摩擦焊搅拌头的研究进展

概述了国内外铝合金、镁合金、铜合金、钛合金及钢铁材料等多种合金搅拌摩擦焊用搅拌头的结构设计、材料、磨损失效和寿命等方面的研究进展,对比了各搅拌头的结构设计和材料性能优缺点,分析了搅拌头失效方式和寿命,展望了搅拌头的研究发展趋势。     

微织构刀具切削钛合金的研究进展

针对钛合金切削加工过程中切削力大、切削温度高和刀具磨损严重等问题,近年学者们尝试采用微织构刀具来解决。本文综述了微织构刀具在钛合金切削加工中的应用,分析了微织构刀具在改善表面质量,降低切削力、刀具磨损、摩擦因数和切削温度等方面的切削机理,并指出微织构刀具切削钛合金存在的问题。     

GNSS实时卫星钟差估计技术进展

不依赖实体基准站增强信息的GNSS实时精密单点定位服务将逐渐成为主流定位模式。实时卫星钟差产品作为实时精密单点定位的关键先决条件之一，其精度直接决定实时精密定位服务的性能。计算实时卫星钟差的GNSS实时卫星钟差估计技术成为实时精密定位的核心技术之一，其主要包括两种解算模式：非差解算模式和差分解算模式。由于对卫星模糊度等未知参数处理策略的不同，卫星钟差估计技术又可细分为非差、历元差分、星间差分、混合差分等策略类型。针对不同实时卫星钟差估计技术的原理方法、算法效率、适用性等问题，综合目前已有相关研究成果的基础上，对GNSS实时卫星钟差估计的研究现状、关键技术和面临的挑战进行了较为系统的总结综述，并对未来卫星钟差预报产品和实时估计产品的关系进行了展望。     

基于序贯回归的小样本测试性验证试验方案

针对现有测试性验证试验方案难以实现较小样本量下满足置信水平要求的测试性评估问题,提出了基于序贯回归的小样本测试性验证试验方案。提出并证明了成败型试验序贯样本回归可行性假设;对序贯样本进行回归分析,实现了小样本下的测试性评估;建立了评估优化方案,实现了满足置信水平要求的测试性评估。实例验证表明:该方法可同时适用于有双方风险要求和置信水平要求的场合,且完所需样本量明显减少,在案例中平均减少了22.3%,最大减少了85%。      

金刚石超精密切削刀具技术概述

分析了国内外金刚石超精密切削刀具技术的发展概况,并从金刚石超精密切削刀具的精度控制、金刚石超精密切削刀具的选择以及金刚石超精密切削刀具的制造技术等方面进行了探讨。     

微结构表面超精密切削加工的关键技术

总结了微结构表面超精密切削加工技术相对于其他加工方法所不具备的关键技术,并指出了这一领域主要的研究方向及技术难点。     

STM针尖-样品相互作用实验研究

研究了大气状态下应用扫描隧道显微镜(STM)对金薄膜和单晶硅材料进行了纳米级电场加工实验。分析了针尖和样品表面的相互作用机理,以及隧道间隙、隧道电流反馈、脉冲个数等因素对纳米点结构的加工产生的影响,并探讨了针尖磨损对纳米结构一致性的影响。     

基于无迹卡尔曼滤波的柔性自由翻滚目标姿态估计

在进行在轨维修以及清除等任务时,需要确定航天器的姿态四元数和角速度。失效卫星常处于自由翻滚状态,通常带有柔性帆板,其运动规律相较于刚性帆板更为复杂。一方面,空间失效卫星的姿态确定常使用激光雷达、双目相机作为测量装备,其测量精度常受到光照、磁场等的影响,会对识别精度产生较大干扰。另一方面,柔性航天器的质量特性容易发生变化,导致很难对其动力学模型进行精确描述。针对柔性自由翻滚目标的状态难以获取的问题,本文提出基于无迹卡尔曼滤波的姿态估计方法,并采用神经网络补偿柔性航天器模型误差。仿真结果显示：无损卡尔曼滤波器(Unscented Kalman filter,UKF)算法对柔性航天器的姿态四元数预测误差值在10^-3范围内,角速度误差值最高0.08 rad/s,采用神经网络补偿动力学模型后对四元数的预测误差稳定在9×10^-4范围内,角速度误差稳定在1.5×10^-3范围内。结果表明,使用神经网络补偿柔性航天器动力学模型的不确定项之后,UKF对柔性自由翻滚目标的姿态估计精度满足工程要求。     

自适应选择抽取模式的运动估计算法

 提出一种去除运动估计中计算冗余的新方法,该方法与搜索算法结合,通过自适应选择抽取模式去除冗余。首先改进传统的一维梯度下降搜索算法,并提出由梯度下降方向自适应选择不同的抽取模式去除计算运动估计准则时的冗余。实验结果表明,该算法与全搜索以及没有去除计算冗余的梯度下降算法相比,视频质量没有较大影响,但是大大降低了计算量,在视频序列实时处理中有良好的应用前景。     

A Polynomial Prediction Filter Method for Estimating Multisensor Dynamically Varying Biases

The estimation of the sensor measurement biases in a multisensor system is vital for the sensor data fusion. A solution is provided for the estimation of dynamically varying multiple sensor biases without any knowledge of the dynamic bias model pa- rameters. It is shown that the sensor bias pseudomeasurement can be dynamically obtained via a parity vector. This is accom- plished by multiplying the sensor uncalibrated measurement equations by a projection matrix so that the measured variable is eliminated from the equations. Once the state equations of the dynamically varying sensor biases are modeled by a polynomial prediction filter, the dynamically varying multisensor biases can be obtained by Kalman filter. Simulation results validate that the proposed method can estimate the constant biases and dynamic biases of multisensors and outperforms the methods reported in literature.