基于ISM参数偏差阶梯式变化的ARAIM可用性

针对双频多星座全球卫星导航系统提供垂直引导服务的先进接收机端完好性监测技术(ARAIM)是当前完好性研究的重要热点之一,完好性支持信息(ISM)是实现ARAIM可用性的核心内容。为了探讨ARAIM可用性对ISM参数偏差的敏感度,在梳理ISM各参数和ARAIM性能关系的基础上,研究了基于阶梯式变化的ISM参数偏差对ARAIM可用性的影响情况。研究结果表明,ARAIM算法的四种可用性判据对ISM参数偏差表现出不同的耐受性,ISM各参数偏差对ARAIM可用性影响差异较大,且ISM参数中的用户测距精度(URA)对ARAIM可用性的影响最为明显,可造成大于10%的严重影响。     

基于L1趋势滤波的飞控传感器降噪方法

针对飞行控制传感器中普遍存在的噪声信号,提出了一种基于L1趋势滤波技术的在线降噪方法。首先简要介绍了L1趋势滤波技术,引入了滑动窗口对算法进行改进以满足实时在线应用需求。以气压计所采集的信号为例,采用原始飞参数据,利用该方法进行降噪处理,并与文献中常用的小波降噪方法进行初步比较,基于Matlab的仿真结果验证了该方法的可行性。     

卫星导航欺骗式干扰抑制技术研究与分析

为避免欺骗式干扰对卫星导航构成重大威胁,研究了卫星导航欺骗式干扰抑制技术。首先,根据欺骗式干扰产生原理和实施方式将其分为四类,之后论述了国内外欺骗式干扰和欺骗式干扰抑制技术的研究现状,调研了国内外主要研究机构针对欺骗式干扰抑制采取的技术措施,进一步按照适用接收机的类型对技术进行了分类,并对各类技术对于四类干扰的抑制效果进行了逐一对比分析。在此基础上,展望了未来欺骗式干扰抑制技术的发展趋势,对从事该项技术的研究者具有一定的参考借鉴价值。     

航天用钛合金及其精密成形技术研究进展

对航天领域用钛合金材料及其精密成形技术(精密铸造、精密锻造、超塑成形、旋压成形、粉末冶金成形)的国内外研究进展和应用现状进行了较系统的概述。最后基于我国航天工业发展的实际需求,对钛合金材料及其精密成形技术的未来发展趋势进行了展望与总结。     

激光选区熔化增材制造缺陷智能监测与过程控制综述

激光选区熔化（SLM）技术被认为是最有应用前景的增材制造技术之一,已应用于航空航天、医疗器械等领域。然而,如何确保构件质量的可靠性和制造的可重复性是SLM面临的最大挑战,已被认为是限制SLM及其他金属增材制造技术发展和工业应用的最大壁垒。其中,主要原因是SLM过程中会产生难以控制的缺陷。因此,对SLM进行过程监测和实时反馈控制是解决这一挑战的重要研究方向,也已成为学术界和工业界的研究热点之一。通过对近十年该领域的文献调研,综述了金属激光增材制造中常见的冶金缺陷及其产生机理,对金属增材制造过程产生的信号及其监测手段,如声信号、光信号及热信号等进行了详细描述;总结了信号数据的处理方法,包括传统的统计处理方法和新兴的基于机器学习的智能监测方法;随后,综述了金属增材制造过程的质量控制方法,包括非闭环控制和闭环控制,并对全文进行了总结,展望了未来SLM智能监测和控制领域值得深入的研究方向。     

基于低轨互联网星座的全球导航增强——机遇与挑战CSCD

针对当前卫星导航发展的瓶颈问题,结合当前低轨互联网星座蓬勃发展的趋势,提出了基于低轨互联网星座的全球导航增强系统建设方案。从新兴用户群体对PNT性能的需求、低轨互联网星座的优势、建设成本优势以及通导融合优势等角度出发,分析了低轨全球导航增强的发展机遇。从频率资源、功率资源以及收敛时间三方面,总结了发展低轨全球导航增强系统面临的挑战。在此基础上,为系统体制、信号体制以及系统建设提出了发展建议。最后给出了总结认为低轨全球导航增强采用天基监测+信号增强体制,信号落地功率有望提升15~30dB,收敛时间缩短至秒级,信号频段向Ka频段扩展,最终实现城市挑战性环境下快收敛、高精度、高完好、高安全、高可用的PNT目标。     

一种基于稀疏分解的静电信号去噪方法

介绍了发动机静电监测技术的原理,对静电监测信号的复杂噪声成分和类型进行分析,总结了以往经典去噪方法的不足。针对静电信号复杂噪声滤除问题,提出了一种基于稀疏分解理论的静电信号去噪方法。分析了基于稀疏分解的静电信号去噪方法流程;以所构建仿真信号和实测试车静电信号作为分析对象,利用所提方法进行了去噪分析与实例验证,并与其他经典方法的去噪效果进行了对比。结果表明:基于稀疏分解的静电信号去噪方法具有很高的灵活性,能对信号背景中包含的高斯白噪声以及工频干扰噪声能够进行有效地去除,同时能够对于有用脉冲信号的成分进行保留,针对复杂静电信号去噪问题具有良好的应用效果。      

基于磨粒磨损机理的机械磨损状态监测

针对机械设备磨损状态监测准确率较低的问题,基于不同磨损机理下磨粒具有不同的形状和纹理特征,提出了一种基于磨粒特征识别的机械磨损状态监测的数学模型。通过形状特征识别球状磨粒和切削磨粒,结合形状、纹理特征识别疲劳磨粒和严重滑动磨粒,基于提取的特征参数建立机械磨损状态监测的特征向量,通过量子粒子群优化(QPSO)的径向基函数神经网络模型,实现对机械磨损状态的监测和判别。实验结果表明:QPSO-RBF神经网络数学模型结构简单,比传统PSO-RBF神经网络模型的识别准确率高5%,可用于常见机械磨损状态的检测。      

廊坊市环境空气污染变化趋势及原因分析

本文根据"十五"期间廊坊市五年大气常规监测结果,采用spearman秩相关系数法、空气污染指数法分析评价了该市大气环境质量的现状及呈逐年明显改善变化趋势,并对其污染特征和变化趋势进行了原因分析.     

基于混合神经网络模型的磨粒电荷检测方法研究

由于传统的滑油磨粒在线监测方法无法获取电荷分布位置信息,难以准确测量荷电颗粒数目及其携带的电荷量。为此,本文提出一种基于静电层析成像（Electrostatic tomography,EST）技术和深度学习算法的荷电颗粒检测方法。对EST传感器测量数据采用BP神经网络算法重建出测量截面上电荷的分布图像,采用卷积神经网络（Convolutional neural networks,CNN）算法分析重建图像以识别荷电颗粒数目,将识别的颗粒数目和传感器测量数据组合成输入向量,通过1个多层前馈网络确定带电颗粒数目、感应电荷值与颗粒电荷量值之间的映射关系,得到准确的各颗粒的电荷量值。实验结果表明：混合神经网络模型对数据样本的测量误差为9%,可满足滑油监测对于准确性的要求。