利用相似周方法预测第24活动周开始时间

利用相似周方法对第24活动周的开始时间与第23活动周下降相后期的太阳黑子数进行了预报.根据第23周已经出现的特征参量和下降相的形态特征,选取9,10,11,15,17和20等六个太阳活动周作为第23周下降相的相似周,对第24周开始时间进行预报.预报结果显示,第24活动周的开始时间为2007年5±1月,黑子数平滑月均极小值为7.1±2.6,第23太阳活动周长度为11.1年.与其他研究者的预报结果相比较,本文给出的结果与文献[11]和[12]及MSFC的结果比较一致.通过对相似周方法在下降相预测太阳活动周结束时间的研究讨论,及对第23周上升阶段的太阳黑子数和F10.7平滑月均值预报结果的评估,可以看出,相似周预报方法在太阳活动周长期预报中是很有应用价值的.      

保持时间对涡轮轮盘合金高温低周疲劳裂纹扩展特性的影响

研究了两种广泛使用的涡轮高温合金，在高温下带和不带上峰值保持时间的低周疲劳裂纹扩展特性及其扩展寿命估算模型。     

GPS技术用于编队卫星状态整体确定方案设计

编队卫星的控制和应用需要确定编队卫星的运动状态,包括卫星绝对的和相对的位置、姿态以及钟差.本文设计联合利用GPS和一种类似GPS的载波相位和伪码交联测距技术的方案,快速实现星间GPS载波相位差分的整周模糊度的确定,进一步提高相对状态确定的精度,使相对位置精度达到厘米级、相对姿态角精度达到角分级.     

利用卡尔曼滤波快速确定GPS整周模糊度的研究

给出一种快速确定 GPS整周模糊度的方法 ,该算法根据载体运动特性 ,构造了卡尔曼 (Kalman)滤波器的状态方程 ,通过去相关处理 ,消除或减弱短时间内 GPS载波双差观测量的相关性 ,这不仅改善了 Kalman滤波器的稳定性 ,而且提高了确定 GPS整周模糊的可靠性 ,仿真结果表明 :对于短基线的情况 ,在较短的时间内 ,经过去相关处理有利于正确确定 GPS整周模糊度     

一种GPS快速定位技术研究

用LAMBDA方法确定GPS载波相位测量的整周模糊度,需要较高精度的浮点解。但用短时间GPS观测值构建的法方程容易出现病态,以致法方程的解很不稳定。本文使用谱修正迭代法,消除法方程病态,进而用LAMBDA方法确定整周模糊度。我们的实验结果表明,对于1min左右的单频GPS载波相位测量,利用本文方法即可正确地解算出它的整周模糊度,从而实现厘米级定位。     

整体构件周向叶片电解加工流场设计及实验

针对整体构件周向叶片的特点与加工难点,设计了带有内置绝缘腔的电解套型加工工具阴极,建立了两种进液方式的流场三维模型,采用有限元法对两种进液方式的流场进行仿真计算。计算结果表明由绝缘腔的叶盆叶背两侧进液并对出液口进行优化的流场方式较好,电解液流速较高且流场较均匀。使用根据有限元仿真结果设计的阴极开展实验,结果表明实验与流场仿真结果相符,采用优化流场模型的加工过程流场稳定,加工效率较高。     

俄罗斯对两种镍基单晶合金的对比研究

在第二代和第三代单晶镍基合金中，如ＣＭＳＸ－１０及Ｎ６中都合有比较多的铼，而铼是一种很贵重的合金化元素。俄罗斯学者对含铼的Ｃ３６及不含铼的Ｃ４０单晶合金进行了一些对比性研究，本文介绍了研究的情况及结果。     

表面再结晶层对DZA定向凝固合金低周疲劳性能影响

针对DZ4定向凝固合金表面再结晶层对材料性能的影响进行了低周疲劳实验研究,并通过岛津SEM伺服疲劳试验机进行表面裂纹实时观察跟踪.研究结果表明,表面再结晶层的存在对材料性能明显产生负面作用,低周疲劳寿命大大降低.不同喷丸强度试件在相同的高温退火条件下形成的再结晶具有不同的再结晶形态,高喷丸强度再结晶更加完全,晶界清晰平直,晶粒有长大的趋势.表层再结晶形态也对疲劳寿命的降低程度以及疲劳微裂纹萌生寿命和裂纹密度有较大的影响.较高喷丸强度形成的再结晶层的试件疲劳寿命降低较少,表面微裂纹萌生较晚,裂纹密度也很低.低喷丸强度试件表面微裂纹大量萌生,密度非常高.再结晶层的晶界开裂是导致表面微裂纹大量萌生的根源,从而导致疲劳寿命大幅度降低.     

优选小波神经网络在周跳探测与修复中的应用

北斗导航定位过程中,传统的周跳探测与修复方法缺乏检验环节,无法保证修复结果的可靠性。为此,提出了一种级联式小波变换结合NARX神经网络多步循环预测修复的方法处理周跳问题。该方法通过构造载波相位双差模型检验量,探测周跳发生历元,采用NARX神经网络预测方法修复周跳,利用优选小波基函数进行周跳修复效果检验。实验证明,相较于经验模态分解和变分模态分解等模态分解法,优选小波神经网络周跳探测与修复方法可用于小周跳探测并判断出周跳正负性;构造的NARX神经网络周跳修复模型,解决了普通神经网络模型和传统多项式拟合法容易造成的二次奇异值问题。相较于长短期记忆(LSTM)和门控循环单元(GRU)深度学习神经网络模型,周跳预测精度分别提高了45.2%和55.9%。