极端工况静压推力轴承承载性能动压补偿

为了研究极端工况条件下静压推力轴承承载性能损失及动压补偿,提出一种新型油垫可倾式静压推力轴承结构,利用动压补偿静压承载力的不足,实现高速重载工况条件下静压推力轴承高精度稳定运行。依据润滑理论和摩擦学原理,采用动静压混合润滑方法,分析缝隙节流双矩形腔静压推力轴承由于剪切和挤压耦合作用承载性能损失值及影响权重。通过优化可倾式油垫底部结构参数及连接方式,控制油垫变形并产生相当量动压,以适应旋转工作台的变形,补偿静压承载力不足,并进行实验验证。结果表明:可倾式油垫底部支承长度为油垫长度,宽度为35mm,高度为1.5mm,与底座采用双销0.25mm间隙连接时动压效应较为明显,并且动压增量能够很好地补偿静压损失量,实验值与模拟值误差为5.2%,达到了增加极端工况静压推力轴承运行精度和稳定性的效果。     

什么是极端环境?

极端环境,这是由美国NASA空间探测计划引出的一个新概念。为了牵引美国科学技术及经济发展,NASA制定了一系列以科学为目标的具有挑战性的空间探测计     

刊首语

洪灾、高温、旱、沙尘暴，雪灾……面目狰狞的异常天气频频出现，“极端天气”一词在媒体上出现的频率超过过去任何时候，天气的变化也从未受到如此高的关注。据气象专家分析,极端天气出现的主要原因就是以温度持续升高为特征的全球气候变化。     

求解对称矩阵极端特征的Chebyshev—PBL方法

为了加速预处理块Lanczos方法的收敛法，本文采用组合Chebyshev迭代和预处理块Lanczos方法，提出了求解大型对称稀疏矩阵极端特征的一种新方法－Chebyshev－PBL方法。数值结果表明，新方法对计算大型对称稀疏矩阵的几个最大（或最小）特征值是有效的。     

极端太阳风条件下的磁层顶位形

基于极端太阳风条件下的三维MHD数值模拟数据, 构建了一种极端太阳风条件下的三维非对称磁层顶位形模型. 所提出的模型考虑了行星际南向磁场(IMF) B_z日下点距离侵蚀的饱和效应, 太阳风动压B_d对磁层顶张角影响的饱和效应, 赤道面、昼夜子午面磁层顶的不对称性以及极尖区的内凹结构和内凹中心的移动, 并利用Levenberg-Marquart多参量非线性拟合方法拟合了模型参数. 数值模拟研究表明, 在极端太阳风条件下, 随B_d增大, 磁层顶日下点距离减小, 磁层顶磁尾张角几乎不变; 随南向(IMF)B_z增大, 磁层顶日下点距离略有减小, 磁层顶磁尾张角减小, 极尖区内凹中心向低纬移动. 通过对2010年8月1日太阳风暴事件验证发现, 本文所建立的模型能够描述极端太阳风条件下的三维磁层顶位形.      

地球生物首航火星推迟至2011年

2009年9月29日,俄罗斯联邦航天局局长佩尔米诺夫表示,原定于2009年10月发射的“火卫——土壤”（Phobos—Grunt）探测器将推迟至2011年10月发射。该探测器上将搭载一批特殊的“乘客”——细菌,这是科学家为研究地球生物能否在太空极端环境下长时间存活所进行的“生命星际飞行实验”（LIFE）。     

一种可用于航空发动机健康状态预测的动态集成极端学习机模型

提出一种动态集成极端学习机模型用于航空发动机健康状态预测.采用AdaBoost.RT集成学习算法对极端学习机（ELM）进行集成,在训练时采用每个训练样本的近邻样本对ELM的局域性能进行评估;在预测时首先确定新样本在训练样本集中的近邻样本,然后根据ELM在近邻样本上的性能来赋予集成权值实现弱学习机的动态集成.以燃油流量为指标进行航空发动机健康状态预测,动态集成ELM模型短期预测结果的平均相对误差绝对值（MAPE）为3.688%,小于单一ELM模型的3.830%以及静态集成ELM模型的3.719%;长期预测结果中动态集成ELM模型的MAPE为3.075%,小于单一ELM模型的4.355%以及静态集成ELM模型的3.884%.因此动态集成ELM模型更适用于航空发动机健康状态预测.      

目标飞行器红外地球敏感器寿命分析与试验验证

针对红外地球敏感器受其寿命影响未能进行寿命验证,通过进行可靠性分析,确定了薄弱环节,设计了寿命试验,开展了地面试验验证.寿命试验采取实时寿命试验和进程加速寿命试验相结合的方法,模拟在轨工作环境,考核产品的实际工作寿命,对极端工况下（寿命末期产品密封功能失效）试验件的运转性能及失效模式进行摸底.分析了寿命试验关键参数和极端工况下试验件轴系运转测试数据,数据表明试验件工作正常,已运行在稳定工作期.由可靠性分析和寿命试验数据可以得出：目标飞行器红外地球敏感器实际寿命相对3年寿命要求有较大的裕量,寿命试验的开展可以进一步验证产品实际寿命.     

基于加权朴素贝叶斯分类器和极端随机树的蛋白质接触图预测

提出一个新的基于集成学习的预测器(TargetPCM),对蛋白质接触图(特别是中长程)进行高精度的预测。首先,TargetPCM使用加权朴素贝叶斯分类器(Weighted Nave Bayes classifier,WNBC)融合3个接触图预测器的输出,其中WNBC中的权重参数通过粒子群算法优化得到;其次,将WNBC融合后的输出和基于序列的特征进行组合,得到更具鉴别能力的特征;在此基础上,应用极端随机树训练得到最终的蛋白质接触图预测模型。为了验证TargetPCM的有效性,在包含98个非冗余蛋白质的数据集上进行了测试。结果表明:对于短程、中程和长程接触,TargetPCM的Top L/5精度比现有最好的集成预测器(NeBcon)分别提高了8.2%,16.1%和5.3%。在CASP11上进一步的验证表明,对于短程、中程和长程接触,TargetPCM的Top L/5精度比现有最好的基于协同进化的集成预测器(MetaPSICOV)分别提高了7.4%,9.1%和7.5%。实验结果验证了本文所提蛋白质接触图预测方法的有效性。