关于剩磁对卫星姿态确定与控制影响的研究

讨论了稳态剩磁对地磁姿态确定与控制系统的性能的影响。对某些卫星来说,星上的直流电设备单元会产生一个支配性的稳定磁场。文中提出一个姿态确定滤波器对剩磁场的影响进行了估计,然后从剩磁矩指向、大小及伸杆长度3方面分析了剩磁干扰力矩对姿态控制精度的影响。通过计算机仿真发现:该滤波器能有效消除剩磁场对姿态确定的影响;不同指向的剩磁矩令三轴控制精度出现较大的起伏,而不断增大的剩磁量则使控制偏差呈正比例增大,伸杆长度的影响却很微小。     

基于QoS的卫星网络端-端通信可靠性分析

针对卫星网络动态环境下的高速信息传输、业务类型差异大等特点，提出一种综合考虑各业务QoS（Quality of Service）指标的可靠性分析方法。在卫星通信网络实际运行周期内，通信系统往往处于逐渐劣化过程中，导致卫星的节点和链路除正常工作和完全失效外，还存在部分失效的工作状态。本文在链路多状态基础上基于最小路集算法（Minimum Path Set Algorithms，MPSA）在不同业务的QoS指标（时延、带宽和丢包率）约束下，得出满足该业务QoS约束的所有可靠路径集，对路径集中路径进行不交化处理得到网络端-端可靠性。研究结果表明，不同业务由于QoS需求的差异导致网络端-端可靠性不同，所提算法与传统算法相比更加符合实际。由于实际卫星网络环境中会采用端-端并行多路径传输（Multi-Path Transmission，MTP），本文在上述研究的基础上，进一步对多路径的端-端可靠性进行了研究，结果表明多路径数据传输可靠性高。     

应用于智能芯片的可视化反馈系统研究

当前，市场上普遍使用的负责推理的终端人工智能（AI）芯片使用训练好的参数对数据进行快速高效运算。但在通常训练过程中使用的数据集和真实数据的分布不一致，由此获得的参数会导致终端AI芯片识别准确度降低。为此，提出了一种基于终端AI芯片的可视化反馈系统架构方法。使用反卷积特征可视化方法，在具有高效计算性能的终端AI芯片上，对卷积核参数进行迭代优化，达到可识别该图像目的。相比于CPU/GPU和FPGA，所提架构在卷积神经网络模型里，更具有高效处理能力和灵活可塑性。实验表明，该研究有效提高了终端AI芯片的普适性、识别准确度和处理效率。      

职业院校学生终身学习能力的培养策略研究

分析了终身学习的内涵与内容,提出培养职业院校学生终身学习能力的必要性,并提出了切实可行的提高职业院校学生终身学习能力的具体措施。     

基于深度强化学习的机器人推拨优化装箱问题研究

三维装箱问题是指在满足容积限制、稳定性限制等条件下,将一定数量的物体放入较大容量的箱子中并使空间利用率最大的组合优化问题.三维装箱问题是典型的NP完全问题,通常采用启发式算法规划物体放置的位姿.在使用机器人完成装箱任务时,还要额外考虑机器人操作限制,如机械臂或末端执行器与物体或箱子之间的碰撞、机械臂运动轨迹的规划等,使得部分最优位姿不可行,只能将物体从更高处落下或者将物体放在最优位姿的附近.机器人在抓取、识别和放置时的不确定性也会导致最终放置位置与规划产生偏差.因此,本文提出基于深度强化学习的机器人三维装箱推拨优化方法,以最小化包装箱中物体放置位置的启发式算法分数为目标,通过推拨动作对于已放置的物体位置进行调整、归集,将物体朝角落中压缩,以腾出更多空间,提高装箱空间利用率,减小由于机器人操作不确定性对装箱结果的影响.     

基于ADRC迭代学习控制的四旋翼无人机姿态控制

针对农用无人机超低空表型遥感和喷药精准悬停易受地效扰动问题，提出了一种自适应ADRC姿态控制器。首先设计了基于ADRC的姿态控制器，结合四旋翼无人机平台在0.9~1.1、1.1~1.3、1.4~1.6、2.0~2.4、2.5~2.9、3.3~3.6 m/s侧向水平风、0.9~1.1 m/s （11°）、1.1~1.3 m/s （13°）、1.4~1.6 m/s （18°）、1.8~2.0 m/s （18°）、2.1~2.5 m/s （18°）前俯向风和侧俯向风下进行干扰的预测和控制量的补偿实验。实验结果显示使用ADRC姿态控制器后无人机抗风性能有较大提升。然而在存在初始误差时，ADRC固定带宽无法满足要求，进一步设计了自适应ADRC姿态控制器（ILC-ADRC）。通过迭代学习控制在线优化自抗扰控制器带宽，实现了不同增益观测器的自适应整定。实验结合四旋翼无人机平台分别进行了机头实际方向与期望方向偏离55°、90°、180°，水平风速1.1~1.3、1.4~1.6、2.0~2.4、2.5~2.9 m/s下使用ADRC和ILC-ADRC的对比。实验结果显示采用ILC-ADRC姿态控制器，在150次控制周期内，偏航角误差均在-15°~15°之间，满足四旋翼无人机偏航角控制精度要求，同时调节时间分别缩短了40%，16.67%，12.5%，53.33%，10.34%，13.95%，27.27%，58.66%，11.86%。     

基于深度强化学习的机器人推拨优化装箱问题研究

三维装箱问题是指在满足容积限制、稳定性限制等条件下,将一定数量的物体放入较大容量的箱子中并使空间利用率最大的组合优化问题.三维装箱问题是典型的NP完全问题,通常采用启发式算法规划物体放置的位姿.在使用机器人完成装箱任务时,还要额外考虑机器人操作限制,如机械臂或末端执行器与物体或箱子之间的碰撞、机械臂运动轨迹的规划等,使得部分最优位姿不可行,只能将物体从更高处落下或者将物体放在最优位姿的附近.机器人在抓取、识别和放置时的不确定性也会导致最终放置位置与规划产生偏差.因此,本文提出基于深度强化学习的机器人三维装箱推拨优化方法,以最小化包装箱中物体放置位置的启发式算法分数为目标,通过推拨动作对于已放置的物体位置进行调整、归集,将物体朝角落中压缩,以腾出更多空间,提高装箱空间利用率,减小由于机器人操作不确定性对装箱结果的影响.     

接头螺纹咬死失效原因分析

管路接头在拆除时发生螺纹失效,本文对失效螺纹结构件形貌观察与测量,并对其材质进行硬度检验、金相分析。结果表明,管路接头螺纹发生了咬死,属损坏程度最严重的一类黏着磨损。依据黏着磨损发生的机理,结合螺纹连接结构的装配原理,最终确定选用同一种材料作为摩擦副是导致接头螺纹发生黏着磨损的内因;柱塞接头与螺纹接头间隙过小,导致安装过程中接头螺纹的螺纹齿形受损,产生多余物堆积,造成外套螺母向一侧偏斜是造成此次螺纹副发生咬死的主要原因。     

一种小卫星在轨自主测试方法

提出了一种基于星上网络的小卫星系统层面的自主测试方法,能够在较少的人工参与下,可靠地完成卫星的在轨测试。主要测试内容有卫星重要参数监视、遥控指令的自主测试、指定任务的自主测试。该星载自主测试方法是通过软件实现的一种开放式的测试框架,藉此进行卫星上的各种测试。