"铱"星系统即将投入商业运营

“铱”星系统将于１９９８年９月２３日投入商业运营。该文简述了“铱”星系统空间段和地面段的重要特点、；给出了该系统最新进展的一些重要信息。     

硝胺复合推进剂燃烧性能

在硝胺/高氯酸铵复合推进剂系统中,关于硝胺对比冲和燃速性能的影响,进行了实验研究。试验所用的推进剂组分包括环三甲撑三硝胺(RDX),环四甲撑四硝胺(HMX),高氯酸铵(AP),铝粉(Al和粘合剂。硝胺/AP推进剂的比冲主要取决于所有组分的配合。RDX虽可略增比冲,然而却降低燃烧产物的温度。硝胺/AP推进剂的燃速主要由AP含量和颗粒度大小所控制,也取决于所用粘合剂的类型。燃速随着AP含量的增加和颗粒度的减小而增大。RDX和HMX的化学元素虽然相同,然而含RDX推进剂的燃速大于含HMX推进剂的燃速。这种差异也可在相同AP含量和相同颗粒度的RDX/AP和HMX/AP推进剂中找到。     

飞行中飞机加油门后的动态特点分析

主要对飞机单纯加油门后的运动规律做了定量的理论计算，对定长周期运动进行了一定物分析，得出了飞机在小速度时加油后有三种可能的状态，即收敛、发散和中立稳定。并指出飞机加油门后的增速状态是暂时的，一般民政部下增速之后，是一个高度与速度相互转化的振荡过程。同时还指出低空小速度时，在加油门后暂时的增速过程中靠拉杆争取高度是不安全的。     

某型发动机高空小表速转速摆动问题分析

为了解决某型发动机研制过程中出现的高空小表速转速摆动问题,对发动机转速控制原理开展深入分析,利用AMESIM工具软件建立发动机转速控制数学模型,并对转速控制通道进行仿真对比分析,确定了通道参数对转速控制影响量值,通过对比同系列发动机控制参数,提出在现有系统构架基础上,对低压转子转速控制通道进行分段控制改进措施,经半物理试验、高空台模拟试验和试飞验证表明,改进措施既能保证发动机地面加速性要求,又解决了高空小表速转速摆动问题。     

弹性支承振动应力信号降噪方法及其性能对比

针对弹性支承振动应力信号中存在的低频宽带噪声及宽频带的背景噪声干扰问题,提出基于EMD、CEEMDAN、LMD、ITD 和 VMD 5 种信号分解方法的信号降噪方法。利用5 种方法对原始信号进行分解,得到1 组初始模态分量,并结合归一化样本熵、SVD 和 峭度系数,有效地剔除噪声成分。弹性支承振动应力信号的降噪表明：在5 种信号降噪方法中,采用VMD-SampEn-SVD 方法降噪后 的弹性支承振动应力信号的信噪比为8.11dB,相关系数为0.92,均方误差为0.43,计算时间为18.04 s,其综合降噪效果最佳。     

一种小天体探测器绕飞轨道主动抗扰控制方法

针对小天体绕飞探测过程中,探测器受到的非球形引力摄动及太阳光压等多源扰动问题,结合绕飞探测的周期性特点,提出一种小天体探测器绕飞轨道主动抗扰控制方法。首先,通过迭代学习控制对小天体探测器受多源扰动影响产生的误差进行抑制,然后设计扰动观测器估计系统总扰动,构造自适应律实时估计扰动上界,进而设计控制律对总扰动进行主动补偿。最后以243Ida作为目标天体进行绕飞探测仿真分析,结果表明该控制方法能更加有效地提高小天体探测器的轨道跟踪控制精度。     

基于深度学习的目标检测框架组件研究

深度学习与计算机视觉的结合给目标检测研究领域带来了全新的检测模式,通过对基于深度学习的目标检测网络分析研究,目标检测网络框架可模块化地拆分为特征提取网络、多尺度融合和预测网络三个部分。从组成目标检测网络模块化的角度对各个模块进行了详细的分析综述,并给出了如何根据实际需求来构建适合的模型框架建议,为基于深度学习的目标检测方法研究提供参考。     

基于深度学习的太阳黑子Wilson山磁类型识别方法

太阳黑子是太阳光球层中带有较强磁场的区域,通常是太阳爆发活动的源区。Wilson山磁分类是当前最为主流的太阳黑子分类方法之一,对研究太阳爆发有重要意义。利用2010－2017年间SDO/HMI成像仪观测到的720s_SHARP磁图和白光图数据,研究使用深度学习对太阳黑子群Wilson山磁分类的方法。实验结果表明,Xception网络在识别太阳黑子Wilson山磁类型上能取得最优的效果,其中对α类型黑子的F₁得分为96.50%,β类为93.20%,其他类型的黑子为84.65%。      

空间机器人操作：一种多任务学习视角

利用空间机器人辅助、代替航天员完成在轨服务操作是近年的技术发展趋势。基于学习的空间机器人操作以深度神经网络为控制器载体,对非结构化太空环境适应能力强,在高轨、地外、深空等场景具有良好应用前景。目前,无论是空间机器人操作,还是地面机器人操作,多数研究只关注单一任务学习问题。立足一种多任务学习新视角,针对空间机器人操作面临的多任务适应性要求高、精细化要求高、不确定性强问题,首先分析了在轨服务的多样化任务需求。其次,全面综述了机器人操作多任务学习算法与应用相关工作,分析了开展空间机器人操作多任务学习的难点挑战,给出了关键技术发展建议。相关关键技术的突破将有助于提升空间机器人系统的自主性、鲁棒性,进而助力中国在轨服务技术向无人全自主方向推进。     

高超声速飞行器滑模控制参数整定方法设计

本文针对高超声速飞行器滑模控制人工试凑的参数整定方法较为繁琐、效率低的问题,改进了连续动作学习自动机（Continuous action reinforcement learning automata, CARLA）算法并将其应用于滑模控制参数整定问题中,改进后的算法通过对回报函数的设计有效克服了常规CARLA算法收敛速度慢、易受干扰、求解效率低的问题。该算法引入控制性能指标评价函数,在迭代中学习阶跃响应的经验数据,实现了控制参数自整定。仿真表明,对于阶跃响应问题,本文提出的算法能够在100次迭代中整定出一组高品质的控制参数,完成对给定指令的快速准确跟踪,与遗传算法、模拟退火算法相比,在求解速度上具有显著优势。由于该方法不依赖于模型,除了滑模控制器参数整定外对其他控制方法的控制参数整定问题也有一定适用性,具有推广应用价值。