印度首次展示进攻性无人机蜂群

2021年1月15日,印度陆军在一年一度的建军节活动中,首次展示了一种进攻性的无人机蜂群。该蜂群由75架旋翼无人机组成,号称可以携带炸药渗透到敌后50 km,能基于人工智能自动识别目标,然后对选定的目标发起自杀式攻击。在印度官方媒体发布的视频中,自杀式无人机摧毁了坦克、油料点、野战营地、建筑物等多个目标。该无人机蜂群源自印度陆军2020年8月启动的"战斗空中协作系统"(CATS)项目。     

面向对象建模(UML)的理论分析

本文主要介绍统一建模语言（UML）的产生基础、UML的基本语义；面向对象的机制和过程。     

大飞机部件数字化柔性装配若干关键技术

随着CAD/CAM/CAE/PDM/CAPP技术的不断发展,装备制造业制造水平的不断提升,以及大飞机研制计划提供的良好平台,我们有理由相信在今后的几年内,依靠各部门的团结协作,大飞机部件数字化柔性装配技术一定能取得突出的成果,为我国其他装备制造技术提供基础.     

直升机产业发展与竞争情报

<正>竞争情报(Competitive Intelligence,CI)是有关行业内竞争对手的能力、弱点和意图的情报研究产品。直升机工业属于高新技术产业,关系着一个国家的经济、国防甚至安全。由于历史的原因,中国直升机产业发展水平还落后于先进国家。随着经济全球化,国内各领域、行业逐步向国外公司开放,本土直升机工业必然面临国外各直升机制造商的冲击。开展直升机竞争情报研究一方面可以使国内直升机产业从发展战略、产品研发上获     

中国空间站的国际合作新视野

在过去10年中,中国经历了技术的稳定进步,这使其载人航天计划取得了举世瞩目的成就。为让世界对其温和崛起打消疑虑,中国正寻求在外空的探索与利用上开展合作。中国正以空前规模将其未来的空间站宣传为一个国际协作项目。1中国谋求空间站的国际合作如果中国空间站（CSS）计划作为国际合作与全球领导力的一个平台得到中国领导层的有效管理,那么这对中国来说在内外政策上能够获得附加利益。     

小积液情况下卧式转子的稳定性实验研究

盘腔积液现象在舰用燃气轮机工作过程中时有发生，汽化的滑油和水蒸气凝结形成积液。转子带动腔内的积液旋转，引发振动失稳，严重时会对发动机结构造成致命性破坏。为此，本文开展燃气轮机压气机盘腔积液的模拟实验研究，以双盘双支承的卧式柔性转子系统作为研究对象，重点关注小积液量的特点，对积液转子的动力学稳定性进行了研究。观测到转子的失稳现象，开展了不同积液体积、不同积液类型（水、植物油和滑油）等因素的影响规律研究，揭示了小积液的卧式转子动力学特征。研究结果表明：①对于积液失稳振动，存在失稳边界积液量，当积液量大于该边界值时，失稳将会发生。②失稳边界转速及恢复转速均高于临界转速。当转速高于失稳边界转速时，失稳将会发生。转速进一步增加，高于恢复转速时，失稳现象可能消失。③失稳时的振动特征为：出现幅值突增，次谐波成分也随之增加；基频和次谐波发生调制，表现出拍振特征。④随着积液体积的增加，失稳边界转速先减小后增加。⑤随着积液粘度系数增大，失稳边界转速和边界积液量均增大。     

土壤中的磁性物质

<正>在1993年,英格兰彻希尔发现了麦田怪圈,其中心的农作物表面覆盖着一层由熔融的陨石微粒所组成的铁釉。这层覆盖物是由赤铁(Fe_3O_4)和磁铁(Fe_3O_4)混合而成的氧化铁异质体,并且嵌入到了植物的某些组织内。这种麦田怪圈在每年8月份的英仙座流星雨期间形成。雷温·古德和伯克就此提出假说,在流星雨发生的时候,陨石进入大气层摩擦燃烧时产生     

SDRC与航空工业

美国ＳＤＲＣ公司作为面向产品生命周期的电子商务协作解决方案的供应商，积累了３０余年为国际著名企业的服务经验，并协助它们不断强化产品开发能力，ＳＤＲＣ与国内各行业都有着良好的合作关系，并期望与中国航空工业进一步加强合作。     

基于多方法协作优化算法的飞机总体优化设计

针对飞机总体优化设计中存在目标函数与变量之间没有显式关系式等问题,在建立包含推进、气动、性能及重量四个学科的飞机总体设计模型的基础上,采用遗传算法、模式搜索法和Powell法结合的多方法协作优化策略实现了飞机总体参数的优化;并对优化方案进行参数灵敏度分析,优化后飞机正常起飞总重较优化前降低11.6%,优化效果显著.分析结果表明了基于多方法协作优化算法的飞机总体优化设计的有效性.     

面向电力系统的多粒度隐患检测方法

由于电力系统的安全问题往往会造成严重的经济或社会影响,隐患检测已成为电力系统不可或缺的重要环节。随着人工智能领域的发展,基于深度学习的智能化电力系统隐患检测技术逐渐得到越来越多的关注。但目前的方法大多只是单一地考虑图像的全局特征或局部特征,无法全面彻底表征图像,进而难以捕捉电力领域尤其室外复杂背景下的隐患检测。为此,基于深度学习技术,提出了一种面向电力系统的多粒度隐患检测方法MGNet。通过引入图像的多粒度信息,构建全局和局部网络,进行多粒度级检测;并通过不同粒度级检测结果的协作式融合,增强检测的全面性。在杆塔连接金具隐患和线路通道机械隐患2个数据集上进行了实验比较和分析,对所提模型的检测性能进行评估。通过与现有最优隐患检测基准方法相比,所提方法在2种不同数据集上的平均精度均值分别提升了2.74%和2.77%,验证了模型的有效性。