经济信息

新疆优先发展新兴产业"2012年新疆产学研洽谈会暨院士企业行"7月10-11日在乌鲁木齐举行,活动中,自治区相关部门表示,"十二五"期间,新疆将加快抢占产业竞争制高点,建立现代产业体系,立足现有基础和优势,优先发展新兴能源、新材料、先进装备制造、生物、信息、节能环保、清洁能源汽车七大产业按照新规划,到2015年,全区战略性新兴产业将形成协调推进、有序发展的基本格局,产值达到2000亿元,占当地生产总值的比重升至8%左右。     

中国富豪与他们的公务机

在中国,究竟是哪些人在使用公务机呢?随着大型民营企业的崛起和个人财富的积累,民营企业家逐渐成为中国公务机消费的主要群体,这一趋势在未来将会继续增加。这些拥有公务机的中国企业家主要活跃于房地产、能源矿产、大众消费品、销售和制造业等近年来直接受惠于经济增长的产业。     

用薄板等积变换方法制造起伏构造的工艺问题研究(英文)

研究了用于夹层壁板的新型轻质芯材的制造问题。该种芯材是一种可改变平面方向的褶皱构造。采用薄板等积变换通过局部弯曲而不拉伸材料的方法制造该种芯材已成为可能。其主要难点在于 ,必须实现沿复杂的展开图上所有的画线同时弯曲。现借助于成形过程中使原来的构形组件变形解决其造型问题。本文提出的工艺方法可用于不同材料的深度起伏构造制造 ,如金属薄板和纸等。     

考虑局部遮挡的太阳能无人机能源控制

针对太阳能无人机在飞行状态下可能出现的太阳能电池局部遮挡情况,开展相应的太阳能电池最大功率点追踪算法和能源控制研究。通过将发光亮度引入相对吸引力计算过程对萤火虫算法进行改进,实现了局部阴影情况下太阳能电池最大功率点的高效追踪。以此为基础,设计了考虑局部遮挡情况下太阳能无人机的太阳能电池/蓄电池混合能源状态机控制规则。以"蒲公英I"无人机为例,建立了太阳能电池阵列模型,开展了考虑局部遮挡情况下太阳能电池最大功率点追踪仿真实验;基于"蒲公英I"飞行剖面,开展了考虑局部遮挡情况的混合能源控制仿真试验。研究结果表明：改进的萤火虫算法可以实现在局部阴影情况下太阳能电池最大功率点的有效跟踪,与萤火虫算法相比收敛时间更短、且功率波动幅度更小;采用改进萤火虫算法和状态机能源管理策略,在考虑局部遮挡的飞行状态下可以实现太阳能电池/蓄电池之间的合理功率分配与控制。     

飞行器太阳能源计算方法CSCD

介绍了空间飞行器典型电源系统组成,通过对影响太阳能源输出的各项参数因素分析,提出了空间飞行器太阳能源计算方法,该方法包括由功率计算所需太阳阵面积的公式和由太阳阵面积计算输出功率的公式,达到了准确计算太阳能源的效果,解决了以往空间飞行器太阳能源估算误差大,在总体回路设计中电源参数难以闭环的问题。     

基于FRFT的多分量LFM信号检测与参数估计方法

针对传统方法搜寻效率低的问题,采取瞄准搜寻策略,提出一种快速精确地检测和估计多分量线性调频（LFM）信号参数的方法。推导出LFM信号的分数阶长度和旋转角度间的近似关系;利用分数阶幅度随旋转角度变化规律,提出一种高效搜寻最优旋转角度的算法,分析得出该算法的计算量较小,相比于传统算法具有较大优势。在低信噪比情况下,进行两次S-G滤波可显著提高检测概率。仿真结果表明,所提方法在低信噪比和存在分量间信号干扰的情况下,能可靠检测和精确估计多分量LFM信号参数。      

谐波信号的通用频谱校正算法在回转机械监测中的应用

分析了常规FFT谱由于能量泄漏和栅栏效应,不能获得简谐振动信号精确幅值、频率和相位的原因。针对现有校正频谱方法的不足,提出了基于黄金分割的通用频谱校正算法。经仿真实例验证,该方法具有计算量小、校正精度高、适应面广的特性。经过回转机械启动实例分析,该方法能得到准确的临界转速、升速曲线和幅频响应曲线,为回转机械的瞬态行为分析提供了新的手段。     

基于小波变换的自适应多用户检测算法

在分析传统自适应多用户检测的基础上 ,提出了一种基于小波变换的自适应多用户检测算法。用小波变换进行前处理 ,然后再通过 LMS算法实现自适应多用户检测。与通常的自适应多用户检测算法相比 ,该算法利用了小波变换对小波空间进行了分解 ,信号经小波变换后自相关性会下降 ,收敛速度提高。同时在此分解过程中 ,根据信号与白噪声在不同尺度上的小波变换模极大值表现完全不同的特性进行信号的消噪。理论分析和仿真结果表明 ,该算法收敛速度较快 ,计算量增加较少 ,易于实时实现 ,而且具有良好性能。同时仿真实验表明 ,收敛速度与小波基选择有关 ,对于同一小波基系列 ,小波基的正则性越好收敛速度越快     

发动机柱形回转体谐波测量及分析

介绍了发动机柱形回转体谐波测量及分析的基本原理及方法;详述了不同阶次谐波的测量数据、分析判断方法;给出了谐波的产生原因,以及谐波测量及分析的研究、应用前景。     

基于图像识别的机械振动信号特征提取与寿命预测方法研究

滚动轴承作为许多机械设备的关键组件,被广泛应用于机械制造、航空航天等领域,其健康状态直接影响了相应设备的剩余寿命,因此在设备故障预测与健康管理(Prognostics and Health Management, PHM)领域,滚动轴承寿命预测具有很高的研究价值。目前基于数据驱动的轴承寿命预测方法主要利用特征提取并构造健康因子(Health Indicator, HI),然而在这一过程中特征的选择与融合依然依赖于专家先验知识,并且健康因子也很难从复杂的时序数据中进行提取。因此,提出了一种新型的数据驱动寿命预测算法,在特征提取方面,通过连续小波变换(Continuous Wavelet Transform,CWT)将传感器振动信号转换为时频谱图,再通过深度残差网络(Deep residual network, ResNet)结合时空卷积网络(Temporal Convolutional Network, TCN)将时频谱图中的时域频域特征构造成为健康因子,最后完成剩余寿命预测。本研究在PRONOSTIA数据集上与现有的数据驱动算法进行了对比,证明了该算法可以更准确地完成剩余寿命预测。