FPGA设计中的亚稳态问题及其预防方法研究

由于在复杂FPGA（Field Programmable Gate Array,现场可编程门阵列）设计中存在跨时钟域,通常会产生亚稳态现象.为有效地预防和解决该问题,分析FPGA设计中亚稳态的产生机理及其对数字信号处理系统的影响.根据不同的信号同步类型,针对单比特电平信号、脉冲信号和边沿信号,分别给出基于触发器级联的跨时钟域信号同步方法;针对并行信号,提出基于异步FIFO （First In First Out,先进先出队列）和握手协议的跨时钟域同步方法;并通过仿真手段分析信号同步方法的有效性及其适用范围.结果表明：这些方法能够正确有效地完成跨时钟域信号同步,预防可能出现的亚稳态问题,从而提高复杂FPGA设计的可靠性和稳定性.     

航天器安全防护保障探讨

把对航天器安全的威胁分为硬和软两大类，分析了对航天器产生威胁的类别，以及为保证航天器安全而需要采取的措施。介绍了研究的内容，需要建设的空间信息对抗系统和空间信息探测网。     

磁强计数据辨识卫星自旋状态

针对近地低轨三轴稳定卫星在轨管理后期,除磁强计外其他姿态敏感器都无效情况下的姿态异常问题,分析了三轴稳定卫星失去姿态基准后,星体自旋状态下三轴磁强计测量数据的特点,提出了使用磁强计测量数据的矢量信息,以找到能够获取卫星状态的方法,从而建立了磁强计测量矢量与卫星自旋轴的几何关系,给出了处于自旋状态下的卫星自旋轴确定方法。通过此种辨识方法,获得了某气象卫星姿态异常翻转状态下的自旋矢量方向和自旋角速度,从而证明了该辨识方法快速、有效,可以作为姿态异常卫星自旋状态的辨识手段,为恢复卫星姿态提供了重要信息,具有一定的工程应用价值。     

智能加工技术在切削颤振在线抑制中的应用

具有薄壁结构的关键航空零部件在切削过程中不可避免发生颤振现象。为提高工件表面质量,在加工过程中对颤振进行准确识别和有效控制已成为该领域的主要研究方向。而对于颤振在线辨识和抑制功能的实现,必须开发集成先进传感器和智能控制算法的智能数控系统,并保证系统中各功能模块线程协调运行。因此,在航空薄壁件的精密加工过程中,利用智能加工技术对切削颤振进行实时辨识和在线抑制将成为未来数控加工技术的发展趋势。     

飞机大部件自动对接同步调姿方法

提出了飞机大部件自动对接同步调姿方法,实现了大部件调姿基准点的连续自动跟踪测量和位姿连续调整.在此基础上开发了集测量场构建、大部件位姿解算和调整等功能于一体的大部件自动对接集成控制软件,并在ARJ21飞机翼身自动对接现场进行了应用试验,结果证明该方法能有效完成飞机翼身自动对接过程,提高测量和对接效率.     

一种基于LabWindows/CVI的以太网口的自动测试的方法

为解决航空电子产品中LRU的网络端口测试问题,提出了一种基于CVI的以太网口的自动测试方法,详细介绍了Ping的过程,物理连接和软件实现自动测试的过程,避免了手动输入命令测试的复杂过程,实现了软件自动测试网络端口是否相通,大大加快了测试进度。经试验论证,该方法具有高效、可靠、自动测试等特点,为LRU的以太网网口测试提供了一个可行的方法和思路。     

基于纯比例导引的拦截碰撞角约束制导策略

拦截碰撞角约束制导是当前导弹制导研究的关键问题之一。首先基于理想比例导引（IPN）律拦截非机动目标的解析解,推导了纯比例导引律（PPN）拦截固定目标的解析解,得到了弹目相对距离、制导指令加速度和导弹前置角的显示表达式,并进一步得到了拦截碰撞角与弹目相对运动状态和比例导引系数之间的解析表达式。其次,基于该解析表达式,提出了基于PPN的拦截碰撞角约束制导策略（PPNIACG）,并探讨了在铅垂面内进行落角约束打击和水平面内进行拦截碰撞角约束打击的2种实现方式。最后,以弹道成型制导律（TSG）和最优碰撞角约束制导律（OIACG）为参考,通过数值仿真算例,对PPNIAC的拦截性能进行了对比分析,验证了所提出制导策略的有效性和正确性。     

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。     

基于深度学习的雷达干扰识别方法研究

针对复杂电磁环境下雷达干扰信号识别问题,从优化卷积神经网络结构的角度出发,本文提出了一种对卷积神经网络结构LeNet-5增加批量归一化层和改变激活函数的方法。该方法能够加速网络收敛,提升网络的学习效率。本文首先建立舰船目标模型,分析了噪声调幅干扰、噪声调频干扰、梳状谱干扰和无干扰的真实目标回波信号在时频域的差异,然后利用四种信号对舰船目标模型生成数据集,最后通过本文所提方法实现雷达干扰的自动识别。仿真结果表明：在全信噪比条件下,本文所提方法对四种信号的识别准确率达到98.1%,表明所提方法有着较好的稳定性和鲁棒性。     

无人车基于激光雷达/视觉的目标体积自动测量方法

近些年,基于激光雷达和视觉的目标感知在无人系统中得到了广泛应用。目标的体积测量在很多应用场景可以发挥极其重要的作用,然而对识别感知目标的体积测量,目前尚无大量研究。首次提出了一种基于激光雷达/视觉的无人车目标体积自动测量方法,实现了无人车与目标体积测量功能的结合。通过在LeGO-LOAM算法中加入点云畸变补偿,相较于原始LeGO-LOAM算法,无人车在高速情况下的构图精度得到提升;通过将激光雷达与视觉进行深度融合,实现了目标的自动识别与全局定位;通过基于平面拟合的地面分割与欧式聚类,实现了目标点云轮廓的实时获取;通过设计一种基于切片法的不规则物体体积测量方法,实现了无人车在运动情况下对目标体积的自动估计。最终,分别通过Gazebo仿真和实际试验验证了算法的有效性。试验结果表明,所提算法在无人车运动的情况下对静态目标物的实时体积测量精度优于3%,具有较好的工程应用价值。