线阵CCD在风洞轨迹测量试验技术中的应用研究

针对风洞试验中轨迹测量问题,设计了由3个一维线阵CCD成像单元组成的实时空间位移测量系统。提出了一种基于特征边缘提取的组合特征定位WBT算法,可以有效提高系统精确度和抗振动干扰能力。应用该系统在风洞中测量了覆冰导线的舞动轨迹,完成了导线舞动规律研究。     

月面模拟环境的SIFT特征提取与匹配方法

为了满足月面巡视探测器的自主导航要求.使用一种新的基于尺度不变的特征点提取和匹配算法.首先根据尺度不变特征变换方法从图像中提取关键点作为特征点,然后进行左右双目图像的特征点匹配和视差的恢复.与传统特征算法相比,可以提高对不同光照环境图像匹配的鲁棒性和匹配精度.在模拟试验场的双目视觉图像匹配中,仿真实验取得较好的效果.     

基于韦尔奇功率谱的雷达辐射源信号识别

应用韦尔奇功率谱原理提取信号识别特征参数,根据提取出的参数特点设计信号识别流程模型。从多种信号中检测识别线性调频信号、相位编码信号、频率编码信号。分析了特征的适用范围和信号环境。仿真分析该特征提取算法和识别方法的可行性。     

转子故障的连续小波尺度谱特征提取新方法

引入图像分析方法,提出了直接从转子故障信号连续小波尺度谱中提取图像纹理特征的新方法.首先,通过转子故障模拟实验台采集了不平衡、不对中、碰摩及油膜涡动等典型故障信号;然后,分析了故障信号尺度谱的差别及所提取出的数字特征对故障的敏感性;最后用结构自适应集成神经网络进行了智能诊断实验,结果表明了本文所提出的尺度谱数字特征对转子故障诊断的有效性.      

流体力学深度学习建模技术研究进展

深度学习技术在图像处理、语言翻译、疾病诊断、游戏竞赛等领域已带来了颠覆性的变化。流体力学问题由于维度高、非线性强、数据量大等特点,恰恰是深度学习擅长并可以带来研究范式创新的重要领域。目前,深度学习技术已在流体力学领域得到了初步应用,其应用潜力逐渐得到证实。以流体力学深度学习技术为背景,结合课题组近期研究结果,探讨了流体力学深度学习建模技术及其最新进展。首先,对深度学习技术所涉及的基本理论做了介绍,阐释流场建模中常用深度学习方法背后的数学原理。其次,分别对流体力学控制方程、流场重构、特征量建模和应用等几个典型的人工智能与流体力学交叉问题应用场景所涉及的深度学习技术研究进展进行了介绍。最后,探讨了流体力学深度学习建模技术所面临的挑战与未来发展趋势。     

微波能量传输系统设计及试验

面向空间太阳能电站应用,进行了固态体制微波能量传输技术研究。针对能量传输波束扩散导致收集效率低的问题,研究了基于人工媒质理论设计的完美匹配层的能量接收整流表面,通过调节人工媒质单元的结构参数实现天线输出阻抗与整流电路输入阻抗的共轭匹配,同时抑制整流电路高次谐波,省去原有匹配及低通滤波器,简化电路结构、实现高效微波能量吸收与转换。以空间太阳能电站规定的波束中心传输微波功率密度限制作为能量接收整流表面设计的约束条件,设计能量接收整流表面,结合固态体制微波能量发射端,搭建5.8GHz小规模微波能量传输系统开展了地面试验验证,实测结果显示整流表面能量转换效率最高为57.7%。此次试验验证了先进的固态能量传输试验系统,为空间太阳能地面缩比试验及未来空间太阳能电站的建设提供了技术支撑。     

金刚石13 C核子定位用参数可调动态解耦序列

针对金刚石内¹³C核自旋的逐个定位,提出了一种非均匀分布周期内对称的动态解耦序列--可调动态解耦（APDD）序列。针对该序列,进行了理论推导和仿真分析;并就¹³C核自旋定位精度指标,与目前金刚石内原子量子态操控使用最为广泛的CPMG （Carr-Purcell-Meiboom-Gill）脉冲序列和XY4序列进行了比较。结果表明,相比于CPMG序列与XY4序列,APDD序列可将单个¹³C核自旋的定位精度提高6.27倍。进一步研究表明,在单个周期内比值τ₁/τ介于0.51~0.58范围为APDD序列核子定位最优工作条件。因此,APDD序列能被用于控制毗邻金刚石中NV^-色心的核自旋,并且在量子信息和量子探测器领域有着重要的应用。     

基于仿真的小型数据中心气流组织研究

为了实现小型数据中心能在办公室环境中运行而降低运行成本这一实际需求,提出了蒸汽压缩制冷系统与服务器融合封闭的降噪与制冷的一体化设计方案。在关键部件——轴流风扇和蒸发器的仿真策略得到验证的基础上,建立了系统气流组织仿真模型以分析箱体内流动与换热特征,以方差和信息熵构建不均匀性评价指标以评估不同风扇排布方式对服务器温度场均匀性的影响,讨论了发热密度增大时的应对策略。结果表明,轴流风扇不均匀的动量驱动导致了蒸发器内不均匀的流动与换热,所设计的降噪制冷系统可以使服务器的排风温度控制在21.6~22.2℃,增加蒸发器的散热风扇可以整体上改善温度场均匀性,发热密度增大时增大服务器的通风量是降低排风温度的有效措施。      

基于域对抗门控网络的变工况刀具磨损精确预测方法

刀具磨损的精确预测对保证零件加工质量、提高生产效率和降低制造成本具有重要作用。在实际加工过程中,切削参数、刀具几何参数、刀具材料等工况复杂多变,工况信息和刀具磨损量对监测信号的耦合作用为刀具磨损的精确预测带来了很大挑战。针对以上问题,提出了一种基于域对抗门控网络（DAGNN）的变工况刀具磨损精确预测方法。引入工况分类网络并利用无磨损量标签样本,通过域对抗和门控过滤机制自适应地从不同工况的原始监测信号中提取表征刀具磨损且对工况变化不敏感的关键信号特征。对信号特征提取网络和刀具磨损预测网络进行迭代优化,从而实现变工况刀具磨损的精确预测。实验结果表明：相比已有的方法,本文方法能够利用少量带磨损量标签的目标工况样本实现刀具材料和刀具直径变化情况下的刀具磨损量精确预测,预测精度大幅提高。