基于高级在轨系统的测控数传一体化方案

针对测控与数据传输信道一体化的需求,采用AOS(Advanced Orbiting System,高级在轨系统)空间链路层的等时业务,设计了一种测控数传信道一体化方案,可在上下行信道采用非相干信息帧同时传输测量信息及高速载荷数据.该方案设计了2种工作模式,模式一在上下行信道同时使用AOS传输帧,双向数据传输速率最高3 Mbit/s,测距精度优于2 m;模式二上行信道使用遥控扩频帧,可进行多站测距,抗多址干扰能力不低于15 dB,抗单频干扰能力不低于23 dB,下行信道使用AOS传输帧,最高数据传输速率3 Mbit/s,测距精度优于1 m.     

卷积神经网络在风洞天平静态校准中的应用

风洞天平是气动试验中用于测量作用在模型上的空气动力载荷（力与力矩）的大小、方向和作用点的装置，测量结果的精准度与天平的静态校准性能直接相关，天平的静态校准是通过校测设备建立天平测量信号与所受气动载荷的映射关系。由于多分量风洞天平的各个分量间存在相互干扰，并且通常二次干扰和组合干扰会出现非线性特性，采用线性拟合方法会产生一定的误差，使得风洞天平静态校准性能因受到数据处理方法（线性拟合）的局限而较难进一步提高。因此，为了进一步提升应变天平静态校准的性能，本文探索深度学习方法在风洞天平静态校准中的应用。利用中国科学院力学研究所风洞天平校准系统AiBCS，对六分量应变天平开展基于卷积神经网络的静态校准研究，采用深度学习训练模型代替传统风洞天平校准公式并获取更高性能指标。同时，对人工智能建模方法在天平静态校准中的适用条件、有效性及可靠性等方面进行了讨论和评估分析。数据结果显示：相较于传统的基于最小二乘多项式的拟合方法，卷积神经网络天平校准方法有效降低了天平各个分量间的载荷干扰，使校准结果的精准度得到了较大幅度的提升。