XiaoMi-AI文件搜索系统
World File Search System航天
航空航天导航系统 - DTIC
通常，作战需求将对航空航天平台的作战场景和所需任务能力进行一般性描述。综合导航系统将具有各种作战模式，这些模式将以各种方式对其所处的特定作战环境做出反应。因此，作战需求必须详细阐述预期任务，并定义任务每个阶段对导航系统的要求。技术需求必须将多种任务能力和环境转化为技术能力和参数，以便开发系统设计。
加拿大航天局 9 年级资源
太空探索 - 在月球遗产的基础上再接再厉：加拿大宇航员期待月球探索的新篇章 | 加拿大航天局（asc-csa.gc.ca） - 加拿大正在设计用于月球探索的探测器 | 加拿大航天局（asc-csa.gc.ca） - 阿尔特弥斯一号任务：猎户座绕月之旅 | 加拿大航天局（asc-csa.gc.ca） - 飞向月球！– 信息图 - 加拿大航天局（asc-csa.gc.ca） - 加拿大臂 3 号动画，加拿大对月球门户的贡献 | 加拿大航天局（asc-csa.gc.ca） - 加拿大航天局：发明明日技术 | 加拿大航天局（asc-csa.gc.ca） - 加拿大对詹姆斯·韦伯太空望远镜的贡献 | 加拿大航天局（asc-csa.gc.ca） - 月球的运动 | 加拿大航天局（asc-csa.gc.ca） - 月球，地球的天然卫星 |加拿大航天局（asc-csa.gc.ca）
ASEN 5335，航空航天环境：教学大纲
航空航天环境是 RSESS 重点领域的核心课程，旨在向您介绍近地空间环境及其对航天器、通信系统、宇航员等的影响。从事空间技术或应用的航空航天工程师需要对环境有广泛的了解，以便适当地设计他们的航天器。但更一般地说，任何对太空充满热情的人都会对了解太空环境的不同区域、它们如何相互耦合和影响以及它们如何影响我们的日常生活感兴趣。我们将“近地”空间环境定义为受太阳影响的环绕地球的空间区域，也是我们大多数卫星运行的地方。因此，本课程重点介绍环绕地球的空间环境——不要指望了解太阳系、星系、行星际空间等。但是，我们将研究其他行星周围的环境，以便与地球进行比较，例如“近木星”空间环境。近地空间环境从地球表面一直延伸到弓形激波，弓形激波是磁层的外边界。在这个环境中，有不同的重叠区域：由中性分子和原子组成的大气层；电离层，大气中的气体被电离；等离子层，气体完全电离并被困在地球磁场中；以及辐射带，其中包含高能电子和质子。这些区域受到地球磁场的影响，而该磁场占主导地位的区域称为磁层。磁层内有不同种类的粒子、不同的电流以及各种复杂的等离子体和电磁波。此外，环境中还包含我们太阳系中的尘埃和流星体，以及我们直接负责的航天器和轨道碎片。在本课程中，我们将了解每个区域、它们存在的原因以及它们对航天器、宇航员和社会各个方面产生的积极和消极影响。它们对航天器和宇航员有电和辐射影响；对 GPS 和其他航天器的通信信号有影响；磁场扰动对地面有影响；尘埃和流星体对航天器有影响；等等。本课程分为多个模块，涵盖太空环境的每个区域，每个模块大约持续两周。在每个模块中，将阅读指定
航天/航空航天飞行器先进制导与控制算法综述
在过去的几十年里，航天/航空航天飞行器的先进制导与控制 (G&C) 系统的设计受到了全世界的广泛关注，并将继续成为航空航天工业的主要关注点。毫不奇怪，由于存在各种模型不确定性和环境干扰，基于鲁棒和随机控制的方法在 G&C 系统设计中发挥了关键作用，并且已经成功构建了许多有效的算法来制导和操纵航天/航空航天飞行器的运动。除了这些面向稳定性理论的技术外，近年来，我们还看到一种日益增长的趋势，即设计基于优化理论和人工智能 (AI) 的航天/航空航天飞行器控制器，以满足对更好系统性能日益增长的需求。相关研究表明，这些新开发的策略可以从应用的角度带来许多好处，它们可以被视为驱动机载决策系统。本文系统地介绍了能够为航天/航空航天飞行器生成可靠制导和控制命令的最先进的算法。本文首先简要概述了航天/航空航天飞行器的制导和控制问题。随后，讨论了有关基于稳定性理论的 G&C 方法的大量学术著作。回顾并讨论了这些方法中固有的一些潜在问题和挑战。然后，概述了各种最近开发的基于优化理论的方法，这些方法能够产生最佳制导和控制命令，包括基于动态规划的方法、基于模型预测控制的方法和其他增强版本。还讨论了应用这些方法的关键方面，例如它们的主要优势和固有挑战。随后，特别关注最近探索 AI 技术在飞行器系统最佳控制方面的可能用途的尝试。讨论的重点说明了航天/航空航天飞行器控制问题如何从这些 AI 模型中受益。最后，总结了一些实际实施考虑因素以及一些未来的研究主题。
航空航天科学进展 - CERES 研究资料库
航空业正面临越来越大的压力，需要通过长期战略来减少排放，以满足不断增长的飞行乘客数量。目前运行的飞机通常是在设计时将机身与推进系统分开考虑的。这样一来，传统的航空发动机架构在推进效率方面已接近极限，而技术进步带来的收益却越来越少。一种有前途的替代架构可以提高下一代商用飞机的整体性能，它依赖于边界层吸入 (BLI)。这项技术将机身与战略性定位的推进系统在空气动力学上耦合，以有目的地吸入机身的边界层流。尽管如此，对于 BLI 效益的解释和量化仍缺乏共识。这主要是因为传统的性能核算方法在强气动耦合的情况下失效。随后，定义适当的性能指标以提供一致测量和潜在效益比较是一项重大挑战。本评论研究了用于评估 BLI 性能的各种会计方法和指标。这些内容在数值和实验模型的背景下进行了讨论和批评。从数值上讲，几何、空气动力学和推进模型按保真度顺序排序，同时使用大量方法进行流动特征识别，从而实现对 BLI 的现象学理解。然后特别关注具有不同设置、方法和相关限制和不确定性的实验 BLI 模型。最后，参考其相关的设计探索和优化研究，对众多非常规 BLI 飞机概念进行了分类、比较和批评。
第 9 类——推进系统、航天器...
单位：设备数量。组件、零件和配件，以美元价值表示。相关管制： 1.)另请参阅 9A104。2.)航天运载火箭属于国务院管辖范围。3.)自 1999 年 3 月 15 日起，所有卫星（包括商业通信卫星）均受《国际武器贸易条例》管辖。自 1999 年 3 月 15 日起，所有商业通信卫星出口许可证申请将由国务院国防贸易管制办公室处理。商业通信卫星及相关物项管辖权的重新移交不得影响商务部在 1999 年 3 月 15 日之前颁发的任何出口许可证的有效性，或根据《出口管理条例》在 1999 年 3 月 14 日或之前提交并随后由商务部颁发的任何出口许可证申请的有效性。商务部许可的商业通信卫星（包括已出口的商业通信卫星）在规定的到期日之前仍受《出口管理条例》和已颁发出口许可证的所有条款和条件的约束。商务部为商业通信卫星颁发的所有许可证，包括许可证
航空航天 - CERES 研究资料库
摘要：飞机维护已被确定为航空业许多高风险领域的一个关键关注点；仍然是商业航空运输业中许多事故和严重事件的偶然/促成因素。本研究的目的是回顾和分析 2003 年至 2017 年期间发生的与飞机维护相关的事故和严重事件，以更好地了解因果因素和促成因素。为此，编制了与维护相关的事故和严重事件数据集，然后通过主题分析方法进行定性分析。使用 NVivo 软件对这些事件进行编码可以开发分类法 MxFACS。然后由主题专家评估编码输出，并确定评分者间一致性值以证明研究过程的严谨性。随后，根据事件与已知事故类别（如失控、跑道偏离）的关系对事件进行了评估。发现最常见的维护事件后果是跑道偏离和空中返航，第二级类别与发动机和起落架系统故障有关。最大的维护因素问题是“维护程序不足”和“检查未发现缺陷”。在死亡人数方面，“碰撞事件”是最突出的后果，“发动机相关事件”是最重要的事件，“维护程序不足”是最令人担忧的维护因素。该研究的结果可以与现有的风险分析方法结合使用，并使利益相关者能够开发通用或定制的领结。这可能识别系统中现有的障碍以及弱点，从而能够在组织和行业范围内制定缓解策略。
航天软件安全研究议程
飞行软件是任何航天器成功执行任务的基础。飞行软件的可靠性并不是一个新话题，过去几十年来，人们通过质量保证、容错和故障安全操作对飞行软件进行了广泛的研究，特别关注了具有冗余层的飞行软件。尽管人们关注故障管理原则和实践，但对飞行软件的网络安全关注有限。飞行软件的容错与飞行软件的安全挑战之间的主要区别在于，容错假设故障本质上是概率性的，并且故障将按照可预测的顺序从可预测的环境影响中发生。飞行软件的网络安全威胁是由一个聪明的对手传播的，尽管有故障安全机制或可用的防御措施，他们可能会积极地与飞行软件互动，故意以一种意想不到的方式强调其流程。攻击者的追击或下一步行动并不像环境传播的故障那样可预测。虽然飞行软件社区历来以隐蔽安全为幌子运作，但飞行模块的开源和商用现货 (COTS) 日益普及，抹去了任何可察觉的安全优势。美国宇航局的核心飞行系统 (cFS) 和美国宇航局喷气推进实验室的 F' 飞行软件可供对手和安全研究人员随时探索，这迫使公众讨论太空飞行软件安全实践和“新”太空时代的要求。本文提出了飞行软件安全的研究议程，讨论了迄今为止在相关领域开展的强有力的相关研究，
一个航天器数据集用于检测，分割和零件识别
现代生活的几乎所有方面都取决于太空技术。多亏了计算机视频的一般和深度学习技术的巨大进步，几十年来，全世界都见证了将深度学习的发展用于解决太空问题的问题，例如自动驾驶机器人，诸如示踪剂，类似昆虫的机器人，类似昆虫的机器人和SpaceCraft的健康监测。这些只是一些在深度学习的帮助下具有高级空间行业的重要例子。但是，深度学习模型的成功需要大量的培训数据才能具有不错的性能，而另一方面，用于培训深度学习模型的公开空间数据集非常有限。当前没有用于基于太空的对象检测或实例分割的公共数据集，部分原因是手动注释对象分割掩码非常耗时，因为它们需要像素级标签，更不用说从空间获取图像的挑战了。在本文中，我们的目标是通过释放数据集以进行航天器检测，实例分割和零件识别来填补这一差距。这项工作的主要贡献是使用太空设置和卫星的图像开发数据集，并具有丰富的注释，包括绑定的航天器和口罩的框架盒对物体部分的水平，这些盒子是通过自动程序和手动努力的混合而获得的。我们还提供了对象检测和Intance Sementation的最新方法作为数据集的基准。可以在https://github.com/yurushia1998/satellitedataset上找到下载建议数据集的链接。