XiaoMi-AI文件搜索系统
World File Search SystemExplorer
高比冲电喷雾探测器用于深部...
HiSPEED 的目标是开发一种高效的推进系统，以便使用小型卫星进行深空探索。麻省理工学院空间推进实验室开发的离子电喷雾推进系统是首批提供紧凑高效推进系统之一，该系统与立方体卫星外形尺寸兼容。然而，现有的推进器头的寿命短于深空任务所需的发射时间。因此，我们考虑采用分阶段方法，将烧坏的推进器头弹出并更换，从而延长推进系统的整体寿命。
候选人保护策略 - 探索者 - NASA
范围 本文件将 CPS 定义为美国民用航天飞行任务的指导方针，并建议可以采取哪些保护措施来实施这些策略，以减轻对任务成功的潜在威胁。在很大程度上，CPS 与良好的系统工程重叠。这些策略的目的是扩大典型的系统工程领域，以包括特定威胁对太空任务带来的独特挑战。每个计划/项目都应考虑对手可以做什么/已经做了什么来降低或拒绝使用任务，哪些外部事件会影响任务成功，然后确定合理的步骤来减轻这些影响。CPS 包括选定的网络安全策略，以帮助任务应对新出现的太空网络安全挑战。选定网络安全策略是为了帮助任务增强其指挥和控制、任务运营中心和外部接口的网络安全弹性。这些策略还补充了系统安全计划 (SSP) 中提到的网络安全控制文档。
初级游骑兵太空技术探索者
国家海岸 肯尼迪航天中心的发射台见证了许多历史，包括作为所有阿波罗任务的起点。阿波罗是美国宇航局计划的名称，该计划使美国宇航员共进行了 11 次太空飞行并踏上月球。在阿波罗计划期间，发射台上用于清洁火箭的化学品渗入周围的土壤和地下水。这些化学品可能对附近的野生动物有害。卡纳维拉尔国家海岸位于肯尼迪航天中心的最北端，是许多濒危动物的家园，包括海龟。
实证研究 - 阿斯顿研究探索者
人工智能 (AI) 被认为具有产生重大经济和社会影响的潜力。然而，其兴衰周期的历史可能会让潜在的采用者持谨慎态度。进行了一项横断面定性研究，有针对性地抽取了来自研究、开发和业务职能部门的 AI 专家，以更深入地了解采用过程。技术就绪水平被用作基准，专家们可以据此调整他们的经验。提出了一种 AI 采用模型，该模型嵌入了人员、流程、技术视角的扩展版本，并结合了数据。该模型表明，除了技术准备之外，还需要人员、流程和数据准备，才能通过 AI 实现长期运营成功。研究结果进一步表明，创新型组织应在技术和业务职能之间架起桥梁。
ARF扫描仪 - 供应链资源管理器
这是新兴技术天文台供应链资源管理器（https://chipexplorer.eto.tech）的出口。您可以在https://chipexplorer.eto.tech/?filter-choose=input-resource＆input-
NSN-UG（当前草案） - 探索者 - NASA
美国宇航局的太空通信和导航 (SCaN) 计划是美国宇航局太空行动任务理事会 (SOMD) 下属的一个组织。SCaN 是 NASA 所有太空通信和导航活动的项目办公室，负责近太空网络 (NSN) 和深空网络 (DSN) 提供的地面和太空设施、设备和服务的运营、维护和维持。美国宇航局的 SCaN 网络在任务从发射到寿命结束和/或脱离轨道的整个运行生命周期内为太阳系的任何地方提供太空通信和导航服务。对于在到达深空目的地之前需要近太空服务的任务，或者在使用两个网络可能有利的地区运行的任务，例如在月球或太阳-地球拉格朗日点 1 (SE-L1) 和太阳-地球拉格朗日点 2 (SE-L2)，每个网络都需要单独的任务集成过程。但是，SCaN 人员在跨网络合作方面有着悠久的历史，NSN 和 DSN 将协调支持使用这两个网络的任务。这种协调包括共享运营规划、寻找通用接口和共享任何测试的结果。DSN 由使用超大孔径（34 米和 70 米）天线的地面站组成，专注于为地球静止轨道 (GEO) 以外的任务提供支持。DSN 主要支持行星任务和距离地球 200 万公里以外的任务，这些区域被称为 B 类 - 深空。DSN 设施战略性地分布在三个地理位置：(1) 加利福尼亚州戈德斯通、(2) 西班牙马德里和 (3) 澳大利亚堪培拉。这些设施共同提供深空任务轨迹的近乎全天候覆盖。NSN 是近太空的主要服务提供商，因此更昂贵的 DSN 资产可以免费为深空任务提供 C&N 服务。本文档介绍了 SCaN 的近太空网络服务，该服务由 NASA 的戈达德太空飞行中心 (GSFC) 管理，并通过商业提供商和政府拥有的系统混合提供。本文档不涵盖此处提供的高级描述以外的 DSN。 DSN 的管理和运营由位于加利福尼亚州帕萨迪纳的喷气推进实验室 (JPL) 负责。本文档未包含有关 DSN 服务和功能的进一步描述。如需更多信息或购买 DSN 服务，请参阅 DSN 用户指南并联系 SCaN 的任务承诺办公室 (MCO)。
美国国家航空航天局 ... - 探索者
对于由美国商务部、联邦航空管理局 (FAA) 和联邦通信委员会 (FCC) 等其他机构监管的太空运营，NASA 会听从这些机构的意见。作为机构间磋商的一部分，为了促进太空运营的安全和可持续性，NASA 的合作伙伴（如 FAA 和 FCC）要求 NASA 审查商业太空运营商向美国政府 (USG) 监管机构提交的许可证、有效载荷和/或政策申请。除了这些监管机构要求的信息外，NASA 还准备了各种类型任务的信息示例，这些信息对于加快 NASA 的审查非常有价值。当前的示例可在 https://www.nasa.gov/recommendations-commercial-space-operators 找到。商业太空运营商如对这些示例有疑问，可联系 NASA。
气候资源管理器：工具概述和指南
应用程序和使用•预期的受众：该工具提供的数据可能与寻求有关预计风险的本地或区域信息的决策者有关，并识别和了解其社区和地区的潜在漏洞，以提高弹性。•所需的背景：该工具不需要背景知识或专业知识即可使用，并且可以简单地进行导航。用户只需输入给定的位置即可探索其气候条件。•潜在用途的示例：社区可以使用工具的地图和图表来了解预计总降水量和大降水量如何从历史条件转变，以评估其基础设施对雨水径流的脆弱性或计划未来的发展策略。请参见教程视频，例如演示。
期刊预释放-Aston Publications Explorer
锂离子电池（LIBS）广泛用于许多田地，例如电动汽车和能源存储，直接影响设备性能和安全性。因此，健康状况（SOH）评估对于LIB使用至关重要。但是，大多数现有数据驱动的SOH建模方法忽略了电池健康预测的固有不确定性，这降低了模型的可靠性。为了解决这个问题，本文提出了一个基于深度学习框架的新型SOH评估模型。SOH结果源自深度特征的分位分布，从而使SOH值具有相关的置信区间。这增强了SOH评估结果的可靠性和概括。此外，为了完成深层模型的优化，开发了基于Wasserstein距离的分位数Huber（QH）损耗函数。此功能集成了Huber损耗和分位回归损失，从而使模型可以根据分布输出进行优化。使用NASA数据集对所提出的方法进行了验证，结果证实了所提出的方法可以在考虑不确定性时有效地估计LIB的SOH。SOH分布的合并增强了SOH评估模型的可靠性和概括能力。
2024竞赛手册 - 资源管理器类
这些技能中的许多技能都可以描述为“创业”，这是一个技能集的一部分，其中还包括了解业务运营广度的能力（从使用数据分析来做出明智的财务决策到研究和批评潜在的设计解决方案以及为媒体外展提供内容）；确认您的长处（和劣势！）;作为团队不可或缺的一部分工作；并以新的和创造性的方式运用技术知识和技能。通过发展业务敏锐度，创新和协作的心态以及对如何在做出商业决策时考虑环境，社会和治理（ESG）因素的理解，您将为全球工作场所做好充分的准备，并准备解决当今（和明天的！）挑战。