XiaoMi-AI文件搜索系统
World File Search SystemGru
APN311 27-31 GHz GaN 功率放大器 - 诺斯罗普·格鲁曼
初步信息：本文档中包含的数据描述了处于开发采样或预生产阶段的新产品，仅供参考。诺斯罗普·格鲁曼保留更改适用于本产品的特性数据和其他规格的权利，恕不另行通知。本数据表所代表的产品受美国出口法（EAR 法规中规定）的约束。
2021 年年度报告 - Gruppo TIM
(*) 自 2019 年 1 月 1 日起，TIM 集团已采用新的 IFRS 16（租赁），并采用修改后的追溯法（不重述前几年的比较财务信息）。此外，自 2018 年 1 月 1 日起，TIM 集团已采用： 追溯采用新的 IFRS 9（金融工具）——利用同一标准规定的特定豁免，并且不重述比较的前期——以及采用修改后的追溯法的新 IFRS 15（与客户签订合同的收入）。因此，前几年的运营和财务数据尚未重述。
诺斯罗普·格鲁曼公司 2021 年可持续发展报告
在我们开拓突破性技术的同时，我们始终致力于保护自然资源，尽量减少对环境的影响，以支持可持续的未来。我们能够主动管理我们的足迹，并发现提高绩效的机会，这有助于确保我们的环境可持续发展战略大胆，我们的环境合规计划保持有效，并且两者都清楚地反映了我们公司的价值观。
董事关于 Grupa LOTOS S.A. 经营情况的报告及...
LOTOS 集团旗下各公司积极参与保护自然环境和减少污染物排放的项目。其中一项举措是启动 Blue Trail 项目，在华沙和三联市之间部署了 12 个电动汽车充电站。Grupa LOTOS 还实施了 Pure H2 项目，旨在销售高纯度氢气 (99.999%) 作为运输燃料，以及 Green H2 项目，该项目旨在建造一个由电解器单元、氢气存储设施和燃料电池或氢气涡轮机组成的大型设施，为炼油厂生产零排放氢气，同时作为水力抽水电力存储设施支持波兰电力系统。该公司还完成了连续排放监测系统 (CEMS) 和氢气回收装置的建设，一方面，该系统将提供由液化石油气、石脑油、轻汽油和氢气组成的新产品，另一方面，将有助于减少二氧化碳空气排放。 2020 年底，Grupa LOTOS 炼油厂还生产了第一批生物组分：生物丙烷（LPG 生物组分）和液态生物碳氢化合物（柴油生物组分），标志着该炼油厂向使用植物来源原料的有机炼油厂转型的第一步。随后，在 2021 年，作为气候和环境部牵头的倡议的签署方之一，Grupa LOTOS 签署了“生物燃料开发合作协议
SSC 将 DARC 1 号场地合同授予诺斯罗普·格鲁曼公司
加利福尼亚州洛杉矶空军基地 ---- 2022 年 2 月 22 日，空间系统司令部 (SSC) 通过空间企业联盟 (SpEC) 其他交易机构向诺斯罗普·格鲁曼公司授予了深空先进雷达能力 (DARC) 成本加奖励费用原型协议，价值 3.41 亿美元。DARC Site 1 是已获批准的中层采购 (MTA) 快速原型，可提供 24/7 全天候功能，从而提高探测、跟踪、识别和表征深空物体的能力。与诺斯罗普·格鲁曼公司在 DARC Site 1 上进行合作是构建全球系统的关键的第一步，以确保能够探测、跟踪、识别和表征地球同步轨道 (GEO) 上的物体，以保护和捍卫我们最宝贵的太空资产免受敌对行动的侵害。 DARC 证明了我们“设计结盟”方针的有效性，与我们最亲密的盟友密切合作将产生互惠互利的伙伴关系，”太空系统司令部太空企业特别项目局地面雷达组合物资负责人凯利·格雷纳中校说。 DARC 是一个地基雷达系统，由遍布全球三个地理上分离的站点组成，可提供深空卫星跟踪和保管能力，比目前的雷达和光学传感器更具优势，填补了关键空白，并显著增强了目前的空间领域感知能力。初始 DARC 站点 1 作战留守能力目前计划于 2025 年 9 月启动。太空系统司令部 (SSC) 总部位于加利福尼亚州埃尔塞贡多的洛杉矶空军基地，是美国太空部队的战地司令部，负责通过快速识别、原型设计、部署和维持创新的天基解决方案来开发和获取致命且有弹性的太空能力，以满足国防战略的需求。 SSC 的功能包括开发测试、生产、发射、在轨检查、
网络系统工程师 - 职位描述 - 诺斯罗普·格鲁曼公司
角色 毕业的 V&V 工程师将向 V&V 团队负责人汇报并执行指定的 V&V 任务，包括：规划、实施和报告，以证明我们的产品符合相关要求 毕业的 V&V 工程师将在项目交付管理和 V&V 领导的指导下，在多个多学科项目团队中获得工作经验，以有效、高效地完成指定的 V&V 活动。主要职责 • 支持开展适用于项目的 V&V 活动，以达到 V&V 和项目管理所期望的质量水平，包括： 设计估算汇编， 系统/软件集成和验收测试， 需求汇编， E&EMC 测试活动， 编制和发布管理计划、流程和指标 根据项目/交付管理的要求控制帐户管理活动， 项目设计和风险审查， 故障/问题报告 定期向 NG 管理和项目团队报告 • 按照批准的管理计划、使用批准的方法、称职的人员、有效的交付系统和流程开展 V&V 活动
网络系统工程师 - 职位描述 - 诺斯罗普·格鲁曼公司
优先资格/经验 • 测试自动化经验 • 在系统工程生命周期内具有工程规划和执行验证和确认/系统/软件活动的经验 • 具有定义测试要求、程序和测试设备的经验 • 报告测试指标，包括测试管理工具经验 • 国防或受监管行业内的 V&V/系统/软件工程经验 • 熟悉工程标准 • 熟悉功能安全能力/技能要求 • 善于解决问题，能够为各种问题开发解决方案 • 注重细节 • 具备技术报告写作技能，可以高标准地编写文档 • 故障诊断技能，包括故障识别和报告 • 有条理，善于工作量管理并适当确定优先顺序以满足期限 • 灵活应对不断变化的优先事项 • 良好的人际交往能力，能够有效地与所有受众/利益相关者互动 • 擅长演讲 • 能说流利的英语 • 客户关注 • 具有“能做”的态度 其他要求 • 如有需要，可以在轮班模式下工作 • 如有需要，可以在周末工作 • 出差要求：可能需要偶尔前往英国参加团队/客户的技术访问、会议和培训活动 • 许可要求：职位持有人必须持有并维持英国政府许可（如有需要）
海事数字孪生架构 - De Gruyter
全球范围内，流程和业务的数字化和互联互通不断增长，正导致公司、供应商和客户之间的联系更加紧密。由于航运业已经面临着产品和业务结构极其复杂的问题，以及不断增加的交付成本或脱碳压力，与汽车行业或制造业等其他领域相比，航运业在进行广泛的数字化尝试时面临困难（Ludvigsen 和 Smogeli [17]）。整体数字孪生应用可以成为解决这些问题和大力支持数字化措施的重要工具（Ludvigsen 和 Smogeli [17]）。本文首先在第 2 部分对航运业的现状进行了总体介绍，并确定了它面临的挑战。第 3 部分首先简要概述了关于数字孪生一般定义的科学争论的现状，并提出了一种适用于航运应用的数字孪生定义。然后，本文证明了数字孪生作为上述挑战的解决方案的合理性，并概述了相关的最新发展。为了进一步将造船和航运公司的情况纳入正在进行的关于数字孪生的跨行业辩论中，我们将在第 4 节中区分出在船舶整个生命周期中应用的具体 DT 概念，并给出示例。然后在
诺斯罗普·格鲁曼公司任务扩展飞行器 (MEV) RPO 成像仪在 GEO 上的性能 Matt Pyrak 诺斯罗普·格鲁曼太空系统公司 约瑟夫·安德森太空公司
诺斯罗普·格鲁曼公司任务扩展飞行器 (MEV) RPO 成像仪在 GEO 上的性能 Matt Pyrak 诺斯罗普·格鲁曼空间系统 约瑟夫·安德森 空间物流有限责任公司 摘要 本文将描述和说明由诺斯罗普·格鲁曼公司制造的空间物流有限责任公司任务扩展飞行器 (MEV) 使用的会合和近距操作 (RPO) 传感器的实际性能。MEV-1 于 2019 年发射，并于 2020 年 2 月与位于 GEO 墓地轨道上距离 GEO 约 300 公里的 Intelsat 901 卫星执行会合、近距操作和对接 (RPOD)。MEV-2 于 2020 年发射，并于 2021 年 2 月和 3 月与直接在地球静止轨道上的 Intelsat 10-02 卫星执行了类似的 RPOD 序列。这些飞行器使用三种不同的传感现象来提供所有必要的相对导航数据，以实现上述 RPOD 功能。这些包括可见光谱成像仪（窄视场和宽视场）、长波红外 (LWIR) 成像仪（窄视场和宽视场）和主动扫描激光雷达。本文将探讨这些传感器在 GEO 实际任务中的性能及其对未来空间态势感知能力的潜在影响。1. 简介 Space Logistics LLC 任务延长飞行器 (MEV) 是其主承包商 Northrop Grumman Space Systems (NG) 和 NG 的几家传统公司十多年开发工作的成果。MEV 被认为是新卫星服务市场中的第一代能力，它为未设计为需要维修的航天器提供宝贵的寿命延长服务。MEV 基于 Northrop Grumman 的传统 GEOStar 航天器平台构建，并采用了两项关键技术发展。第一个是准通用对接系统，它与目前在轨的大多数最初未设计为对接的 GEO 航天器兼容。第二，是整合了强大而灵活的 RPO 传感器套件，该套件由尖端硬件和软件组成，这些硬件和软件基于诺斯罗普·格鲁曼的传统 RPO 系统，包括 Cygnus 空间站补给飞行器。MEV 可延长未为在轨加油而建造的卫星的寿命。为了执行任务，MEV 与客户飞行器进行半自动会合，并使用大约 80% 的 GEO 卫星上存在的两个功能与其对接，这两个功能是面向天顶的液体远地点发动机 (LAE) 喷嘴和周围的发射适配器环。对接后，客户飞行器的推进系统和姿态控制完全禁用，从而使 MEV 能够全权负责客户飞行器的指向和轨道管理。虽然 MEV 对接系统无疑是艺术巧思的杰作，但本文将仅探讨 MEV RPO 传感器套件的性能，一组抗辐射尖端传感器，为 MEV 相对导航算法提供原始数据。这些包括可见光谱摄像机组、长波红外 (LWIR) 摄像机组和扫描激光雷达。RPO 传感器套件允许 MEV 从 50+km 处跟踪客户车辆，并在精确对接事件期间保持厘米级的相对位置。根据客户要求，MEV 和下一代车辆可以使用其传感能力从近距离对客户车辆进行多光谱检查，并通过激光雷达收集高密度 3D 检查扫描。但对这种能力最直观的展示来自 MEV-1 对接后发布的首批从 GEO 上方拍摄的在 GEO 带中处于活跃运行状态的航天器商业图像。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。