XiaoMi-AI文件搜索系统
World File Search System爬升阶段
确保 RAL 空间中卫星的振动可靠性......
挑战 JWST 是一种脆弱的技术，必须承受作为运载火箭 6 吨有效载荷的运输。卫星及其组件（如 MIRI）必须承受火箭发动机与发射台环境之间约 145 dB 相互作用产生的噪音和随后的振动、颠簸的跨音速爬升阶段、级间分离时的火爆冲击和湍流边界层激发。这些发射力会导致弹性金属结构疲劳，更不用说像 MIRI 这样的仪器的敏感电气和光学元件了。
空中客车和罗克韦尔柯林斯：共同为 A350 进行创新...
数字无线电高度计在飞机进近、着陆和爬升阶段提供精确的地面高度测量。此信息提供给自动飞行控制系统、仪表系统和地形感知和警告系统。罗克韦尔柯林斯数字低程高度计是第一款用于商用飞机的数字无线电高度计。与以前飞机上安装的传统模拟无线电高度计相比，它代表了向前迈出的一步。
ITU-R M.2059-0 建议书
无线电高度计的基本功能是在飞机进场、着陆和爬升阶段提供精确的高度测量，这些测量代表了各种反射率，具有很高的精度和完整性。此类信息用于多种用途，无论地球表面如何，都必须实现这些测量的高精确度和完整性，例如在自动进场着陆的最后阶段的最后进场和拉平引导期间。它还用于确定飞机可以安全着陆的特定高度，并作为地形感知警告系统 (TAWS) 的输入，该系统在预定的高度和接近率下发出“拉起”警告；并作为防撞设备和气象雷达（预测风切变系统）、自动油门（导航）和飞行控制（自动驾驶）的输入。
波音 737 MAX 8 PK-LQP 案例
本文研究了大量以发生事故的 PK-LQP（B737 MAX 8）的历史飞行轨迹为特征的残留证据。随后，采用该方法根据现有飞行数据生成新的安全相关知识。在本研究开始时，该方法通过在线和离线报告收集的所有数据、来自 flightradar24 的 ADS-B 数据和统计方法的支持来开发假设。这项初步研究使用 Python 作为数据整理和分析的基本程序。结果表明，在 KNKT（印度尼西亚国家运输安全委员会-印度尼西亚）提供的数据中，飞机（PK-LQP）表现出与数据集有效 B737 MAX 8（地面真实数据）产生的典型爬升阶段相比异常行为。结果也证实了本研究提出的假设。
飞机加速度引起的身体力对... 有影响吗
本研究对客机机舱模型中飞机加速引起的体积力对气流和污染物扩散的影响进行了数值模拟。六氟化硫 (SF 6 ) 被用作机舱内污染物，并代替粒径为 1.6 至 3.0 mm 的咳嗽颗粒。研究发现，这些体积力对污染物扩散现象和浓度有显著影响，尤其是在爬升阶段，在大部分模拟时间内，两个监测位置的时间积分浓度是稳定水平（巡航）飞行情况下的时间积分浓度的 2.4 到 2.8 倍。然而，在下降阶段，污染物的暴露量并没有明显变化。另一方面，空气速度在爬升和下降阶段明显增加，导致气流模式、气流循环幅度以及某些位置的气流循环方向发生明显变化。当前研究存在局限性，需要进行详细计算并考虑参数变化。研究结果值得进一步研究飞机加速产生的体力对各种客机客舱内气流和污染物扩散的影响。
混合动力电动重型燃料中空长航时 ISR 无人机的设计使...
摘要目的——本文旨在介绍 TIVANO 国家资助项目框架内取得的主要成果，该项目可能分步预测混合/电动中空长航时 (MALE) 无人机 (UAV) 执行持续情报监视侦察 (ISR) 军事行动所需的支持技术的演变和设计。设计/方法/方法——分析混合推进系统的不同架构，指出它们的运行模式，以选择更适合参考飞机的架构。进一步分析所选架构及其电力装置分支，重点分析电气系统架构和所选电机。最后在飞机层面对混合动力和标准推进进行了比较。结果——使用混合动力推进可以减轻飞机总重量并提高安全水平。然而，这个结果会导致爬升阶段性能下降。实际意义——本研究可作为类似研究的参考，并详细描述了推进操作模式、电源管理、电气系统和机器架构。原创性/价值——本研究提出了一种新型混合动力推进应用，重点关注用于 ISR 任务的三吨级 MALE 无人机。它提供了推进系统的新操作模式和详细的 ele
学习飞机运行因素以改善飞机爬升预测：一项大规模多机场研究
地面飞机轨迹预测是空中交通管制和管理的主要关注点。安全有效的预测是实施新自动化工具的先决条件。在当前的操作中，轨迹预测是使用物理模型计算的。它模拟作用在飞机上的力，以预测未来轨迹的连续点。使用这样的模型需要了解飞机状态（质量）和飞机意图（推力定律、速度意图）。大部分这些信息对于地面系统来说是不可用的。本文重点关注爬升阶段。我们通过预测一些未知的点质量模型参数来提高轨迹预测精度。这些未知参数是质量和速度意图。本研究依赖来自 OpenSky 网络的 ADS-B 数据。它包含该传感器网络检测到的 2017 年的爬升段。研究了 11 种最常见的飞机类型。获得的数据集包含来自世界各地的数百万个爬升段。爬升段未根据其高度进行过滤。使用机器学习方法从该数据集中学习返回缺失参数的预测模型。训练后的模型在一年的最后两个月进行测试，并与基线方法（使用 BADA 和前十个月计算的平均参数）进行比较。与此基线相比，机器学习方法降低了海拔高度的 RMSE