空间站卫生间人机仿真评估与实践

目的对空间站卫生间的人机关系进行分析,评价其人机工效,为空间站卫生间人机工程评价、设计优化提供理论方法和技术支持。方法以DELMIA软件为分析工具,在对空间站卫生间环境建模后,导入航天飞行乘员人体尺寸模型,构建人机仿真虚拟场景。将空间站卫生间如厕过程分解,调整人体模型的如厕姿态及舒适角度范围,对空间站卫生间可达可视域进行判别,开展空间站卫生间如厕姿态舒适性仿真分析与评价。结果仿真结果显示虚拟航天成员如厕各阶段姿态可达性、可视性、舒适性均满足人机工程学需求。结论该空间站卫生间能为航天乘员提供一个舒适的如厕环境,其总体结构与布局符合人机工程学设计原则。

Covid-19集中隔离人员对隔离环境色彩偏好

目的探讨Covid-19集中隔离人员在隔离期间对色彩环境的色彩偏好,为隔离密闭等相似环境的色彩设计提供参考。方法研究一共进行了三次实验,分别在隔离第一天、隔离第七天以及隔离期结束一个月后对来自某大学的18名受试者进行了隔离环境色彩偏好测试,采用重复测量方差技术对测试数据进行统计分析。结果不同时期隔离人员的色彩偏好有显著差异:在隔离时期隔离人员更喜欢饱和度较低、明度较高的色彩,对暖色偏好需求上升;在非隔离期间,隔离人员更青睐高饱和度的色彩。结论隔离会对隔离人员的色彩偏好产生影响,但不会改变隔离人员的认知偏好。在进行隔离环境色彩设计时,可以选取高明度、低饱和度的暖色作为环境色彩进行设计,以提升隔离环境适居性,从而为隔离人员提供更好的环境体验。

登月航天服头盔显示界面色彩设计

为研究月球探索任务中不同色相在登月航天服头盔显示界面中的显著性程度,设计了灰色和黑色两种背景下的色相视觉搜索试验,通过计算平均反应时间对目标色和干扰色的显著性程度进行评价。试验结果表明:背景色对搜索效率具有显著影响;月球的环境颜色包含灰色和黑色,需选择适用于这两种背景的颜色作为登月航天服头盔显示界面的色彩;红色作为目标色时显著性最强,适合作为重要程度或紧急程度较高的信息的颜色;青色和蓝色作为干扰色时显著性最弱,适合作为重要程度或紧急程度较低的信息的颜色。上述结论可为登月航天服头盔显示界面的色彩设计提供理论基础。

模拟航天器睡眠舱色彩环境对乘员情绪的影响研究

目的 研究不同情绪刺激下睡眠舱色彩环境对乘员情绪的影响规律。方法 对30名受试者(男15人、女15人)分别进行了中性、负性2种VR情绪影片的情绪诱发,之后在VR环境中进行模拟睡眠舱色彩环境体验,完成主观情绪评价,同时采集受试者在色彩环境中体验时的20通道脑电信号;对主观情绪评价进行方差分析,并对脑电信号进行预处理,分析α、β频带的脑电信号能量。结果 主观情绪评价显示,在色彩环境舒适度上,不同色彩环境(冷色、暖色、无彩色)呈现显著性差异(P=0.000<0.05);在情绪缓解度上,不同色彩环境(冷色、暖色、无彩色)呈现显著性差异(P=0.000<0.05)。脑电信号显示,冷色环境下额叶区和顶叶区的α波左右脑叶平均功率比值最低,而暖色环境最高;冷色环境下颞叶区的β波左右脑叶平均功率比值最低,而暖色环境最高。结论 在狭小、密闭的模拟航天器睡眠舱环境下,色彩环境对于受试者的情绪调节作用在生理状态和心理感受上都能得到显现,并且其主观感受和客观生理数据分析结果在一定程度上能够达到拟合。其中蓝色环境、绿色环境、白色环境主客观值表征的情绪状态最好,更能有效改善和形成良好的情绪状态。最后经模拟航天器睡眠舱色彩设计实践,验证了航天器睡眠舱色彩设计优化策略的可行性及可靠性。

空间站睡眠区概念设计

作者阐述:本设计以未来太空旅行为目标,针对太空睡眠区的问题进行系统的研究与设计。采用了环绕式睡眠舱的理念,通过六个舱室的环绕形成圆环,中间部分作为进出的通道,一次性能同时搭载6名乘员,将有限空间最大限度的合理化运用。空间内包含功能分区、情绪支持、娱乐休闲、私密活动四方面内容。舱室的形状呈近小远大的状态,与航天员眼睛的放射方向相同,能够在视觉感知上扩大空间感。同时,睡眠舱室提供积极的情绪支持,保证乘员健康生活和正常休息。通过脑电实验的研究结论,以缓解航天员负性情绪的睡眠舱环境色彩白色、蓝色作为舱室环境色。

基于多任务学习的风速实时预测方法

准确的秒级风速实时预测能够提高风电机组的运行状况和控制品质,为电网做出最优调度决策提供辅助信息。目前风速实时预测时间分辨率通常为分钟级,且在小数据集的情况下模型泛化能力弱。文章以时间分辨率为5 s的风速序列为研究对象,提出了基于多任务学习的风速实时预测方法。该方法结合了变分模态分解方法和长短期记忆神经网络。首先,通过变分模态将风速序列分解为一系列信号;然后,建立多任务学习的共享层,使用长短期记忆神经网络提取各分解信号中的共享参数,深度挖掘分享子序列预测任务间的信息;最后,建立多任务学习的特定任务层,借助多个LSTM并行预测分解后的风速子序列,并将多个预测结果叠加得到风速实时预测结果。算例结果表明:所提多任务学习模型在10步、5步预测中的均方根误差总体均值分别为0.80 m/s和0.71 m/s,与经过变分模态分解和未经过变分模态分解的单任务模型预测相比,所提模型均方根误差总体均值在10步预测中分别降低了35.5%和39.8%,在5步预测中分别降低了24.5%和45.8%。

基于卷积循环神经网络的风电场内多点位风速预测方法

传统的超短期风速预测方法往往采用风电场内单一位置处风速信号进行预测,忽略了风电机组间的风速相关性,导致预测模型难以考虑地形和尾流影响下的风速空间分布特征,限制了超短期风速预测精度的提高。因此,提出了一种基于深度卷积循环神经网络的风电场多点位风速超短期预测方法,考虑风速时空相关性进行风速空间分布的超短期预测。提出的方法结合了卷积神经网络和长短期记忆网络,采用卷积神经网络获取长期风速空间分布特征,利用长短期记忆模型获取短期时间序列特征,可以同时获得多个点位处的风速超短期预测结果。通过山东某风电场数据的验证:与传统方法相比,所提模型的精度均有所提升;将测试集按季度分开,在各模型预测结果均最好的第四季度,对于多点位的平均误差水平来说,所提模型的平均绝对误差和均方根误差为0.367m/s和0.506m/s,比持续法分别降低了15.0%和15.2%,比支持向量机模型分别降低了31.5%和43.1%。