美俄空间核动力研发机构和组织管理体系研究

美国、俄罗斯作为空间核动力领域实力最强的国家,一直将空间核动力视为国家战略核心技术。在重大战略需求的推动下,美俄持续开展研发工作,形成了雄厚的技术基础,实现了空间核动力规模化工程应用和不断快速发展。与之相适应的是美俄高效协同的组织管理体系和实力强大的研发机构,两国凭借各具特色的组织管理体制机制,全面统筹国内优势科研力量协同攻关。基于美俄空间核动力研发机构和组织管理体系的现状,简要分析了两国在该领域研发的组织管理特点和相关成功经验,为中国空间核动力技术发展提供相关启示与建议。

基于关系学习网络的小样本知识图谱补全模型

现实世界中的知识图谱由大量事实三元组构成,其中通常包含许多出现次数很少的小样本关系,面向这些小样本关系补全知识图谱中缺失的三元组是一项具有挑战性的工作。针对现有小样本知识图谱补全模型中普遍存在的小样本关系表示无法有效提取问题,提出一种基于关系学习网络的小样本知识图谱补全模型。考虑关系的相关性,对参考和查询三元组进行邻域聚合编码,获得增强的实体嵌入表示。基于融合Transformer编码器与长短期记忆神经网络的结构,将三元组的关系表示进行编码输出。利用注意力机制得出查询关系与动态参考关系的语义相似性,并结合平移模型的假设对查询三元组成立的可能性进行综合打分。实验结果表明,该模型通过融合路径发现与上下文语义有效提取了小样本关系的细粒度语义,在小样本链接预测任务中,相较于基线模型中评价指标的最优值平均提升了9.5个百分点。

基于工位端的导管生产物流管控

航空导管生产具有多品种小批量、人工作业为主、流转快、产量高、在制品量大的特点,生产物流管控较为困难。提出一种基于工位端的生产物流管控方法:由底层工位端向上层车间生产管控层构建,将车间各类资源按照工序功能划分组织成工位,工位即为物流管控点,配置有工位端软件、工位端终端机、物料识别设备。通过AGV小车在各个工位间运输导管,建立车间网络将各个工位与车间生产管控层连接在一起。上层车间生产物流指令能够快速准确传递至各个工位执行,同时工位端能够采集导管实时信息并上传,建立了有效的导管车间生产物流管控系统。结合导管生产线实例,开发了导管生产物流管控系统,验证了本系统的有效性。

^(252)Cf生产关键技术及展望

^(252)Cf是一种重要的超钚元素,可用于核反应堆启动、中子照相、中子活化分析、地质勘探等核技术应用及基础科研,目前世界上只有美国和俄罗斯具备^(252)Cf生产能力。本研究对^(252)Cf基本性质、国外^(252)Cf生产现状进行介绍,提出^(252)Cf生产需攻克的关键技术。

一种改进CNN在轴承故障诊断中的应用

针对轴承智能故障诊断过程中的特征自适应提取和在变工况下诊断能力差的问题,提出了一种基于特征通道权重调整的“端对端”一维卷积神经网络(Squeeze-Excitation Convolutional Neural Network,SECNN)滚动轴承故障诊断模型。首先采用一维卷积神经网络自适应地从原始振动信号中提取特征进行分类;然后通过增加特征通道权重模块来获取通道全局信息,学习特征通道之间的依赖关系;再据此对特征通道权重进行调整,增强滚动轴承故障诊断模型在变工况下的特征自适应提取能力。通过轴承实验台数据的验证结果表明:SECNN在多个变载荷工况下的故障诊断准确率均值达到97%,相比于传统方法提高了20%左右。同时利用t-SNE技术可视化特征提取过程,进一步验证了所提取的诊断模型的有效性。

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时,数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测,提出了一种基于并行多通道卷积长短时记忆网络(PMCCNN-LSTM)的剩余使用寿命预测模型。该模型主要由两部分组成:前端为并行多通道卷积网络(PMCCNN),提取信号特征,挖掘数据的时序特性,并采用逐层训练和微调的方式提升参数的收敛性;后端为长短时记忆(LSTM)网络,基于特征进行剩余使用寿命预测,并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性,实验结果表明:所提模型的平均误差与最大误差分别比传统的卷积神经网络(CNN)低23.38%和15.84%,比传统的LSTM低24.14%和19.01%,比卷积长短时记忆网络(CNN-LSTM)低30.32%和23.09%。

单球中子谱仪的能量响应模拟及解谱方法研究

本文阐述了单球中子谱仪的原理,介绍了基于单慢化球和19对6Li-7Li闪烁体探测器构成的单球中子谱仪的结构及解谱方法,使用蒙特卡罗中子输运程序模拟了单球中子谱仪的中子响应函数。计算结果表明,该谱仪具有较好的空间对称性,能根据谱仪中各探测器的计数对源的大致方位进行判断;模拟了单球谱仪在241Am-Be源照射下各探测器的计数,使用Unfolding with Maxed and Gravel (UMG)解谱程序在不同解谱算法以及初始谱的情况下对模拟数据进行解谱计算,在使用最大熵散发以及与源项相同的预置谱的情况下,解谱结果最为准确,验证了响应函数的准确性。

一种基于特征聚类和评价的轴承寿命预测新方法

在预测轴承寿命时,使提取的特征和剩余寿命保持高相关性,并使不同的特征之间保持低相关性,是有利于提升轴承寿命预测精度的。为解决单一的特征评价方法对后者考虑不足的问题,提出了一种基于相关性改进Kmeans聚类算法(correlation-based improved Kmeans cluster algorithm, Corr-Kmeans)和初始聚类中心确定方法,并与特征评价相结合,最终提出一种基于特征聚类和评价的轴承寿命预测新方法。首先利用卷积自编码对频域信息提取初始特征,用Corr-Kmeans对初始特征按相关性进行聚类,使得聚类后的特征类内相关性高,而类间相关性低;其次,使用相关性、单调性和鲁棒性3个指标来综合评价每一类中的特征,按照筛选阈值将得分较高的特征从每一类中分别选出,组成用于训练与预测的特征子集;最后采用LSTM(long short-term memory, LSTM)网络对轴承剩余寿命进行预测。在一个轴承加速寿命试验的公开数据集上使用留一法进行验证,利用对比试验证明了该方法在预测轴承剩余寿命上的有效性。

基于AHP-熵值法优化决策的轨道车辆轴承异常温升检测模型

轨道车辆的轴承异常温升检测是保障行车安全的重要手段,但由于温升影响因素与状态的复杂性导致现有的异常检测模型容易出现误判。针对这一问题,提出一种基于AHP-熵值法优化决策的轴承异常温升检测模型。首先根据同类轴承温升的趋势一致性以及异常轴温的偏离现象,采用K-means聚类定位异常温升轴承,获得一级检测结果;通过分析异常温升的特性,融合专家经验和数据特征,提出一种基于AHP-熵值法优化的决策模型对一级检测结果进行再次诊断,获得二级检测结果,以降低模型的误判率。基于轨道车辆轴承温度履历数据对模型验证发现:该模型在采用决策模型进行二次诊断后,异常判别准确率仍保持100%不变,且误判率在不同类型轴承下都有显著下降。

基于全卷积层神经网络的轴承剩余寿命预测

传统的数据驱动的轴承剩余寿命预测方法需要基于知识和经验,通过人工建立性能退化指标,费时费力,为此,采用卷积神经网络对输入信号进行特征自学习和剩余寿命预测。将传统卷积神经网络中的全连接层全部更换为卷积层与池化层,以减少神经网络需训练的参数;采用加权平均方法对预测结果进行降噪处理。轴承加速寿命实验数据集验证了所提方法的有效性。

一种基于TC-CAE的轴承寿命预测方法

在预测轴承的剩余使用寿命(remaining useful life,RUL)时,能否有效提取退化特征是实现准确预测的关键之一。轴承的个体异质性和工况差异性导致退化特征曲线不同,同一特征的变化趋势在不同轴承上是具有差异的,从而导致训练轴承建立的RUL预测模型与测试轴承不匹配。在提取特征时应当考虑轴承的个体差异性,减少轴承特征的个体差异性有利于提升预测精度。为了促进同一特征在不同轴承上的趋势一致性,减少退化特征的轴承个体差异性,提出了一种基于趋势一致性约束卷积编码(trend consistency convolutional auto-encoder,TC-CAE)的轴承寿命预测方法。通过构造趋势一致性约束,并和卷积自编码相结合,形成了TC-CAE特征提取模型。预测流程为先用TC-CAE模型在频域信号内提取特征,再用长短期记忆网络(long short-term memory,LSTM)预测。在一个轴承公开数据集上进行试验,试验结果表明,相比于普通卷积自编码方法的预测结果,该方法的综合平均误差降低了21.1%,相比于特征评价方法和卷积神经网络方法分别降低了35.6%和25.9%。

一种新的轴承寿命预测特征评价指标构建与验证

在基于深度学习的寿命预测模型中,其提取的特征的优劣需通过最终的预测精度来间接评价,特征的可解析性差。为此,提出了一种新的寿命预测特征评价指标;与经典的时间相关性、鲁棒性和单调性指标不同,该指标针对产品寿命离散程度大的特点,通过评价特征在不同样本之间的趋势一致性以表征其优劣。采用归一化与降采样方法处理数据,借助相关性公式计算同一特征在两两轴承之间的相关性值,最后取平均值获得该指标的得分。以某轴承数据集为例,分别使用提出的评价指标与经典评价指标对深度学习模型提取的信号特征进行评价与筛选,并将筛选出的特征用于轴承剩余使用寿命预测;基于留一法的试验结果表明:在17组的试验样本中,有11组样本采用提出的指标筛选特征得到的预测结果,优于不进行特征筛选以及时间相关性、鲁棒性和单调性三种经典评价指标的预测结果。其中,获得的均方根误差的综合平均值分别降低了21.0%,27.6%,25.8%和19.5%。利用该评价指标,有利于提升对深度学习模型所提取特征的可解释性。

基于全卷积变分自编码网络FCVAE的轴承剩余寿命预测方法

由于制造工艺、运行环境等的影响,同型号轴承的使用寿命往往存在较大的个体差异性。在轴承剩余寿命预测中,如果从信号中提取的特征的泛化能力不足,将导致模型预测结果稳定性较差。为此,提出一种基于全卷积变分自编码网络(FCVAE)的轴承的剩余寿命预测方法。该方法用全卷积神经网络(FCNN)改进变分自编码器(VAE),在降低网络复杂度的同时强化所提取特征的泛化能力,并利用频域信号作为模型输入,以进一步降低特征学习的难度,同时设计加权平均方法平滑预测结果。通过试验数据集对所提方法进行验证,结果表明:该方法预测结果的平均误差相比于传统支持向量回归(SVR)降低了64%,比卷积神经网络(CNN)降低45.5%,比VAE降低47.5%。

基于多任务学习的轨道车辆轴承异常检测方法

轨道车辆轴承温度现有异常检测方法的阈值判别指标受到路况、环境等多项外因干扰,并且基于异常检测目的的预测方法需要对轴承进行逐一建模,模型训练耗时且多模型维护困难。针对上述问题,提出一种基于多任务学习的轨道车辆轴承异常检测方法。首先考虑到数据分布在正常与异常时存在差异,把正常工况下的关联轴承温度作为模型输入构建轴承温度预测模型,当实际温度异常时预测值与实际值关联性呈现异常变化,因此该模型具有异常检测功能。其次,考虑到循环神经网络建模时进行递归运算消耗大量时间,引入多头自注意力机制,所构建的模型能够同时对一轴上的轴箱、齿轮箱、电机3类共9个轴承温度进行同时检测。最后,采用极大似然估计方法,将点预测转换为置信区间预测,解释了预测结果的意义。在正常和故障数据上分别对模型进行验证,结果证明本文所提方法具有准确的9个轴承和异常检测能力,并与单任务模型相比能大幅度减少建模时间。

PSO优化的高速列车轴温灰色预测模型

轴承温度预测是保障高速列车安全运行的重要手段。考虑到GM(1,1)模型建模机理存在着一定的缺陷,以及对建模数据有一定的单调性要求,对呈现较大波动的数据序列预测结果不太理想的问题。在GM(1,1)预测模型的基础上,提出了一种粒子群算法(PSO)优化的灰色预测方法。利用多项式对GM(1,1)模型进行修正,重构灰色模型的时间响应序列,再利用粒子群算法对重构模型进行求解,并据此构建了一种高速列车轴温预测模型。以高速列车实际轴温数据对模型进行验证,验证结果表明:模型相较于GM(1,1)模型的预测精度有明显的提高,其中5min预测的平均绝对误差由6℃降低到5℃,降幅为16.7%。平均相对误差由9.1%降到了7.8%,降幅为14.3%;最大绝对误差由20℃降低到18.6℃,降幅为7%。预测误差的方差由24.6降低到了20.6,降幅为16.3%,表明误差分布更加集中。

样本不均衡下的DCGAN轴承故障诊断方法

在实际工况下,轴承可采集到的故障样本分布往往呈现极强的不均衡特性,该特性对故障诊断精度具有不可忽略的影响。为提高样本不均衡情况下的轴承故障诊断精度,采用样本生成扩充的思路,提出一种基于深度卷积生成对抗网络的故障诊断方法。首先针对轴承振动数据信号的特性,采用快速傅里叶变换使其转化为频域,并通过归一化进行预处理;其次利用深度卷积生成对抗网络进行对抗训练,生成具有真实样本特征的虚拟样本。模型采用衰减学习率并增设Dropout层,提高了模型生成的效率及真实性。最后,构建一维卷积神经网络模型完成故障诊断。实验验证结果表明,提出的方法能有效提高样本不均衡情况下的诊断精度以及诊断稳定性。

基于特征选择的轨道车辆轴承温度预警方法

在现有轨道车辆轴承温度预警研究中,因监测数据复杂度不一致导致特征难以选择,同时现有预警方法往往只能在轴承故障发生前的几分钟进行预警,为此,提出一种基于特征选择的轨道车辆轴承温度预警方法。首先采用皮尔逊系数计算特征相关性后分析引入关联轴承,然后依据线性相关性将低线性相关特征数据与关联轴承数据一起输入LightGBM模型,以对特征进行再次选择;其次,利用大量正常状态下的履历数据,基于深度学习模型双向门控循环单元构建轴承温度预测模型;最后利用某轨道车辆实测数据进行预警方法验证。结果表明:对于正常轴承,轴承温度预测模型的温度预测值和实际值的差异小于4℃且稳定;而对于异常轴承,在轴承故障发生前的数小时即可发现两者间存在大于4℃以上的持续显著差异。

基于Bagging-MCNN模型的不均衡样本轴承故障诊断方法

针对轴承不均衡样本情景下故障诊断存在的精度与泛用性不高问题,借鉴集成学习获取强监督模型的方法,结合对不均衡样本进行采样处理的类别重组法,提出一种基于Bagging思路的多通道卷积神经网络(Bagging-MCNN)故障诊断模型。首先将原始数据进行标准化处理并划分为训练集与测试集,对训练集进行放回采样构造多个训练子集,同时对测试集进行乱序操作;然后将构造完成的新集合放入多通道卷积神经网络模型进行训练,获得各卷积网络子模型的判别矩阵,融合所有判别矩阵获得最终的诊断结果。在公开轴承数据集上进行试验验证,结合Bagging思路的多通道卷积神经网络故障诊断方法在均衡以及不均衡情景下的诊断精度相较普通卷积神经网络模型,分别提高了1.1%与10.8%,同时提高了模型的收敛速度以及诊断稳定性。

高速磁浮列车动力学性能参数多目标优化方法研究

为提升高速磁浮列车动力学性能,提出一套高效的多目标优化设计方法,对磁浮列车悬挂参数、系统控制参数和轨道梁参数进行多目标优化设计。为保证仿真模型有效逼近高速磁浮列车实际运行状况以获得准确的输出响应,构建出磁浮系统分布式协同仿真模型,实现磁浮列车动力学模型、轨道梁有限元模型及控制系统的实时耦合,并选取5个关键设计参数作为优化设计变量;采用最优拉丁超立方试验设计方法均匀抽取20组样本,基于分布式协同仿真模型获得各样本点对应的7项动力学性能值;针对20组小样本、5输入7输出的高非线性问题,分析不同代理模型预测精度,建立优化设计变量和性能指标之间的代理模型;采用NSGA-Ⅱ(非支配排序遗传算法-Ⅱ)优化算法对设计变量进行多目标优化。计算表明7项性能指标经优化后均得到显著提升。

一种不同工艺条件下刀具磨损状态多类域适应迁移辨识方法

在新的工艺条件下,针对采用历史工艺条件进行训练的刀具磨损状态辨识模型识别准确率低的问题,提出了一种基于迁移学习的跨工艺条件刀具磨损状态辨识模型。构建卷积神经网络提取刀具样本可迁移特征,利用最大均值差异测量不同工艺条件下刀具样本分布差异,通过类间-类内距离约束提升源域特征的样本距离,对目标域数据概率矩阵采取最大化核范数的策略,以提取区分性高的目标域样本故障特征。以铣刀加工试验为例验证了模型的有效性,模型的平均辨识准确率为96.8%,比没有类间-类内距离约束与最大化核范数的方法平均辨识准确率提升4.9%。