超高层Tuned Mass Damper防震支撑系统技术研究应用

超高层建筑是现代城市建设的重要标志之一,其高度已经超过了传统建筑的极限。然而,随着建筑高度不断增加,地震的破坏力也越来越强,超高层建筑面临着更加严峻的安全挑战。因此,研究超高层建筑防震支撑系统技术非常重要,Tuned Mass Damper(TMD)是一种被广泛研究和应用的超高层建筑防震支撑系统技术,TMD最初是在20世纪60年代提出的,最早应用于桥梁上,后来,TMD被引入到建筑领域,并得到广泛的应用。通过精确调节质量、阻尼和弹性等参数来削弱地震引起的建筑物减震效应,从而减少了建筑物因地震造成的损害和崩塌的风险.

基于机器学习的数据库系统参数优化方法综述

参数优化是影响数据库性能和适应性的关键技术,合理的参数配置对于保障数据库系统的高效运行至关重要,但由于参数较多且参数间具有强关联性,传统参数优化方法难以在高维连续的参数空间中寻找最优配置,机器学习的发展为解决这一难题带来新的机遇。通过总结和分析相关工作,将已有工作按照发展时间和特性分为专家决策、静态规则、启发式算法、传统机器学习方法和深度强化学习方法。对数据库参数优化问题进行定义,并说明启发式算法在参数优化问题上的局限性。介绍基于传统机器学习的参数优化方法,包括随机森林、支持向量机、决策树等,描述机器学习方法解决参数优化问题的一般流程并给出一般实现。由于需要大量带标注的数据,传统机器学习模型在适应性和调优能力等方面存在不足。侧重介绍深度强化学习模型的工作原理,定义参数优化问题与深度强化学习模型的映射关系,比较基于深度强化学习的相关工作对数据库性能提升、模型训练时间和涉及的技术,描述基于深度神经网络构建和训练智能体的具体流程。最后,总结已有工作的特点,对当前机器学习在数据库参数优化方面的研究热点和发展方向进行展望,指出多粒度调优、自适应算法和自运维是未来的研究趋势。

LCC-MMC混合三端直流输电系统送端交流故障下的不间断运行协调控制策略

为实现基于电网换相换流器与模块化多电平换流器(LCC-MMC)的混合三端直流输电系统送端交流故障下的直流低电压穿越,提出兼顾传输容量与响应速度的自适应电压协调控制策略及有功功率分配策略。在维持故障期间功率续传的前提下,定量分析了模块化多电平换流器(MMC)的降压值以减少传输功率的绝对值损失量,并设计MMC根据本地直流电流偏差快速减投子模块总数的降压方式;考虑到半桥型MMC的调制比约束,设计正极MMC定量吸收无功功率与负极MMC动态调整交流电压参考值的换流站极间协同控制策略;同时,为抑制从站的过电流及避免送端严重交流故障时主站的潮流反转,提出各受端换流站有功功率自适应调整的控制方式。最后通过对输电系统送端交流电压跌落不同幅度时的故障穿越效果进行仿真分析,验证了所提控制策略的有效性。

基于微调原型网络的小样本敏感信息识别方法

敏感信息识别主要是指识别互联网上涉及色情、毒品、邪教、暴力等类型的敏感信息,现有的敏感信息识别通常将其看作文本分类任务,但由于缺乏大规模的敏感信息标注数据,分类效果不佳。该文提出一种基于微调原型网络的小样本敏感信息识别方法,在小样本学习框架下,利用快速适应的微调原型网络来缓解元训练阶段通用新闻领域和元测试阶段敏感信息数据差异大的问题。首先,在元训练阶段,基于通用新闻领域的分类数据训练模型来学习通用知识,同时在训练过程中经过两阶段梯度更新,得到一组对新任务敏感的快速适应初始参数,然后在元测试阶段敏感文本数据集的新任务上,冻结模型部分参数并使用支持集进一步微调,使模型更好地泛化到敏感识别领域上。实验结果证明,相比当前最优的小样本分类模型,该文提出的快速适应微调策略的原型网络显著提升了敏感信息识别效果。

基于模型微调的空中无人机小样本目标识别方法

空中无人机目标识别是现代军事、航空领域的迫切需求,由于目前无人机的功能和种类繁多,对于新机型很难采集大量的无人机样本用于训练目标识别模型;针对该问题,提出了一种基于模型微调的空中无人机小样本目标识别方法;方法以Faster R-CNN为基础架构,首先采用具有大量标记样本的常见机型数据预训练Faster R-CNN模型;然后将基础架构最后的分类层替换为余弦度量,构建联合新机型与常见机型的小样本平衡数据集以较小的学习率微调分类层;实验结果表明,在标记样本数量为5、10和50的情况下,基于模型微调的小样本目标识别模型的mAP分别为88.6%,89.2%和90.8%,能够满足空中无人机小样本目标识别任务需求,且优于其它小样本目标识别方法。

双重电磁谐振式调谐质量阻尼器的参数优化及对结构减振分析

利用电磁阻尼单元代替经典调谐质量阻尼器中的黏性阻尼单元,形成一种具有结构减振功能的新型电磁谐振式调谐质量阻尼器(electromagnetic shunt tuned mass damper,EMS-TMD)。为进一步提升阻尼器的减振性能和鲁棒性,设计了双重电磁谐振式调谐质量阻尼器(DEMS-TMD)减振方案。依据达朗伯定理,建立地震作用下DEMS-TMD与单自由度结构耦合振动系统的动力学模型。利用蒙特卡洛-模式搜索法数值优化方法,以主结构位移的动力放大系数最大值最小为目标函数,优化得到DEMS-TMD的结构频率比、电子频率比、电磁阻尼比和机电耦合系数的最优参数,为减振参数设计提供理论指导。通过频域和时域两种方法仿真分析了DEMSTMD对结构的减振性能。结果表明:在频域分析中,DEMS-TMD的主结构位移峰值和频响面积均优于传统并联双调谐质量阻尼器(double tuned mass damper,DTMD);在时域分析中,DEMS-TMD对结构位移、加速度峰值和均方根的减振性能均优于传统DTMD,有效地提高了对结构的减振效果。

卷积神经网络在AVA反演应用中影响因素研究

从基于卷积神经网络开展AVA(振幅随入射角变化)反演问题出发,建立网络训练所需的数据集,分析不同超参数调整对预测结果的影响,确定这些超参数的最佳设置值,并总结超参数调整规律。最后通过对比3种不同卷积神经网络模型的预测结果,寻找出适用于叠前参数反演问题的最佳网络。最终形成一套完备的基于叠前角度域道集数据应用卷积神经网络进行弹性参数预测工作流程。结果表明,基于本文构建的训练数据集,选取的卷积神经网络结构以及设置的超参数组合预测得到的弹性参数结果具有较高的精度。

基于Q学习的高超声速飞行器自抗扰控制研究

为实现高超声速飞行器姿态自抗扰控制的参数整定,提出一种模糊Q学习算法。首先,采用强化学习中的Q学习算法来实现姿态自抗扰控制参数的离线闭环快速自适应整定;然后,根据模糊控制的思路,将控制参数划分为不同区域,通过设定奖励,不断更新Q表;最后,将训练好的Q表用于飞行器的控制。仿真结果表明,相对于传统的线性自抗扰控制(linear active disturbance rejection control,LADRC)和滑模控制,基于Q学习的LADRC省去了人工调试参数的繁琐过程,且仍具有良好的跟踪效果。蒙特卡罗仿真测试结果验证了基于Q学习的LADRC的鲁棒性。

附加不同形式调谐质量惯容系统的高耸烟囱轻量化减震控制

附加调谐质量阻尼器是烟囱结构的一种传统减震控制方法,然而其通常需要较大的附加质量及额外的安装空间,这为施工安装带来不便。本文提出附加调谐质量惯容系统(TMIS)控制高耸烟囱的地震响应,以利用惯容元件的表观质量效果实现轻量化减震目标。同时,考虑烟囱高阶模态对其地震响应不容忽视的影响,提出沿烟囱高度布置的分布式TMIS以实现多模态控制效果。建立了基于两种不同惯容子系统的TMIS力学模型及相应的附加分布式TMIS烟囱运动方程。以金井清谱为随机地震激励输入,并基于改进的定点理论提出了分布式TMIS的部分设计参数简化假设,提出了基于需求的分布式TMIS烟囱结构多模态优化设计方法。通过实例验证了所建议设计方法的有效性,并对比检验了分布式TMIS的轻量化及多模态控制效果,通过参数分析检验了所采用的改进定点理论简化的合理性。结果表明:所建议的设计方法可以按照预定目标发挥两种分布式TMIS的减震性能,两种分布式TMIS均显示了明显的轻量化减震效果。

风浪联合作用下分布式调谐质量阻尼器对海上半潜漂浮式风机的减振控制

海上半潜漂浮式风机在复杂深海环境下产生有害振动会威胁风机的安全性和耐久性,针对该问题并结合美国NREL的5 MW样机的漂浮平台几何结构构造,提出利用分布式调谐质量阻尼器(Tuned Mass Dampers,TMDs),即分别在漂浮平台的3根浮筒中布置TMD,形成等边三角形布置,对随机风浪联合作用下海上半潜漂浮式风机的平台纵摇振动进行控制。为了更好地描述分布式TMDs对海上半潜漂浮式风机的减振效果,基于拉格朗日方程和模态叠加法,对海上半潜漂浮式风机-TMDs耦合系统提出并建立了9自由度多体动力学模型。基于H_(∞)算法,即以平台纵摇频响函数的峰值为优化目标,对分布式TMDs的参数进行优化设计,优化设计中考虑了3个TMDs之间的耦合关系。对风机-TMDs耦合系统开展了风浪联合作用下的数值模拟,分析了分布式TMDs对平台纵摇响应的减振效果。结果表明:最优设计下的分布式TMDs对海上半潜漂浮式风机平台纵摇振动具有良好的减振性能;在三种不同工况的随机风浪荷载作用下,分布式TMDs对平台纵摇固有频率附近的功率谱密度曲线峰值减振率和标准差减振率能分别达到39%和52%以上。

基于改进开关可调电容的宽调谐太赫兹频率源设计

针对太赫兹频率源调谐范围窄的问题,基于普通PMOS可变电容设计了一种改进的开关可调电容,实现了电容变化的单调性,并基于该电容结合衬底调谐方式设计了一种宽调谐范围、高输出功率的压控振荡器(Voltage-controlled oscillator, VCO)。将设计的VCO结合二倍频器实现了一种工作在太赫兹频段的,具有较宽调谐范围及较高输出功率的太赫兹频率源。使用40 nm CMOS工艺设计的太赫兹频率源输出频率为146.3~168.5 GHz,调谐范围14.1%,并同时具有最高1.3 dBm的输出功率,其在10 MHz频偏处的相位噪声最优为-105.52 dBc/Hz。

非最小相位工业过程自校正控制教学实验平台

工业过程中的非最小相位被控对象因其具有反向特性而会给控制器设计带来困难,在自动化教学中对非最小相位概念的描述通常偏重于零点位置、零动态等理论概念,因缺乏直观性而使得学生不易理解透彻。结合自适应控制课程教学,基于工业过程中典型的空气加热混合过程,通过合理构造实验条件,构建了具有非最小相位特性的物理被控对象装置,在此基础上,研发了自校正控制教学实验平台,可以开展非最小相位工业对象的辨识、控制和自校正控制的教学实验,有助于加深自动化专业学生对非最小相位概念的理解,从而改善教学效果。

预应变SMA⁃TMD对钢框架结构抗震性能影响研究

针对钢结构在地震激励下加速度响应过大的问题,介绍了一种将形状记忆合金(SMA)应用到调谐质量阻尼器(TMD)装置中的解决方案,利用SMA的特性实现有效的自复位和稳定的阻尼,将预应变SMA棒应用到TMD中,提高装置的阻尼性能。通过试验测试及有限元模拟,研究安装施加预应变SMA-TMD的钢框架抗震性能。结果表明:预应变SMA棒不仅有助于自复位,而且还能大大提高SMA-TMD的等效黏滞阻尼比;经过优化的SMA-TMD装置可以大大降低钢框架的地震动响应,并加快地震能量消耗。

基于域间Mixup微调策略的跨被试运动想象脑电信号分类算法

为了缓解传统微调算法的灾难性遗忘问题,本文提出了一种基于域间Mixup微调策略的跨被试运动想象脑电信号分类算法Mix-Tuning。Mix-Tuning通过预训练、微调的二阶段训练方式,实现跨领域知识迁移。预训练阶段,Mix-Tuning使用源域数据初始化模型参数,挖掘源域数据潜在信息。微调阶段,Mix-Tuning通过域间Mixup,生成域间插值数据微调模型参数。域间Mixup数据增强策略引入源域数据潜在信息,缓解传统微调算法在样本稀疏场景下的灾难性遗忘问题,提高模型的泛化性能。Mix-Tuning被进一步应用于运动想象脑电信号分类任务,实现了跨被试正向知识迁移。Mix-Tuning在BMI数据集的运动想象任务达到了85.50%的平均分类准确率,相较于被试–依赖和被试–独立训练方式的预测准确率58.72%和84.01%,分别提高26.78%和1.49%。本文分析结果可为跨被试运动想象脑电信号分类算法提供参考。

基于多模板提示调优和知识增强的事件因果关系识别方法

事件因果关系识别(Event Causality Identification,ECI)是自然语言处理领域的一项重要研究任务,旨在识别文本中事件之间的因果关系。现有方法大都基于微调范式,不能较好发挥预训练语言模型的作用,难以有效捕获隐式因果关系识别的线索。为此,该文提出了一种基于多模板提示调优和知识增强的事件因果关系识别方法。针对ECI任务设计独特的总提示模板,对显式和隐式事件因果关系分别设计不同的种子提示模板,集成训练所有提示模板,形成适应于ECI任务的提示调优方式。通过引入ConceptNet、Oxford Dictionaries等外部知识库,丰富事件的解释性知识和事件之间的关系性知识,将不同的知识融入提示模板,强化隐式因果关系线索。在EventStoryLine和Causal-TimeBank两个广泛使用的数据集上的实验结果表明,该文方法性能优于现有方法。

模块化建筑阵列多调谐质量阻尼系统的实现与减震研究

基于建筑模块化和悬挂楼板减震的原理提出了悬挂楼板模块体系(modularized suspended floors system,MSFS)。利用楼板作为质量块,组成分布阵列式多调谐质量阻尼器(distributed array multiple tuned mass dampers,d-array-MTMDs)系统。通过输入32条远场和近场地震动记录进行时程分析,对平均调谐频率比η、调谐频带宽度系数β、调谐阻尼比ζ_(T)、TMD数量n以及主结构层数N,共5个参数展开研究。结果表明:d-array-MTMDs的减震效果优于普通MTMDs系统;ζ_(T)对系统减震性能影响较小,当η为0.7~1.0、β为2.0时,系统具有更好的减震效果;当n大于某阈值时,系统的减震效果趋于稳定,阈值与η线性正相关,与ζ_(T)非线性负相关。随着模块建筑层数的增加,系统也能维持较好的减震效果。

基于MTMD的管道振动倍频响应减振研究

大型化工管道受管内流体流动、边界约束、振源激励等复杂因素影响,服役期间往往会发生振动,其振动频率相较于土木结构较高,且可能存在多个主要频率成分.若采用单一频率的调谐质量阻尼器(Tuned Mass Damper,TMD),难以达到理想的控制效果,而采用多重调谐质量阻尼器(Multiple Tuned Mass Damper,MTMD)时,受现场条件限制,又存在无法确定最优安装位置等问题.本文开展了基于MTMD的管道倍频响应减振研究.首先,开展了某化工企业丙烷脱氢装置的大型管道现场实测研究,发现管道振动频率存在明显的倍数关系,即倍频现象.其次,建立局部管道有限元模型,分析管道动力特性,提出了基于数值搜索法的MTMD参数设计方法.最后,考虑化工管道现场安装条件的限制,研究了MTMD安装位置对管道减振效果的影响.数值研究结果表明,安装MTMD可有效减小管道振动响应.

基于m×2正则化交叉验证的神经网络超参数调优方法

超参数调优是神经网络建模的关键问题。针对传统的超参数调优方法存在的问题,该文提出了一种基于m×2正则化交叉验证的超参数调优方法。目的是给出一种适用于复杂模型、大数据集背景下的计算开销较小且稳健的超参数调优方法。该方法的思想是从完整的数据集上选取少部分数据进行调优,避免模型在数据集较大时非常耗时的超参数调优难题;在m×2交叉验证的基础上设置正则化条件均衡训练集与验证集之间的分布差异,从而减少分布不一致带来的性能波动;使用信噪比作为调优的优化目标,从而可以综合考虑模型性能评价指标的均值和方差;并采用正交设计选择相关性较低的超参数组合以提高调优效率。以命名实体任务为例进行实验,在CoNLL 2003数据集上的实验结果显示,提出的调优方法能够选到和网格搜索性能上没有显著差异的超参数组合,且调优时间可显著降低约66%。

一种基于TVM的算子生成加速策略

随着人工智能(AI)的飞速发展,新算子和底层硬件层出不穷,这给算子库的开发和维护带来了巨大的工作量。单纯基于手工优化来解决AI模型的性能和效率很容易出现瓶颈。TVM深度学习编译器通过代码的自动化生成减轻了手工优化的负担,但同时也存在搜索时间长的问题。为此,针对TVM的自动化代码生成框架Ansor,提出基于梯度提升算法的新代价模型和基于预定义规则的调度空间剪枝优化2种优化策略,旨在加速TVM的自动化代码生成过程,实现模型快速落地与部署,并进一步为人工智能技术的应用提供更高效的解决方案。实验结果表明,通过应用优化后代价模型可以在不损失推理时间的前提下,使得在x86 CPU平台上模型的调优时间减少30%~35%,同时优化后算子性能最高可提升22%,使得在深度计算单元(DCU)平台上模型的调优时间减少20%左右,同时优化后算子平均性能提升5.7%,此外,基于预定义规则的剪枝策略可以有效提升代价模型的收敛速度,并且在原有最佳迭代次数下,模型推理时间可提高7.4%。

基于PI参数的二阶线性自抗扰控制参数整定

线性自抗扰控制是一种不依赖于被控过程模型的控制方法,具有很好的工程应用潜力。目前,工业控制过程中大多采用PI控制器,为了确保由调试好的PI控制器平稳切换到线性自抗扰控制器,并使系统仍保持稳定状态,需要合理设置线性自抗扰控制器的参数。为此,在分析二阶线性自抗扰控制器的二自由度等效结构的基础上,推导出其反馈控制器与PID控制器的对应关系,给出一种基于现有PI控制参数直接获取二阶线性自抗扰控制初始参数的方法。最后,在MATLAB/Simulink平台上采用若干典型传递函数和双容水箱液位控制系统进行仿真研究,仿真结果验证了所提方法的有效性。