高熵合金主元元素的作用探讨

合金的性能首先取决于材料的组元,这是材料的基因,准确设计合金元素对材料力学性能的相应变化是建立成分-结构-性能关联性的关键环节。本文从高熵合金概念出发,综述了高熵合金的有关研究文献,详细介绍了多种常用高熵合金元素的功能作用,总结了主元元素对高熵合金组织和性能的影响,展望了高熵合金未来的发展趋势,以期对高熵合金开发和应用提供有益参考。

基于主元分析的温室物联网空气温湿度传感器故障诊断

针对温室物联网测控系统中空气温湿度传感器受恶劣环境影响易发生故障的问题,研究温室物联网测控系统中空气温湿度传感器的故障诊断,保障温室物联网测控系统整体工作的稳定可靠性,提出一种基于主元分析的空气温湿度传感器故障诊断方法。首先对空气温湿度传感器数据进行主元分析,通过监控平方预测误差统计量的变化实现传感器的故障检测;再针对检测出的空气温湿度传感器故障数据,利用加权后的平方预测误差统计量来计算传感器的累积贡献率,并将其作为传感器故障识别的指标,识别出现故障的空气温湿度传感器。利用空气温湿度传感器数据在不同故障条件下进行传感器故障诊断方法验证,验证结果表明:所提方法可用于温室物联网测控系统中空气温湿度传感器偏差故障和漂移故障的检测,偏差故障的检测效果要好于漂移故障,偏差故障综合检测率为100%,漂移故障综合检测率为51.25%;同时所提方法能够正确识别出故障传感器,有效提高温室物联网测控系统中空气温湿度传感器故障诊断结果的准确性。

核结构材料用多主元合金辐照损伤的研究进展

开发具有优异综合性能的核反应堆结构材料是核能发展的基础,并且是长期以来制约核能推广的难点之一。多主元合金(multiprincipal element alloys,MEAs)因具有良好的抗辐照性能、力学性能而被认为是先进反应堆结构材料的候选材料,为新型抗辐照材料的设计开辟了广阔空间。近年来,有关多主元合金在辐照损伤方面的研究多试图揭示多主元合金一些因素和特性对辐照过程中缺陷形成与演变的影响。例如:主元种类和数目、主元浓度、晶格畸变、化学短程序等。尽管现有的一些研究结果表明以上因素可以提高多主元合金抗辐照损伤能力,但是在不同辐照条件下,以上因素对多主元合金中缺陷形成和演变的影响机制存在较大差异,难以得出普适性的结论。本文围绕FCC和BCC系两类多主元合金的辐照肿胀、氦泡形成、辐照诱导元素偏析和相变、辐照硬化四方面内容,综述了近年来多主元合金在辐照损伤方面的研究进展,总结了多主元合金提高抗辐照性能的作用机制,并在此基础上对核电结构用多主元合金的未来研究方向做出了展望,包括短程序调控、高熵陶瓷、增材制造、高通量结合机器学习加速材料开发等。最后指出必须从合金成分设计的角度出发,基于材料服役的实际环境来设计新型抗辐照多主元合金。

基于改进主元分析DDPCA的滚动轴承过渡模态早期故障检测方法

目的 提出一种深度差分主元分析方法用于滚动轴承早期故障检测,解决滚动轴承在运行过程中长期处于变转速等多模态工况,故障特征难以提取和划分的问题。方法 结合差分算法和深度分解原理的分段PCA故障检测方法,使用差分方法对原始数据进行处理,通过K-means聚类方法将具有相似变量特征的过渡模态数据划分成为相同过渡子模态;结合深度分解理论对每个过渡子模态建立故障检测模型,并通过机械故障综合模拟实验台收集的数据验证模型准确性。结果 随着分解阶数的增加,对过渡模态早期故障检测效果逐渐提升,对滚动轴承过渡子模态的划分越来越清晰,误报的情况也随着分解阶数的增加而逐渐减少;滚动轴承持续减速状态下外圈故障一阶分解检测的漏检率为17.2%,二阶分解检测的漏检率为8.6%,三阶分解检测的漏检率为6.6%。结论 笔者所提方法对过渡子模态进行多层分解,可以准确提取过渡子模态中的故障特征并建立分段检测模型,提高了过渡模态的滚动轴承早期故障检测的准确性。

基于分子动力学模拟的多主元合金滑动摩擦学行为研究

随着高性能多主元合金被相继开发并在摩擦学领域的应用迅速扩展,研究并揭示多主元合金的摩擦学行为至关重要。采用分子动力学模拟,构建多主元合金原子尺度滑动摩擦模型,研究FeCoCrNiCu(M1)、FeCoCrNi(M2)、FeNiCr(M3)3种多主元合金的表面形貌、磨损原子、摩擦力、位错及应力的演变。结果表明:M2合金在相同的划痕深度下表面变形最小、磨损粒子数最少、法向力最大,这是由于Co元素的加入使得合金的硬度增强;M1合金展现出更剧烈的塑性变形以及更复杂的位错变形,这是由于Cu元素的加入降低了合金的硬度;M1和M2合金中产生了棱柱位错环,M3合金中却没有观察到,这是由于M3合金的堆垛层错能较低难以形成棱柱位错环。研究结果对多主元合金的开发和应用提供了参考。

优化动态核主元分析的工业过程故障监测方法

针对现代生产工业过程中数据的非线性多模态特征,提出了一种基于人工大猩猩部队优化动态核主元分析(GTO-DKPCA)的故障监测方法。利用自回归移动平均时间序列模型和核主成分分析(KPCA)方法构建DKPCA模型,对过程各阶段的批次数据进行DKPCA处理。通过正常数据和故障数据特征构建自适应度函数,利用人工大猩猩部队优化算法对DKPCA核参数进行优化,以发现最优的非线性特征;通过计算各时间点的霍特林统计量T2和平方预测误差(SPE)统计量进行故障监测。青霉素发酵过程故障监测结果表明,GTO-DKPCA方法比多向核主元分析(MKPCA)和多动态核主元分析(BDKPCA)有更好的监测效果,适应性和准确性更高。

基于改进主元分析的风力发电升压站电气故障检测

本文以某升压站油中溶解生成的五种特征气体的样本数据为基础,利用主元分析算法对升压站进行故障检测,由于风力发电升压站电气故障多呈现为非线性属性、而主元分析假定过程数据是线性,本文针对主元分析的缺点进行改进。试验结果表明,改进主元分析的T2和SPE统计量检测正确率均高于主元分析,最大检测准确率高达100%。

核主元分析与优化核极限学习机模型在电石炉爆炸风险评估中的应用

为准确判断电热法电石生产工艺中电石炉的爆炸风险等级,提出了一种精准有效的风险评估模型。首先,基于危险与可操作性(Hazard and Operability, HAZOP)分析筛选出人、物料、设备、管理四方面的34项爆炸风险因素,考虑到因素间存在非线性关联,采用核主元分析(Kernel Principal Component Analysis, KPCA)进行属性约简,减少冗杂信息的干扰。其次,利用融合了Tent混沌序列、高斯变异与混沌扰动的麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)寻优核极限学习机(Kernel Extreme Learning Machine, KELM)的惩罚系数与核参数,建立KPCA-ISSA-KELM风险评估模型。最后,使用该模型分析83组实例数据,选取其中59组用于模型训练,其余24组用于测试。在测试结果中,该模型正确分类了22组数据的风险等级,判别准确率为91.67%,在各项性能指标上均优于对照模型,表明该模型对电热法工艺电石炉的爆炸风险等级具备高识别精度。

基于改进动态核主元分析算法的化工过程故障检测

为克服工业过程数据的非线性、动态性等限制,提出基于希尔伯特黄变换的动态核主元分析算法(HHT-DKPCA)。首先用标准化正常数据计算均值和标准差,之后对原始数据进行标准化。然后对协方差矩阵进行特征分解,将数据映射到低维空间。HHT变换去噪前对每个主元变量进行降维,然后将去噪后的数据重新映射到高维空间,并重新计算T^(2)和SPE。将HHT-DKPCA与PCA、KPCA、DKPCA、HHT-PCA在TE过程故障数据上的处理结果进行比较,结果表明,HHT-DKPCA具有更高的故障检测率。

去主元相关性DKPCA故障检测与诊断方法

针对动态核主元分析(Dynamic Kernel Principal Component Analysis,DKPCA)在动态非线性过程监控中没有降低数据动态性的影响,导致统计量T^(2)具有显著自相关性的问题,提出一种基于去主元相关性的DKPCA(Dynamic Kernel Principal Component Analysis based on Removing Principal Component Correlation,DKPCA-RPCC)故障检测与诊断方法。首先,对原始数据X进行时滞扩展生成增广矩阵Y并使用KPCA计算主成分M;其次,利用已知数据重构增广矩阵Y,再使用KPCA计算主成分M;然后,通过主成分之间的差异来构建统计量进行故障检测;最后,利用基于变量贡献图的方法进行故障诊断。通过数值例子和田纳西-伊斯曼(Tennessee-Eastman,TE)过程进行仿真验证,并将仿真结果与KPCA、DPCA和DKPCA的结果进行对比。仿真结果说明,该方法在动态非线性过程监控中构建的统计量故障检测性能更高且具有较低的自相关性。

基于主元分析的滑动窗口累积和的微小故障检测

针对传统的多元统计分析方法对生产过程中微小故障检测不灵敏的问题,提出一种基于主元分析的滑动窗口累积和的微小故障检测方法(Principal Component Analysis and Moving Window Cumulative Sum,PCA-MWCUSUM)。利用主元分析(Principal Component Analysis,PCA)对数据降维,去除数据的相关性,计算得出样本的主元得分T^(2);利用滑动窗口技术将相邻某几个主元得分作为一个窗口,同时利用累加和(CUSUM)将每个窗口内T^(2)与T^(2)的均值误差进行叠加,以实现微小故障的累加;利用核密度估计确定故障检测控制限,实现对微小故障的检测。PCA-MWCUSUM通过增加故障工况的偏移尺度提高微小故障检测率。利用数值例子和田纳西-伊斯曼(Tennessee Eastman,TE)过程的仿真实验,并与ICA、PCA-SVDD和K近邻法(KNN)比较分析,实验结果进一步验证了该方法的有效性。

TiVTa系低活化多主元合金的微观结构及相稳定性

制约可控核聚变堆商业化运用的关键问题之一是面向等离子体材料(plasma facing materials,PFMs),难熔多主元合金因其高温高强度、高熔点及良好的耐辐照性有望满足PFMs的需求。本工作设计并采用电弧熔炼制备了(TiVTa)_(95)X_(5)(X=Cr,Zr,W)低活化多主元合金,采用X射线衍射仪(XRD)、扫描电子显微镜(SEM)及能量色散X射线谱仪(EDS)研究了Cr,Zr和W的添加对铸态、匀质TiVTa系合金的微观结构及900℃下相稳定性的影响。结果表明,铸态合金均为具有体心立方(BCC)结构的简单固溶体,经1200℃匀质化处理后(TiVTa)_(95)Cr_(5)合金发生相分解,基体内出现少量C15_Laves第二相。900℃下TiVTa系合金相稳定性不佳,均分解为一个BCC主相和沿晶界分布的C15_Laves第二相,TiVTa和(TiVTa)95 W 5合金中第二相体积分数较小,Cr,Zr的添加加剧相分解。经相结构及元素分析发现,(TiVTa)_(95)X_(5)(X=Cr,Zr,W)合金中析出的C15_Laves相晶格常数及元素组成均与二元合金体系中可能存在的Laves相不一致,差异主要来源于Laves相的元素组成。

Cu40Ni30Fe20Sn5Ti5多主元合金/金刚石复合材料界面反应行为

采用放电等离子烧结方法制备Cu40Ni30Fe20Sn5Ti5多主元合金/金刚石复合材料,通过热力学计算和实验研究黏结相和金刚石的界面反应,分析界面反应对复合材料力学性能及磨损性能的影响。研究结果表明:烧结过程中,多主元合金黏结相中的Ti元素与金刚石在界面处发生了化学反应,生成TiC,且TiC层的厚度随着烧结温度和压力的升高而增加。在950℃烧结的复合材料中,TiC层较厚且致密,黏结相与金刚石界面结合良好,材料的硬度和横向断裂强度最高,此外,金刚石出露良好,能发挥较好的磨损作用,耐磨损性能也最好。当烧结温度高于950℃时,金刚石受到热损伤导致石墨化程度增加,多主元合金黏结相和金刚石的界面结合强度减弱,复合材料的横向断裂强度和磨损性能均降低。因此,适当的界面反应可提升金刚石复合材料的服役性能。

基于故障重构的PCA模型主元数的确定

基于故障重构理论研究了PCA模型主元数的确定方法,应用累积方差贡献率以及复相关系数对主元模型性能进行分析·在基于PCA理论进行故障诊断中,故障变量可根据故障的方向向量进行重构,未重构方差(VRE)可分别投影于主元子空间(PCS)和残差子空间(RS)·确定最优重构是使两空间的VRE之和达到最小,与此相对应的主元数即为最优主元数(PCs)·应用累积方差贡献率以及复相关系数对主元模型性能进行评价,结果表明确定的PCA模型PCs保证了PCS中的信息存量·对于工业PVC聚合反应过程的故障诊断说明了上述方法的合理性与有效性·

基于肖维勒准则与主元分析的有机朗肯循环神经网络建模方法

随着人工神经网络技术的不断发展,有机朗肯循环(organic Rankine cycle,ORC)神经网络模型广泛应用于系统分析和优化领域。针对现有ORC神经网络模型计算量大、时间周期长和精度偏低的问题,本文提出了基于肖维勒准则与主元分析的ORC神经网络建模方法。采用肖维勒准则对ORC实验数据进行预处理,以去除异常数据,同时数据得到规范化处理。随后,采用主元分析对ORC特征进行矩阵变换和降维,以提取与ORC运行显著相关的特征向量。最后,通过实验数据验证了提出方法的有效性。该方法可在提高模型精度的同时,降低建模所需的时间。与基于原始数据的ORC神经网络模型相比,基于该方法的ORC神经网络模型建模所需时间降低了88.69%。同时,模型预测精度提高了19.93%。

基于多向核主元分析的青霉素生产过程在线监测

基于传统主元分析(PCA)方法的过程监测算法假定过程是线性的,对于具有强非线性的生产过程,应用其进行在线监测出现误报率过高的现象.为此提出了一种多向核主元分析(MKPCA)算法用于间歇过程的建模与在线监测.利用PenSim2.0软件将青霉素间歇生产过程的三向数据按批次方向展开为二向数据并进行标准化,采用MKPCA算法建立过程模型并用于过程的在线监测,计算T2、SPE统计量及相应的控制限.仿真结果表明,与传统PCA算法相比,MKPCA算法具有更好的监测性能,不仅大大降低了正常运行过程的误报率,而且能够较早地检测出过程中存在的底物流加速率与搅拌功率故障.MKPCA可以有效处理间歇过程批次间存在的非线性属性,获取过程变量间的非线性关系.

核主元分析在航天器飞轮自主故障诊断的应用

针对在轨航天器执行机构故障诊断研究相对较少、姿态控制系统背景建模相对简单、算法自主性不强等问题,提出一种基于核主元分析(KPCA)的飞轮自主故障诊断方法。建立使用飞轮组的刚体航天器三轴稳定姿态控制系统;在力矩模式和转速模式下分别建立飞轮伺服系统,并给出飞轮常见故障及其模型;在上述模式下分别采集飞轮组输入输出的差值数据,进行同源扩维,通过改进特征向量归一化准则,优化了KPCA统计量法,并建立一种综合指标,通过比对该指标是否超限判断有无故障,减少对单一指标的主观侧重;在经典的贡献图法基础上进行溯源合并,计算综合贡献率,以此定位故障飞轮。仿真结果表明:所提方法能够实现航天器飞轮自主故障诊断,2种模式下,正确率较传统方法分别平均提高约40.94%、22.23%,适用于单点故障、多点故障、轻微故障等多种情况。

一种基于分级输入训练神经网络的非线性主元分析

基于输入训练神经网络的非线性主元分析(PCA)能够有效地提取过程变量的非线性主元,但是存在主元的个数不能通过网络训练确定,且各个主元重要程度在神经网络中无法区分等缺点,本文提出一种分级输入自调整神经网络,并进一步提出基于此网络的非线性PCA,通过多级输入自调整神经网络,将主元按顺序找出,且根据主元对过程数据的预测误差定量地确定出主元的个数,克服了上述缺点.*

鲁棒主元分析在掌纹识别中的应用

为了对存在异常值的图像构建低维线性子空间的描述,提出用鲁棒主元分析(RPCA)的新方法进行掌纹识别。运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用RPCA提取低维的投影向量,然后将训练图像和待识别图像向投影向量上投影得到鲁棒主元特征,计算特征向量间的余弦距离进行掌纹匹配。运用PolyU掌纹图像库进行测试,结果表明,与主元分析(PCA)、独立元分析(ICA)和核主元分析(KPCA)相比,RPCA算法的识别率最高为99%,特征提取和匹配总时间0.032 s,满足了实时系统的要求。

基于二维主元分析的间歇过程故障诊断

传统的多向主元分析(MPCA)已广泛应用于监视多变量间歇过程。在MPCA算法中,三维的间歇过程数据需要转换为高维的二维向量,导致计算量和存储空间大,同时不可避免地丢失一些重要信息。因此,提出一种新的基于二维主元分析(2DPCA)的故障诊断方法。由于每个批次的间歇过程数据是一个二维向量(矩阵),应用以各个批次矩阵为分析对象的2DPCA算法,避免矢量化,存储空间和存储需求小;另外,2DPCA采用各个批次的协方差的平均值来进行建模,能够更加准确地反映出不同类型的故障,在一定程度上增强了故障诊断的准确性。半导体工业实例的监视结果说明,2DPCA方法优于MPCA。