Mechatronic Modeling and Domain Transformation of Multi-physics Systems

The enhanced definition of Mechatronics involves the four underlying characteristics of integrated,unified,unique,and systematic approaches.In this realm,Mechatronics is not limited to electro-mechanical systems,in the multi-physics sense,but involves other physical domains such as fluid and thermal.This paper summarizes the mechatronic approach to modeling.Linear graphs facilitate the development of state-space models of mechatronic systems,through this approach.The use of linear graphs in mechatronic modeling is outlined and an illustrative example of sound system modeling is given.Both time-domain and frequency-domain approaches are presented for the use of linear graphs.A mechatronic model of a multi-physics system may be simplified by converting all the physical domains into an equivalent single-domain system that is entirely in the output domain of the system.This approach of converting(transforming)physical domains is presented.An illustrative example of a pressure-controlled hydraulic actuator system that operates a mechanical load is given.

Model-Driven Derivation of Domain Functional Requirements from Use Cases

Domain analysis is essential to core assets development in software product line engineering. Most existing approaches, however, depend on domain experts’ experience to analyze the commonality and variability of systems in a domain, which remains a manual and intensive process. This paper addresses the issue by proposing a model-driven approach to automating the domain requirements derivation process. The paper focuses on the match between the use cases of existing individual products and the domain functional requirements of a product line. By introducing a set of linguistic description dimensions to differentiate the sub-variations in a use case, the use case template is extended to model variability. To this end, a transformation process is formulated to sustain and deduce the information in use cases, and to match it to domain functional requirements. This paper also presents a prototype which implements the derivation as a model transformation described in a graphical model transformation language MOLA. This approach complements existing domain analysis techniques with less manual operation cost and more efficiency by automating the domain functional requirements development.

基于Transformer和多特征融合的DGA域名检测方法

针对域名生成算法生成的恶意域名隐蔽性高,现有方法在恶意域名检测上准确率不高的问题,提出一种基于Transformer和多特征融合的DGA域名检测方法。该方法使用Transformer编码器捕获域名字符的全局信息,通过并行深度卷积神经网络获取不同粒度的长距离上下文特征,同时引入双向长短期记忆网络BiLSTM和自注意力机制Self-Attention结合浅层CNN得到浅层时空特征,融合长距离上下文特征和浅层时空特征进行DGA域名检测。实验结果表明,所提方法在恶意域名检测方法上有更好的性能。相对于CNN、LSTM、L-PCAL和SW-DRN,所提方法在二分类实验中准确率分别提升了1.72%,1.10%,0.75%和0.34%;在多分类实验中准确率分别提升了1.75%,1.29%,0.88%和0.83%。

任意起伏地形下重力异常三维正演及并行计算

为了进一步提高空间-波数域三维重力异常正演算法的适用范围和计算效率,本文采用任意傅里叶变换算法实现了空间-波数域三维重力异常正演,且在NVIDIA CUDA平台上进行CPU-GPU并行加速.任意傅里叶变换算法的基本思想是将二维傅里叶变换转化为两个一维傅里叶变换,一维傅里叶变换积分离散为多个单元积分累加和,离散单元中原函数采用二次插值形函数拟合,求出单元积分的解析表达式.相比现有的傅里叶变换算法,新方法具有采样灵活、积分精度高、计算速度快和傅里叶变换的截断效应小等优势.利用空间-波数域算法的高度并行性,采用CPU并行求解常微分方程,GPU并行计算任意傅里叶变换,实现了CPU-GPU并行加速方案,进一步提升了本文算法效率.利用常密度模型,对比数值解和解析解,结果表明本文算法正确;利用变密度模型对比了任意傅里叶变换算法与高斯快速傅里叶变换算法的计算效率与精度,在相近的数值精度下,本文算法波数选取少,效率高;测试CPU-GPU并行效果,结果表明相比CPU串行算法,CPU-GPU并行算法的计算效率大大提升,千万数量级节点数模型正演仅耗时数秒.最后利用实际地形数据进行三维重力异常场数值模拟,证明了新方法的高效性与实用性,对实现大规模复杂条件下重力异常精细化反演成像与综合解释有重要意义.

基于大数据的高校教务域数仓应用研究

针对当前业界大数据方法论的实践对高校场景化业务支撑有限、大数据视角的教育数据价值未能得到有效挖掘利用的问题,探索高校数据仓库建设方法路径。以构建可持续迭代的智慧校园数字基础设施为目标,以大数据维度建模方法论为基础,结合高校数据自身的特点,以教务域数仓的建设为例,通过深入了解源业务系统、丰富数仓建模知识,总结出了一套对高校来说切实可行的建模思路和方法论,其创新性主要体现在数据整合、标准化数据管理、建模方法和建设方式等方面。该方法为发掘数据价值、促进校级能力整合、推动高校实现数字化转型提供了基本保障。

基于机器视觉的筒子纱线头识别方法

为了在纺织织造的整经工序中高效吸取筒子纱线头,克服人工和机器寻线工作效率低、装置复杂等问题,提出了一种基于机器视觉的筒子纱线头识别方法。首先,对采集的筒子纱图像进行畸变校正,根据透视投影和局部透视变换建立筒子纱校正模型,得到理想的筒子纱侧面展开图像;其次,采用4邻域连通规则对校正后的图像进行连通域标记,得到含曲线部分最多的连通域;最后,计算该连通域的曲折度,达到阈值的即为所需识别的线头。对含线头图像和不含线头图像进行识别,结果表明:局部透视变换的校正方法比重映射速度提升近30%,表现出较高的校正精度;曲折度阈值判别方法能有效滤除非线头图像,提高了线头图像的识别精度。使用机器视觉进行筒子纱线头识别能有效检测出每个筒子纱中的线头部分,减少生产线上的人工干预,为构建高效节能的智能化生产模式提供参考。

多体动力学模型的Modelica语言建模

对Adams多体模型结构及Modelica模型的转换方法进行了研究。对多体动力学模型结构及建模方式进行分析,根据Adams多体模型结构设计了对应的Modelica多体模型结构。研究了Adams多体模型各组件包含的信息,以及与Modelica模型的异同,提出了各多体组件的转换方法。最后给出了多体模型转换验证实例与结果。该研究有助于提高多领域仿真系统的多体建模效率及与传统多体系统的兼容性。

基于MBSE的并行数字化转型模式研究

随着企业业务的日益复杂及文档数据越加繁琐,数字化转型成为了必然趋势,对基于模型的数字化转型模式进行了研究。该模式强调数字化转型的同时保持原有业务活动正常开展,通过数字化专家与领域专家合作的并行化模式,构建领域模型数据库,推动数字化转型中对信息的统一配置控制和系统工程全过程数据资产的数字化和模型化。

基于空间域图像生成和混合卷积神经网络的配电网故障选线方法

传统的配电网故障选线方法大多基于一维零序电流序列构建故障诊断模型,单一的诊断模型往往限制了故障特征的深层挖掘。为了提高故障选线的准确率,提出一种基于空间域图像和混合卷积神经网络的配电网故障选线方法。首先,利用优化的降噪光滑模型对零序电流信号进行降噪处理,减少外界环境的电磁干扰。其次,利用对称希尔伯特变换将一维时域信号转成二维空间域图像,图像的颜色、形状和纹理特征能够充分反映当前系统的运行状态。最后,将一维时域信号和二维空间域图像同步作为混合卷积神经网络的输入,充分挖掘系统的故障特征,利用Sigmoid函数实现故障选线。在辐射状配电网、IEEE-13节点模型、IEEE-34节点、StarSim仿真平台上模型上进行了实验验证。实验结果表明,该选线方法可以有效克服传统方法过度依赖主观特征选择、抗噪性能差等问题,能够在高阻接地、采样时间不同步、两点接地故障等极端情况下可靠地筛选出故障线路。

基于BERT-BiLSTM-CRF模型的油气领域命名实体识别

针对油气领域知识图谱构建过程中命名实体识别使用传统方法存在实体特征信息提取不准确、识别效率低的问题,提出了一种基于BERT-BiLSTM-CRF模型的命名实体识别研究方法。该方法首先利用BERT(bidirectional encoder representations from transformers)预训练模型得到输入序列语义的词向量;然后将训练后的词向量输入双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)模型进一步获取上下文特征;最后根据条件随机场(conditional random fields,CRF)的标注规则和序列解码能力输出最大概率序列标注结果,构建油气领域命名实体识别模型框架。将BERT-BiLSTM-CRF模型与其他2种命名实体识别模型(BiLSTM-CRF、BiLSTM-Attention-CRF)在包括3万多条文本语料数据、4类实体的自建数据集上进行了对比实验。实验结果表明,BERT-BiLSTM-CRF模型的准确率(P)、召回率(R)和F_(1)值分别达到91.3%、94.5%和92.9%,实体识别效果优于其他2种模型。

基于地质模型的无井区复频域地震反演方法

对基于模型的反演方法而言,合理的初始模型不仅可以补偿缺失的地震低频信息,也能提高地震反演精度和稳定性。然而,在无井或少井区,地球物理反演面临数据匮乏、资料品质不高的问题,难以直接从井数据中得到较丰富的低频信息,因此获取低频模型是无井区地球物理反演和油藏特征描述的关键。为此,针对新区勘探探索了一种基于地质模型的无井区复频域地震反演方法。首先,在考虑断层影响的基础上,参考地震相定性指导宏观趋势,融合了道积分的低频相对变化,充分运用无井区的地质、地震数据,为无井区反演提供可靠的低频信息。之后,根据复频域反演挖掘地震数据低频信息,将无井初始模型作为复频域反演的低频模型,结合盲信号理论提取地震盲子波,最终得到补充低频信息的复频域无井低频模型,可在一定程度上缓解无井区地震反演的低频成分缺失问题。最后,利用模型和实际工区数据测试了新方法的效果。结果表明,复频域无井反演弹性阻抗与井上弹性阻抗曲线拟合良好,与有井稀疏脉冲反演结果相比,尽管局部精度略低,但复频域无井反演结果的总体趋势及储层展布特征与有井反演结果基本一致,证明了所提方法在无井区的有效性。

面向雷达图像分类模型的两步式对抗样本检测技术

深度学习技术极大地提高了雷达图像目标分类的精度,但由于神经网络自身的脆弱性使得雷达图像分类系统的安全性受到威胁。本文对雷达对抗样本的攻击性及雷达对抗样本与原始样本在频率域上的差异性进行了分析,并在此基础上,提出了两步式雷达对抗样本检测技术来提升雷达分类模型的安全性。首先基于频率域对输入的雷达图像进行第1步对抗样本检测,分离出对抗样本,然后将剩下的图像分别送入到一个经过对抗训练的模型和一个未经过对抗训练的模型进行第2次对抗样本检测。通过这种两步式的检测方法,可以有效地检测出对抗样本,检测成功率不低于95.73%,有效提升了雷达分类模型的安全性。

基于多尺度卷积和注意力机制的伪造域名检测

现有恶意域名检测模型主要利用字符和单词特征构造分类器,极易导致新出现或新变种等伪造域名的漏报。因此,提出一种基于多尺度卷积和注意力机制的伪造域名检测算法。首先,利用长短时记忆神经网络(Long Short-Term Memory,LSTM)改进的Transformer编码器,细粒度地捕获域名字符串中的多尺度特征;然后,利用注意力机制将多尺度特征融合,深层次提取域名字符串在空间和时间序列维度上的特征信息;最后,引入强化学习算法端到端的优化模型。在多个开源伪造域名集上进行测试,实验结果表明,所提模型在合法域名和伪造域名的二分类任务中可以实现98.03%的Accuracy、97.91%的Precision、2.01%的FPR、1.55%的FNR和98.18%的F1-score,在多家族伪造域名的多分类任务中表现同样良好。

融合智能算法及频域介电谱法的变压器油纸绝缘状态评估研究

针对变压器绝缘状态评估提出一种结合非支配排序遗传算法(non-dominated sorting genetic algorithmⅡ,NSGA-Ⅱ)和扩展Cole-Cole模型的组合方法,提取特征参数并应用于实验室样本和变压器的绝缘状态评估工作。首先,收集不同状态绝缘样本的频域介电谱信息;然后,对扩展Cole-Cole模型进行解耦分析,以区分不同的介电响应行为;接着,使用NSGA-Ⅱ算法求解扩展Cole-Cole模型分离特征参数,并使用Pearson相关系数法获得所需的特征参数;最后,基于获得的特征参数,借助神经网络工具开展实验室样本和现场变压器的绝缘状态评估。结果表明,基于智能算法及频域介电谱法的变压器油纸绝缘状态评估具有较高的准确性和适用性。

车载变压器油纸绝缘受潮状态的评估方法研究

车载变压器内部油纸绝缘状况是影响动车运行的重要因素,采用FDS法测试了不同受潮程度车载变压器油纸绝缘试样,用修正的Havriliak-Negami介电弛豫模型分析模型参数随水分的变化,利用灰狼算法从模型参数中提取能够表征参量,对水分含量进行评估,对测试得到的水分含量为2.40%的车载变压器油纸绝缘样品进行评估。结果表明:提出的方法能够对车载变压器油纸绝缘的水分含量进行有效评估,利用该评估方法与实测值的误差在0.8%,为车载变压器油纸绝缘受潮状态评估提供了一种新的方法。

基于Transformer的DGA域名检测方法

已有DGA检测方法已经获得了较高的检测精度,但在缩略域名上存在误报率高的问题。主要原因是缩略域名字符间随机性高,现有检测方法从随机性角度很难有效地区分缩略域名和DGA域名。在分析了缩略域名的字符特性后,基于自注意力机制实现了域名字符依赖性的检测;并采用LSTM改进了Transformer模型的编码方式,以更好地捕获域名中字符位置信息;基于Transformer模型构建了DGA域名检测方法(MHA)。实验结果表明,MHA可以有效地区分出DGA域名和缩略域名,得到了更高的精确率和更低的误报率。

A WYNER-ZIV VIDEO CODING METHOD UTILIZING MIXTURE CORRELATION NOISE MODEL

In Wyner-Ziv (WZ) Distributed Video Coding (DVC), correlation noise model is often used to describe the error distribution between WZ frame and the side information. The accuracy of the model can influence the performance of the video coder directly. A mixture correlation noise model in Discrete Cosine Transform (DCT) domain for WZ video coding is established in this paper. Different correlation noise estimation method is used for direct current and alternating current coefficients. Parameter estimation method based on expectation maximization algorithm is used to estimate the Laplace distribution center of direct current frequency band and Mixture Laplace-Uniform Distribution Model (MLUDM) is established for alternating current coefficients. Experimental results suggest that the proposed mixture correlation noise model can describe the heavy tail and sudden change of the noise accurately at high rate and make significant improvement on the coding efficiency compared with the noise model presented by DIStributed COding for Video sERvices (DISCOVER).

基于N-gram和Transformer的DGA恶意域名检测

针对使用域名生成算法(DGA)产生的恶意域名隐蔽性强,传统机器学习检测算法提取特征复杂等问题,提出了基于N-gram和Transformer的恶意域名检测方法。对域名数据添加首尾标志位,使用N-gram算法分割成词组元素后转换为向量输入Transformer模型。该模型能够有效的提取域名的字母组合特征,并且捕捉到域名中字母的位置信息,如域名中的首部和尾部字符、字母间的位置关系等特征,从而更准确的识别恶意域名。实验中使用Alexa的合法域名和360安全实验室采集的恶意域名作为数据样本,使用N-gram算法处理二级域名字符串,并与基于机器学习和深度学习的分类算法进行对比,实验结果表明该算法对DGA域名检测准确率达96.04%,能够有效、准确地识别出恶意域名。

Enhancing the resolution of seismic data based on the generalized S-transform

In this paper, we analyze the seismic signal in the time-frequency domain using the generalized S-transform combined with spectrum modeling. Without assuming that the reflection coefficients are random white noise as in the conventional resolution-enhanced techniques, the wavelet which changes with time and frequency was simulated and eliminated. After using the inverse S-transform for the processed instantaneous spectrum, the signal in the time domain was obtained again with a more balanced spectrum and broader frequency band. The quality of seismic data was improved without additional noise.