基于人工智能的威胁检测与防护系统

文中针对传统的基于签名匹配的威胁检测系统存在的局限,探讨了人工智能技术在网络安全防护中的应用。通过分析异常检测、恶意软件检测和自动化安全响应3个方面,阐明了机器学习和深度学习模型可以实现对未知威胁的检测和主动防御。研究认为,人工智能驱动的网络安全防护系统代表了技术发展的方向,但还需进一步的数据积累和模型优化,以实现更智能的商业安全产品的开发。     

激光冲击金属黏结层高温热循环应力演化规律的有限元模拟

目的 探索激光冲击(LSP)对高温热循环(反复升温、保温和降温)过程中热障涂层中的热生长氧化物(TGO)表面及TGO/黏结层(BC)界面应力分布的影响规律。方法 基于真实TGO形貌,建立有限元模型,从应力演化角度分析LSP改性(LSPed)与未改性(Non-LSPed)试样危险区域的失效形式;使用拉曼光谱法(RFS)对氧化后的金属黏结层进行残余应力测试。结果 TGO应力分布随着形貌的起伏呈现相应的起伏变化。TGO表面压应力最大值出现在波峰位置,经10次热循环后LSPed试样TGO表面S11(平行于涂层表面的正应力)压应力最大值大于Non-LSPed试样,经50次热循环后LSPed试样TGO表面压应力最大值远小于Non-LSPed试样;随着热循环次数的增加,2类试样TGO/BC界面S11应力的差别变小。LSPed试样TGO表面S22(垂直于涂层表面的应力)应力随着热循环次数的增加逐渐增大,但S22拉应力小于250 MPa,应力总体偏低。TGO/BC界面S22、S12(平行于涂层表面的剪切应力)应力随循环次数的变化规律基本一致,经10次热循环后,LSPed试样的S22、S12应力均大于Non-LSPed试样;经50次热循环后,2类试样界面的S22、S12应力相差不大。结论 文中构建的TGO应力有限元仿真模型,模拟结果与测试结果吻合。LSP通过调控TGO生长速度,可以有效缓解TGO生长过程中应力的剧烈变化,大幅降低TGO表面S11和S12应力最大值,进而降低TGO表面产生垂直于表面贯穿裂纹和剪切破坏的风险,LSP对TGO表面(TGO/BC界面)应力状态的影响较小。     

随机卷积神经网络的内燃机健康监测方法研究

提出了一种深度学习网络即结构-随机卷积神经网络,用于实现内燃机的智能健康监测。集成多个单一的卷积神经网络构成新的网络构架,通过卷积计算和池化操作对振动信号进行自动特征提取。在随机卷积神经网络结构中,应用Adabound优化器使学习率自适应变化,从而加快模型的权值更新。同时通过Dropout技术使结构中神经元随机失活,防止对训练数据进行复杂的协同响应,通过Dempster合成规则融合各个网络模型的诊断结果。所提出的健康监测方案用于对内燃机工作时的振动信号进行分析。实验证明,该方法克服了传统的数据驱动和卷积神经网络健康监测方法的局限性,摆脱了对人工特征设计的依赖,并且有较好的诊断性能,能够有效地对内燃机进行健康监测。