量测噪声环境下反应堆功率模型预测控制研究

在核电反应堆功率闭环控制系统中,功率监测存在量测噪声的问题,应用无噪声的预测模型对反应堆的功率进行预测控制.从反应堆功率模型的状态空间出发,搭建了模型预测控制算法与目标函数,遵循模型预测控制的预测模型、滚动优化和反馈校正的三步控制方法,实现对有量测噪声的反应堆功率系统的控制.通过MATLAB仿真实验,比对了模型预测控制算法与输出反馈的PID控制方法.实验结果表明,应用于有量测噪声的反应堆功率系统的模型预测控制算法在轨迹跟踪、状态量动态变化及控制信号能量上均优于PID控制算法.     

EAST高频氘弹丸注入系统及其工程调试

先进实验超导托卡马克 (EAST) 作为国际上具有类似国际热核聚变实验堆 (ITER) 等离子体位型的全超导托卡马克之一, 最近发展和建成了一套挤压成冰气动加速高频弹丸注入系统 (PI-50), 主要在EAST上用于等离子体边界局域模控制和芯部加料。PI-50弹丸注入器含有两个弹丸注入模块, 并且配备了完善的供气系统。整个弹丸注入器的主要设计参数:发射弹丸频率为1~50 Hz可调, 弹丸的尺寸为Φ1.5 mm×1.8 mm、Φ1.5 mm×1.5 mm和Φ1.5 mm×1.2 mm, 弹丸发射速度为150~250 m/s。最近该系统已经完成了台面测试, 获得了初步的测试结果。目前, PI-50系统的辅助真空抽气系统、低温系统、弹丸传输管道以及该系统本身已经全部安装到EAST实验现场。相关的联机调试将会在2017年EAST下半年的物理实验中进行。     

基于改进BP的分子泵故障诊断研究

分子泵为EAST装置提供洁净的真空环境,其运行状态影响EAST实验的顺利开展。由于在EAST实验运行过程中,分子泵设备可能会出现异物坠入或者真空泄漏故障,对装置造成次生危害。针对分子泵故障数据集不平衡导致故障诊断精度低以及模型过拟合问题,提出一种基于时域频域预处理与改进BP相结合的算法,实现分子泵故障诊断。通过在BP神经网络的基础上,引入粒子群算法(PSO)并结合五折交叉验证优化模型。首先在模拟分子泵故障的破坏性测试平台上,采集正常态、真空泄漏以及异物坠入故障振动信号,然后对数据进行时域频域特征提取融合,将得到的特征向量集作为优化算法的输入,对模型进行训练,实现分子泵故障诊断。经实验验证,所提出改进BP算法在诊断精确率上可以达到96.84%,优于支持向量机(SVM)、K近邻（KNN）和BP算法。     

真空检漏机器人目标识别技术研究

在聚变装置真空检漏领域中,未来聚变装置涉氚运行,检漏人员无法进入装置检漏,这使得这项任务极其困难和耗时。 为实现聚变装置泄漏设备的快速准确检测,本文以 6 自由度机械臂为研究对象,提出了一种 GV2-YOLOv5 的真空设备检测方法 用于真空检漏机器人对真空设备进行识别和定位喷氦。 在该方法中,结合轻量级 GhostNetV2 网络构建 C3GhostV2 模块,同时使 用轻量的 Ghost 卷积提取目标特征,从而降低模型参数量,提高计算速度;在特征融合网络中添加 Bottleneck Transformers 和 ECA 注意力机制,提高网络特征提取能力以及加强模型通道特征。 实验结果表明,在自制数据集上,改进后的模型平均精度为 93. 2%,相比 YOLOv5s 提高了 1. 4%,模型参数量减少了 29. 5%,检测速度为 92 fps,满足实时性与准确性的需求,为真空检漏机 器人目标识别与定位提供了一种的解决方案。     

基于EPICS的EAST真空集控系统设计

全超导托卡马克核聚变实验装置(EAST)是2006年建成的世界上第一个全超导托卡马克。为进一步提高装置在长脉冲、高参数模式下的运行能力,2020年装置进行了包括真空系统在内的大规模升级改造。真空控制系统除了硬件架构调整外,也采用了全新的应用框架对软件进行重构。本文介绍了一种基于实验物理与工业控制系统(EPICS)的大型真空集控系统的设计和实现的方法,并提供包括通信、数据归档、报警、人机交互等在内的集成方案。经过实验运行,新的控制系统不仅实现了约600余套设备的全参数监控,其在系统的扩展性、可靠性以及生态的开放性等方面有着无可比拟的优势。为下一代聚变装置控制系统的研发奠定了基础。     

基于Z源变换器的直流无刷电机驱动系统研究

本文利用Z源变换技术实现直流母线升压和直流无刷电机调速一体控制,将原来的二级系统变为一级系统并且允许上下桥臂直通,提高了系统能量使用的效率.采用仿真软件对直流母线升压和直流无刷电机控制的算法进行仿真,结果证实该算法有效,达到预期目标.     

基于代价敏感型LightGBM的分子泵故障检测

针对EAST全超导托卡马克装置的分子泵在数据集不平衡条件下导致的故障识别率低,模型容易过拟合等问题,提出了一种基于时频域分析与改进的LightGBM算法相结合的方法。首先,利用在EAST搭建的分子泵实验平台采集正常与故障的振动数据,再对数据进行时频域特征提取。其次,通过优化误分类代价,建立了代价敏感型LightGBM故障检测架构。最后,将得到的特征量作为代价敏感型LightGBM算法的输入,实现分子泵故障检测。经实验验证,该方法的正确率达99.4%,同时,所提出的方法在误报率和漏检率方面均优于传统分类算法与LightGBM算法。此方法能够有效解决模型过拟合问题,实现对分子泵故障的高准确率检测。