基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

工作压强对SiC空心微球结构及性能的影响

采用化学气相沉积（CVD）-高温热解法,在不同工作压强条件下,制备了惯性约束聚变靶用SiC空心微球。利用X射线光电子能谱仪、扫描电子显微镜、白光干涉仪、X射线照相机对SiC空心微球的成分、表面形貌、表面粗糙度、球形度以及壁厚均匀性进行了测试与分析。研究结果表明：随工作压强的增加,SiC空心微球的表面均方根粗糙度先减小后增加,当工作压强为15 Pa时,表面均方根粗糙度达到最小值98 nm;随工作压强的增加,SiC空心微球的球形度未发生明显变化,且均优于97%;而壁厚均匀性则随工作压强的增加先增加后减小,当压强为15 Pa时,壁厚均匀性可达95%。     

AlNi纳米合金薄膜低温电阻率的特性研究

通过磁控溅射制备了AlNi纳米合金薄膜,并利用自制的直排四探针低温测量系统测量了薄膜电阻率随温度(8~300K)的变化规律。结果表明:由于电子-声子和电子-磁子相互作用,纯Al和Ni纳米晶薄膜的电阻率分别呈现出正的电阻率温度系数,且电子-磁子散射对电阻率的贡献主要体现在高温区(80~300K),在低温区(40K)电子-晶界/表面散射对电阻率的贡献占主导地位。Ni原子掺入量的增加,诱导了纳米晶薄膜无序程度的增强,从而使Al1-xNix纳米合金薄膜逐渐由晶体的金属特性过渡到半导体特性,导致其呈现出负的电阻率温度系数。由于增强的电子极化效应,Al1-xNix纳米合金薄膜电阻率与温度的关系并不完全遵循半导体的热激发导电模型。     

输电线路缺陷风险建模及其预测方法研究

输电线路缺陷发展状况的预测评估工作对安排检修和制定运维策略有着指导性意义。针对目前输电线路整体缺陷状况的评价指标较为模糊和单一、不同内外环境下输电线路缺陷发展状况不一致的问题,提出了输电线路缺陷风险建模及其预测的方法。该方法首先根据输电线路自身的特点将其细分成若干个部件。然后对输电线路各部件的缺陷严重程度进行量化,并根据输电线路的缺陷历史数据,通过隶属度分析进而定义得到输电线路整体的缺陷风险值。最后研究了各种随机因素分别对线路各部件缺陷风险值的影响。建立基于支持向量机的输电线路缺陷风险值预测模型并对线路未来时段内的缺陷风险值进行预测。通过实例证明了该方法对输电线路缺陷风险值预测的可行性。     

空心微球上Al-W多层涂层的制备与表征

在惯性约束聚变研究中,高-低Z金属涂层对提高靶丸的性能具有重要的作用。本实验采用直流磁控溅射技术和驱动微球运动的倾斜旋转托盘与敲击装置,在GDP空心微球表面溅射了不同工作气压的Al-W多层涂层,利用扫描电镜(SEM)、原子力显微镜(AFM)、X射线衍射仪(XRD)研究气压变化对多层涂层质量的影响规律。结果表明:多层涂层的厚度均匀性好,达90%以上,涂层均呈致密的柱状晶生长,残余应力小,涂层质量受工作气压影响显著。涂层结构的致密度随气压增大而下降,涂层的形貌与颗粒尺寸发生相应的变化,致使多层涂层的表面粗糙度随气压增大呈现出先减小后增大的变化趋势。当工作气压为0.5 Pa时,Al-W涂层的综合性能最好,表面颗粒形貌为细小均匀的塔形,表面粗糙度值低至331.1 nm,残余应力小。     

基于单一气源的PECVD方法制备SiC薄膜及其微观结构研究

为制备出满足惯性约束聚变(ICF)实验要求的SiC薄膜,本文采用等离子体增强化学气相沉积(PECVD)法,以四甲基硅(TMS)作为唯一反应气源,在不同工作压强下制备SiC薄膜。利用扫描电子显微镜、表面轮廓仪、原子力显微镜、精密电子天平、X射线光电子能谱、傅里叶变换红外光谱对薄膜进行表征与分析。结果表明：SiC薄膜的成分与工作压强密切相关,随着工作压强的增加,薄膜中Si含量整体呈下降趋势;随着工作压强的增加,薄膜沉积速率先增大后减少,密度先减小后增大;与其他制备工艺相比,采用单一气源制备SiC薄膜,其表面粗糙度极低(1.25～1.85 nm),薄膜粗糙度随工作压强的增加呈先增大后减小的趋势。     

基于单一气源的PECVD方法制备SiC薄膜及其微观结构研究

为制备出满足惯性约束聚变（ICF）实验要求的SiC薄膜,本文采用等离子体增强化学气相沉积（PECVD）法,以四甲基硅（TMS）作为唯一反应气源,在不同工作压强下制备SiC薄膜。利用扫描电子显微镜、表面轮廓仪、原子力显微镜、精密电子天平、X射线光电子能谱、傅里叶变换红外光谱对薄膜进行表征与分析。结果表明：SiC薄膜的成分与工作压强密切相关,随着工作压强的增加,薄膜中Si含量整体呈下降趋势;随着工作压强的增加,薄膜沉积速率先增大后减少,密度先减小后增大;与其他制备工艺相比,采用单一气源制备SiC薄膜,其表面粗糙度极低（1.25～1.85 nm）,薄膜粗糙度随工作压强的增加呈先增大后减小的趋势。     

用于ICF的非晶SiC微球制备及微观结构研究

以四甲基硅烷、反式二丁烯和氢气为工作气源,采用化学气相沉积-高温热解法成功制备了壁厚约21μm的非晶SiC微球。利用能量色散X射线光谱仪、X射线光电子能谱仪、X射线衍射仪、Raman光谱仪、扫描电子显微镜、白光干涉仪和X射线照相机对SiC微球的化学成分、结晶状态、表面形貌与粗糙度以及密度与球形度等进行了测量和分析。结果表明:在无氧环境下,通过450~900℃的高温热解及致密化可将在聚α甲基苯乙烯芯轴上沉积的掺硅碳氢聚合物涂层转变成致密的SiC微球。SiC微球呈非晶态,其C/Si原子比约为1.3,主要含有C—Si键和C=C键,微观结构呈无规则状且颗粒分布均匀,密度、球形度和壁厚均匀性分别为2.62 g/cm~3、99.8%和96.8%。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE(BSMOTE)算法与卷积神经网络(CNN)相结合的输电线路故障分类方法.该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然...     

状态方程靶的纳米胶连复合技术研究

为了模拟和解释材料在激光冲击产生的高应变率和压力下的实验现象，物理实验对状态方程实验靶多层材料之间的胶层厚度提出了亚微米级的需求。针对现有复合方法的不足，本文采用引发式化学气相沉积方法制备固体原胶薄膜，并采用液相活化方法对原胶薄膜进行活化和固化，实现了状态方程实验靶的亚微米级无损胶连复合。采用多种表征技术对纳米胶连复合样品的胶层厚度及形貌进行表征，胶层厚度为亚微米级，最薄时仅300 nm。本文所报道的纳米胶连复合方法能为激光加载压缩物理实验的精度提高和实验结果的准确解释提供制靶技术保障。