托卡马克磁流体扰动信号智能检测技术的研究

摘要

托卡马克试验中磁流体破裂是危害实验设备和人员安全的主要威胁之一。磁流体扰动信号诊断和分类是判断磁流体是否稳定的重要方法之一。利用智能检测技术对磁流体不稳定形成的磁流体扰动信号进行自动准确地识别一直是研究者热衷的课题。
　　本文结合磁流体不稳定形成的磁流体扰动信号的特点，利用改进的 S变换算法提取了基于频率特征点的特征向量，分析了基于PCACL(Principal Component Analysis&Cross Learning,主成分分析和交叉学习) K-means聚类算法的径向基函数神经网络分类器和基于PCACL K-means聚类算法的加权超球体支持向量机的分类稳定性和分类正确率。最后文章讨论了磁流体稳定性的影响因素并在此基础上介绍了远程智能磁流体扰动信号诊断系统的框架设计方案、总体结构和功能模型。本文的主要工作如下：
　　1.在信号特征提取环节，利用S变换算法将采集到的时域磁流体扰动信号变换成时间频率域的一组特征向量。针对S变换算法不能兼得最优时间分辨率和最优频率分辨率的情况增加了调节参数来平衡二者。此外为了选取最佳参数提出了参数评价标准，以能量损失程度高低为标准选择最优参数。实验结果证实了改进的有效性。
　　2.构建了一个基于PCACL K-means聚类算法的径向基函数神经网络分类器，将干扰形成的磁流体扰动信号与磁流体不稳定形成的磁流体扰动信号区分开。本文对分类器激活函数中心与权值向量和方差进行了异步优化，分类器激活函数中心通过PCACL K-means聚类算法获得。文章提出的PCACL K-means聚类算法是基于加强型K-means聚类算法的改进算法，该聚类算法用于训练隐藏层的激活函数中心，提高了算法收敛于一个无关于初始指定中心的近似最优结果的可能性。实验表明，基于PCACL K-means聚类算法的径向基函数神经网络算法泛化性能和分类正确率上优于加强型K-means聚类算法的径向基函数神经网络算法，满足了控制系统的设计目标。
　　3.讨论了多种目前流行的支持向量机算法，通过比较它们的优缺点为提出新的算法夯实了理论基础。支持向量机算法追求分类间隔尽量大，这也体现了结构风险最小化的原则。在多类别分类情况下，针对某些支持向量机算法无法克服训练样本数量差异带来的影响，提出了基于PCACL K-means聚类算法的加权超球体支持向量机。该支持向量机定义了加权系数来调节正例和反例与超球面之间的隔离边缘最大值，在训练样本数量不足时可以有效减少误判的风险；同时该超球体支持向量机的初始中心是通过PCACL K-means聚类算法得到的，减少了训练时间。另外文章还提出了改进型的增量学习法来训练支持向量机。实验证明该算法训练出的支持向量机在样本稀少时虽然分类的隔离边缘最大值有所降低但却提高了泛化能力，符合控制系统的设计理念。
　　4.根据理论研究的成果，讨论了远程智能磁流体扰动信号诊断系统的框架设计方案、总体结构和功能模型，为托卡马克上磁流体不稳定性检测和控制提供了一种可以借鉴的方法。该配套系统的成功运行验证了理论研究成果的正确性和可行性。
　　本文是基于“稳态运行条件下托卡马克电阻壁膜的主动控制研究”(编号2008CB717807)(科技部973计划)和国家科学基金“科技部ITER计划专项(国内配套研究)”子项“托卡马克装置若干基础技术研究”(编号10875027)两个计划所作的，文章以中科院等离子体物理研究所的核聚变装置HT-7为背景展开研究的，本文的研究成果为核聚变实验的深层研究和长时间放电打下了坚实的基础。