工业控制系统面临的威胁增多,为做到主动防御,以及更加准确地识别入侵数据类型,基于工控蜜罐的部署环境,设计一种模型,用来识别入侵数据具体类型。首先对捕获的数据进行核主成分分析(Kernel Principal Component Analysis,KPCA)降维,然...工业控制系统面临的威胁增多,为做到主动防御,以及更加准确地识别入侵数据类型,基于工控蜜罐的部署环境,设计一种模型,用来识别入侵数据具体类型。首先对捕获的数据进行核主成分分析(Kernel Principal Component Analysis,KPCA)降维,然后利用Fisher算法对处理后的数据进行分类,如果判定为异常类,则再利用BP神经网络(Back Propagation neural network)进行二次判别,确定具体的入侵类别。实验结果表明,该方法检测率可达到95%,可以较好地对数据进行分类,判定具体的入侵类型。展开更多
温度是影响材料力学性能的重要因素之一,准确测量器件温度是认识材料在应力作用下其力学性能演变以及评估设备健康状态和寿命的重要方式。面向功率器件开关过程中焊接界面快速温变测量的需求,传统方法存在时间分辨能力不足、难以测量瞬...温度是影响材料力学性能的重要因素之一,准确测量器件温度是认识材料在应力作用下其力学性能演变以及评估设备健康状态和寿命的重要方式。面向功率器件开关过程中焊接界面快速温变测量的需求,传统方法存在时间分辨能力不足、难以测量瞬态温度的问题。文中基于激光诱导元素特征谱线强度与温度的密切相关性,提出了一种微秒量级时间分辨能力的表面温度测量方法,并建立了样品表面温度与光谱特性之间的定量关系。研究结果表明,物质表面温度提升导致激光诱导等离子体光谱强度和信噪比增强,且增强效果受到光谱采集延时和门宽影响。采用反向传播-人工神经网络(back propagation-artificial neural network,BP-ANN)和偏最小二乘(partial least squares,PLS)法对表面温度与光谱特性关系定量拟合并校准,拟合模型线性相关性拟合度指标均大于0.99。BP-ANN拟合模型的拟合偏差更小,其均方根误差(root mean squared error,RMSE)为2.582,正确率为98.3%。该方法为物体瞬态温度测量提供了一种有效手段,对功率器件焊接界面健康状态的评估给予了有力支撑。展开更多
文摘温度是影响材料力学性能的重要因素之一,准确测量器件温度是认识材料在应力作用下其力学性能演变以及评估设备健康状态和寿命的重要方式。面向功率器件开关过程中焊接界面快速温变测量的需求,传统方法存在时间分辨能力不足、难以测量瞬态温度的问题。文中基于激光诱导元素特征谱线强度与温度的密切相关性,提出了一种微秒量级时间分辨能力的表面温度测量方法,并建立了样品表面温度与光谱特性之间的定量关系。研究结果表明,物质表面温度提升导致激光诱导等离子体光谱强度和信噪比增强,且增强效果受到光谱采集延时和门宽影响。采用反向传播-人工神经网络(back propagation-artificial neural network,BP-ANN)和偏最小二乘(partial least squares,PLS)法对表面温度与光谱特性关系定量拟合并校准,拟合模型线性相关性拟合度指标均大于0.99。BP-ANN拟合模型的拟合偏差更小,其均方根误差(root mean squared error,RMSE)为2.582,正确率为98.3%。该方法为物体瞬态温度测量提供了一种有效手段,对功率器件焊接界面健康状态的评估给予了有力支撑。
