Pulsed magnetization characteristic of amorphous cores for fast linear transformer driver
-
摘要: 针对25 μm 2605TCA非晶涂层、25 μm 2605SA1非晶夹膜和50 μm DG6硅钢夹膜三种材料和工艺磁芯，对比研究了不同激磁条件下的磁化特性。结果表明：改变磁芯激磁条件，磁通密度变化量(ΔB)几乎不变，DG6硅钢夹膜磁芯和2605TCA非晶涂层磁芯ΔB均为3.1 T，2605SA1非晶夹膜磁芯ΔB仅为2.4 T；不同激磁条件下，相对磁导率变化较为明显，三种磁芯相对磁导率均随激磁特征参数的增加而迅速减小，当激磁特征参数由67 V/(cm2·ns)增加至129 V/(cm2·ns)时，2605SA1非晶夹膜磁芯最大相对磁导率由1800减小至1200，2605TCA非晶涂层磁芯最大相对磁导率由1100减小至400，相同激磁特征参数下2605TCA非晶涂层磁芯相对磁导率小于2605SA1非晶夹膜磁芯相对磁导率；DG6硅钢夹膜磁芯在快脉冲条件下磁化性能较差，最大相对磁导率仅为130。Abstract: Based on the experimental data, this paper presents the pulsed magnetization characteristic of magnetic cores made of 25 μm metglass 2605TCA, 25 μm metglass 2605SA1 and 50 μm electric steel DG6. The characteristic parameter, the slope of the voltage pulse per unit area of magnetic core, is proposed to standardize the condition of exciting the core. It indicates that the magnetic flux density swing (ΔB) keeps nearly constant as the parameter is changed, the ΔB values of 2605TCA and DG6 are about 3.1 T, while the ΔB value of 2605SA1 is only 2.4 T. When the characteristic parameter is increased from 67 to 129, the relative permeability of 2605SA1 is decreased from 1800 to 1200, while the relative permeability of 2605TCA is decreased from 1100 to 400. Hence, the relative permeability of metglass varies evidently as the characteristic parameter is different. The DG6 performs not well under fast rise time pulse, which shows that the maximum of the relative permeability is only 130 and the relative permeability drops sharply as the magnetic core tends to be saturated. These experimental results are useful to the choice of the magnetic cores for fast linear transformer driver stage.
-
放射性核素识别是核安全领域的关键问题之一，其旨在通过对探测器获取的放射性核素伽马能谱进行分析，获取放射性物质组成元素的种类与含量等信息。传统核素识别方法将能谱特征峰相关信息作为核素特征与标准核素库进行比对，以此判断核素的种类[1-3]。如何快速准确获得特征峰相关信息成为此类方法的关键，然而探测器噪声[4]、本底辐射[5]等会对寻峰及识别带来一定的影响，因此，传统的核素识别方法主要集中于寻峰方法的研究，常见的寻峰方法有导数法、对称零面积法等[6]。核素识别问题本质上是分类问题，提取何种特征才能有效地表征能谱是值得研究的问题。本文提出了一种基于稀疏表示[7]的核素能谱特征提取方法，将核素能谱作为“时间”序列看待，从序列结构着手，对能谱在稀疏字典上进行顺次分解，并将分解系数向量作为能谱特征。与经典稀疏分解方法不同，该方法在分解过程中对核素能谱按照稀疏字典中的原子排列顺序顺次进行分解；其次，核素识别要求不同核素在所提特征下的可区分性，提取到的特征(分解系数)对不同核素具有可区分性即可，并不要求核素能谱的重构精度，所以只选取若干最具区分性的特征表征核素能谱。
1. 核素能谱特征提取及其识别
1.1 伽马能谱稀疏分解
信号稀疏表示是一种通过较少的特定信息去尽可能准确地表示原始信号的方法。在稀疏表示方法中，信号可以用不同基信号的线性叠加表示，这些基信号的集合被称为字典，基信号又被称为原子。信号的稀疏表示是指在一个过完备字典库中，选择尽量少的原子表达原始信号，使得信号的表示更加简洁。
设待分解能谱信号为y，y为一个长度为M的列向量，过完备稀疏字典矩阵D=(x1, x2, …, xd)，字典中的每个原子xi的长度都与信号y的长度M相同，即D为M×d的矩阵，且每个原子都由一个高斯函数构成，即
xi(t)=(s)−1/2⋅g[(t−u)/s]⋅cos(vt+w) (1) 式中：xi为字典矩阵D中的第i个原子；g为高斯函数；原子xi由参数(s, u, v, w)决定；s为尺度因子；u为位移因子；v为原子频率；w为原子相位。稀疏字典可以通过参数构造或者学习得到，本文采用参数字典。基于稀疏表示的核素能谱特征提取方法具体步骤如下：
(1) 核素能谱稀疏分解。按照稀疏字典D中原子顺序，计算信号y与字典矩阵中第一个原子的内积，即
ω1=⟨y,xr1⟩ (2) 式中: r1为第1个原子在字典中的列索引。信号y被分解为在xr1上的垂直投影分量和残差分量，即
y=⟨y,xr1⟩xr1+R1f (3) (2) 对残差信号逐次分解得到每个原子上的分解系数，第k+1次分解后的残差信号为
Rkf=⟨Rkf,xrk+1⟩xrk+1+Rk+1f (4) 经过k+1次分解后，能谱信号y被分解为：
y=k∑n=0⟨Rnf,xrn+1⟩xrn+1+Rk+1f (5) 其中，R0f=y,ωk+1=⟨Rnf,xrn+1⟩为第k+1次稀疏分解的系数，xrk+1为稀疏字典D第k+1个原子，Rk+1f为残差分量。
(3) 逐次进行上述分解过程，直到求得能谱信号在系数字典所有原子上的稀疏系数。
1.2 特征提取及核素识别
稀疏分解得到的系数向量(ω1, ω2, …, ωd)可以作为核素能谱的特征向量表征能谱，但是特征数目过多会给后续分类模型建立带来过大的计算量，有时过训练问题也会出现，所以需要对所得特征进行筛选。
设G表示筛选得到的原子集合，并初始化为G=Φ。对于每一个类别的核素能谱均不放回地随机抽取一个核素能谱y，按上述方法对其进行稀疏分解，并找到其稀疏分解最大系数(考虑到稀疏分解系数有可能为负，这里的最大系数指绝对值最大)所对应的原子x，即
|⟨y,x⟩|=maxi∈{1,2,⋯,d}{|⟨y,xi⟩|} (6) 将最大系数对应的原子x按照式(7)所示方式并入原子集合G，
G={G∪{x}, if x∉GG, otherwise (7) 重复上述过程，直到|G|=Ngs，Ngs为事先设定的阈值。将G中的原子按照其在稀疏字典D中的顺序进行排序。对于任意一个核素能谱y，其系数向量记为
t=(t1,t1,⋯,tNgs) (8) 式中：ti为能谱y在G中第i个原子上的系数，这里认为G中原子顺序已定。
图 1为137Cs，60Co，152Eu各随机选取一个能谱进行稀疏分解提取到的系数向量图，从图中可以看出，根据上述方法提取到的核素特征对三个不同种类的核素能谱具有较好的区分能力。
为了利用模式识别算法进行核素识别，将该核素的类别信息加入特征向量t，即t=(t1, t1, …, tNgs, c), 其中c表示该核素类别。多个核素能谱(多个类别)的特征向量集，即模式识别算法的训练样本集可表示为X，X={ti}={(t1it2i, …, tNgsi, ci)}，i=1, 2, …, N，其中N为能谱个数。利用训练样本集，通过模式识别算法可得到核素分类模型，利用此分类模型即可进行未知类别核素能谱的识别。
2. 实验结果与分析
2.1 实测能谱核素识别实验
为了验证所提方法的有效性，对比了基于稀疏表示的特征提取方法与两种传统核素特征提取方法的分类准确率，这两种传统方法分别是：Savitzky-Golay(SG)平滑结合导数寻峰的方法和梯形窗平滑(TS)结合导数寻峰的方法。实验数据采用241Am, 133Ba, 60Co, 137Cs, 131I和152Eu共6种核素1200个核素能谱数据，分别在7个模式识别分类算法上进行了对比实验，这7种模式识别分类方法分别是：最近邻分类算法[8](KNN)、朴素贝叶斯分类算法[9](NavieBayes)、支持向量机算法[10](SMO), PART Decision List算法[11](PART), C4.5决策树分类算法[12](C4.5), CART决策树分类算法[13](CART)和RBF神经网络算法[14](RBFNetwork)。实验采用十折交叉验证法进行，即将6种核素1200个核素能谱数据均匀划分为10份，其中9份作为训练数据，另外1份作为测试数据，依次循环10次，分类准确率为10次实验的平均值。
表 1给出了三种不同特征提取方法所提特征在不同分类方法上的分类结果。可以看到，基于稀疏表示的特征提取方法的识别率普遍高于90%，分类效果较好；而两种传统的特征提取方法识别率均较低，在SMO方法上甚至低至20%以下。可以认为基于稀疏表示的特征提取方法能够有效地提取到区分能力更强的能谱特征，其原因在于该方法选择区分能力最好的稀疏原子分解系数作为能谱特征。
表 1 三种特征提取方法在模拟核素上的识别结果Table 1. Classification results of the three feature extraction methodsmethods sparse representation(rank) SG +derivative(rank) TS+derivative(rank) KNN 97.11%(1) 88.75% (2) 72.67% (3) NavieBayes 88.57%(1) 44.58% (2) 38.92% (3) SMO 72.86%(1) 19.50% (3) 21.83% (2) PART 96.00%(1) 91.25% (2) 78.00% (3) J48 96.86%(1) 90.83% (2) 74.42% (3) CART 96.29%(1) 89.50% (2) 76.00% (3) RBFNetwork 94.29%(1) 73.17% (2) 58.00% (3) mean 91.71%(1) 71.08%(2.14) 59.98%(2.86) 2.2 实验结果统计分析
Demsar[15]结合统计学原理，针对多个分类器在多个数据集上的分类结果比较问题，提出了一种统计分析比较的方法。该方法利用Friedman test和Holm test检验各个分类器的分类结果之间是否存在明显差异。在本实验中，首先利用Friedman test方法检验各个特征提取方法之下的分类结果是否存在明显差异。若存在明显差异，再利用Holm test方法具体比较基于稀疏表示的特征提取方法和另外两种特征提取方法的分类结果之间是否存在明显差异。
不同的特征提取方法在各个分类器下的分类结果不尽相同，Friedman test将这些分类准确率进行排序，对任意一个分类器而言，每种特征提取方法在其上的分类结果将被排序，每种特征提取方法都会得到唯一的一个序数值，如表 1所示。假设共有N个分类器、k种不同的特征提取算法，每一种特征提取算法在每个分类器下都进行了分类实验。首先用rij表示第i种分类器在第j种特征提取方法下的序数值。再计算每一种特征提取方法的均序Rj，Rj=1N∑jrji。Friedman test假设所有k种特征提取方法下的核素分类结果相同，Friedman统计量表达式为
χ2F=12Nk(k+1)(∑jR2j−k(k+1)24) (9) 该统计量服从卡方分布，其自由度为k=1。
在本实验中，N=7，k=3，χF2=12.31，该结果表明在α=0.05时(即显著性水平为0.05)，3种特征提取方法下的核素分类结果相同的假设被拒绝，即本实验考虑的3种特征提取方法的分类结果具有明显的差异。
利用Holm test方法来检验基于稀疏表示的特征提取方法分类结果和另外2种特征提取方法的分类结果之间是否存在明显的差异。比较两个分类器的统计量为
z=R1−R2√k(k+1)6N (10) Holm test具体过程如下：根据z值在标准正态分布表中找到对应的概率p，按从小到大的顺序对多次两两比较中得到的p进行排列，记为p1, p2, …, pk-1。Holm test将对pi和α/(k-i)的大小进行比较，如果α/(k-i)大于或等于pi，则拒绝原假设(原假设为：pi对应的两个分类器具有相同的分类效果)。
本实验中，从表 1可以得到，R1=1，R2=2.14，R3=2.86，R1为基于稀疏表示的特征提取方法的均序值，R2和R3分别代表SG平滑+导数寻峰的均序值和梯形平滑+导数寻峰的均序值。在显著性水平为α=0.05的情况下，由k=3及N=7可以计算得到标准误差SE=√k(k+1)6N=√3×46×7=0.5354。Holm test的具体结果如表 2所示。
表 2 Holm检验Table 2. Holm testi methods z=(Ri-R1)/SE p α/(k-i) 1 TS+derivative peak seeking (2.86-1)/0.535 4=3.479 7 0.000 5 0.025 0 2 SG+derivative peak seeking (2.14-1)/0.535 4=2.132 7 0.032 9 0.050 0 Holm test排除了两个原假设，即在显著性水平为α=0.05的情况下，基于稀疏表示的特征提取方法的分类结果与SG+导数寻峰和梯形平滑+导数寻峰特征提取方法的分类结果之间存在显著差异，而从表 1可以看到，前者的分类准确率明显高于后两者的分类准确率，可以认为，所提方法的分类准确率显著地高于上述两种方法的分类准确率。
3. 结论
基于稀疏表示的特征提取方法将核素能谱视作时间序列，从整体上分析其结构特征，利用稀疏分解方法提取能谱特征，避免了谱光滑、寻峰等操作。在6种核素共1200个核素能谱上的识别实验结果表明该方法所提特征对不同核素具有可区分性，实验结果的统计分析表明对于核素识别而言，该特征提取方法显著地优于导数寻峰法，所提特征能够更好地表征核素能谱的结构特性。如果核素能谱数据中既包含强噪声背景下的核素能谱，又包含弱噪声背景下的同一种核素能谱，此方法的识别效果就会有一定的下降，此时可以先对能谱数据进行去噪，在以后的工作中，将针对此问题进行研究。
-
图 1 脉冲法测量磁滞回线原理图
Figure 1. Schematic of pulsed measurement for magnetic hysteresis loop
图 4 2605TCA非晶磁芯快脉冲磁化特性测试结果
Figure 4. Pulsed magnetization characteristic of metglass 2605TCA
图 5 2605SA1非晶磁芯快脉冲磁化特性测试结果
Figure 5. Pulsed magnetization characteristic of metglass 2605SA1
图 6 DG6硅钢磁芯快脉冲磁化特性测试结果
Figure 6. Pulsed magnetization characteristic of electric steel DG6
表 1 三种样品磁芯参数
Table 1. Parameters of magnetic cores
core outside diameter/mm inside diameter/mm space factor/% Se/cm2 electric steel DG6 220 90 79 10.27 met-glass 2605TCA 272 148 90 11.16 met-glass 2605SA1 204 88 71 8.24 
下载: 导出CSV
-
[1] Kim A A, Mazarakis M G, Sinebryukhov V A, et al. Development and tests of fast 1-MA linear transformer driver stages[J]. Physical Review Special Topics—Accelerators and Beams, 2009, 12: 050402. doi: 10.1103/PhysRevSTAB.12.050402 [2] Mazarakis M G, Fowler W E, Kim A A, et al. High current, 0.5-MA, fast, 100-ns, linear transformer driver experiments[J]. Physical Review Special Topics—Accelerators and Beams, 2009, 12: 050401. [3] 孙凤举, 邱爱慈, 邱艈昌, 等. 高功率Z-pinch脉冲源技术的发展[J]. 电工电能新技术, 2001, 20(1): 40-44. https://www.cnki.com.cn/Article/CJFDTOTAL-DGDN200101009.htmSun Fengju, Qiu Aici, Qiu Yuchang, et al. Development of pulsed power source for high power Z-pinch. Advanced Technology of Electrical Engineering and Energy, 2001, 20(1): 40-44 https://www.cnki.com.cn/Article/CJFDTOTAL-DGDN200101009.htm [4] 周良骥, 邓建军, 陈林, 等. 国际快脉冲直线变压器驱动源技术研究进展[J]. 强激光与粒子束, 2008, 20(12): 13-19. http://www.hplpb.com.cn/article/id/3874Zhou Liangji, Deng Jianjun, Chen Lin, et al. Status of linear transformer driver research. High Power Laser and Particle Beams, 2008, 20(12): 13-19 http://www.hplpb.com.cn/article/id/3874 [5] 孙凤举, 邱爱慈, 曾江涛, 等. DG4型0.08 mm薄带硅钢磁芯的脉冲磁化特性[J]. 电工电能新技术, 2002, 21(3): 17-20. https://www.cnki.com.cn/Article/CJFDTOTAL-DGDN200203004.htmSun Fengju, Qiu Aici, Zeng Jiangtao, et al. Pulsed magnetizing property of the core made of 0. 08 mm DG4 silicon steel foil. Advanced Technology of Elect-rical Engineering and Energy, 2002, 21(3): 17-20 https://www.cnki.com.cn/Article/CJFDTOTAL-DGDN200203004.htm [6] 田民波. 磁性材料[M]. 北京: 清华大学出版社, 2001.Tian Minbo. Magnetic material. Beijing: Tsinghua University Press, 2001 [7] 梁天学, 孙凤举, 曾江涛, 等. LTD用磁芯材料磁化特性实验研究[J]. 强激光与粒子束, 2007, 19(6): 1023-1026. http://www.hplpb.com.cn/article/id/3189Liang Tianxue, Sun Fengju, Zeng Jiangtao, et al. Experimental study on magnetizing property of magnetic core for LTD. High Power Laser and Particle Beams, 2007, 19(6): 1023-1026 http://www.hplpb.com.cn/article/id/3189 [8] Sun Fengju, Qiu Aici, Zeng Jiangtao, et al. Relationship of pulsed permeability of magnetic cores with annealing Metglas and interlayer insulation films to applied voltage slope[C]//Proceedings of the 17th International Conference on High-Power Particle Beams. 2008: 599-603. 期刊类型引用(1)
1. 万臻博，丁卫东，孙凤举. 直线变压器驱动源磁芯磁化过程的仿真研究. 高电压技术. 2024(04): 1792-1800 . 
百度学术其他类型引用(2)
-
下载:
点击查看大图
计量
- 文章访问数: 1545
- HTML全文浏览量: 404
- PDF下载量: 174
- 被引次数: 3
