弹药异常检测《使用机器学习进行缺陷表征》最佳论文，MODSIM World 2023

本文介绍了一种正在开发的方法，利用机器学习技术对大型 X 射线图像数据集进行异常和/或缺陷检测分析。异常和/或缺陷的特征可通过图像分类（监督学习--卷积神经网络）或异常检测（非监督学习--自动编码器）模型的性能精度来确定。每种学习技术都有独特的超参数和设计架构，以帮助创建稳健的模型，针对不同方向、亮度和对比度的 X 射线图像进行预测。这种方法是对传统的高能材料/组件特性测试套件的有力补充，特别是在熔融浇注爆炸物、与性能相关的设计意图、安全性和/或与性能相关的缺陷检测方面。对于安全或性能相关的缺陷检测，该方法可在开发新的次规模测试和基于物理的模型时将缺陷作为反馈回路，以更好地了解和预测高能失效模式，这是美国陆军DEVCOM 军备中心正在开发的一种能力，称为高能缺陷表征（EDC）。

图5:弹药异常

引言

目前和未来对火炮弹药的能量要求都超过了传统的火炮和炮管设计以及飞行环境。这意味着今天的非关键缺陷在未来可能会成为严重缺陷。有缺陷的火炮已造成火炮发射时的灾难性故障、人员伤亡和平台损坏（Ismay; Kumar; Singh）。预防和减少这些潜在的重大缺陷是美国陆军的首要任务。虽然目前已有检测缺陷的流程，但这些方法耗时长、成本高，而且已经过时。现在是建立未来检测方法的时候了。考虑到这项任务的影响，美国陆军作战能力发展司令部-军备中心正在努力开发和演示现代缺陷检测能力。

能力开发工作--高能缺陷表征（CDE - EDC）是由位于皮卡廷尼兵工厂的美国陆军作战能力开发司令部军备中心资助的一项新的能力开发计划。该项目旨在开发实验和计算能力，对有缺陷的能量学进行评估和预测，特别是针对增强型弹药（LRPF）。除了设在皮卡廷尼兵工厂的工作组外，还与北约工作组和技术合作计划（TTCP）开展了国际合作。此外，分析人员还与西点军校的学员开展合作。CDE - EDC 由三个核心分组组成：实验分组、数据分析分组和计算分组均设在发展司令部--航空航天中心（DEVCOM-AC）。三个分组之间的关系见图 1。本报告重点介绍数据分析分组完成的工作。凭借这三个分组的综合技术专长，DEVCOM-AC 正努力为缺陷检测、表征和缓解提供最新的能力和指导。

实验测试分组隶属于高能物理、弹头和制造技术局，其任务是确定和量化可能导致缺陷高能物理意外点火的基本物理和化学机制。为收集这些数据，该分组正在完成各种物理测试。这项任务的一部分包括改进物理测试的现实缺陷复制。

数据分析分组隶属于系统分析部，其任务是利用机器学习来标记和描述异常和缺陷检测图像。通过使用这些模型获得的知识将有助于实验分组和计算分组完成其任务。

计算分组隶属于能量学、弹头和制造技术局，其任务是对能量学缺陷进行建模，以评估是否可能过早点火。该分组模拟给定能量参数的火炮发射，以确定缺陷的影响。该分组使用 Abaqus 和 STAR-CCM+ 等模型。计算分组将模型输出与实验分组的物理测试输出进行比较。因此，它在很大程度上依赖于实验分组，反之亦然。

这项工作的成果将是一个独立预测工具，可供检查人造弹药的放射线研究者使用。本报告将重点介绍机器学习部分。