城市固废焚烧过程数据驱动建模与自组织控制

城市固废焚烧(Municipal solid waste incineration, MSWI)是处置城市固废(Municipal solid waste, MSW)的主要手段之一.中国MSW来源范围广、组分复杂、热值波动大,其焚烧过程通常依靠人工干预,这导致MSWI过程智能化水平较低且难以满足日益提升的控制需求. MSWI具有多变量耦合、工况漂移等诸多不确定性特征,因而难以建立其被控对象模型并设计在线控制器.针对以上问题,提出了一种面向MSWI过程的数据驱动建模与自组织控制方法.首先,构建了基于多输入多输出Takagi Sugeno模糊神经网络(Multi-input multi-output Takagi Sugeno fuzzy neural network,MIMO-TSFNN)的被控对象模型;然后,设计了基于多任务学习的自组织模糊神经网络控制器(Multi-task learning selforganizing fuzzy neural network controller, MTL-SOFNNC)用于同步控制炉膛温度与烟气含氧量,其通过计算神经元的相似度与多任务学习(Mu...     

网络控制系统的对象建模

网络控制系统(NCS)中的被控对象是包含工业控制对象和通讯网络的广义被控对象,其模型是时变不确定的,十分复杂。在考虑了单包传输、多包传输、数据包丢失、延时、随机干扰等情况下,用一种统一的形式,建立网络控制系统的模型。对广义被控对象进行分析和建模有利于网络控制系统控制器的分析和设计。在实际工程应用中在分析了NCS网络特性基础上。皆可按该方法对广义被控对象建模,然后再进行控制器设计。     

过热气温的多内模自适应内模控制的研究

针对电厂过热汽温被控对象具有大惯性、大滞后特性且对象参数随负荷变化较大等因素,提出了一种基于多模型的自适应内模控制策略。通过在不同工况辨识得到其多模型,设计出相应的内模控制器,根据运行工况选择相应的控制器,从而实现全工况运行的自适应;同时以火电厂过热汽温被控对象为参考模型设计自适应控制律,使控制器内部模型的参数逐步逼近被控对象的参数直至相等。仿真结果表明,该控制策略比常规的内模控制具有更好的控制品质。     

城市固废焚烧过程风量智能优化设定方法

城市固体废物焚烧(municipal solid wastes incineration,MSWI)技术由于其高效的减容效果逐渐成为了生活垃圾处理的主要方式.MSWI过程产生的氮氧化物(nitrogen oxides,NOx)是大气中的主要污染物之一.为了在控制NOx排放的同时保证燃烧效率,提出一种基于多目标粒子群算法的MSWI过程风量智能优化设定方法.首先,结合最大相关最小冗余算法及前馈神经网络,建立燃烧效率和氮氧化物排放浓度预测模型;然后,提出分阶段多目标粒子群优化算法(staged multi-objective particle swarm optimization,SMOPSO),获得一次风流量和二次风流量的Pareto优化解集;此外,设计效用函数,确定一次风流量和二次风流量的最优设定值;最后,基于国内某城市固废焚烧厂的实际运行数据,验证所提方法的有效性.     

直接多模型自适应控制器设计——LMI方法

本文将线性矩阵不等式(LMI)方法引入直接多模型自适应控制, 将直接多模型控制器的 设计过程转化为求解线性矩阵不等式的可行解问题,同时给出在不同不确定参数范围内的多 个状态反馈控制器,并由此构成直接多模型自适应控制器．同时将直接多模型自适应控制推 广到多输入多输出被控对象的设定值跟踪问题,并给出稳定性分析结果．     

多采样率数字控制系统的函数空间模型

采用函数空间的方法 ,利用提升 (lifting)技术 ,构造出多采样率数字控制系统的函数空间模型 .该线性时不变离散模型同时描述了被控对象在采样点上和采样点之间的动态行为 .根据这种模型所设计的多采样率数字控制系统 ,有望克服目前多采样率数字控制系统所存在的采样点之间存在有纹波或振荡等弊病 ,为多采样率数字控制系统的分析与综合提供了一个新的方法 .     

多变量解耦控制系统设计与仿真

工业生产过程中,被控系统越来越复杂,需要控制的变量通常不止一对,而且相互耦合,较成熟的线性多变量控制理论与设计方法已难以满足实际的多变量生产过程控制。本文针对多变量强耦合带有延迟环节的被控系统,研究了一种简化的串联前馈补偿解耦控制器设计方法。根据被控对象的辨识模型,设计串联前馈补偿解耦器,使系统解耦成单输入单输出模型,进而分别对解耦后输入输出模型设计PID控制器,整定PID控制器参数。仿真结果表明该方法具有较好的解耦能力和鲁棒性,算法简单,易于实现。     

多变量解耦控制系统设计与仿真北大核心CSCD

工业生产过程中,被控系统越来越复杂,需要控制的变量通常不止一对,而且相互耦合,较成熟的线性多变量控制理论与设计方法已难以满足实际的多变量生产过程控制。本文针对多变量强耦合带有延迟环节的被控系统,研究了一种简化的串联前馈补偿解耦控制器设计方法。根据被控对象的辨识模型,设计串联前馈补偿解耦器,使系统解耦成单输入单输出模型,进而分别对解耦后输入输出模型设计PID控制器,整定PID控制器参数。仿真结果表明该方法具有较好的解耦能力和鲁棒性,算法简单,易于实现。     

含有界扰动系统的多模型自适应控制

对含有有界扰动和参数不确定性的离散时间被控对象建立多个辨识模型, 覆盖被控对象的参数不确定性. 给定指标切换函数, 构成多模型自适应控制器. 引入“局部化”技术, 在保持计算精度的同时, 提高了计算速度. 同时证明, 多模型自适应控制可以保证闭环系统输入输出稳定, 且保证对给定有界参考输入、被控对象输出可在一给定界范围内跟踪参考输入.     

一类离散时间非线性系统的多模型自适应控制

针对一类离散时间非线性被控对象,根据模型参数的变化范围,对被控对象建立多个模型,并针对每一模型设计控制器.基于模型的估计误差建立指标切换函数,每一采样时刻,利用指标切换函数选择最优模型,并将基于此模型的控制器切换为当前控制器.采用局部化技术,保证在不损失控制品质的同时,减少多模型自适应控制器的计算量.可以证明,多控制器相互切换时闭环系统是稳定的,同时由于多个模型的存在,控制品质得到了极大的改善.     

Visual Object Tracking and Servoing Control of a Nano-Scale Quadrotor: System,Algorithms, and Experiments

There are two main trends in the development of unmanned aerial vehicle (UAV) technologies: miniaturization and intellectualization, in which realizing object tracking capabilities for a nano-scale UAV is one of the most challenging problems. In this paper, we present a visual object tracking and servoing control system utilizing a tailor-made 38 g nano-scale quadrotor. A lightweight visual module is integrated to enable object tracking capabilities, and a micro positioning deck is mounted to provide accurate pose estimation. In order to be robust against object appearance variations, a novel object tracking algorithm, denoted by RMCTer, is proposed, which integrates a powerful short-term tracking module and an efficient long-term processing module. In particular, the long-term processing module can provide additional object information and modify the short-term tracking model in a timely manner. Furthermore, a position-based visual servoing control method is proposed for the quadrotor, where an adaptive tracking controller is designed by leveraging backstepping and adaptive techniques. Stable and accurate object tracking is achieved even under disturbances. Experimental results are presented to demonstrate the high accuracy and stability of the whole tracking system.      

警用GIS中三维时序处理技术的设计与实现

提出了一种时序处理技术,用以控制场景中物体的运动轨迹,顺序,时间的.它是轨道交通警用地理信息系统的关键技术之一.根据用户定义的关键节点和时间,创建时序类.在播放时序动作时,调用时序类的相关方法实时计算时序定义的运动路径上的各个点.建立一个控制类,控制协调所有时序的计算处理.由此可以控制物体在各自定义的路径上运动.     

信号调理模块的LXI自动测试系统设计

为满足自动测试系统课程实验的教学演示需要,以某信号调理模块为被测对象设计开发了一套基于LXI总线的多通道自动测试系统;该自动测试系统主要由激励信号源、信号调理模块、数据采集器以及设计的通道选择模块组成;设计的通道选择模块以ATmega328-PU单片机为核心,采用电平转换芯片CH340T实现与上位机间的通信,并且使用ULN2803驱动芯片实现对继电器开关的驱动控制;在软件设计中,使用“生产者—消费者”的架构进行控制软件的设计,采用面向对象的编程思想封装设备的操作函数,根据技术要求基于LabVIEW完成人机交互界面的开发;经实验测试表明,该自动测试系统可由计算机控制产生输入信号调理模块的激励信号,并具备对信号调理模块输出信号的采集、分析处理以及显示功能,同时可以进行测试通道选择切换,在实际应用中满足自动测试系统课程实验的教学演示需求.     

列控系统临时限速服务器仿真测试平台研究

为了更有效地对高速铁路列控系统中的设备在投入使用前进行严格的测试.以CTCS-3列控系统中的核心设备之一临时限速服务器作为测试对象,提出了一种软件仿真测试平台的实现方法,分析了临时限速服务器与外部系统的关系,在此基础上建立了测试平台的体系结构,并介绍了仿真环境模块、测试工具模块的设计过程、测试平台搭建方法和平台仿真测试过程.通过仿真测试结果表明,该平台提高了测试效率和灵活性,降低了测试成本.     

手持式无线激光鼠标的通信模块设计

提出一种以AVR单片机ATmegal6为核心、以nRF2401芯片为控制对象的无线激光鼠标收发模块设计。介绍了nRF2401和ATmegal6的主要特性,设计了LM3940转换电源电路,解决了nRF2401和ATmegal6电平转换的问题,最后,设计了软件控制流程。实验结果表明,该设计模块在运行过程中,性能可靠,工作稳定,能够实现数据的双向传输。     

基于OPC技术的模糊控制器研究和实现

设计了一种基于OPC技术的模糊控制器,利用OPC技术和模糊算法对二级水箱系统进行控制。在MATLAB7.1仿真环境下通过Simulink建模,利用Simulink提供的OPCTool模块对OPC服务器进行读写控制,完成对被控对象的控制。实验表明,运用OPC技术的模糊控制器能够实现对一阶惯性纯延迟系统的控制,比传统PID控制效果有明显改善,能够获得更高的跟踪精度,控制效果更好。     

基于YOLO-tiny-RFB模型的电站旋钮开关状态识别

针对多类别目标检测在特定场景中数据样本有限的情况,为进一步提高机器人系统中轻量级神经网络对小型物体识别的准确率和稳定性,提出了一种基于机器人操作系统（ROS）的目标状态识别模块。首先,考虑到嵌入式设备的算力限制,目标识别模型采用轻量级的网络YOLO-tiny作为主要架构,并在YOLO-tiny中引入RFB,提出了YOLO-tiny-RFB模型。随后,基于MobileNet对旋钮开关的多种状态实现精准分类。最后,设计数据关联规则,通过图像配准及交并比（IOU）计算等算法使识别模块完成同一场景多次识别结果的融合,从而使用户能够对不同时刻各表计的状态进行追踪。实验结果表明,相较于YOLO-tiny,YOLO-tiny-RFB模型在少量增加模型计算量的情况下,在构建的电站仪器识别数据集上,其目标识别平均精度均值（mAP）提升了17.9%,达到了82.4%。在旋钮数据分布极端不均衡的情况下,通过引入多种数据增广方法使模型的平均准确率达到了90.7%。所提出的目标检测模块和状态识别网络模型能够有效、准确地完成各类仪器的状态识别,同时能够对仪器状态的识别结果在时间跨度上进行融合。     

基于YOLO-tiny-RFB模型的电站旋钮开关状态识别

针对多类别目标检测在特定场景中数据样本有限的情况，为进一步提高机器人系统中轻量级神经网络对小型物体识别的准确率和稳定性，提出了一种基于机器人操作系统（ROS）的目标状态识别模块。首先，考虑到嵌入式设备的算力限制，目标识别模型采用轻量级的网络YOLO-tiny作为主要架构，并在YOLO-tiny中引入RFB，提出了YOLO-tiny-RFB模型。随后，基于MobileNet对旋钮开关的多种状态实现精准分类。最后，设计数据关联规则，通过图像配准及交并比（IOU）计算等算法使识别模块完成同一场景多次识别结果的融合，从而使用户能够对不同时刻各表计的状态进行追踪。实验结果表明，相较于YOLO-tiny，YOLO-tiny-RFB模型在少量增加模型计算量的情况下，在构建的电站仪器识别数据集上，其目标识别平均精度均值（mAP）提升了17.9%，达到了82.4%。在旋钮数据分布极端不均衡的情况下，通过引入多种数据增广方法使模型的平均准确率达到了90.7%。所提出的目标检测模块和状态识别网络模型能够有效、准确地完成各类仪器的状态识别，同时能够对仪器状态的识别结果在时间跨度上进行融合。