具有强相容参数估计的多变量自校正前馈控制器

本文提出了一种新的自校正前馈控制器.该控制器具有如下优点:1)可以控制具有任意 传输延时结构的随机多变量系统;2)可以控制开环不稳定或非最小相位系统;3)不加积分作用 可以自适应消除偏差和可测干扰对输出的影响,消除跟踪误差;4)具有全局稳定特性;5)参数 估计具有强相容性.     

一种数字网络推理技术

提出一种数字网络推理算法，实现了用数量计算代替常规的符号匹配推理过程。该网络具有神经网络的形式和并行处理信息的能力，并具有Ｒｅｔｅ算法的基本特性，较好地解决了快速推理、符号／数值信息结合，不确定性推理等实时专家系统所面临的问题。     

板形模式的一种模糊识别方法

根据带风板形控制的要求，运用模糊识别理论，提出一种新的板形识别方法，该方法避开了多项式回归运算，具有很强的抗干扰能力，通过对实测板形数据的分解表明其识别效果很好     

稀土萃取分离过程综合自动化系统

针对我国稀土工业生产过程自动化装备水平普遍较低而造成的生产成本高、产品质量一致性差、资源消耗大的问题,提出了实现稀土产品纯度、金属回收率和产品产量等综合生产指标优化的稀土萃取分离生产过程综合自动化系统,讨论了由生产过程管理系统和过程控制系统两层结构组成的综合自动化系统的体系结构、功能和以萃取分离过程两端出口产品组分指标为目标的优化控制策略。将所提出的系统应用于某公司HAB萃取提钇生产过程,实现了稀土萃取过程的优化控制、优化运行和优化管理,取得了显著的应用成效。     

防火玻璃的适用性——防火和隔音

当几个功能性需求同时由同一规范所满足时具有最大的好处,尤其当这些不同的需求本身具有挑战性时.最好的例子是由基于特殊透明性膨胀夹层的复合防火玻璃所提供的设计灵活性.     

轻质复合材料飞行器仪器支架选择性激光烧结成形与性能研究

针对目前飞行器仪器支架对轻量化、快速开发及结构优化的要求,提出使用选择性激光烧结(SLS)工艺制备轻质复合材料仪器支架,并对其性能进行了综合评估。根据飞行器仪器支架的使用环境,首先对SLS制备短切碳纤维增强尼龙复合材料(CF/PA12)进行了工艺优化并详细研究了复合材料的力学性能、热性能及动态热力学性能,试验结果表明,SLS制备的CF/PA12复合材料的拉伸强度达到63.8 MPa,弹性模量为6.5 GPa,弯曲强度达到118.06 MPa,体积密度仅为1.03 g/cm3,尤其是其损耗因子在0.03～0.06之间,远远大于金属材料,具有更好的减振性能,并对其装配形式进行了评估。最后,以一款火箭仪器支架为例,通过拓扑优化,实现支架进一步减重40%,且都通过了载荷试验(2 000 N),从而证明了SLS制备复合材料在航空航天领域制件轻量化、快速开发及结构优化方面具有明显的技术优势和一定的应用潜力。     

疲劳损伤在线预报的研究

对机械系统主要零部件实施疲劳过程在线预报，保证系统的安全性和可靠性，有重要的实际工程意义。以神经网络和局部应力应变法为基础，建立了一个疲劳损伤在线预报方法。该方法使得局部应力应变法不仅应用在设计阶段，而且可以根据实际载荷进行疲劳损伤的在线计算，从而进行疲劳破坏的预报。     

科研、开发、应共促MES发展

流程工业无疑是工业化的主角,随着中国成为世界的加工中心地位的确立,企业已将信息化作为兴衰的可靠保证之一。ERP通过MES可直接与控制系统交换实时数据,实现操作运行层和后勤保障支持层与管理层的紧密集成,这一趋势近年已在工业发达国家凸现。     

基于多输出最小二乘支持向量回归建模的自适应非线性预测控制及应用

提出一种可有效提高常规预测控制方法控制性能与计算效率的数据驱动自适应非线性模型预测控制方法.首先,为了提高多输出非线性系统最小二乘支持向量回归(least squares support vector regression, LS–SVR)建模的精度,考虑各维输出间的耦合关系,采用在目标函数中加入样本整体拟合误差项,实现多输出LS–SVR(multi-output LS–SVR,M–LS–SVR)预测建模,同时采用粒子群算法优化模型参数;其次,针对动态过程建模的模型失配问题以及由于M–LS–SVR模型复杂导致传统智能算法求解预测控制律缓慢的问题,提出自适应非线性模型预测控制策略,包括两个非线性优化层:第1层采用梯度下降算法实时优化模型和实际过程输出的偏差,以自适应调节模型参数;第2层采用具有全局收敛性和超线性收敛速度序列二次规划(sequential quadratic programming, SQP)算法设计非线性预测控制器,以加速预测控制律的求解速度. Benchmark仿真实例及在高炉炼铁过程的数据试验表明:所提基于M–LS–SVR预测建模的自适应非线性模型预测控制具有较快的求解速度、较好的设定值跟踪和干扰抑制性能以及较强的鲁棒性.     

基于案例推理增强学习的磨矿过程设定值优化

磨矿粒度和循环负荷是磨矿过程产品质量与生产效率的关键运行指标,相对于底层控制偏差,回路设定值对其影响要严重的多.然而,磨矿过程受矿石成分与性质、设备状态等变化因素影响,运行工况动态时变,难以建立模型,因此难以通过传统的模型方法优化回路设定值.本文将增强学习与案例推理相结合,提出一种数据驱动的磨矿过程设定值优化方法.首先根据当前运行工况,采用基于Prey-Predator优化的案例推理方法,决策出可行的基于Elman神经网络的Q函数网络模型;然后利用实际运行数据,在增强学习的框架下,根据Q函数网络模型优化回路设定值.在基于METSIM的磨矿流程模拟系统上进行实验研究,结果表明所提方法可根据工况变化在线优化回路设定值,实现磨矿运行指标的优化控制.