利用模糊神经元控制器的切削系统参数优化整定方法及应用

针对具有非线性、不确定性的受控对象,提出一种兼顾神经元控制器和模糊控制器优点的模糊神经元非模型控制方法。在此控制系统中,模糊控制器产生神经元控制器的输入,由神经元的加权值来调整模糊PID控制器的参数,由神经元控制器产生控制信号对复杂对象进行控制,前置的模糊控制器用来过滤由对象的非线性和不确定性引起的误差大扰动,后置的神经元则在实现模糊PID控制器参数自调整的同时,以非模型控制的方式产生控制作用,从而有效地提高控制系统的鲁棒性、适应性和控制品质。     

大型装备电液系统鲁棒H_∞位置控制

针对大型装备电液系统非线性、参数不确定性问题,建立了比例阀控非对称缸液压系统的非线性动态模型。考虑反馈控制,建立了具有不确定参数系统线性化数学模型。基于边界理论和线性矩阵不等式,提出了电液系统鲁棒H_∞位置控制策略。着重考虑系统结构化系数的擅动,构建了具有积分行为的H_∞控制器,设计了估测系统内部状态的观测器。通过仿真和实验,验证了提出的算法和控制策略。对比了系统参数不变、外负载力变化下和系统参数变化下系统的鲁棒性和稳定性。仿真和实验结果表明,提出的具有积分行为的鲁棒H_∞位置控制策略能提高系统的鲁棒性和稳定性。     

不确定规划领域中带权值的观察信息约简

现实的规划问题中,观察信息的获取所需的代价是不同的,并且在规划解执行过程中,并非所有的观察信息都是有意义的,因此为了减少执行过程中的开销而对大量的带权值的观察信息进行约简就显得十分重要。首次针对带权值的观察信息约简问题做出研究,定义了带权值的最优观察集的概念,设计了SOWOS算法。该算法找出所有需要区分的状态对,用贪心的思想使搜索按指定顺序选择观察变量,并在搜索的过程中增加剪枝,减少了大量不必要的搜索,最终求得总花费最小的观察集,达到了减少执行成本的目的。实验结果表明,SOWOS算法可以高效地求得带权值的最优观察集,对减少规划执行中的开销贡献明显。     

分数阶不确定奇异系统的镇定

研究阶数0α1的分数阶不确定奇异系统的鲁棒镇定问题.利用矩阵奇异值分解和线性矩阵不等式方法提出新的基于观测器的鲁棒状态反馈镇定的充分条件,同时给出该条件下观测器和状态反馈控制器的具体求解方法.最后通过数值例子验证该方法的有效性.     

基于云模型的膨胀土胀缩等级分类

由于膨胀土胀缩性受多种因素的综合影响,膨胀土胀缩等级的分类是膨胀土处理中的一个难题。选取影响膨胀土胀缩性的5个主要因素作为评判指标,根据分类标准,构建云模型及云的不确定性推理,将各评判指标的定性评语量化为分值,实现定性与定量的转换。在此基础上,利用在各级别区间内随机插值得到的20个标准样本,基于优化理论求出评判指标的客观权重,结合主观权重,得到组合权重。最后,将建立的膨胀土胀缩等级分类模型应用到某实际工程,结合权重和云的不确定性推理,得到待判样本的综合得分,并确定样本的胀缩等级,分类结果与实际情况相吻合,验证了模型的可行性和适用性,该模型可以用于类似工程的膨胀土胀缩等级分类。     

Optimization of a dynamic uncertain causality graph for fault diagnosis in nuclear power plant

Fault diagnostics is important for safe operation of nuclear power plants (NPPs).In recent years,data-driven approaches have been proposed and implemented to tackle the problem,e.g.,neural networks,fuzzy and neurofuzzy approaches,support vector machine,K-nearest neighbor classifiers and inference methodologies.Among these methods,dynamic uncertain causality graph (DUCG)has been proved effective in many practical cases.However,the causal graph construction behind the DUCG is complicate and,in many cases,results redundant on the symptoms needed to correctly classify the fault.In this paper,we propose a method to simplify causal graph construction in an automatic way.The method consists in transforming the expert knowledge-based DCUG into a fuzzy decision tree (FDT) by extracting from the DUCG a fuzzy rule base that resumes the used symptoms at the basis of the FDT.Genetic algorithm (GA) is,then,used for the optimization of the FDT,by performing a wrapper search around the FDT:the set of symptoms selected during the iterative search are taken as the best set of symptoms for the diagnosis of the faults that can occur in the system.The effectiveness of the approach is shown with respect to a DUCG model initially built to diagnose 23 faults originally using 262 symptoms of Unit-1 in the Ningde NPP of the China Guangdong Nuclear Power Corporation.The results show that the FDT,with GA-optimized symptoms and diagnosis strategy,can drive the construction of DUCG and lower the computational burden without loss of accuracy in diagnosis.     

Optimization of a dynamic uncertain causality graph for fault diagnosis in nuclear power plant

Fault diagnostics is important for safe operation of nuclear power plants (NPPs).In recent years,data-driven approaches have been proposed and implemented to tackle the problem,e.g.,neural networks,fuzzy and neurofuzzy approaches,support vector machine,K-nearest neighbor classifiers and inference methodologies.Among these methods,dynamic uncertain causality graph (DUCG) has been proved effective in many practical cases.However,the causal graph construction behind the DUCG is complicate and,in many cases,results redundant on the symptoms needed to correctly classify the fault.In this paper,we propose a method to simplify causal graph construction in an automatic way.The method consists in transforming the expert knowledge-based DCUG into a fuzzy decision tree (FDT) by extracting from the DUCG a fuzzy rule base that resumes the used symptoms at the basis of the FDT.Genetic algorithm (GA) is,then,used for the optimization of the FDT,by performing a wrapper search around the FDT:the set of symptoms selected during the iterative search are taken as the best set of symptoms for the diagnosis of the faults that can occur in the system.The effectiveness of the approach is shown with respect to a DUCG model initially built to diagnose 23 faults originally using 262 symptoms of Unit-1 in the Ningde NPP of the China Guangdong Nuclear Power Corporation.The results show that the FDT,with GA-optimized symptoms and diagnosis strategy,can drive the construction of DUCG and lower the computational burden without loss of accuracy in diagnosis.     

基于模式增长的不确定数据的频繁模式挖掘算法

为提高不确定数据频繁模式(FP)挖掘算法的时空效率,提出了基于最大概率的不确定频繁模式挖掘(UFPM-MP)算法。首先,利用事务项集中的最大概率值预估期望支持数;然后,使用该期望支持数与最小期望支持数阈值进行比较,以确定某一项集是否为候选频繁项集,并对候选项集建立子树以递归挖掘频繁模式。实验中,UFPM-MP算法与AT-Mine算法进行了对比,并在6个典型的数据集上进行实验验证。实验结果表明,UFPM-MP算法的时空效率得到了提高,稀疏数据集上提高约30%,稠密数据集上的效率提高更为明显(约3~4倍)。预估期望支持数的策略有效地减少了子树和头表项的数量,从而提高了算法的时空效率;且最小期望支持数越小,或需要挖掘的频繁模式越多的时候,算法的时间效率提高越多。     

不确定需求下的设备动态布局方法

针对现有车间设备动态布局方法存在的不足,在考虑产品需求不确定性对布局性能稳定性影响的基础上,提出了一种结合模糊理论与改进遗传算法的不等面积设备动态布局方法。分析了产品需求不确定性及其随时间变化特性,引入了三角模糊数描述不确定产品需求;通过分析各生产阶段间的设备重组过程,将动态布局转化为数个静态布局,构建了基于柔性区域结构的不确定需求动态布局模型。结合三角模糊数运算及排序方法与自适应局部搜索机制提出了改进遗传算法,以物料搬运及设备重组费用总和为优化目标,解决不确定需求下的不等面积设备动态布局问题。通过算例测试和实例分析,验证了所提方法的有效性和实用性。     

基于RCM 的导弹装备最佳预防性维修周期决策

针对目前确定预防性维修周期时存在不确定性的问题,建立了基于RCM的导弹装备维修周期决策模型。分别以总费用最小和可用度最大为目标建立导弹装备维修周期决策模型,采用蒙特卡罗仿真进行模型求解,采用模糊决策方法确定多目标综合最佳预防性维修周期,并以某型导弹装备密封圈为例,验证方法的有效性。实践分析结果表明:该方法综合权衡了费用和可用度因素,能较好地解决可用度低下且维修费用居高不下的问题,有一定应用和参考价值。