自平衡立方体机器人动力学建模

针对立方体机器人自平衡控制问题,对其以棱边为支点的动力学建模问题进行了研究.以所设计的立方体机器人样机为具体研究对象,分别采用拉格朗日方法和凯恩方法建立起相应的动力学模型,通过比较2种方法的建模结果和数值仿真分析,从理论上验证了所建立模型的正确性.基于建立的模型设计了平衡控制器,并将其应用于立方体机器人样机控制,取得了预期的效果,再次验证所建立模型的正确性.所建立的动力学模型,为进一步研究立方体机器人的平衡控制奠定了基础.     

基于区间二型模糊神经网络污水处理过程溶解氧浓度控制

针对城市污水处理过程溶解氧浓度难以精确控制的问题,提出了一种基于区间二型模糊神经网络(interval type-2 fuzzy neural networks,IT2FNN)的溶解氧浓度控制方法。先将IT2FNN应用在城市污水处理过程溶解氧浓度控制器的设计,获得了一种IT2FNN溶解氧浓度控制器。后采用自适应学习算法在线调整控制器的参数,提高了控制器的自适应能力。最后将提出的IT2FNN溶解氧浓度控制器应用于基准仿真2号模型(benchmark simulation model no.2,BSM2)平台,结果表明,IT2FNN控制器能够实现第5分区溶解氧浓度精确控制,具有较好的控制效果。     

城市污水处理过程模型预测控制研究综述

城市污水处理过程具有生化反应复杂、非线性、不确定性等特点,在受进水流量、进水组分、天气变化等强干扰作用时,很难保证出水水质维持在规定范围内。模型预测控制以其可应用于非线性系统、显式处理约束问题等优点,近几年在城市污水处理过程中得到了广泛应用。本文从模型预测控制方法在城市污水处理过程中所依托的模型角度出发,介绍了其在基于机理模型和数据驱动的城市污水处理过程中的研究现状,阐述了在不同模型和控制变量下的控制效果。最后提出了城市污水处理过程中仍需解决的问题,并对模型预测控制方法在城市污水处理过程控制中的未来研究方向做出了展望。     

基于高斯混合模型的轨迹模仿学习表征参数优化

针对高斯混合模型(Gaussian mixture model,GMM)参数选取效率较低的问题,提出了一种在基于GMM的轨迹模仿学习表征中综合求解GMM参数估计的方法.该方法基于多中心聚类算法中的最大最小距离算法改进kmeans算法,得到最优初始聚类中心,并基于贝叶斯信息准则(Bayesian information criterion,BIC)通过遗传算法优化求解,同时获取GMM的4个重要参数.该方法通过提高划分初始数据集的效率,在优化初始聚类中心基础上确定混合模型个数,有效地避免了因为初值敏感而导致的局部极值问题.通过多组仿真实验验证了该方法的有效性.     

基于快速密度聚类的RBF神经网络设计

针对径向基函数（radial basis function,RBF）神经网络隐含层结构难以确定的问题,提出一种基于快速密度聚类的网络结构设计算法。该算法将快速密度聚类算法良好的聚类特性用于RBF神经网络结构设计中,通过寻找密度最大的点并将其作为隐含层神经元,进而确定隐含层神经元个数和初始参数;同时,引入高斯函数的特性,保证了每个隐含层神经元的活性;最后,用一种改进的二阶算法对神经网络进行训练,提高了神经网络的收敛速度和泛化能力。利用典型非线性函数逼近和非线性动态系统辨识实验进行仿真验证,结果表明,基于快速密度聚类设计的RBF神经网络具有紧凑的网络结构、快速的学习能力和良好的泛化能力。     

一种基于混合梯度下降算法的模糊神经网络设计及应用

为了提高模糊神经网络(FNN)的收敛速度和泛化能力,提出一种基于混合梯度下降算法(HG)的模糊神经网络(HG-FNN).HG-FNN通过设计FNN参数调整过程的自适应学习率,利用链式法则获取FNN参数学习过程的梯度,在实现FNN参数自校正的同时,给出HG-FNN的收敛性证明,保证HG-FNN的收敛速度和泛化能力.最后,将所设计的HG-FNN应用于非线性系统建模与污水处理过程关键水质参数预测,实验比较结果显示,HG-FNN不仅具有较快的收敛速度,而且具有较好的泛化能力.     

基于高阶累计统计量的微生物发酵过程监测

传统多向核独立成分分析(MKICA)方法的实质是把基于独立成分分析(ICA)中的白化处理主元分析(PCA)替换为核主元分析(KPCA)后利用二阶统计量进行过程监控,并未利用过程数据的阶段特性和高阶累积量信息,为了解决此问题,提出高阶累积量分析(HCA)与多向核熵独立成份分析(MKECA)相结合的多向高阶累计量的核熵独立成分分析方法(HCA-MKEICA).首先,采用核熵独立成份分析(KECA)对原始数据进行数据转换,解决数据的非线性;然后,在高维核熵空间利用HCA技术构建新的统计量用于过程监控;最后,将该方法应用于青霉素仿真平台和实际的工业过程并与MKICA方法进行对比,以验证所提出方法的有效性.     

一种带有模型更新机制的JITL-MPLS故障监测方法

发酵过程具有时变性、动态性和多阶段性的特点,对其进行故障监测主要采用离线建模方式,但这种方法并不能很好地反映当前生产过程的数据特征。近年来有学者使用即时学习(Just in Time Learning,JITL)在线建模策略来建立精确的在线模型并进行故障监测,但是即时学习在线建模策略存在着模型更新频繁、计算量大的问题?本文提出一种带有模型更新机制的即时学习多向偏最小二乘(JITL-MPLS)的故障监测方法:依据马氏距离相似度,选择相似历史样本建立多向偏最小二乘监测模型;而后通过对比上一时刻的质量测量值和当前时刻的质量预测值的差值是否超限来判断模型是否需要更新,当其差值没有超限,即上一时刻监测模型能够表征当前时刻的数据特征,不更新模型,而是继续沿用,否则更新模型。最后将此方法应用于青霉素发酵仿真系统的在线监测,验证了该方法的有效性。     

基于多尺度振动和振声频谱特征自适应提取与选择的磨机负荷参数软测量

针对磨机筒体振动/振声多尺度频谱与磨机负荷参数间的模糊特性、多源多尺度频谱间的冗余性与互补性,以及现有文献中潜结构选择性集成模型难以模拟运行专家“听音”推理识别磨机负荷参数等问题,提出一种基于多尺度振动/振声频谱特征自适应提取与选择的磨机负荷参数软测量模型.该方法首先进行多尺度频谱获取,然后基于核潜结构映射和互信息进行多尺度振动和振声频谱特征的自适应提取和选择,最后采用同步聚类算法、Madani模糊模型以及基于分支定界和自适应加权融合算法的选择性集成学习策略构建磨机负荷参数软测量模型.通过实验球磨机验证了所构建的软测量模型能够模拟运行专家的模糊推理机制,具有较好的建模精度.     

基于弹簧负载倒立摆模型的仿袋鼠机器人稳定跳跃控制

仿生跳跃机器人具备很强的越障和环境适应能力,但是由于机器人运动过程中较短的可控时间以及腾空阶段运动的不确定性,运动的稳定性对于仿生跳跃机器人至关重要.本文对仿袋鼠机器人跳跃运动过程中的稳定跳跃控制问题进行了研究.首先采用双质量弹簧负载倒立摆模型(spring-loaded inverted pendulum,SLIP)模型对袋鼠机器人的结构进行简化,建立了机器人系统的动力学模型,并对机器人的运动过程以及着地相与腾空相的切换条件进行了分析.然后采用解耦控制的思想,将SLIP模型的运动控制分解为水平速度控制和跳跃高度控制两个方面,分别通过控制着地角度实现对水平运动速度的控制,通过能量补偿实现对跳跃高度的控制.最后在ADAMS仿真环境中建立机器人模型并进行了机器人运动仿真实验.实验结果表明,本文提出的方法可以实现仿袋鼠机器人稳定的周期性跳跃运动.