热轧极薄规格产品轧制稳定性研究

热轧极薄规格产品是热轧生产的重要产品之一，更是实现“以热代冷”，降低用户成本的关键。在极薄规格产品的轧制过程中，由于带钢厚度极薄、轧制力大、轧制速度快，导致带钢的平直度和凸度控制难度很大，轧制稳定性差，带钢在轧机内极易产生跑偏、轧烂等现象。计算机二级模型是轧制极薄规格产品的关键控制技术，通过优化自学习参数，合理配置活套角度及张力，以及优化弯辊力和延时轧机升速等措施，提高了极薄规格产品在精轧机组的轧制稳定性，确保了极薄规格产品的顺利轧制。     

基于自学习的发动机试验实时故障监控系统设计

根据发动机故障的分类及其产生的原因,介绍了发动机台架试验实时故障监控系统的工作原理,给出了系统设计方案,并基于自学习的原理,探讨了发动机故障振动状态阈值确定的方法,并应用于发动机台架试验中。     

基于前馈模糊自学习控制的强迫周期振动主动控制

运用前馈模糊自学习方法对强迫周期振 主动控制进行研究。指出模糊自学习算法在应用上存在的问题,并进行改进;针对不同规则数、不同学习次数进行控制仿真研究,揭示规则数和学习次数对控制性能的影响;对模糊自学习系统的鲁棒性进行探讨;结果表明前馈模糊自学习系统对强迫周期振动具有良好的抑制效果。     

复杂时变环境高速开关阀自适应控制算法

为满足高速开关阀在复杂时变环境下的控制需求,通过数学模型分析,提出阈值占空比自学习的高速开关阀自适应控制算法。自学习阶段,通过自学习方波自适应调整阈值占空比,满足复杂时变环境控制需求;压力控制阶段,采用混合脉宽激励——“积分+斜率”控制算法,在缩短压力响应时间的同时,减少动态调节时的超调量。实验验证表明,在不同环境温度下,方波跟随响应时间不超过350 ms,超调量不超过0.25 MPa,稳态误差不超过0.1 MPa;1 Hz正弦波动态跟随性能良好,因此高速开关阀自适应控制算法在复杂时变环境中具有良好的自适应和鲁棒性。     

基于RBF神经网络的单交叉口自学习控制系统

单交叉路口自学习信号控制器主要是通过径向基函数(RBF)神经网络建立了交叉口模型,模拟交通警察指挥交通的思维过程.该控制器能够根据交叉口各相位车辆的排队长度,对各个相位的绿信比和总的信号周期进行实时分配,并且根据交通状况的变化,可以对信号配时效果进行评价,对信号作出调整,具有学习功能.仿真结果表明,该系统能够很好地适应实际的交通状况,可以提高道路交叉口的车辆通行能力.     

单机架炉卷轧机中变形抗力自学习模型的研究与优化

 为改善轧机控制系统中变形抗力的预报精度,提高产品质量,在分析原单机架轧机控制系统数学模型的基础上,选定温度影响项的系数作为修正系数,并将原长期自学习的算法改为渐消记忆的自适应算法。实现了以实测轧制力数据动态校正变形抗力,并运用VC60++编程实现。实际应用表明,给出的快速自学习策略优于原来的变形抗力工程计算方法,有效减少了产品的厚度误差,提高了板材的成材率和经济效益。     

基于主动学习和自学习的噪声源识别方法

多数分类识别算法需要大量的已标注样本对分类模型进行训练。实际应用中,对大量样本进行标注枯燥耗时且代价昂贵,因此能够获得的已标注样本数量非常有限。将基于不确定性样本的主动学习和代表性样本的自学习方法引入到基于支持向量数据描述的分类模型中,提出了一种新的分类识别方法。通过主动学习去挖掘那些对当前分类模型最有价值的样本进行人工标注,并借助自学习方法进一步利用样本集中大量的未标注样本,使得在花费较小的标注代价下,能够获得良好的分类性能。在潜艇机械噪声源识别问题上的实验结果验证了该方法能有效降低样本标注代价。     

基于 RBF 神经网络和强化学习算法的供应链产销协同计划冲突消解研究

为提高传统协商自学习能力,利用多 agent 智能技术,建立基于黑板模型的协商框架,构建五元组协商模型,采取 Q-强化学习算法,给出一种协商策略;使用 RBF 神经网络进一步优化协商策略,预测对手信息并调整让步幅度。通过算例验证该方法的可行性和有效性,通过与未改进的 Q-强化学习算法对比,该方法可增强协商agent 的自学习能力,缩短协商时间,提高冲突消解效率。     

基于鲁棒迭代学习的灌浆压力自适应控制

为了提高非线性、不确定和时变性灌浆过程中压力的控制精度,在分析灌浆过程数学模型的基础上,提出了灌浆压力的PID控制器参数的自适应调节方法.由神经网络预测模型对灌浆系统进行非线性建模,然后基于神经网络学习误差迭代优化PID控制参数.为了确保控制器参数矩阵在调节时灌浆压力能收敛于灌浆设计压力,采用了李亚普洛夫误差增量迭代函数,使得对每次采样时刻系统误差PID调节向量能渐近收敛于最优值,从而使模型跟踪误差最小.通过迭代反馈调节方法的压力输出同手工控制方法对比研究,仿真结果表明,此方法有更好的自适应能力,较好地跟踪了灌浆设计压力曲线.     

轻量级语义Web服务发现模型的研究

针对现有多数语义Web服务发现方法应用实施难度大,对终端用户输入信息的完整性依赖度高的问题,提出一种基于简单查询语句的轻量级语义Web服务发现模型。该模型提供给用户一个类似Google的查询界面,输入查询语句后经过领域本体匹配、基于WordNet同义词典匹配等步骤自动发现并调用相应的Web操作。另外,还利用自学机制不断扩充本体词汇以提高系统的准确率和召回率。详细分析了该模型的系统性能,并深入研究了不同情况下准确率和召回率的变化。实验结果表明,本体匹配技术及自学机制的使用是系统准确率和召回率提高的关键。