采用模板台车对φ4.8m混凝土圆管进行现浇施工

介绍用于东深供水工程大型预应力混凝土圆管现浇的模板台车的结构、性能及特点，说明它在大直径水利输水工程中具有较好的推广前景。     

混凝投药为神经网络控制方法

基于神经网络的内模控制系统具有很强的自学习性和自适应性,对大滞后、非线性系统可实现预测控制,较传统控制方式有明显的优势.研究了这一方法在水净化混凝投药自动控制中的应用,在分析混凝投药过程特点的基础上,选择了影响混凝剂投加量及混凝效果的主要参数,建立了预测投药量的神经网络模型,确定了混凝投药神经网络内模控制系统的结构,并对网络训练样本数据的获得进行了讨论.     

基于内模原理电站锅炉汽温控制策略的工程应用

针对电站锅炉汽温被控对象大滞后、大惯性的特点，设计了一种新的基于内模控制原理的过热汽温控制策略。该控制策略已成功应用于徐州电厂6号机组670 t/h超高压锅炉，现场调试和机组运行结果表明，这种基于内模控制原理的控制策略具有结构简单、在线调整参数少、可以明显提高控制回路的鲁棒性及抗干扰能力。现场试验结果表明，与传统串级比例 — 积分 — 微分（PID）调节方案相比，无论对于稳态过程或动态过程，新控制策略的调节品质均有明显提高。     

双输入双输出时滞过程解耦内模控制

针对双输入双输出滞后开环稳定过程,提出了一种新的解耦控制器设计方法。该方法在保证稳态误差为零的基础上,利用过程传递函数矩阵的伴随矩阵和过程传递函数矩阵对角主元素的最小相位部分逆的乘积来设计解耦控制器,简化了解耦控制器的设计和多时滞问题的处理。利用该方法针对一实例进行了解耦内模控制器设计和仿真研究,通过比较证实了该方法的有效性,并且在过程模型和过程失配时仍具有较强的鲁棒性和较好的解耦性能。     

基于CAN总线技术的IMC在驱动系统中的运用与实现

依托一种智能分布式系统，基于CAN总线技术来实现增益内模控制，在上位机与各控制节点之间实现了控制通信，并进行了驱动系统闭环实验，实控结果表明较好地解决了因通信周期较长而导致实时控制不好的难题。     

大型混凝土箱梁全自动液压式内模的设计

简要介绍了32 m箱梁全自动液压式内模的结构及工作原理,指出了模板板块连接及刚度存在的问题,结合液压传动的特点,分析内模运动的同步性及液压能力并提出改进意见,使内模经久耐用且立模与脱模迅速、可靠.     

现浇混凝土空心楼盖的应用

现浇混凝土空心楼盖技术被我国建筑行业列为科技成果推广项目,并在2006年被列为节能、节地建筑推广应用技术,采用这种技术,在降低楼层高度、节约混凝土、钢材用量、减轻楼板结构自重、隔音、增大房间的有效利用空间、大跨度、增强防火性能及抗震性能、降低项目成本等很多方面有很大优势,特别适合大跨度、荷载大的多层及高层建筑,现浇混凝土空心楼盖施工技术的发展前景非常大。     

一类非最小相位过程内模控制系统设计

非最小相位过程是较难控制的一类过程，针对一类自衡二阶非最小相位过程，采用内模控制系统结构，使系统具有良好的抗扰性和鲁棒性，给出了在希望的幅值和相角裕量下控制器参数的计算方法，设计例子与仿真结果表明，根据该方法设计的系统有比较理想的稳定性和鲁棒性。     

换热站供热系统建模与解耦控制

换热站供热系统是典型的多变量、强耦合、大滞后系统。建立了供热过程二次网供回水温度与流量之间的双输入双输出耦合模型结构,采用改进的粒子群算法辨识模型参数;提出了自适应内模控制器对供热过程进行解耦控制。仿真结果表明,常规内模控制器与自适应内模控制器在模型匹配时都实现了系统供回水温度的解耦控制,控制效果相近。在模型失配时,后者的调节时间和超调量明显优于前者,自适应内模控制器具有更强的鲁棒性和自适应能力。     

Support vector regression-based internal model control

This paper proposes a design of internal model control systems for process with delay by using support vector regression(SVR).The proposed system fully uses the excellent nonlinear estimation performance of SVR with the structural risk minimization principle.Closed-system stability and steady error are analyzed for the existence of modeling errors.The simulations show that the proposed control systems have the better control performance than that by neural networks in the cases of the training samples with small size and noises.