A Facile Approach toward Thermoplastic Triple-Shape Memory Polymers

In this work, a ternary blend of polyolefin elastomer (POE), lauric acid (LA), and poly(ε-caprolactone) (PCL) with triple-shape memory effect (triple-SME) is reported. LA and PCL exhibit distinct thermal transitions and construct two reversible switching networks capable of fixing and releasing different temporary shapes under a mild condition. The ternary blend shows excellent triple-shape memory properties and good toughness. Besides, the permanent shape can be reconfigured by a simple thermal treatment. These particular features make the novel blend a competitive candidate for diverse applications. And the creative combination of crystalline small molecule and semicrystalline polymer expands the freedom for producing triple-shape memory polymers (triple-SMPs).     

Soft sensor modeling method based on hybrid model of nearest neighbor and neural network

Soft-sensing modeling can effectively solve the problems of large measurement lag, high price, and complex maintenance of online analytical instruments in the production process. At present, neural network based on data-driven is one of the main tools of soft sensor. In the process of modeling data collection, the collection of dominant variables is much more difficult than that of auxiliary variables, resulting in a large amount of unlabeled data. However, traditional soft sensor modeling methods ignore these unlabeled data and only use a small amount of labeled data for modeling, which has negative effect on the prediction accuracy of the model. To solve the problem of label missing, the nearest neighbor algorithm is used to pseudo label the unlabeled data. At the same time, a network structure is designed by combining convolution operation and gated recurrent unit neural network (GRU) to further utilize the unlabeled data, extract the dynamic feature from data at different time, and improve the prediction accuracy of the neural network. Finally, the method is applied to the prediction of propane concentration on the top of propylene distillation column. The results show that the model can solve the problem of label missing in the nonlinear dynamic system and has higher prediction accuracy.     

基于梯度投影的图像盲复原算法

为了利用多帧退化图像信息快速恢复出高质量的图像,提出了一种新的递归梯度投影多帧图像盲复原算法。该算法充分利用多帧图像的先验信息,首先给出一种能够有效抑制噪声放大的新的代价函数,然后通过梯度投影算法对新的代价函数进行最小化以推导出迭代公式,最后通过频率域多次递归迭代运算对退化图像进行复原。模拟实验结果证明该算法运算快速,对于不同高斯噪声级别和不同PSF衰退的图像,均能够清晰地恢复出图像细节特征、同时也能够准确地恢复出衰退PSF。     

具有降阶模型的多模型鲁棒自适应控制

传统鲁棒自适应控制由于考虑了实际系统存在的不确定性,在一定程度上扩大了常规自适应控制的应用范围,但是传统鲁棒自适应控制大多只是从系统全局稳定性的角度出发来设计控制器而忽略系统动态和稳态性能,导致其无法在工况多变的实际被控系统中取得令人满意的效果。针对传统鲁棒自适应控制的不足,本文对由ARMA模型描述并包含未建模动态的系统设计了多模型鲁棒自适应控制器。首先采用正则化技术将系统未建模动态转化为系统有界扰动,并在系统降阶模型的基础上根据系统工况的变化设计了多个固定控制器和2个鲁棒自适应控制器,并根据性能指标函数选择最佳控制器作为当前系统控制器以提高系统性能。仿真实验说明当系统存在未建模动态以及系统工况发生变化时,本文设计的控制器能获得较好的控制效果。     

基于自适应模糊聚类多模型过程监控及应用

对乙烯裂解炉建立实时监控模型具有重要的现实意义,而传统的多元统计过程监控方法都是假设过程处于单一工况下,而随着过程参数(进料负荷、产品组分等)的改变,工况也随之改变,传统方法便不再适用.本文针对工业过程中的多工况问题,提出了一种基于自适应模糊聚类的多模型过程监控方法,该方法可以减少监控方法对过程知识的依赖性,并且能够适应实际工业过程的非高斯性和非线性特征.首先对影响工况的过程变量利用自适应模糊聚类进行工况划分,然后对每种工况的建模数据分别利用最大方差展开(MVU)提取低维信息,再用支持向量数据描述(SVDD)建立多模型过程监控模型,最后再利用相应的统计指标进行过程监控.将上述方法应用在乙烯裂解炉上,并与基于高斯混合模型的多PCA方法(GMM-MPCA)进行了比较.仿真实验中,监控对裂解炉运行影响最大的33个变量,根据聚类有效性指标,将数据划分为5类时可以得到最佳的聚类效果.通过实验,将33维建模数据降到20维时误报率最小.仿真结果表明该方法在对非线性和非高斯性过程的监控上,能达到很好的效果,误报率和检测率均优于GMM-MPCA方法.     

刮刀涂布的流场分布及影响初探

对各种刮刀涂布过程的流体特性进行了分析。对各种条件下流场的分布，特别是旋涡的产生进行了研究。含有非球形颜料颗粒的非牛顿型涂料在各种流场的作用下，对最终涂层的性能可能起的作用，即对涂层中颗粒间排列的影响进行了讨论。并对在不同车速的条件下，对刮刀涂布机的选型提供了理论依据。     

等级反馈蚁群算法求解成品油二次配送问题

针对成品油二次配送路径优化问题，提出了一种可变成本与动态载荷相关的评价指标。考虑蚁群算法求解路径优化问题的高效性，设计了一种等级反馈蚁群（HFAC）算法。采用局部距离等级策略代替基本蚁群算法的随机选取；利用较优（较差）个体对其所在路线进行正（负）反馈调整信息素浓度；对最优路线的子路线进行末端优化调整。通过15组不同类型算例进行仿真实验表明，HFAC算法在成品油二次配送路径优化中优于基本蚁群算法。     

一种基于高斯核化有效性指标的自适应优选聚类数的FKCM

针对传统的模糊核聚类算法(FKCM)需给出聚类个数,且对初始值敏感、易陷入局部最优的缺点,本文提出了一种基于高斯核化有效性指标的自适应优选聚类数的模糊核聚类算法(GKVI-AOCN-FKCM)。利用基于密度和距离的方法选取初始聚类中心,克服了对初始值的敏感,提高了聚类效率。然后用高斯核函数核化后的有效性指标评价聚类效果并自动确定最佳分类数,从而无监督地实现对数据集的模糊划分。对Iris数据集的仿真实验及石脑油属性数据分类的应用验证了算法的可行性和有效性。     

基于最近邻与神经网络融合模型的软测量建模方法

软测量建模能够有效地解决生产过程中在线分析仪表测量滞后大、价格昂贵、维护保养复杂等问题。目前,基于数据驱动的神经网络是软测量建模的主要工具之一。而在建模数据的采集过程中,主导变量的采集相对辅助变量要困难得多,由此产生了大量缺失标签的数据。但传统的软测量建模方法却忽视了这些无标签数据,只利用少量的有标签数据建模,从而影响了模型的预测精度。为了解决标签缺失的问题,采用最近邻算法对无标签数据进行伪标记,同时设计了由卷积操作与门限循环单元神经网络(GRU)结合的网络结构来进一步利用无标签数据,提取不同时刻数据中的动态特征,提高神经网络的预测精度。最后将该方法应用于丙烯精馏塔塔顶丙烷浓度的预测,实验结果表明该模型能有效处理非线性动态系统的标签缺失问题,具有更高的预测精度。     

电子束扫描对熔化区显微组织及性能的影响

为提高H13模具钢的使用寿命,采用热喷涂技术在H13钢表面制备Ni60A合金层,利用电子束扫描的方法处理表面合金层。研究电子束扫描处理对H13钢表面合金层及基体熔化区组织和性能的影响。采用扫描电子显微镜(SEM)、能谱仪(EDS)、X射线衍射仪(XRD)、显微硬度计和磨损试验机对H13钢电子束表面合金层及基体熔化区的显微组织、成分、硬度和耐磨性进行分析测试。结果表明：经电子束扫描后,Ni60A合金层与H13钢基体完全熔合在一起,形成冶金结合,扫描处的组织形态可以分为4个区域：即熔化区、过渡区、热影响区和基体。合金层组织由层片状组织转变为短小的枝晶和柱状晶,H13钢基体熔化区的组织可分为： 熔池上部的等轴晶区、熔池中部的柱状晶区和熔池底部的枝晶区。合金层的显微硬度值为340~380 HV0.1,比未处理前Ni60A合金层的硬度有所提高,磨损形式主要为磨粒磨损和断续的较浅的犁沟磨损,在整个磨损试验过程中磨损失重很小,耐磨性得到提高。