基于GMM的多模态过程模态识别与过程监测

多模态复杂过程的多变量、多工序、变量时变性以及模态转换时间不确定等多种原因, 导致面向多模态生产过程的监测问题十分复杂. 对此, 基于高斯混合模型的监测方法, 结合定性知识和定量知识, 解决了多模态过程监测中离线数据模态划分、稳定模态和过渡模态的监测模型建立以及在线数据的模态识别等关键问题, 最终实现了对多模态过程的监测.     

基于改进BP神经网络的菌体浓度软测量

提出一种改进的BP神经网络(IBPNN)用以建立发酵过程中菌体浓度软测量模型.结合菌体浓度变化范围大这一特点,将传统BP网络的误差函数进行了改进,并利用最优停止法对网络进行训练,避免了过拟合现象.最后针对诺西肽发酵过程中菌体浓度的估计问题,根据隐函数定理选取辅助变量,应用IBPNN建立菌体浓度软测量模型,实验结果验证了所提方法的有效性.

     

改进块式递推偏最小二乘建模方法及应用

针对传统偏最小二乘（ＰＬＳ）模型的在线更新问题,提出了带有自适应遗忘因子的块式递推ＰＬＳ建模方法．通过ＨｏｔｅｌｌｉｎｇT² 和Q统计量确定遗忘因子的大小,并且进行模型递推更新,确保模型跟踪过程特性的变化．将所提出的方法应用于管坯斜轧穿孔能耗过程,表现出较强的模型在线更新能力．测试结果表明,带有自适应遗忘因子的块式递推ＰＬＳ方法的性能优于传统的迭代偏最小二乘方法的性能．

     

多目标混沌差分进化算法

将差分进化算法用于多目标优化问题,提出了多目标混沌差分进化算法(CDEMO).该算法利用混沌序列初始化种群,并用混沌备用种群进行替换操作.该操作不仅起到了维持非劣最优解集均匀性的作用,而且增强了算法的搜索功能.对CDEMO的性能进行研究,数值实验结果表明了CDEMO的有效性.

     

注塑机注射速度的零相位滤波迭代学习控制

针对注射速度控制,设计了一种基于零相位滤波迭代学习的前馈反馈控制方法．该控制算法中的前馈部分采用迭代学习控制,利用以往批次信息实现精确跟踪;反馈部分采用比例控制,用于克服当前批次扰动．为了消除学习算法应用时出现的坏学习瞬态,这里先推导出所提控制算法在频域下的收敛条件,再给出基于零相位滤波的单调递减学习瞬态.经实验验证,这种方法可以使学习控制具有单调递减的学习瞬态曲线,并能很好地满足实际的注射控制要求．     

电弧炉电极调节系统的自适应死区补偿控制

电弧炉电极调节系统存在死区非线性,这将给控制系统带来稳态误差,甚全会造成系统不稳定.为此,针对断点不对称且斜率不相等的死区特性,提出一种自适心死区补偿方法.通过引入死区逆非线性环节,并在线更新未知的死区逆参数,达到完全补偿死区的效果.利用Lyapunov方法证明了参数估计误差的收敛性.仿真结果验证了所提出方法的有效性.     

基于差分分段PCA的多模态过程故障监测

多模态的故障监测是一个复杂的问题, 既需要考虑稳定模态下的故障监测, 也需要考虑不同模态间的过渡故障监测. 不同稳定模态下的数据具有不同的相关关系, 对每个稳定模态需要建立不同的稳定模态模型. 当稳定生产模态发生改变时, 生产过程进入过渡模态, 需要考虑过渡变量相关关系的变化. 本文通过对过渡数据差分, 得到变量相对变化信息. 利用主成分分析(Principal component analysis, PCA)分段对差分变量的相关特性进行分析, 提取相对变化的特征. 最后以实际连续退火机组生产线为背景, 用基于差分分段PCA的多模态方法对多模态过程进行故障监测, 发现算法很好地反映了实际过渡过程机理, 验证了算法的有效性.     

改进的形态学骨架提取算法

针对由传统最大圆盘骨架提取算法提取出的骨架连通性差且无法保持一致的单像素宽度问题,提出一种改进的形态学骨架提取算法。将连通性保持与形态学运算相结合,在收缩目标提取骨架的过程中通过引入虚拟骨架点实现骨架曲线连通性保持,而单像素宽度细化及伪分支剔除等后处理过程的引入则进一步提高骨架描述目标形状及拓扑特征的能力。相关仿真研究证明了该算法的有效性。     

基于单纯形算子的混合遗传算法

通过遗传算法（GA）与传统单纯形搜索法相结 合,并基于对遗传算法算子计算结构的调整,提出一种针对非线性规划问题的新算法——基 于单纯形算子的混合遗传算法（HGA）,仿真结果验证了这种新算法的有效性和合理性．     

线性系统的容错控制

在这篇文章里 ,我们考虑一类线性系统的鲁棒跟踪控制器设计问题 .对执行器故障和控制面故障情况 ,提出了容错的鲁棒控制器的设计方法 .此设计方法能够保证闭环系统是稳定的