以“智能+驱动”为特色的专业建设探索与实践

在国家大力推进一流本科教育、一流专业建设的背景下,各高校正积极应对挑战,针对已形成的人才培养架构,加快推进课程体系建设和教学改革,优化专业人才培养方案,深化教学研究和方法改革,以实现专业内涵式发展。在新工科工程教育理念提出和一流专业建设背景下,沈阳工业大学自动化专业从培养模式、课程建设、实践教学和质量保障等方面进行创新改革,形成了以装备制造业人才需求为导向,以运行控制为特色方向,以智能制造为核心,以“智能+驱动”为目标的人才培养特色,取得阶段性成效,并作出未来规划,旨在为自动化专业等类似专业的课程教学改革提供参考。

高等教育科教融合育人政策分析与思考

文章以我国科教融合育人政策分析为研究对象,采用统计分析方法对国家和各省制定并出台的科教融合育人政策进行分析。通过对政府制定的众多科教融合政策文件的分析发现,其中最显著的问题是政策体系缺乏教学和科研评价机制的平衡,其导致高校过于侧重科研而忽视了教学。政策中亦存在功能耦合政策和自愿性政策方面的不足,限制了高校和科研机构之间更深层次的合作与融合。基于此,文章为科教融合政策提出完善和优化建议,在教学和科研评价方面,以推动更深层次的合作,提高创新能力。政策应更加注重自愿性和沟通性,以激发知识创新体系的活力,对我国高等教育的未来发展和创新人才培养具有积极的指导意义。

基于多元融合的研究生国际化协同培养模式改革与实践

电气工程人才的培养应着眼于国际视野,推进国际化研究生教育培养理念,构建多元融合的研究生协同培养模式。以国际化研究生教育培养理念为基础,引入留学研究生,提升国内研究生的国际化培养水平。借助国内研究生培养的学术氛围,提高来华留学生的本土融入程度,增进课堂与校园学术氛围的融合度。实践表明,这一协同培养模式成功推动了高层次国际化人才的培养,提升了电气工程研究生培养整体质量,为人才培养的前沿探索提供了路径。

基于量子位实数编码的优化算法及轧制规程多目标优化

针对热连轧轧制规程优化问题,以等功率裕量和轧制能耗为优化目标函数建立热连轧轧制规程多目标优化模型,提出基于量子位实数编码的热连轧轧制规程多目标优化算法。该算法将免疫遗传算法框架与量子计算思想相结合,采用量子位实数编码,利用量子态干涉进行遗传算子的交叉和变异,同时保证非支配解按拥挤距离选择优势免疫抗体种群,得到Pareto全局最优解集。以某轧钢厂热连轧精轧机组为例,验证本文所提及算法的有效性。实例分析表明,所提及的算法在寻优能力和收敛速度上均优于传统的NSGA-Ⅱ算法,能够获得更好的Pareto解集,有效地解决热连轧轧制规程多目标优化问题,改善了轧制能耗。

基于改进划分系数的模糊聚类有效性函数

针对典型模糊聚类算法难以准确获取最佳聚类数的问题,提出了一种基于改进划分系数的模糊聚类有效性函数.在划分系数方法基础上,将类与类之间的分离性和类内的紧致性相结合,引入指数函数有效抑制噪声和孤立点数据对聚类有效性的影响.仿真实验将所提及的聚类有效性函数应用于模糊C均值聚类中,分别对两组自定义数据集和IRIS数据集进行了有效性验证,实验结果表明,本文提出的模糊聚类有效性函数能够准确划分最佳聚类数.

基于等位基因的实数编码量子进化算法

为改善量子进化算法的早熟问题,提高算法搜索精度和收敛速度,提出了一种基于等位基因的实数编码量子进化算法。该算法以概率叠加的方式将实数变量按照等位基因进行编码,采用混合更新策略根据基因的"相对优良性"对等位基因进行变尺度变异,在全局搜索与局部搜索平衡的前提下提高搜索速度,之后引入Hε门更新等位基因对应的概率幅度。最后利用Markov链证明了其全局收敛性。数值算例将所提及算法与量子进化算法和基于双链编码的量子遗传算法进行比较,验证了算法的收敛速度和求解精度,并将该算法应用于纺织浆纱工艺参数的优化问题,获得了良好的优化效果。

有混合数据输入的自适应模糊神经推理系统

现有数据建模方法大多依赖于定量的数值信息,而对于数值与分类混合输入的数据建模问题往往根据分类变量组合建立多个子模型,当有多个分类变量输入时易出现子模型数据分布不均匀、训练耗时长等问题.针对上述问题,提出一种具有混合数据输入的自适应模糊神经推理系统模型,在自适应模糊推理系统的基础上,引入激励强度转移矩阵和结论影响矩阵,采用基于高氏距离的减法聚类辨识模型结构,通过混合学习算法训练模型参数,使数值与分类混合数据对模糊规则的前后件参数同时产生作用,共同影响模型输出.仿真实验分析了分类数据对模型规则后件的作用以及结构辨识算法对模糊规则数的影响,与其他几种混合数据建模方法对比表明本文所提出的模型具有较高的预测精度和计算效率.

基于异构值差度量的SOM混合属性数据聚类算法

针对传统聚类算法处理混合属性数据聚类质量不高且聚类结果可视化差的问题,提出了基于异构值差度量的自组织映射混合属性数据聚类算法。该算法以自组织映射神经网络为框架,采用基于样本概率的异构值差度量混合属性数据的相异性。利用分类特征项在Voronoi集合中出现频率作为分类属性数据参考向量更新规则的基础,通过混合更新规则实现数值属性和分类属性数据规则的更新。利用UCI公共数据库中的分类属性和混合属性数据集来测试所提出的聚类算法,并与SOM算法和kprototypes、SBAC、KL-FCM-GM算法进行比较。最后将所提出的聚类算法应用于轮式移动机器人的运动状态分析,获得了较好的聚类效果。

基于粒子群优化分段聚合近似的负荷分类

针对分段聚合近似算法存在对数据分段数目敏感以及需要人为确定压缩比的不足,提出一种基于粒子群优化分段聚合近似的负荷分类方法.利用加速粒子群算法优化分段聚合近似压缩比,获得负荷曲线拟合误差最小时所对应的压缩比,在此基础上通过模糊C均值聚类算法对分段聚合近似曲线进行划分.将所提出的负荷分类法用于辽宁某地电力负荷数据分类中,结果表明,所提方法要优于传统分段聚合近似分类方法.

基于双链量子遗传优化的分类规则挖掘算法

针对采用传统智能优化算法挖掘分类规则时易出现分类精度不理想、噪声容忍度差等情况,提出一种基于双链量子遗传优化分类规则挖掘算法.采用双链量子位对分类规则进行实数编码,通过解空间变换将量子位概率幅映射到相应实数集,根据目标函数梯度变化确定量子旋转门转角,并利用量子非门进行个体变异.选取UCI数据库中9组分类数据集对所提出算法分类性能进行测试,结果表明,所提出算法具有较好的分类精度和噪声容忍度.

基于混合输入模糊神经网络的风力发电机异常监测

风力发电机工作环境恶劣致使故障频发,常规异常监测方法存在监测参数单一、误报率高等问题。将风力发电机运行工况作为分类变量引入混合输入模糊神经网络,建立风力发电机关键参数的正常行为模型,计算在线运行数据与正常行为模型的残差,通过残差建立多元高斯分布模型,并利用高斯概率密度的等高线设定异常状态阈值。实验以5 MW海上风力发电机基准模型为例,建立多输入多输出模型对发电机输出功率和转子转速进行异常监测。对比实验结果表明,该方法的发电机输出功率和转子转速异常状态识别正确率优于其他对比方法。

具有不确定性的轧机传动系统预测控制设计

针对轧机传动系统存在参数不确定性和负载扰动的特点,建立了轧机传动系统的状态空间模型,提出采用预测控制方法提高轧机传动系统的鲁棒性,构建了基于预测控制的轧机传动系统控制策略。利用Lyapunov稳定性理论和线性矩阵不等式方法,给出了基于状态反馈的轧机传动系统预测控制器设计方法,并通过引入状态变量的衰减律来提高闭环系统的响应速度。仿真结果表明,该预测控制器不仅有效地抑制了负载扰动的影响,同时对轧机传动系统内部参数摄动也具有较强的鲁棒性。

基于数据分散度聚类的浆纱质量指标建模与仿真

针对典型划分式聚类算法对噪声和孤立点数据敏感问题,提出一种基于数据分散度的聚类算法。该算法定义数据分散度指标,将其引入非欧氏距离函数建立相似性度量实现数据的聚类,并根据基于改进划分系数的有效性函数获取最佳聚类数。将其应用于纺织浆纱过程质量指标建模中,采用径向基神经网络建立上浆率质量指标模型,通过该聚类算法确定隐层节点数,求取径向基函数中心。实验结果表明所提及的基于数据分散度的聚类算法对噪声和孤立点数据敏感度低,所建立的上浆率质量指标模型具有较高精度。

基于数据模型的浆纱过程操作参数设定方法

针对纺织浆纱生产中,产品规格、原料状况和工况环境等难以实现操作参数的优化设定问题,提出了基于数据模型的操作参数设定方法.利用已有的生产操作参数及上浆率数据建立浆纱上浆率预测模型,将上浆率指标作为输入,操作参数作为输出建立神经网络逆模型.通过该神经网络逆模型计算出满足期望上浆率指标的操作变量设定值,并利用上浆率预测模型验证所计算出的操作变量设定值.实验结果表明,所提出的基于数据模型的操作参数设定方法是有效的.

主动管理队列算法的研究

主动式队列管理技术作为端到端拥塞控制的增强机制,通过在网络中间节点有目的地丢弃分组来维持较小的队列长度和较高的链路利用率。通过对RED,ARED,BLUE和RLGD几种主动式队列管理算法的比较和分析,寻找出已有的主动式队列管理算法的不足,进而在人工智能理论的基础上,提出了一种新型的基于BP神经网络的主动式队列管理算法;给出了基于BP神经网络的主动式队列管理算法的设计思想和设计步骤,并对基于BP神经网络的主动式队列管理算法的收敛性进行了证明。

基于多层学习克隆选择的改进式增量型超限学习机算法

针对增量型超限学习机(incremental extreme learning machine,I-ELM)中大量冗余节点可导致算法学习效率降低,网络结构复杂化等问题,提出基于多层学习(multi-learning)优化克隆选择算法(clone selection algorithm,CSA)的改进式I-ELM.利用Baldwinian learning操作改变抗体信息的搜索范围,结合Lamarckian learning操作提高CSA的搜索能力.改进后的算法能够有效控制I-ELM的隐含层节点数,使网络结构更加紧凑,提高算法精度.仿真结果表明,所提出的基于多层学习克隆选择的增量型核超限学习机(multi-learning clonal selection I-ELMK,MLCSIELMK)算法能够有效简化网络结构,并保持较好的泛化能力,较强的学习能力和在线预测能力.

离散不确定系统的鲁棒预测控制

对预测控制中模型不确定性的处理一直是预测控制算法亟待解决的问题。考虑一类包含模型不确定性的控制对象模型,提出一种极大极小预测控制器设计方法。在滚动优化的每一步,考虑了状态变量不完全可测的情况,引入动态输出反馈的思想得到一个最坏条件下的性能指标的最优解,以最坏条件下的性能指标为求解优化问题的上界,通过线性矩阵不等式的方法求解凸优化问题。并从理论上证明了所设计的鲁棒预测控制器对不确定模型是稳定的。通过仿真算例的分析,证明了极大极小鲁棒预测控制器设计的有效性。

基于多值编码GA-BP混合算法的板形板厚综合预测控制

为克服BP神经网络存在的收敛速度慢、易于陷入局部极值等不足,提出了可以同时优化BP神经网络的结构和参数的基于多值编码方式的嵌入梯度下降算子的混合遗传算法(GA-BP).并在此基础上针对板形板厚综合系统(AFC-AGC)具有强非线性、强耦合而难以建立精确的数学模型的问题,设计了基于BP网络板形板厚综合预测模型,引入了反馈校正的方法来提高板形板厚控制系统的抗干扰能力.仿真结果表明,该模型可以实现板形板厚的精确控制,为热连轧板形板厚综合控制提供了一个新的有效的方法.

基于优化支持向量机的带钢延伸量软测量研究

带钢退火过程中存在多变量非线性主导因素和数据噪声,难以用数学模型精确描述退火炉内带钢的延伸量.针对这一问题,提出基于核主元分析(KPCA)与免疫粒子群(ICPSO)优化最小二乘支持向量机(LSSVM)的炉内带钢延伸量软测量方法.采用ICPSO算法避免了粒子群算法易陷入局部最优的缺陷,利用ICPSO对LSSVM进行参数寻优,通过KPCA去除样本噪声,提取输入数据样本中的非线性主元信息,建立ICPSO-LSSVM软测量模型.此方法用于退火炉内带钢延伸量预测,通过现场生产数据仿真实验进行非线性函数估计;对比其他几种现有算法,实验结果表明本文方法具有较高的预测精度.

基于频域分析的预测控制鲁棒性设计

从分析预测控制的内模机理出发,把系统稳定鲁棒性和品质鲁棒性要求作为内模控制器设计的两个约束条件,利用控制理论中频域分析的方法把离散控制系统的控制器设计转化到频域进行分析,推导出满足系统稳定鲁棒性和品质鲁棒性条件的内模控制器,从而得出预测控制鲁棒性设计的条件,使控制系统能较好的抑制外部扰动所产生的影响。仿真实验结果表明该设计比传统的CHR和Cohen-Coon整定算法有更优异的控制效果。