一流课程背景下“控制系统仿真技术”课程建设

针对重智育轻德育、重知识轻能力、重教师轻学生和重结果轻过程四大痛点问题,基于一流课程的建设要求,提出以学生发展为中心、以能力培养为目标、以课程建设为抓手、以持续改进为保障的“四位一体”教育理念,融合学科专业知识、工程情景知识、能力要素和思政素质,实现知识传授、价值塑造和能力培养的多元统一。从弘扬民族自豪感、增强科研报国的责任感、提升专业认可度等多方面进行思政教育;将热点工程问题、学科前沿动态等与课程知识相结合,运用数学思维深度挖掘知识背后的原理,培养学生解决问题的能力;调整课程内容与课堂组织形式,实现了学生中心地位的转变;加大过程性考核的比例,实现以学生为中心的精准教学。经过课程改革,学生高阶能力有效提升,课程建设和教学团队建设成果丰硕。

基于SA-TCN的轴承短期故障预测方法

【目的】轴承是制造业中的核心零部件之一,其健康状况决定着主机设备的安全性,对轴承进行短期故障预测可以有效预防生产设备故障的发生。【方法】针对轴承短期故障预测未能实现端到端的问题,提出一种基于时序卷积网络(temporal convolutional network,TCN)的短期故障预测方法。该网络能通过当前时刻监测到的数据直接输出轴承最终会发生的故障类型以及下一时刻将要处于的劣化阶段。此外,提出软阈值注意力机制(soft threshold with attention mechanism,SA)解决轴承工作环境存在背景噪声或采集数据的过程中有噪声干扰的问题;在短期故障预测过程中,注意力机制根据TCN网络的预测目标自适应生成软阈值,软阈值作用于TCN提取到的时空特征,以达到降低噪声影响的目的。【结果】实验结果表明所提算法准确率高,具有较高的实际工程应用价值。

基于超图正则化的域适应偏最小二乘多工况软测量模型

针对流程工业中,因多工况导致数据分布变化引起传统软测量模型预测性能恶化问题,本文提出一种基于超图正则化的域适应多工况软测量回归模型框架.首先,采用非线性迭代偏最小二乘回归算法为基模型,在潜变量空间利用历史工况数据重构当前工况数据,以增强工况间的相关性,有效减小数据分布差异;同时,对重构系数施加低秩稀疏约束,保留了数据的局部和全局子空间结构;其次,通过超图拉普拉斯正则项对域适应潜变量求解过程进行约束,避免在寻找潜变量过程中破坏数据结构.最后,利用交替方向乘子法优化求解模型参数.在多个数据集上的实验表明,本文方法在多工况环境下可有效提高软测量模型的预测精度和泛化性能.

基于MCC的后端优化方法及其在ORB-SLAM2中的应用

自主定位和环境感知是机器人实现复杂任务的前提,视觉同时定位与建图(VSLAM)技术是有效解决方案。VSLAM中,传感器误差和环境噪声等影响定位和建图精度,造成累计误差。后端优化是VSLAM中消除累计误差的关键环节,现有后端优化算法通常以高斯噪声为前提,属于MSE标准下的后端算法。然而,由于图像的非凸特性和真实场景中产生的非高斯噪声,高斯噪声假设并不总成立,导致现有算法在真实场景中运行时性能下降。鉴于此,利用最大互相关熵(MCC)标准在处理非高斯噪声方面的优势,提出了一种基于MCC标准的后端优化方法,并将所提出方法应用于ORB-SLAM2框架,以测试所提出的方法在定位和建图精度方面的性能。最后,在EuRoC和KITTI公开数据集上进行实验,结果表明,无论是室内还是室外,所提方法在大部分序列中性能优于原ORB-SLAM2中基于Huber的后端优化算法以及基于Cauchy的后端优化算法。

基于改进EO-BP神经网络的高压线损预测

针对高压线损预测精度不高的问题,提出一种基于均衡优化器(Equilibrium Optimizer,EO)和BP神经网络相结合的线损预测模型。首先,为了提高EO算法的寻优能力,利用多种混沌映射关系初始化种群,使种群多样性增加,全局搜索能力得到改善;同时,采用物竞天择概率跳脱策略改进EO算法,使模型依概率跳出局部最优而收敛于全局最优解。其次,采用改进的EO算法对BP神经网络的权值和偏置进行优化,进而改善BP神经网络的预测效果。最后,实验结果证明,所提线损预测模型相对于回归模型、BP神经网络模型、模拟退火算法优化BP神经网络模型和EO优化BP神经网络模型具有更高的预测精度。

基于ε等级约束差分进化的多径估计算法

本文针对基于扩展Kalman滤波(EKF)的多径估计算法需要对非线性观测方程进行线性化.对初值比较敏感,造成估计性能下降的问题,提出了基于智能优化的多径估计算法.该算法将估计误差的二阶矩作为目标函数,将瞬时误差作为约束条件,同时考虑多径参数的先验信息,实现了将多径估计问题转化为具有约束条件的优化问题.然后,利用一种智能优化算法来解决该优化问题.本文采用了ε等级约束差分进化(εCRDE)算法来解决有约束条件的优化问题,并对该算法进行改进,使改进后的εCRDE算法可以实现多径参数的迭代估计.仿真结果表明,与EKF算法相比,在单一多径和2路多径情况下,基于改进εCRDE的多径估计算法都具有更好的估计性能.

新的基于区分对象集的邻域粗糙集属性约简算法

基于正域的属性约简算法是利用"下近似"思想,仅考虑被正确区分样本数的约简算法。借鉴"上近似"的思想,利用"邻域信息粒"的概念定义了区分对象集,探讨了其基本性质,并提出了基于区分对象集的属性重要度度量及启发式属性约简算法。该约简算法既考虑信息决策表的相对正域,也考虑以核属性为启发信息逐个增加条件属性时对边界域样本的影响。通过实例分析,说明了所提算法的可行性,并且以6个UCI标准数据集为实验对象,与基于正域的属性约简算法进行对比实验。实验结果说明,采用提出的约简算法得到的约简属性集,与基于正域的属性约简算法相比,在进行分类任务时的分类精度能够保持不变或有所提高。

基于AGConv局部特征描述符的点云配准

为了提高现有点云配准模型在真实点云数据中的配准精度,基于自适应图卷积(AGConv)的局部特征描述符,提出一种改进的点云配准模型。在数据预处理模块中,通过对点云中的采样点构建局部块并计算局部参考坐标系,规范局部块中的采样点,使其对旋转变换不敏感。在特征提取模块中,利用AGConv为采样点生成自适应核,充分挖掘不同语义部分的点之间的关系,并将规范化的局部块输入基于AGConv的特征提取网络计算局部特征描述符,提高局部特征对遮挡及杂波的鲁棒性。在点云配准模块中,使用随机采样一致性算法估计刚性变换矩阵。在3DMatch数据集上的实验结果表明,相比于DIP模型,该模型的特征匹配和配准召回率分别提高了2.3和5个百分点,能有效提高点云配准精度并且具有较好的鲁棒性。

时滞相关的非线性广义系统的保性能控制

针对一类具有时滞相关和具有非线性扰动的不确定广义系统,研究了该系统的保性能控制问题。目的是设计一个有记忆的状态反馈控制器,不仅使得闭环系统渐进稳定而且相应的性能指标不超过某个确定的上界。基于Lyapunov函数方法和线性矩阵不等式(LMI),得到闭环系统渐进稳定的充分条件和保性能控制器的设计方法。最后通过数值算例说明了所给方法的有效性。

基于区分性联合概率分布的域适应故障诊断

针对多工况条件下的故障诊断方法因建模数据和待测数据不满足独立同分布假设,导致模型性能恶化这一问题,提出了一种基于区分性联合概率分布差异的域适应故障诊断建模方法。以一个结构风险最小化域不变分类器作为故障诊断框架。在框架上施加基于区分性联合概率分布差异的域适应项,将建模数据和待测数据投影到公共特征空间中,对齐跨域同类别样本分布的同时,最大化跨域不同类别样本间分布差异;并且利用流形正则化保持数据的局部几何结构。在多工况条件下的凯斯西储大学(CWRU)和帕德伯恩大学(PU)轴承故障诊断数据集上进行试验。试验结果表明,该方法能有效提高故障诊断模型预测精度和泛化性,在多工况故障诊断任务中的表现良好。

基于全覆盖粒计算的K-medoids文本聚类算法

传统K-medoids聚类算法随机选取初始聚类中心,存在迭代次数增加、聚类结果波动较大的问题,因此提出基于全覆盖粒计算的K-medoids文本聚类算法。该算法定义了全覆盖平均粒度重要性的概念。首先对文本进行Single-Pass粗聚类,利用全覆盖粒度重要性和平均粒度重要性从粗聚类结果中产生初始聚类中心候选集,再基于密度和最大最小距离法则从候选集中选出初始聚类中心。通过实验验证,该算法的聚类迭代次数明显减小,聚类质量明显提高。

面向新闻文档的子话题划分方法研究

针对新闻话题中存在的难以区分多个子话题现象,在全覆盖粒计算模型的基础上,提出一种基于LDA和Derived Partition的子话题划分方法.首先利用LDA主题模型对文档集进行建模,提取隐含主题,对产生的θ矩阵设定合适的阈值,使其转换为全覆盖的形式;其次利用全覆盖粒约简的方法,删除冗余覆盖元,并提出诱导划分算法;最后通过诱导划分算法对覆盖元进行对称差运算和交运算,寻找诱导等价类,实现子话题划分.通过在新闻语料库上与三种baseline方法以及single-pass的对比实验,验证了该方法的有效性.实验结果表明,本文所提方法能有效地降低新闻子话题划分的误报率和错误识别代价.

基于中心误差熵准则的非高斯系统滤波器设计

针对现存的最小熵滤波理论由于熵具有平移不变性,基于最小熵准则的滤波方法只能保证估计误差的随机性尽可能小,而不能保证其收敛到零的问题,基于中心误差熵准则研究了一类线性非高斯系统的滤波器设计问题。首先在最小熵准则的框架下采用非参数估计理论和梯度下降法给出了滤波增益矩阵的设计方法,并对滤波误差系统的均方稳定性进行了分析。接着针对最小熵准则的不足,提出了新的中心误差熵准则,它是由信息势和互熵的加权求和构成的,最大化信息势以实现估计误差随机性的全局最小化,最大化互熵可以将误差概率密度函数的峰值固定到零,从而实现滤波误差尽可能小。最后采用数值算例分别针对最小熵滤波和最大中心误差熵滤波进行仿真,结果表明基于中心误差熵准则的滤波算法具有更好的性能。

基于差分进化改进粒子滤波的多径估计算法

多径干扰因具有位置上的不相关性、不确定性等特点,不能通过差分技术来消除,成为高精度定位的主要误差源之一。因此,估计多径参数对抑制多径误差、提高导航系统的定位精度具有重要意义。本文将多径估计问题转化为状态空间模型下的参数估计问题,并利用粒子滤波(PF)进行多径估计。同时,为了克服标准PF存在粒子枯竭、导致估计结果可能收敛到错误值的问题,提出了基于差分进化改进粒子滤波(DEPF)的多径估计算法,该算法利用差分进化(DE)算法代替PF的重采样来产生新粒子,使新粒子朝着状态真实后验概率密度分布的方向移动,避免了重采样后粒子可能收敛到局部最优值的问题。仿真结果表明,在非高斯噪声下与基于PF和EKF的多径估计算法相比,本文算法具有更好的多径估计性能。

考虑交通流非线性特性的交通信号迭代学习控制策略

现实中城市交通流的运行具有很强的非线性特性,采用简单的线性模型难以全面描述交通流的实际运行过程.本文在考虑城市交通流非线性动态特性的基础上,提出了一种非线性交通流排队模型,并基于宏观交通流固有的周期性特征,设计了交叉口信号的迭代学习控制策略.通过对交叉口信号的迭代学习控制,使交叉口各进口道的车辆排队长度尽可能趋于均衡,提高交叉口信号有效绿灯时间的利用率,从而提高路网的通行效率.最后通过严格的数学推导证明了该方法的收敛性,仿真研究及实验结果验证了所提方法的有效性.

基于迁移变分自编码器-标签映射的湿式球磨机负荷参数软测量

在工况改变时,湿式球磨机的实时数据和建模数据分布不一致,不满足传统软测量建模方法要求的数据同分布假设,导致模型失准和性能恶化。为此,引入迁移学习思想,提出一种基于迁移变分自编码器-标签映射的软测量模型,实现多工况下湿式球磨机负荷参数的准确测量。首先,迁移目标域数据编码得到的隐变量分布参数,对源域数据对应隐变量进行拟合,再解码得到迁移数据;然后采用相似性度量选取相似样本构建标签映射模型,并得到映射标签;最后使用迁移数据和映射标签构建出最终的软测量模型。实验结果表明,该软测量方法显著优于现有方法,适用于多工况下的软测量建模。

基于广义互熵主元分析的故障检测方法

针对实际化工过程会受到不同程度非高斯扰动影响的问题,提出一种基于广义互熵主元分析的故障检测方法。从重构误差的角度出发,考虑过程的非高斯性,采用广义互熵准则构建PCA模型,利用核密度估计法确定故障检测指标的控制限。将所提出的方法用于田纳森-伊斯曼过程进行故障检测,并与基于传统PCA的故障检测方法和基于核PCA的故障检测方法进行对比。由田纳森-伊斯曼过程21种故障检测结果可知,本文所提出的广义互熵PCA在处理非高斯系统的故障检测方面表现出良好的性能,即有较低的误报率和漏报率。

基于时间近邻拉氏正则的多工况软测量回归

针对流程工业中,工况改变导致传统软测量模型预测精度下降的问题,考虑到工业数据连续性、序列性、多重共线性、数据量庞大等特殊性对模型建立的影响,提出一种基于时间近邻拉普拉斯正则的多工况软测量回归模型框架。针对工业数据的多重共线性,回归框架采用非线性迭代偏最小二乘方法,同时引入域适应正则项改善工况变化对模型的影响,在此基础上,提出时间近邻拉普拉斯正则项,能够在映射过程中保持住数据的序列结构,并且大幅度减少模型训练时间以满足工业实时性要求。实验部分以三聚氰胺聚合过程多工况数据集为例,对本文模型的预测有效性以及减少训练时间的有效性进行了实验和分析。结果表明,与传统方法偏最小二乘回归相比,当目标工况为工况1到工况4时,本文方法使平均均方根误差分别降低了30.3%、31.4%、29.3%和24.1%。且相较于传统全连接法,时间近邻法构建拉普拉斯正则项能够使得四个工况上模型训练时间分别降低14.11、1.01、26.43和0.71 s,表明该模型的预测准确性和训练时间均得到有效改善.

数据驱动框架下的非高斯批次过程最小熵性能评估算法

针对一类带有非高斯干扰的批次过程控制系统,提出一种基于最小熵基准的性能评估算法。为了抑制非高斯噪声的干扰,本算法首次提出引用最小熵来作为批次过程控制系统性能评估的基准,同时考虑到批次过程控制系统的数学模型往往是复杂并难以确定,所以本算法引用了"黄金批次"的概念,突破传统研究中依赖模型的局限,提出一种新颖的数据驱动的评估不同批次性能的基准。通过批次化学反应堆的例子说明了所提出的算法的有效性。

基于FAR-HK-ELM的燃煤电站锅炉NO_(x)排放预测

结合快速属性约简(FAR)与混合核极限学习机(HK-ELM)算法,提出了一种基于FAR-HK-ELM的燃煤电站锅炉NO_(x)排放预测方法。该方法首先通过FAR算法筛选出影响NO_(x)排放量的主要影响属性,剔除高维特征的冗余信息;然后构建基于全局多项式核函数(Poly)和局部高斯径向基核函数(RBF)的HK-ELM对NO_(x)排放进行建模。通过带约束的权重线性递减粒子群寻优算法和交叉验证来获得模型的最优参数。以某燃煤电站锅炉运行系统为例,将模型应用于真实运行数据并进行预测分析验证。实验结果表明,与BP、SVM、PK-ELM、GK-ELM和HK-ELM等模型相比,所提方法进一步提高了模型的泛化能力。该研究为燃煤电站锅炉系统的燃烧优化奠定了基础。