基于改进金枪鱼群算法PMSM自抗扰控制

针对传统永磁同步电机(PMSM)调速系统在受到外部环境干扰、参数易变等不确定性因素的影响下系统鲁棒性变差的问题,提出一种基于改进金枪鱼群优化(ITSO)算法的PMSM自抗扰控制(ADRC)策略。首先,针对ADRC中fal函数在拐点处不平滑的问题,提出了一种改进fal函数,减小了系统的高频抖振。其次,由于ADRC中参数多且不易整定,利用ITSO算法对参数进行寻优整定。为了避免电流环在采用比例积分(PI)控制时电流控制存在抗负载能力差、响应速度慢等问题,将降低电感权值后的改进型无差拍预测控制应用到电流环。最后,进行仿真和半实物实验验证,结果表明所提控制策略具有良好的系统响应和控制精度,明显提高了系统的鲁棒性。

基于改进鲸鱼算法的PMSM双预测控制

针对传统永磁同步电机(PMSM)模型预测速度控制(MPSC)中权重因子不能有效整定的问题,提出一种基于改进鲸鱼优化算法(WOA)的权重因子自整定方法,避免了繁琐的参数调整过程。将电机转速误差的绝对值和控制量平方项加权积分作为优化目标,通过迭代寻优获得优化权重因子。并且由于电流环采用传统比例积分(PI)控制会使电流控制存在动态响应时间过长、抗负载能力较差等缺陷,因此在改进MPSC基础上再将带有反馈补偿环节的改进型无差拍预测控制(DPCC)应用到电流环,从而形成PMSM双预测控制。实验结果表明所提控制方案是有效的,能够实现对电机转速的精准控制和电机电流快速平稳跟踪,提高了系统鲁棒性。

基于改进SSD的钢材表面缺陷检测

工业生产过程中,钢材表面缺陷的检测对于钢材的质量控制发挥着十分重要的作用,针对钢材表面缺陷检测中存在的检测精度低、检测速度慢等问题,提出了一种钢材表面缺陷检测的改进SSD算法。在所提算法中,采用Transformer多头注意力机制模块代替原SSD结构中的Conv5_1层,以提高小目标检测的能力;原SSD结构中的Conv7操作替换为Involution算子操作,以减少运算的参数量;对网络结构进行特征融合处理,以更全面地检测特征图中所包含的信息。利用NEU-DET数据集进行实验,实验结果表明改进后的SSD算法是有效的,可以高效检测到钢材表面的小目标缺陷,相比改进前平均检测精度提高了4.5%,检测速度提高了13.6%。

基于横纵向集成学习的短期负荷预测方法

为进一步提高预测的准确度和普适能力,并降低组成算法的复杂度,对负荷的固有特性进行横纵向二维化分析,结合误差分布的特点,提出基于横纵向剖析负荷特性的集成预测方法。初级模型采用互信息提取横向特征,通过长短期记忆网络(LSTM)感知负荷波动;采用变分模态分解(VMD)提取纵向特征,通过Elman神经网络预知负荷趋势;然后基于改进的Stacking融合构建横纵向集成学习模型。最后,采用中国东部某地区的负荷数据验证模型的有效性,算例表明改进的Stacking充分融合了横纵向模型的优势并具备强大的学习小样本能力,横纵向集成预测方法有效提高了模型的预测精度和泛化能力。

基于图像识别的矿井煤与瓦斯突出预警研究

针对现有矿井煤与瓦斯突出预警方法存在的不足,提出了一种基于图像识别的矿井煤与瓦斯突出预警方法。首先,基于VGG16网络建立瓦斯浓度、声发射强度和电磁辐射强度变化的煤与瓦斯突出危险性图像识别模型。然后,基于Dempster-Shafer(D-S)证据理论对3种模型的突出危险性识别结果进行融合处理,消除预警的不确定性,实现准确预警。最后,利用来自生产现场的数据所生成的瓦斯浓度、声发射强度、电磁辐射强度变化图像进行实验。实验结果表明,所提方法的预警准确率高、预警速度快,其预警效果优于峰谷比值法和Res Net50方法。实验结果证明了所提方法的有效性。

热轧批量计划模型及其混合求解算法

分析了热轧批量计划编制问题,建立了基于奖金收集车辆路径问题的计划数不确定的热轧批量计划模型.模型中考虑了热轧生产的多种工艺约束和生产目标.针对该模型提出了一种基于模拟退火算法和蚁群算法的混合算法,混合算法中利用模拟退火算法得到热轧批量计划的一个初始解来生成蚁群算法中的初始信息素分布,利用蚁群算法寻找全局最优解.在蚁群算法中又嵌入了模拟退火算法进行局部搜索,避免蚁群算法陷入局部最优.实验结果表明所提出的模型和算法是有效的.

基于蚁群优化算法的步进式加热炉调度

针对钢铁企业生产中的步进式加热炉调度问题,同时考虑到加热炉的生产能耗与热轧机的生产效率,以板坯的实际加热时间、热轧机等待加热板坯的时间以及加热炉内冷热板坯混装次数最小化为目标,建立了冷热板坯混装模式下的步进式加热炉调度问题的数学模型.并针对模型的特点,设计了求解模型的蚁群优化算法.算法中嵌入基于邻域搜索的局部搜索过程,提高蚁群优化算法的收敛速度.使用钢厂实际生产数据的仿真实验验证了所提模型及算法的有效性.

参数自适应模糊PID控制器在温度控制系统中的应用

电阻炉模型参数具有随温度而变化的时变特性,当温度大范围变化时,采用常规PID控制方法不能满足较高工艺要求,为此,本文应用一种参数自适应模糊PID控制方法,并设计了基于单片机的温度控制硬件装置。实践证明该控制方法有较高的稳态精度和跟踪性。装置简单,运行效果较好。

基于小波包熵和数据融合的煤与瓦斯突出预警

在深入分析煤与瓦斯突出前的瓦斯浓度变化基础上,提出了基于小波包熵和数据融合的煤与瓦斯突出预警方法。利用基于均值的分批估计融合方法对瓦斯浓度多传感器数据进行处理,以获取煤与瓦斯突出预警所需更为准确、可靠的数据;利用瓦斯浓度变化的小波包熵特征,量化瓦斯浓度变化的无序程度;利用基于小波包熵特征的煤与瓦斯突出预警模型,进行煤与瓦斯突出的实时预警;利用基于重构信号能量的小波包分解层数确定方法,对瓦斯浓度变化的小波包熵特征提取所需的小波包分解层数进行科学确定。通过实例验证表明,煤与瓦斯突出前瓦斯浓度发生忽大忽小的无序变化时,所提方法可以有效探测工作面的煤与瓦斯突出危险性。

基于PCA和PSO-ELM的煤与瓦斯突出软测量研究

针对煤与瓦斯突出预测效率和准确率不高这一问题,提出将主成分分析(PCA)法与改进的极端学习机(PSO-ELM)相结合的方法对煤与瓦斯突出进行预测。根据某煤矿地质动力区划方法,在划分活动断裂,岩体应力计算等工作基础上获取影响突出的相关数据;通过主成分分析法对原始数据进行降维处理,消除变量间的线性相关性;利用粒子群算法(PSO)对极端学习机(ELM)的输入权值和隐层阈值进行优化,建立PSO-ELM预测模型,将提取的主成分作为该模型的输入,煤与瓦斯突出强度作为模型输出。实验结果表明,该方法的预测精度高、结构简化,具有较强的泛化性能力强。

基于MPSO-CWLS-SVM的瓦斯涌出量预测

针对瓦斯涌出量受多因素影响,传统的预测方法难以建立准确的数学模型,导致预测精度低这一问题。提出一种经改进的粒子群算法(MPSO)优化的基于柯西分布加权的最小二乘支持向量机(CWLS-SVM)算法来预测非线性动态瓦斯涌出量。柯西分布加权的最小二乘支持向量机根据预测误差的统计特性,确定加权规则参数,以达到赋予训练样本不同权值的目的。并用MPSO算法对CWLS-SVM模型的正则化参数λ和高斯核参数σ寻优。利用无线传感器网络采集到的各项历史数据进行实例分析。结果表明,该算法有效的提高了瓦斯涌出量的预测精度,降低了预测误差,为煤矿瓦斯防治提供理论支持。

基于相似日选择与改进Stacking集成学习的短期负荷预测

单一机器学习算法进行短期负荷预测存在着泛化能力受限的问题,本文将Stacking集成学习模型引入到短期负荷预测问题。对于在交叉验证下同一基学习器不同预测模型表现出预测准确度的差异性,根据预测精度对同一基学习器中不同预测结果进行赋权。考虑到不同环境下各影响因子对日负荷值影响程度不同,引入蚁狮算法(ALO)自适应的调整各个影响因子的权值,提高相似日选取方法的准确性。通过相似日选取方法筛选出的相似日集合样本训练改进的Stacking算法预测模型,利用中国北方某地区的负荷数据进行实际算例分析,实验结果表明,在面对负荷影响因素复杂且训练样本较多的情况下,本文所提的方法具有良好的鲁棒性、稳定性和预测精度。

基于PCA和案例推理的煤与瓦斯突出动态预测

为了实现对煤与瓦斯突出快速、准确和动态预测,提出了一种基于主成分分析(PCA)和案例推理(CBR)的煤与瓦斯突出预测方法。考虑煤与瓦斯突出多种影响因素,利用案例推理技术对煤与瓦斯突出危险性进行预测。同时采用一种基于PCA的案例描述特征权值确定方法,以提高案例检索效率以及煤与瓦斯突出预测准确率。利用实测数据对所提方法进行验证,实例验证结果表明,所提方法预测结果的准确性和稳定性更高,预测平均误差和最大误差分别仅为0.154%和0.77%,远小于模糊神经网络方法和专家给定权值的案例推理方法。

基于PCA与权重贝叶斯的工作面煤与瓦斯突出预测

为实现对工作面煤与瓦斯突出快速、准确和动态的预测,提出一种基于主成分分析和权重贝叶斯的工作面煤与瓦斯突出预测方法,通过建立工作面煤与瓦斯突出预测的权重贝叶斯模型进行突出危险性等级预测。利用主成分分析确定预测模型中分类变量权重以提高预测准确性。在此基础上,设计基于相似度的训练样本数据更新方式实现对突出预测模型的有效重构。实验结果表明,与朴素贝叶斯模型和权重贝叶斯模型相比,基于主成分分析和权重贝叶斯工作面煤与瓦斯突出预测方法能快速获得高准确度的突出预测结果,为现场指导矿井工作面安全生产提供参考。

基于多传感器数据融合技术的瓦斯监测系统

瓦斯灾害是煤矿中最严重的灾害之一。最近几年瓦斯事故发生频繁,瓦斯爆炸夺走了许多矿井工人的生命,给国家造成了重大经济损失。对矿井瓦斯预测预报和对瓦斯进行控制,就能大大地减少瓦斯爆炸事故和矿工的伤亡。为此采用多传感器数据融合方法,对瓦斯、温度、风速等信号数据采样,提取它们特征量,对数据进行数据融合,实现对矿井瓦斯进行实时监测、预测控制,为矿井安全生产提供了有力的保障。并经过实验已取得较好的效果。

基于聚类和案例推理的煤与瓦斯突出动态预测

为了实现对煤与瓦斯突出快速、准确和动态预测,考虑煤与瓦斯突出多种影响因素,提出了一种基于聚类和案例推理(CBR)的煤与瓦斯突出预测方法。利用通过一种基于PCA的描述案例特征权值确定方法所得的描述案例特征权值,对案例库案例进行聚类,使同类案例间具有较高的相似度;以案例聚类结果为基础,进行高效案例检索与匹配,以提高煤与瓦斯突出预测的快速性。利用实测数据对所提方法进行验证,实例验证结果表明,所提方法预测结果的准确性高,预测所用平均时间是已有煤与瓦斯突出预测案例推理方法预测所用时间的40%。

优化极限学习机的煤与瓦斯突出预测方法

为提高煤与瓦斯突出的预测精度、实现快速预测,提出了一种基于自适应天牛须搜索算法(ABAS)和极限学习机(ELM)的瓦斯突出预测模型ABAS-ELM。采用核主成分分析法(KPCA)对煤与瓦斯突出的高维、非线性特征进行提取,将提取后的主特征作为预测模型的输入,使用ABAS对ELM的输入权重和隐层偏差进行寻优,建立ABAS-ELM瓦斯突出预测模型,实现对瓦斯突出风险的预测。实验结果表明,与ELM、粒子群优化的极限学习机(PSO-ELM)和遗传算法优化的极限学习机(GA-ELM)预测模型相比,该方法在提高模型泛化能力和预测精度方面效果显著。

炼钢炉次计划仿真系统的设计与实现

炼钢炉次计划对于钢铁企业生产计划的编制起着承上启下的重要作用。针对炉次计划问题多目标、多约束的复杂特点,建立了整数规划模型,提出了基于现场计划编制人员经验规则的多阶段启发式算法对其进行求解,并以该模型和算法为核心开发了炼钢炉次计划仿真系统,讨论了其的结构与功能。利用生产现场的实际数据,对系统进行了离线仿真,并计算了炉次计划结果的评价指标。仿真结果表明:该模型及算法可以快速、高效的编制炉次计划;该仿真系统为炉次计划模型及求解算法的研究提供了仿真实验平台,并为进一步在实际工程中的应用奠定了一定的基础。

基于ESO的PMSM无模型自适应滑模控制研究

针对表贴式永磁同步电机矢量控制调速系统容易受到负载扰动等不确定性因素影响的问题,提出了一种基于扩张状态观测器的永磁同步电机无模型自适应滑模控制方法。首先对传统永磁同步电机的转速和电流数学模型进行分析处理,归纳出系统对应的超局部模型;然后根据系统超局部模型设计出无模型的自适应滑模速度控制器和电流控制器,通过自适应切换增益来减少系统中的抖振现象,并利用扩张状态观测器对转速环和电流环中的总和扰动及未建模量F估计并进行前馈补偿;最后通过仿真和半实物实验平台验证了所提控制方法的可行性与有效性。

考虑生产路径柔性的钢铁合同计划编制研究

在钢铁企业MTO管理模式下,通过对生产过程和质量设计的分析,提出了一种考虑生产路径柔性的合同计划编制新方法,建立了以工序能力均衡为目标的周合同计划编制模型,以此模型为基础研究质量设计生产路径柔性对合同计划工序负荷能力影响。针对模型特点,设计了改进变邻域搜索的模型求解算法,算法采用模拟退火的Metropolis准则,防止算法陷入局部最优。应用钢厂实际数据进行数字运算,结果表明,合理选择质量设计生产路径可以大幅度提高合同计划工序负荷率,验证了所提方法合理、有效。