一类非线性不确定系统的滑模观测器设计及其在故障检测中的应用

研究了一类非线性部分满足Lipschitz条件的非线性不确定系统的鲁棒滑模观测器的设计问题。提出了一种将Thau观测器与WalcottZak观测器结合的非线性鲁棒滑模状态观测器设计方案,并利用Lyapunov定理证明了状态观测误差最后一致收敛于一个紧集。将所设计的滑模观测器应用于故障检测,仿真实验结果验证了该方法的有效性。     

基于分簇的动态协同算法在无线传感器网络中的应用

为降低无线传感器网络中的能量开销,减少存储和网络资源,采用了一种新的信息融合机制。根据目标的当前地理位置,将无线传感器网络中的节点动态分簇,建立分布式的跟踪机制。利用一种基于信息矩阵加权的卡尔曼算法在该机制下进行目标跟踪,与无分簇机制下的信息矩阵融合算法进行性能比较,仿真实验结果表明该方法具有较高的有效性和可靠性。同时,在网络存在丢包情况下,基于Grubbs准则进行改进,能有效地提高精度。     

两种新颖的三相SPWM逆变器死区补偿策略

目的：探索转化生长因子β1（tansforming growth factor-β1,TGF-β1）对人成熟树突状细胞（mature dendritic cells,mDCs）骨架丝状肌动蛋白（filament actin,F-actin）及其部分骨架结合蛋白表达的影响,为深入理解树突状细胞（dendritic cells,DCs）的生物学行为和提高基于DCs的抗肿瘤免疫治疗的临床效率提供线索。方法：不同浓度的TGF-β1处理mDCs后,用激光共聚焦显微镜和免疫印迹实验分别研究细胞骨架F-actin的结构和部分细胞骨架结合蛋白表达水平的变化。结果：（1）与对照组相比,TGF-β1处理后的mDCs的F-actin出现了明显重排,F-actin的表达量在3 ng/ml组下调（P=0.000）,在5 ng/ml组上调（P=0.000）。（2）mDCs表面丝状突起长度和数量的变化,长度在3 ng/ml和5 ng/ml组较对照组细、短（P=0.001,0.000）;数量在1、3 ng/ml和5 ng/ml组较对照组少而稀疏（P=0.000）;在7 ng/ml组mDCs表面丝状突起长度和数量的变化均无统计学意义（P=0.114）;通过回归分析细胞丝状突起长度和数量与F-actin表达量之间存在非线性相关性（R2分别为0.828和0.746,P=0.000）。（3）细胞骨架蛋白结合蛋白的表达,fascin1在所有实验组中均出现了下调（P=0.001、0.000）;p-cofilin1与总cofilin1的表达水平比在1 ng/ml和3 ng/ml组均下调（P=0.000）;profilin的表达在1、3 ng/ml和5 ng/ml组均上调（P=0.001、0.001、0.013）。结论：TGF-β1以浓度依赖的方式影响mDCs的细胞骨架F-actin结构及其部分结合蛋白的表达,提示在临床上施行基于DCs的抗肿瘤免疫治疗时,需以适当的方式阻断TGF-β1的信号转导通路,这对进一步深入理解DCs的生物学行为和肿瘤的免疫逃逸机制具有重要意义。     

基于支持向量机的化工过程故障诊断

引入了基于统计学习理论的支持向量机技术，以连续搅拌釜式反应器——CSTR模型为例，研究了非线性化工复杂反应过程的故障诊断问题。实验结果表明，支持向量机方法与传统故障诊断方法相比，具有更好的精度、速度以及适应性。     

基于小波递归神经网络的间歇过程迭代学习优化控制

针对间歇过程提出了基于小波神经网络的迭代学习优化控制算法,实现产品终点质量指标的控制。小波递归神经网络用于建立提供长期预测的间歇过程模型。由于模型误差以及未知干扰的影响,基于预测模型得到的控制变量在实际应用中得不到期望的终点质量指标。利用间歇过程的重复特性,采用迭代学习优化控制改善批次间的产品质量,根据以前批次的模型预测误差均值来修正神经网络模型预测输出,继而计算出下一个批次的控制输入。随着批次的进行,模型误差逐渐消失,控制输入达到最优控制。仿真实验结果验证了该算法的有效性。     

三自由度直升机模型鲁棒控制器设计

鲁棒性是直升机的重要性能指标。针对三自由度直升机模型设计了基于线性二次型调节器(LQR)和模糊逻辑的鲁棒控制器。该控制器从控制率出发,首先采用LQR控制器来确保直升机模型的静态性能,然后设计积分切换函数与滑模切换控制分量来增强系统的抗干扰能力,接着采用模糊逻辑调整控制律以达到最佳效果。实验结果表明该策略具有较强的鲁棒性和很好的动态响应性能。     

合成氨厂实时操作优化控制

介绍大型合成氨厂在线实时操作优化控制系统。运行结果表明,该系统使用方便,经济效益明显,在合成氨厂具有广泛推广价值。     

基于局部特征的多模态过程监控方法

多模态过程中各个模态均有不同的特征,因此模态数据的局部特征比全局特征更能有效、合理地表征实际化工过程。为利用多模态数据的局部特征,提出了基于数据局部特征的多模型方法（LFMM）用于多模态过程的监控。首先,离线阶段考虑到数据间的时序信息以及数据特征,利用不同时间窗内数据的变异系数（CV）完成多模态数据集的聚类;然后,考虑到不同模态的数据在空间分布上具有不同的疏密性特征,建模阶段利用局部离群因子（LOF）算法计算数据在其模态数据集中的局部密度,监控时将在线数据的局部密度作为统计特征,并构造全局概率指标用于多模态过程监控;最后,通过田纳西伊斯曼（TE）过程验证了本文方法的有效性。     

基于加权距离邻域选取策略的多模态过程故障检测

针对多模态过程数据密度不规则性提出的一类基于密度的方法,大多是以欧式距离为基础来比较彼此间的相似性,从而检测过程是否发生故障。然而多模态数据密度在较小范围内变化较大,采用欧式距离很难获得全面的数据信息。本文提出了一种新的基于加权距离选择邻居的策略,该策略首先对距离进行合理的加权,再根据新的加权距离重新选择样本点的邻居,能有效地避免数据信息不全面的问题。在仿真实验中,首先通过比较基于传统的欧式距离和基于本文加权距离选取的邻居,说明本文策略的优越性;进而将该策略与局部离群因子（Local Outlier Factor, LOF）结合用于TE过程,对TE过程的仿真结果表明该策略在应用于基于密度的检测方法上获得了的良好效果。     

非满载车辆路径问题的改进粒子群优化算法

将局部版粒子群算法应用于非满载车辆路径问题,设计了一种实数编码方案,线性调整惯性权值,改进粒子更新公式,建立了解决该问题的粒子群算法。用该算法求解了两个车辆路径问题的算例,并与遗传算法和标准粒子群算法进行了比较。结果表明:该算法提高了搜索最优路径的成功率,能更有效地求解非满载车辆路径问题。