摘要：针对智能体通信时延和能源损耗问题,研究了带有时延和切换拓扑的二阶多智能体系统动态事件触发编队控制方法。在考虑通信时延的基础上,设计了一种动态事件触发机制,通过动态调整事件触发条件,使系统能够根据实时状态进行控制。根据该控制方法,建立了时延控制输入、切换拓扑和动态事件触发下闭环控制系统的数学模型,并利用李雅普诺夫稳定性理论和线性矩阵不等式理论证明了其稳定性。仿真结果表明,与现有方法相比,所提方法可以避免大量的触发,节约了网络资源,并提高了多智能体系统的收敛性能。

摘要：为实现精准变量喷药技术,该文设计了旁路节流式变量喷药控制系统用于变量喷药和幅宽调节控制,运用流体网络理论建立系统的数学模型,将模糊PID控制与基于喷药流体网络模型的Smith预估控制结合起来喷药量的调节,并对国产3W-250型喷杆喷雾机进行改造并构建喷药试验平台。试验结果表明,基于喷药流体网络模型的Smith-模糊PID控制算法的动态响应更快,降低了变量喷药系统滞后性和非线性的不利影响,超调量小于13.1%,稳态误差小于3.52%,且具有较好的适应能力和鲁棒性,为精准变量喷药控制提供一种实现方法。

摘要：激光诱导击穿光谱(LIBS)为多元素同时分析提供了一种简单、快速的分析工具。对LIBS多元素同时分析时实验参数优化,提出了一个"综合信背比(ISBR)"的优化目标函数。基于二次回归正交设计(QROD)构建了激光脉冲能量、检测延时、样品距透镜距离、积分时间这些因素对目标函数影响的多因素模型。结果表明,目标函数可以顾及多条谱线性能,为多元素同时分析提供参数优化的依据。利用QROD方法建立多因素模型,可以获得比单因素逐个优化更优的实验条件,并大大减少了实验次数。

摘要：实际多模态化工过程通常由于产品需求等调整而产生新模态,现有基于深度学习的故障诊断方法存在未充分利用现有模态设计经验、小样本下难以训练模型等局限.针对上述问题,提出一种基于元学习(meta learning,ML)和网络结构搜索(neural architecture search,NAS)的新模态故障诊断方法MetaNAS.首先,利用NAS自动获取现有模态性能最优的网络模型;然后,利用ML从现有模态的NAS过程中学习故障诊断模型的设计经验;最后,当新模态产生时,在已学习设计经验基础上进行梯度更新,即在小样本条件下快速得到新模态故障诊断模型.通过数值系统和田纳西伊斯曼(Tennessee Eastman,TE)化工过程的仿真实验充分验证所提出方法的有效性和可行性.

摘要：差示扫描量热仪温度控制具有滞后、非线性等特点,难以得到精确的数学模型.针对这些特点,提出一种前馈-反馈复合多控制器算法.针对滞后特性,采用一种改进的PID(proportional-integral-differential)算法,通过对常规PID算法加入微分积分环节,补偿滞后对控制过程的作用.针对非线性特性,提出建立多个近似线性子控制器的多控制器方法,并通过加入平滑滤波因子解决控制器切换过程中引起的控制量突变的问题.针对反馈控制在起始阶段调节时间长的问题,加入前馈控制器设计前馈-反馈复合控制器.将所提控制算法应用于差示扫描量热仪恒速升温控制过程中,结果表明,所提算法能够减小响应时间,提高控制精度,控制效果明显优于常规控制算法.

摘要：如何有效检测和防御工业病毒对应用层协议数据的攻击是目前工业安全网关研究的难点问题.本文提出了将Modbus TCP通讯流量转换为异常检测模型所需数据形式的预处理方法,设计了一种利用粒子群PSO算法进行参数寻优的PSO-SVM算法.该方法根据Modbus功能码序列中的模式短序列出现的频率,识别出异常的Modbus TCP通讯流量.最后,通过实验数据分析,说明了提出方法可以有效实现对Modbus功能码序列的异常检测.

摘要：大型生产设施的安全与能效监控,迫切需要低功耗、高精度的泛在感知,高实时、高可靠的无线传输以及动态灵活的生产管控.为此,本文首先提出一种扁平架构的无线化工业控制系统.然后,围绕感知、传输和控制等核心功能需求,系统阐述了高实时高可靠的工业无线网络设计及其时−空−频三元联合调控方法,感知终端的变周期精益采样和高能效精准时间同步方法,以及管控平台的语义化互操作和赋时工作流模型等核心关键技术.最后,研发了面向石油高效采收和电网全域安全监测的无线化工业控制系统,介绍了应用效果和成效.

摘要：进入工业4.0时代,大规模互联分布式智能工业设备产生了海量的具有时延敏感和计算负载差异的异构工业任务,终端侧有限的计算能力难以支持任务的实时高效处理.通过工业无线网络将任务卸载到网络边缘侧服务器进行多接入边缘计算成为解决终端侧算力受限问题的一种有效手段.然而,工业无线网络有限的时频资源难以支持大规模分布式工业设备的高并发任务卸载.本文充分考虑异构工业任务高并发计算卸载中有限时频资源约束和建模难的问题,提出一种基于深度强化学习的动态优先级并发接入算法(Deep Reinforcement Learning-based Concurrent Access Algorithm with Dynamic Priority,CADP-DRL).该算法首先分析异构工业任务的时延敏感性和计算负载时变性,为工业设备分配不同的优先级,动态地改变工业设备接入信道进行计算卸载的概率.然后,利用Markov决策过程形式化动态优先级高并发计算卸载问题,并采用深度强化学习方法建立高维状态空间下状态到动作的映射关系.针对动态优先级和并发卸载的多目标决策问题,设计了包含优先级奖励和卸载奖励的复合奖励函数.为保证训练数据的独立同分布,同时提高算法收敛速度,提出了带经验权重的经验回放方法.对比实验结果表明,CADP-DRL能够快速收敛,实时响应,在实现最小卸载冲突的情况下为高优先级工业设备提供最高的成功卸载概率保证,性能优于slotted-Aloha、DQN、DDQN和D3QN算法.

摘要：搭载有视觉检测系统的自主水下航行器(AUV)具有水下文物探测功能,对深海考古有着重要意义。水下文物所处环境复杂多变,目标存在破损、堆叠和泥沙掩埋等情况,导致判别特征提取困难,使得AUV视觉检测系统无法可靠、准确地实现水下文物的检测。针对上述问题,提出一种基于可形变深层聚合网络模型的水下文物检测算法。为了充分提取复杂环境下水下文物目标特征信息,设计了具有可形变卷积层的多尺度深层聚合网络。在此基础上,引入SimAM注意力模型进行特征优化,来增强文物目标潜在特征信息并削弱背景干扰。最后,通过不同尺度的特征融合实现水下文物检测。在采集的水下文物数据集上进行大量验证和分析,算法的精确率、召回率和平均精度均值(mAP)分别达到了92.7%、90.5%和92.2%。此外,算法已部署到AUV系统中。在实际深海测试场景中,视觉检测系统的文物检测帧率达到19 fps,可满足实时检测的任务需求。

摘要：以电磁阀、电动机、变压器等设备中的基础能量转换元件—电磁线圈—为研究对象,针对其绝缘失效突出的实际问题,研究了电磁线圈绝缘退化监测问题.首先,基于电磁线圈等效电路模型和绝缘失效机理分析从理论上证明了线圈谐振频率与绝缘退化之间存在关联关系;其次,针对电磁阀线圈样品完成了热加速退化实验,实验结果表明线圈绝缘退化过程中谐振频率值持续减小,验证了谐振频率作为电磁线圈在线健康监测参数的有效性;最后,针对智能工厂实际需求,提出了面向工业4.0的生产设备/核心组件衰退状态透明化管理系统设计架构.