摘要：为了改善多区域互联系统电能质量的问题,在原有负荷频率控制系统(LFC)的基础上引入由超级电容和蓄电池两者组成的混合储能系统(HESS),并针对电力系统中难以避免的传感器故障问题设计传感器主动容错策略.首先,建立含HESS的LFC系统模型用以减少负荷扰动对系统频率带来的影响;其次,针对带HESS的互联电力系统设计传感器主动容错策略,避免因传感器故障而引发的系统故障;最后,通过对一个三区域带HESS的互联系统进行仿真实验,验证HESS对改善互联系统电能质量的可行性和所提出的容错控制(FTC)的有效性.

摘要：针对一类具有预先指定切换序列的切换非线性系统,研究了具有通信信道干扰和时滞测量的分布式模型预测控制问题.在每个子系统都存在镇定控制器的假设下,利用基于Lyapunov函数的模型预测控制器设计了分布式模型预测控制器,并给出了闭环切换非线性系统最终有界的充分条件.最后,通过仿真结果表明了分布式模型预测控制策略的有效性.

摘要：设计并实现了一种基于量子行为粒子群算法(QPSO)系统模型在线辨识的Web服务自适应接纳控制,根据系统模型的变化在线调节比例积分控制器参数.通过接纳时间比反馈控制机制,调整控制周期内服务器接纳请求的时间长度,进而实现接纳控制.通过仿真实验,并与多种不同控制方法进行比较,所得结果表明,在线辨识自适应控制能够在服务器过载的情况下更有效地控制系统资源,进一步提高了服务质量.

摘要：工业设备作为工业互联网的基本组成部分,其健康状态事关工业产品的质量水平和生产过程的稳定性以及流畅性.因此,对工业设备的健康状态进行评估和退化趋势预测具有重要的理论价值和工程实践意义.本文基于深度学习方法,拟构建双任务框架,实现工业设备的健康状态评估和退化趋势预测联合研究.具体来说,首先对工业设备的监测信号进行时域和频域特征提取,使用LightGBM选择强相关性的特征,通过主成分分析降维建立健康指标,并构建健康状态的类别标签;接着发展领域自适应的迁移学习算法,即流形空间分布对齐,将源域和目标域在特征层面进行迁移,完成源域和目标域的分布对齐;最后,融合因果膨胀卷积、双向门控循环单元以及注意力机制技术,设计了双任务深度网络框架,实现了工业设备的健康状态评估和退化趋势预测的双功能.本文方法有效解决了单独研究工业设备的健康状态评估或退化趋势预测的缺陷,可以同时对设备进行状态进行实时定性分析(健康状态)和定量分析(剩余使用寿命).最后,以工业关键部件的轴承和刀具为例,通过和当前流行的深度学习方法比较,实验结果验证了本文所提的方法能够实现双任务功能以及显著提升退化趋势预测的精度.

摘要：为了改善二进制量子行为粒子群优化(BQPSO)算法的收敛性能,提出了一种基于完全学习策略的改进BQPSO优化(CLBQPSO)算法,并由此设计了一种新的数据聚类方法.该算法在4个测试数据集上与其他一些聚类算法进行了聚类实验比较,实验结果表明,基于CLBQPSO的聚类算法不仅收敛速度快,而且有较好的全局收敛性,收敛精度优于其他聚类算法,聚类效果更好.

摘要：针对一类具有活动边界的分布参数系统,考虑移动传感器/执行器的动力学行为,研究其移动控制问题.考虑并列的传感器/执行器,通过传感器对系统的状态进行测量并将测量值传递给执行装置中的控制器.根据传感器之间不同的信息传递方式分别设计相应的控制器,基于无穷维抽象发展方程理论和Lyapunov方法得到相应的移动控制策略,并证明所提出的移动控制策略与系统的活动边界之间的关系.最后通过仿真结果验证所提出策略的有效性.

摘要：为了提高永磁直线同步电机控制系统的鲁棒性和快速性,提出了一种基于超扭曲滑模控制的直线电机反推控制策略。首先,根据电机的机械动力学方程,建立了永磁直线同步电机的数学模型。其次,引入一种基于超扭曲控制的终端滑模控制器,削减系统的抖振,保证滑模面的快速收敛,从而提高系统的鲁棒性。针对直线电机易受到参数变化以及外界干扰影响的特点,为直线电机控制系统设计了一个神经网络干扰观测器。最后,通过直线电机实验平台验证控制方法的有效性。

摘要：研究一类存在扰动的一维人群疏散系统的边界控制问题.以走廊中的人群动态为例,基于数量守恒定律建立人群动态模型;由非线性偏微分方程描述系统模型,并直接在分布参数的范畴内,设计Robin、 Neumann、Dirichlet三种边界控制律,用于控制行人在疏散过程中的移动方式,避免拥堵的产生;利用李雅普诺夫方法对边界控制律作用下的人群疏散系统稳定性给出详细证明,并通过一个仿真实例验证边界控制律的有效性.研究成果可以应用到生活中单入口单出口场所的人群动态管理.

摘要：为提高毫米波大规模多输入多输出(multiple input multiple output,MIMO)系统频谱效率及误码率性能,提出了一种联合稀疏混合预编码优化算法.首先根据毫米波信道的角度稀疏特性重构波瓣信道,分别对每个波瓣子信道进行混合预编码优化设计;然后针对混合预编码设计中含有非凸约束的多元稀疏信号重建问题,利用数字预编码矩阵的隐含稀疏结构,设计波瓣内每个数据流模拟预编码的自有支撑集和共有支撑集;最后根据模拟预编码矩阵与数字预编码矩阵之间的相关性,联合优化设计模拟预编码和数字预编码矩阵.进行了计算复杂度分析以及仿真分析.结果表明:与OMP算法相比,文中算法计算复杂度降低了91%或93%;相较于SLD算法,文中算法的频谱效率性能提高、误码率性能更好.

摘要：显著性目标检测旨在寻找图像中的视觉显著区域。现有的显著性目标检测方法已经展现出强大的优势,但依然在尺度感知和边界预测方面具有局限性。首先,各类场景中的显著目标存在诸多尺度,使算法难以适应不同尺度变化。其次,显著目标往往具有复杂的轮廓,这使边界像素点的检测变得更为困难。针对以上问题,文中提出了基于特征融合与边界修正的显著性目标检测网络,该网络基于特征金字塔,提取了不同层次显著特征。首先针对目标的尺度多样性设计了由多尺度特征解码模块组成的特征融合解码器,通过逐层融合相邻层特征,提高了网络对目标尺度的感知能力。同时设计了边界修正模块学习显著目标的轮廓特征,以生成边界清晰的高质量显著图。在5个常用显著性目标检测数据集上进行实验,结果表明所提算法在平均绝对误差、F指标和S指标3项定量指标上均能取得较优的结果。