热处理工艺对T8钢显微组织及硬度的影响

T8钢由于含碳量高,过剩碳化物极多,塑性和韧性差,若热处理工艺不合适,使材料在服役早期出现开裂和破碎的现象。通过SEM,OPM及XRD等试验方法,研究了T8钢组织和性能随球化退火时间、淬火温度及回火温度的变化。结果表明：T8钢在600℃球化退火2 h后,原始组织中的碳化物即可获得充分球化,以粒状形式细小均匀地分布在基体中,延长退火时间不显著改变碳化物的球化效果;试样经（770±10）℃保温,6 min油淬后,获得的隐晶马氏体组织硬度最高;试样经180~210℃回火1 h空冷后,消除了淬火过程中产生的残余应力,最终获得有球状碳化物均匀分布的隐晶马氏体组织,回火试样硬度较淬火态略有下降。     

离散时间系统多模型切换控制器

基于离散时间系统模型,提出一种切换控制器,这种控制器可保证经过多次切换,系统的状态是Ｌｙａｐｕｎｏｖ稳定的·同时针对被控对象参数不确定范围对被控对象建立多个模型,每一个采样时刻根据输出误差,选择最优模型及切换控制器,避免了切换控制器造成的切换频繁、过渡时间过长的弊端,改善了瞬态响应     

多分辨率小波极限学习机

针对一类具有空间不均匀性的辨识和回归问题,提出了基于小波分析的极限学习机方法.从多分辨率分析的思想出发,构造一簇紧支撑正交小波作为隐层激活函数,并利用改进的误差最小化极限学习机训练输出层权重,避免了新加入高分辨率子网络后的重新训练.同时,由一维多分辨分析的张量积构造了二维多分辨小波极限学习机.进而通过脊波变换将小波学习机扩展到高维空间,对脊波函数的伸缩、方向和位置参数进行优化计算.对具有奇异性的函数仿真结果证明,与标准极限学习机相比,小波极限学习机由于其聚微性能在极短的训练时间内更好地逼近目标.一些实际基准回归问题上的测试验证了脊波极限学习机在其中大部分问题上达到更高的训练和泛化精度.     

水箱液位系统的建模与仿真

应用流体力学原理对三容水箱液位系统进行分析,并在不同的工作点对水箱系统建立机理模型。基于不同的模型结构:线性模型、BP神经网络模型、非线性Hammerstein ARMAX模型,利用测量到的输入输出数据辨识对象的模型参数,对水箱系统建立数学模型,并通过仿真检验模型的有效性。不同的模型结构和相应参数及其辨识方法将对控制系统的设计具有很强的指导意义。     

高炉雷达料面测量信号处理系统改进

研制用于高温恶劣生产环境下新型冶金专用雷达.采用改进的调频连续波测量原理,提高了固体雷达料面测量的实时性.提出一种新的智能时变阈值信号处理方法,解决了因高炉内料面反射系数变化影响雷达测距精确性问题.实验室模拟仿真固粉态料面测量表明,该冶金雷达测量料面的跟踪延时在0.2 s以内,最大跟踪测量平均误差控制在0.05%.现场测试结果表明,测量平均误差0.95%,能够实时稳定地跟踪料面变化,满足高炉监控需求.     

基于KAUTZ模型的预测控制仿真研究

采用Kautz函数逼近来得到未知系统模型,利用带遗忘因子的最小二乘法在线辨识系统模型变化。基于Kautz模型设计了一种自适应预测控制器,并且针对系统投运初期的辨识误差提出了一种衰减因子补偿方法,提高了控制品质。该算法自适应能力强,控制精度高。仿真试验证明了该算法的有效性。     

矿渣微粉生产过程全流程优化

简述了矿渣微粉生产整体流程,研究了以最大化经济效益为目的的全流程优化问题.通过协调生产管理、运行优化、过程控制等部门的工作,结合立磨粉磨过程的工艺特点,提出了针对矿渣微粉生产过程的全流程优化整体解决方案.基于某微粉厂提供的大量数据,分析挖掘出矿渣微粉生产过程中影响经济效益的生产指标,以及在生产过程中影响这些生产指标的控制指标.将运行优化分为两层,并给出数学描述,为矿渣微粉生产过程全流程优化的深入研究奠定基础.     

网络闭环系统的离散模糊控制

针对网络控制系统（NCS）存在时延的情况下如何设计控制器问题,提出了一种新的网络闭环控制系统建模方法-离散模糊T-S模型,并在此模型的基础上应用平行分布补偿原理设计了NCS模糊控制器;应用Lyapunov理论和LMI方法,研究了系统的模糊稳定控制御题,给出了基于线性矩阵不等式的不依赖时滞的状态反馈模糊控制器的设计方法,并获得了NCS模糊控制的稳定充分条件为求解一组线性矩阵不等式;通过仿真验证了该控制方法的有效性。     

网络控制系统保性能控制

针对网络控制系统中时延不确定因素,将时延的不确定性转换为系统状态方程系数矩阵的不确定性,网络控制系统对象模型为具有时滞的不确定离散模型.在此模型的基础上,将网络控制系统的保性能控制问题转化为研究时滞的不确定离散系统的鲁棒保性能控制问题.利用Lya-punov理论及线性矩阵不等式(LMI)方法,证明了通过状态反馈控制,使网络控制系统保性能控制的充分条件等价于求解LMI.仿真示例验证了该控制方法的有效性.     

基于改进粒子群优化BP_Adaboost神经网络的PM2.5浓度预测

为了提高大气污染物浓度预测精度,采用灰色关联分析选取影响大气中PM_(2.5)浓度的主要因子,并以此作为神经网络输入变量,建立一种基于BP_Adaboost神经网络的PM_(2.5)浓度预测模型.用改进粒子群算法来选择BP_Adaboost神经网络权重和阈值,可以有效避免神经网络在训练时陷入局部最优解.根据北京市海淀区万柳监测站和朝阳区北京工业大学监测点每小时监测的大气污染物浓度和气象条件,分别选择2014-11-01~2014-11-25和2017-07-07~2017-08-06数据作为实验研究对象.仿真结果表明,在PM_(2.5)浓度预测中,相比于BP_Adaboost、BP和广义回归神经网络3种预测模型,改进粒子群优化BP_Adaboost神经网络预测性能更优.