复杂电力系统鲁棒性协调控制研究

针对现有的电力系统鲁棒控制策略中存在的不足,提出了将关联测量控制理论与鲁棒控制相结合的控制策略,即先建立复杂电力系统中各子系统数学模型,再视各控制器的关联量为扰动项来设计鲁棒控制器,该控制器不仅能显著改善电力系统的小干扰稳定性,而且还无需采集远方测量信号,装置复杂度低.最后,通过对8机36节点测试算例的建模与仿真计算,证明投入该鲁棒励磁控制器,与传统分散协调控制器相比,对运行方式的变化有满意的鲁棒性.     

基于HFC-ADM模型对SA的改进及应用

通过分析模拟退火算法（SA）以及利用分等级公平竞争（HFC）模型对SA改进的固有缺陷,提出新的基于自适应输入阀值的HFC模型（HFC-ADM）的模拟退火算法及其算法流程,同时进行详细的数学描述。最后以求证旅行商问题（TSP）为例,通过统计数据验证了改进后的算法较采用同样局部优化的标准退火算法和分等级公平竞争的模拟退火算法具有更好的收敛速度和优化解。     

一种基于密度的数据流检测算法SWKLOF

总结目前数据流在线检测算法的优缺点,提出了一种新的数据流在线检测算法—SWKLOF。该算法采用滑动时间窗口对数据流进行封装,用k-距离进行剪枝,剔除大部分正常数据,对剩余疑似异常数据采用局部离群因子LOF(local outlier factor)进一步精确筛选。理论分析和实验结果表明该算法降低了时间复杂度,提高了检测准确性。     

基于复杂事件处理的产品质量预测方法研究

针对制造企业对产品质量控制存在实时性不足,并且事后分析无法及时的为企业减少损失的问题,基于复杂事件处理机制,提出了一个生产线实时监控框架,并阐述了其功能模块。在此基础上,通过灰熵关联分析算法和分类回归树算法识别制造过程关键质量特征,并建立了产品质量预测模型,该模型实现了从生产线上的实时数据提取出产品质量缺陷事件,并以此来对产品质量进行监控,从而达到质量预测的目的。最后对模型进行实例验证,证明了该模型的有效性。     

基于极限学习机的车间节能目标预测方法

针对车间的混合流水线调度问题(HFSP)存在智能算法寻优过程中节能目标即适应值评估代价高的问题,首先,通过分析车间节能模型建模的编码方式,提出一种基于矩阵编码机制的特征向量提取方法,引入核函数有利于极限学习机(ELM)求解节能目标。其次,对需要构建代理模型的改进多目标多元宇宙优化算法(IMOMVO)进行计算复杂度分析,建立了基于ELM的代理模型,设计数据驱动优化的车间节能目标算法框架。最后,基于均匀分布变量的拉丁超立方抽样,形成初始化样本,与BP算法进行预测性能验证和计算时间对比两个实验。实验结果显示,ELM算法的拟合优度为0.973 81,预测性能指标均优于BP算法。单个适应值平均计算时间为5.4×10-4s,仅为真实求解的18.5%。说明ELM在车间节能目标预测问题具有良好的效果。     

基于序列挖掘的分等级搜索可持续进化算法

讨论了最大频繁序列模式和公平竞争层次模型(HFC),设计了最大频繁序列模式的挖掘算法(MFSPMA),把MFSPMA同HFC结合起来,提出了基于序列挖掘技术的分等级搜索可持续进化算法(SEAHSM).该进化算法设置多个不同层次的种群为不同适应度水平的个体提供生存空间,采用最大频繁子模式挖掘算法挖掘种群中的优良基因,并将具有优良基因模块的新个体注入到不同适应度水平的种群,从而实现遗传信息的稳定继承,有效避免优良基因的丢失.实验结果表明:SEAHSM在维持遗传信息稳定性、避免早熟收敛、提高搜索精度等方面表现良好.     

汽车模具设计资源管理系统的研究与应用

本文从汽车模具设计者的角度出发,对汽车模具设计资源的进行了分析;建立了汽车模具设计资源库;通过对汽车模具设计零部件的三维浏览、汽车模具设计资源的检索机制、汽车模具设计资源管理系统等内容的分析,设计了汽车模具设计资源管理系统的体系结构。最后,实现了该原型系统,保证了汽车模具设计资源的准确性和及时更新,提高了设计效率。     

离散型物联制造过程复杂事件模型描述

面向制造过程事件组织和关联方面的统一语义描述,分析了离散型制造过程事件类型及关系;并建立了生产过程复杂事件结构模型。结合复杂事件操作符和可扩展标记语言(XML)语法语义,建立了基于XML的面向制造过程的事件描述语言(XEDL)。通过基于XEDL的油制辣椒生产过程事件模型描述案例,与常用复杂事件模型描述对比,说明XEDL语言在事件模型描述方面的优越性。     

基于云制造的数据挖掘研究

为了解决云制造环境下分布式海量数据的分析处理、促进数据挖掘的开发集成和商业应用的问题,在云计算服务模式的基础上,提出了云制造服务模式、内容与技术基础,设计了数据挖掘服务模型,构建了基于云制造的数据挖掘服务模型体系架构,并给出了基于云制造的数据挖掘层次结构,从制造全生命周期的角度形成了云制造环境下的数据挖掘服务模式。     

国家重点实验室培养大学生创新能力实践教学

培养具有科技创新能力的大学生,是我国实施创新强国的重要环节。高校作为培育创新型人才的重要基地,往往忽视高校创新人才培养的实践教学。而且目前普通高校科研实践平台无法满足教学要求,影响了大学生创新能力的培养效果。国家重点实验室作为重要的科研平台,拥有高端的创新人才和先进的仪器设备资源,能够开展科技创新实践教学,基于虚拟仿真教学、人工智能实验学习等不同教学模式,有效提高了本科生创新能力。采用“问题导向式教学—启发式教学—互动式教学”的教学方法,培养学生理论结合实践的能力,通过开展不同形式的科研实践教学,对培养大学生科技创新能力具有重要作用。