Ca和Sr是铸造铝硅合金中最有效的变质元素,一般在浇铸前以中间合金的形式加入.然而在废杂铝熔铸再生工业中,原料中常含有微量的Ca和Sr,预控它们在熔炼过程中的含量变化是它们再利用的前提.本文以工业A356铸锭为原料,实验研究了熔炼温度和保温时间对Ca和Sr质量分数变化规律的影响.结果表明:Ca和Sr质量分数随着保温时间延长均呈Exp3P2规律下降,且随熔炼温度升高质量分数下降速率均逐渐提高.根据热力学和动力学分析可知,在废杂铝熔炼再生过程前期主要发生[Ca]和[Sr]与熔体中的氧发生氧化反应生成CaO和SrO,这些氧化物又会与Al2O3反应生成Al2O3·6CaO和Al2O3·SrO,经扒渣操作后Ca和Sr质量分数下降.在熔炼中后期,[Ca]和[Sr]以扩散至熔体表层还原Al2O3的方式使它们的质量分数降低.计算得出在660~740℃熔炼A356合金时Ca和Sr氧化反应的表观活化能分别为182.6 kJ·mol-1和117.8 kJ·mol-1,两者均受化学反应过程控制.根据Ca和Sr质量分数的变化规律建立了它们的质量分数预报模型,经生产验证表明预报误差均小于10%,可用于预报废杂铝熔炼再生过程Ca和Sr的质量分数

基于K均值聚类法对转炉出钢过程的合金损耗进行了研究，分析了影响合金损耗的关键因素，并将其分为3个聚类，得到转炉出钢合金损耗最低的工艺模式。在此基础上，开发了基于PCA-BP神经网络和混合整数线性规划的合金减量化智能控制系统，并以某炼钢厂为例进行了实际应用。通过对模型进行在线运行，验证了模型的准确性和实用性。使用该模型后，提高了合金化钢液成分准确度，减少由传统人工经验计算配料造成的成本浪费和成分超标等情况，优化了合金配料方案，降低了炼钢合金化成本，不同钢种铁合金加入总成本降低5.95%～14.74%，平均降幅11.72%

为了提升航班运行风险预测精度，基于某航空公司2016—2018年航班运行风险数据，在验证15个风险时间序列的混沌特性后，构建基于多变量混沌时间序列的风险预测模型。首先，对15个风险时间序列进行多变量相空间重构，采用主成分分析法（PCA）对相空间进行降维处理；然后，基于迭代预测的方式，分别采用极限学习机、RBF神经网络、回声状态网络和Elman神经网络建立风险短期预测模型；最后，以降维后的相空间作为输入，计算并比较分析未来1～7 d的风险预测结果。结果表明：多变量相空间重构后总维数为62维，经PCA降维处理，降至31维；在不同的预测模型中，降维后RBF模型预测效果最佳；其中，预测第1天结果相对误差<25%出现频数为82.62%，至第5天仍达75%以上；该模型第1天预测结果的修正平均绝对百分比误差（MAPE）值为11.32%，且前5 d均低于20%，满足航空公司使用要求。1～5 d预测结果对航班风险管控具有实践操作价值，证明基于多变量混沌时间序列的风险预测方案可行、有效

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确

针对亚微米尺度晶体元器件在加工和服役中出现的反常力学行为和动态变形等问题，基于离散位错动力学理论建立了单晶铜塑性变形过程的二维离散位错动力学模型。该模型考虑外加载荷、位错间相互力和自由表面镜像力对位错的作用机制，引入了截断位错速度准则。与微压缩实验对比验证了模型的正确性，并且能够描述力加载描述的位错雪崩现象。应用该模型分析了不同加载方式和应变率下位错演化及力学行为，结果表明：当外部约束为力加载和位移加载时，应力应变曲线分别呈现出台阶状的应变突增和锯齿状的应力陡降，位错雪崩效应的内在机制则分别归结为位错速度的随机性和位错源开动的间歇性；应变率在102～4×104 s?1范围内，单晶铜屈服应力的应变率敏感性发生改变，位错演化特征由单滑移转变为多滑移面激活的均匀变形，位错增殖逐渐代替位错源激活作为流动应力的主导机制

针对标准无迹卡尔曼滤波(Unscented Kalman filter, UKF) 算法本身存在着因状态误差协方差矩阵无法实现Cholesky分解而导致滤波发散的隐患，以及在电池状态估计过程中由离线标定的电池等效模型参数而造成的累积误差的问题，本文发展了一种平方根无迹卡尔曼滤波(Square-root unscented Kalman filter, SR-UKF)算法，并设计了一种电池状态联合估计策略。首先快速SR-UKF算法通过对观测方程进行准线性化处理，降低了每次无迹变换时的计算开销；然后在迭代过程中，用状态误差协方差矩阵的平方根代替状态误差协方差矩阵，该平方根是由QR分解与 Cholesky因子的一阶更新得到，解决了UKF 算法迭代过程中可能由计算累积误差引起状态误差协方差矩阵负定而导致滤波结果发散的问题，保证了电池荷电状态(State of charge，SOC)在线滚动估计的数值稳定性；最后采用联合估计策略，对电池等效模型参数进行实时辨识，保证了电池等效模型的准确性与有效性，从而提高了电池SOC的估计精度。仿真对比结果验证了快速SR-UKF算法以及电池状态联合估计策略的可行性与鲁棒性

在冷连轧无取向硅钢薄带过程中，为了实现锥形工作辊窜动自动控制边降，需要合理的确定功效系数与策略。这种系数的获得，不只需要研究本道次的轧辊弹性变形、薄带横向流动、机架间变形对窜辊效率的影响，更重要的是需研究上游机架窜辊对下游机架的影响。这就需要高效的仿真模型来完成以上计算。基于边降区域的金属横向流动理论，建立了将横向流动视为纯剪切增量的数值模型，避免了沿带宽方向建立刚度矩阵，从而提高了计算效率。同时考虑了薄带在机架间发生的轧后屈服流动，由于锥形工作辊窜动，打破了带钢断面的等比例遗传关系，使得轧后带钢在边部区域需要缩宽并减薄来补偿边部延伸率差。所建立的数值模型通过工业现场实验验证，相比于原有模型具有更高的精度。完成了两个机架连续计算，研究了上游机架窜辊对下游机架出口边降的影响。研究发现，第一机架的边降控制范围最宽，第二、三机架控制范围逐渐变窄。根据该规律设计了根据三点边降偏差的配合调控策略，相比单点策略在工业应用中取得了更好效果

基于国内某厂齿轮钢小方坯连铸生产过程，利用ProCAST软件建立移动切片模型，能够高效模拟连铸过程中的宏观偏析，模型分别模拟研究了不同过热度、二冷水量和拉坯速度等对宏观偏析的影响。模拟结果与碳偏析检测结果吻合良好，验证了移动切片模型模拟连铸坯宏观偏析的准确性。由于溶质浮力的影响，内弧侧的宏观偏析强于外弧侧。随着过热度的增加，铸坯中心碳偏析度从1.06增加至1.15。过热度控制在25 ℃范围内，可以保证铸坯的宏观碳偏析度控制在1.10范围内。随着连铸二冷水量的增加，铸坯中心偏析改善程度较小，铸坯中心碳偏析度从1.16降低至1.13。随着拉坯速度的增加，铸坯中心偏析呈现加重的趋势，铸坯中心碳偏析度由1.14增加至1.21，拉坯速度控制在1.4 m·min–1范围内，可保证铸坯中心碳偏析度低于1.15

借鉴流体黏性的表征方式,引入粉体颗粒表观黏度的概念表征粉体颗粒间的相互作用力,基于能量耗散原理,利用旋转黏度计测定了含SiO2纳米添加剂的Fe2O3颗粒在不同温度条件下的表观黏度.实验结果表明,Fe2O3颗粒表观黏度随温度升高而增大,纳米SiO2的加入使颗粒表观黏度明显降低,主要原因是纳米SiO2对Fe2O3颗粒形成了包覆,抑制了颗粒间的团聚和烧结.此外,本研究利用微型流化床研究了含纳米SiO2的Fe2O3颗粒在流化还原过程中发生黏结失流的过程,进一步验证了纳米SiO2对Fe2O3颗粒表观黏度的影响.结果表明,加入纳米SiO2显著提高了还原样品的金属化率,延长了还原过程中的黏结时间;扫描电镜分析表明纳米SiO2有效包覆在Fe2O3颗粒表面,降低了铁原子的扩散活性,并充分阻隔新鲜铁之间的接触,抑制新鲜铁的烧结,从而导致Fe2O3颗粒之间难以形成黏结点,由此证明纳米SiO2对流化床内Fe2O3颗粒的还原过程中的黏结失流具有明显抑制作用

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题，提出了一种基于群体智能优化的多核学习支持向量机算法。首先，研究了五种单核函数对支持向量机分类性能的影响，进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法；其次，为增加粒子多样性及快速寻优，将粒子群优化算法引入了遗传算法中的杂交操作，并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后，分别采用深度特征与手工特征作为识别算法的输入，研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入，以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试，进一步为了验证所提算法的泛化能力，选取公开数据集LUNA16进行测试。实验结果表明，本文算法易于跳出局部最优解，提升了算法的学习能力与泛化能力，具有较优的分类性能