针对复杂集总干扰下六旋翼飞行器轨迹跟踪控制问题,给出了混合积分反步法控制与线性自抗扰控制的控制算法. 首先,通过牛顿-欧拉方程建立六旋翼飞行器的非线性动力学模型,并剖析系统输入输出的数学关系. 其次,根据六旋翼飞行器动力学模型的特点,将其分为位置与姿态两个控制环. 位置环采用积分反步法控制理论设计控制器,通过引入积分项来提高系统的抗干扰能力,消除轨迹跟踪的静态误差;姿态环采用线性自抗扰控制技术设计控制器,通过线性扩张观测器估计和补偿集总干扰影响,提高系统的鲁棒性. 最后,通过2组仿真算例和1组飞行试验验证了本文所提飞行控制算法的有效性. 研究结果表明:该控制算法对集总干扰有较好的抑制作用,能够使六旋翼飞行器既快又稳地跟踪上参考轨迹,具有一定的工程应用价值

浮选回收率是金矿选矿过程重要的生产指标，目前主要是通过人工化验的方法检测获得，人工检测周期较长，造成金矿厂不能及时把握浮选工艺水平.在大量现场生产数据的基础上，分别采用多元线性回归和BP神经网络的方法，建立了金矿厂浮选回收率的预测模型.预测误差分析表明，BP神经网络预测模型能较好地预测金矿厂的浮选回收率，当预测相对误差在±3%范围内时，模型的预测精度达到91%，对于实际生产具有良好的参考作用

提出了基于偏最小二乘回归模型的带钢热镀锌质量监控方法.以带钢热镀锌生产中带钢力学性能和锌层质量的质量监控为研究对象,用偏最小二乘方法建立了生产过程参数与质量结果之间的回归模型,对生产过程控制能力进行了分析,并给出了产品质量的预测方法.用鞍钢股份有限公司带钢热镀锌的实际生产数据进行验证.结果表明,偏最小二乘法比传统的多元线性回归方法具有更好的预测精度,基于偏最小二乘回归的锌层质量预测模型,其相对预测误差可达到5.93%

以炉渣结构的共存理论为基础,通过对MnO-SiO2渣系结构单元的确定、热力学数据的选取以及结合线性回归的方法,建立了MnO-SiO2渣系在1400~1600℃温度和一定浓度范围内的物理性质(粘度、表面张力和电导率)的计算模型.在上述范围内模型计算的理论数值与文献的实测结果符合良好,而且比目前应用的炉渣物理性质的经验或半经验公式更为系统和精确

通过对316L不锈钢的不同变形量的压缩试验,对其冷变形特性进行了研究.利用修正的Ludwik模型对流变应力数据进行非线性拟合,获得了316L不锈钢的真应力应变模型和加工硬化模型.试验结果表明:修正的Luiwik模型能较好的反映316L不锈钢真应力与应变关系;根据流变应力的变化规律,316L不锈钢冷变形流变应力可分为三个阶段,分别为真应变小于0.02的强加工硬化阶段,真应变在0.02与0.29之间的稳加工硬化阶段,以及真应变大于0.29的弱加工硬化阶段.电子显微技术研究表明316L不锈钢三个不同的变形阶段,其加工硬化机制、微观组织特征有所不同

采用一种预先设定步长的元胞自动机模型模拟晶粒长大,研究了步长对模拟结果的影响.在等效时间相同的情况下,采用较大的步长导致模拟完成时晶粒尺寸较小,但其晶粒尺寸分布更符合Weibull函数,晶粒面积比(An/Aa)与晶粒边数之间也更符合线性关系.无论采用哪种步长,模拟过程中平均晶粒边数均接近6,模拟后的组织中晶粒边数分布符合正态分布,且随步长的减小符合程度提高.综合考虑,对于实际材料晶粒长大过程的模拟仿真,采用100s步长可以获得较好的结果

提出了一种基于粗网格与模式搜索相结合的支持向量机分类器模型参数优化方法,采用Jaakkola-Haussler误差上界作为模型选择的评价标准。以黎曼几何为理论依据,提出了一种新的保角变换,对核函数进行数据依赖性改进,进一步提高分类器泛化能力。在研究人工非线性分类问题的基础上,将该方法应用于手写相似汉字识别,实验结果表明分类精度得到了明显提高

建立了闪光法测量半透明材料热扩散率的一维瞬态导热-辐射耦合换热数学模型,采用基于控制容积的离散坐标法分析求解激光脉冲在半透明材料内的温度响应,并与由热四端网络法得到的半解析解进行了对比和验证.研究结果表明:两种计算方法在各种计算条件下得到的结果吻合很好.数值方法更灵活,可以处理物性非线性问题,但计算时间较长;半解析法的计算速度非常快,但只能处理常物性问题.此外,本文对试样吸收系数、辐射边界、厚度及试样表面的热损失等因素对温度响应的影响进行了对比分析

研究了大吸附雷诺数下,可渗透、膨胀或收缩的半无限长管道中的层流流动.采用自相似理论,把描述该模型的Navier-Stokes方程转化成一个四阶的非线性微分方程.应用奇异摄动方法,对该方程进行渐近求解.分析了不同的膨胀系数、吸附雷诺数对管道流动的影响.壁面收缩时,边界层变薄;壁面膨胀时,边界层变厚;当膨胀率与雷诺数之比大于1时,管道流动出现回流

热轧支持辊的健康状态在带钢板形质量和轧制稳定性控制中起着关键作用，非线性、强耦合、少样本等特点使得热轧支持辊健康状态的预测复杂，目前各大钢厂仍以定期维护和事后维修为主。本文提出了一种支持辊虚拟健康指数的构建方法以及基于Copula函数的复杂工况健康状态预测模型。首先结合支持辊弯窜辊数据表征支持辊健康状态，再使用K-means聚类方法对支持辊工况进行划分，将各工况下过程数据分别构建Copula预测模型，最后根据实际轧制计划的排布顺序融合各工况模型的预测结果。提出的基于Copula函数的预测模型在某钢厂1780热连轧产线得到应用，结果表明，该模型能够准确有效的按照轧制计划实现支持辊的健康状态预测，以更科学的策略指导支持辊更换维护