小型热电联产汽轮机的蒸汽比焓及干度是汽轮机安全性和经济性评估的重要指标，但现有的在线测量手段非常少，针对这一问题，提出了一种在线计算汽轮机各级蒸汽比焓及干度的方法。判别汽轮机级组出口蒸汽的过热状态，对于过热蒸汽，通过求解级组的等熵焓降及内效率，从而求得级组出口蒸汽的比焓；对于饱和蒸汽，利用级组等熵焓降、内效率及饱和蒸汽比焓解算模型，求得级组出口蒸汽的比焓及干度。以某15 MW热电联产汽轮机为对象的验证结果表明，所述方法具有在线应用的可行性，且精度较高。

塔式吊车作为一种欠驱动吊车，在运行时负载易发生摆动。针对以往研究多侧重于消除摆角，而对钢丝绳自身的振动研究较少的问题，在滑模消摆方法的基础上，提出了考虑钢丝绳的振动并驱动行走电机进行消振的方法。首先，采用梁状系统的振动理论建立钢丝绳的振动模型；其次，推导出钢丝绳与行走电机之间的传递函数，由此将钢丝绳的角速度等效为电机上的非线性振动转矩；再次，采用了一种易于实现的消摆控制方法，使行走电机驱动一个消摆转矩。此外，同时再控制行走电机额外驱动一个转矩，此转矩和振动转矩大小相等、方向相反，从而达到消振的目的。最后，通过仿真和实物实验证明，在考虑钢丝绳振动的情况下，所提方法仍然有较好的控制效果。

故障在线监测自动时段划分方法依赖于对过程的先验知识，因此会对监测结果产生影响。鉴于此，通过引入密度敏感的距离度量并考虑时序信息，使用仿射传播聚类算法实现对间歇过程时段的自动有序划分，再采用支持向量数据描述算法建立故障监测模型。其中，时段划分部分采用果蝇优化算法，以间歇过程的监测性能指标及聚类算法的稳定性指标为优化目标，通过迭代优化实现最优时段的获取。将该方法应用于青霉素补料分批发酵过程的仿真，并与步进有序时段划分(step-wise sequential phase partition, SSPP)算法和迭代两步有序时段划分(iterative two-step sequential phase partition, ITSPP)算法进行对比，结果显示该方法具有较高的故障监测精度。

精馏塔温度系统存在强非线性、多变量强耦合、大时滞、时变性等特点，采用传统的PID控制器会出现超调、系统振荡的现象，难以取得良好的控制效果。因此，提出一种逆解耦线性自抗扰控制(inverse decoupling-linear active disturbance rejection control, ID-LADRC)策略。首先，使用逆解耦器解除变量之间的耦合，并采用LADRC策略对解耦后的系统进行控制研究；其次，针对精馏塔温度系统的非线性耦合数学模型，分别引入传统PID、ID-PID、LADRC和ID-LADRC四种控制策略进行仿真对比分析；之后，针对ID-LADRC策略手动调参难以取得最优效果的问题，提出一种改进的麻雀搜索算法(improved sparrow search algorithm, ISSA)进行参数优化。仿真结果表明，ID-LADRC策略具有更好的动态性能、抗干扰能力和鲁棒性，且采用ISSA优化后，系统的响应速度更快、调节时间更短，进一步提高了系统的控制性能。

针对蒸汽-水热交换机网络控制系统的模型信息未知和带宽有限问题，提出了一种基于事件触发的数据驱动控制算法。首先，通过事件触发机制有效降低了通信网络的传输负担，仅在满足触发条件时进行数据传输，显著节约了网络资源；其次，在无需系统先验模型信息的条件下，该方法能够保证闭环系统的跟踪误差最终一致有界；再次，基于数据驱动的设计思路将系统转化为输入输出映射形式，同步构建控制器与事件触发条件，实现了无模型自适应控制。与传统的数据驱动控制方法相比，所提算法的计算量小且有效地节省了通信资源。最后，通过MATLAB仿真实验验证了所提算法的有效性。

为提高卫星集群的应用效能，针对卫星集群在进行轨道博弈的同时需执行观测任务的问题，提出一种考虑任务协同的轨道博弈方法。首先，通过分析非合作关系的双卫星集群的观测收益、干扰收益和损失代价，利用非合作博弈的思想构建了卫星集群轨道博弈模型。其次，基于三个指标函数，建立非合作双卫星集群的收益矩阵，进而求解该双矩阵的博弈问题，得到其纳什均衡，并据此确定双方集群在均衡意义下的最优轨道布设分布。此时，非合作双卫星集群都无法通过改变己方卫星集群的轨道位置来获得更大收益。最后，仿真实验表明，与一般策略相比，利用博弈思想选取的轨道布设策略能够提高卫星集群的任务执行能力和应用效能。

为了预防断裂、失速、磨损、点蚀、塑性变形、胶合故障的发生，提出一种利用遗传算法(genetic algorithm, GA)优化反向传播(back propagation, BP)神经网络模型参数的齿轮箱高速轴故障预测方法。首先，采用Pearson系数和Spearman系数对多源数据进行相关性分析，筛选转速、有功功率、风速、转矩等相关联的变量。其次，利用BP神经网络建立齿轮箱高速轴的振动预测模型，采用相关联的变量数据作为BP神经网络的输入数据，并利用GA进行优化来确定权值和阈值。结果表明，GA+BP神经网络算法比传统BP算法的振动预测精度更高。同时，对比其他两种算法，GA+BP神经网络的预测精度更准确，验证了所提算法的可行性和准确性，为风电机组齿轮箱高速轴的故障预测提供了理论依据。

针对光伏功率随机性强等特点造成的光伏功率难以预测的问题，提出了一种基于最优多元变分模态分解(optimal multivariate variational mode decomposition, OMVMD)算法以及多策略改进的哈里斯鹰优化(multi-strategy improved Harris hawk optimization, MHHO)算法优化深度极限学习机(deep extreme learning machine, DELM)的光伏功率组合预测方法，简称为POMD模型。首先，通过特征选择确定对原始功率贡献值较大的气象特征，并将排列熵作为适应度函数，采用改进的哈里斯鹰优化算法求解MVMD算法的最优参数；然后，采用OMVMD算法对重要特征与实际功率进行同步分解，提高多通道数据的融合处理能力，得到若干个子序列；最后，利用MHHO算法获取DELM网络输入层的最优权重和偏置，搭建光伏功率预测模型，用特征分量来预测功率分量，以实现同频平稳预测的目标。实验结果表明，在三种天气条件下，POMD模型较其他组合方法而言，预测精度更高，拟合效果更好。

针对以自编码器(autoencoder, AE)为代表的深度学习异常检测方法在异常检测中因特征冗余导致漏报和误报率高的问题，提出一种增量式特征解耦自编码器(incrementally feature disentangled autoencoder, IFDAE)，并将其应用于核反应堆堆芯温度的异常检测。首先，在AE框架下引入特征解耦思想，定义了隐空间解耦损失，以强化特征的独立性约束。其次，提出了一种增量式特征生成策略，并构建神经元可增量的网络结构，通过迭代训练自适应确定隐空间的特征维度，解决了传统AE特征解耦不充分的问题。最后，通过构建两个监测统计量，分别对堆芯温度数据的特征空间和残差空间进行描述，针对真实堆芯温度数据检测的实验结果验证了所提方法的有效性。

为了提高煤与瓦斯突出预测的准确性，提出一种采用改进的蜘蛛蜂优化(improved spider wasp optimizer, ISWO)算法优化核极限学习机(kernel extreme learning machine, KELM)的煤与瓦斯突出的预测方法。首先，采用多策略融合的方法改进蜘蛛蜂优化算法，并用仿真实验验证算法性能，结果表明，改进后算法的收敛速度加快；然后，采用ISWO算法对KELM的参数进行优化整定；最后，采用仿真实验验证了ISWO-KELM模型的预测能力，实验结果表明，相比于其他模型，优化后模型的预测准确度更高、泛化能力更强。

为提升高速列车运行的平稳性和跟踪控制的精确性，确保列车在运行过程中能够克服未知扰动的影响，提出一种基于干扰观测器(disturbance observer, DOB)的神经网络反演滑模控制方法。首先，针对单质点模型精度不足且实际运行阻力变化难以通过经验公式准确计算的问题，建立阻力非参数化的高速列车多质点模型，并采用径向基函数(radial basis function, RBF)神经网络对阻力部分进行逼近；然后，基于列车动力学模型，针对外界未知扰动和滑模控制存在的抖振问题，将反演控制与滑模控制相结合，并设计DOB对控制输出进行扰动补偿；最后，通过对比实验证明，所设计的控制方法在抑制抖振、减小跟踪误差及提升鲁棒性方面的性能均更优。

针对三维桥式吊车存在无法获取精确的数学模型和受到外部扰动影响的问题，提出了一种结合开关微分器(switching differentiator, SD)型干扰观测器的自适应复合解耦滑模无模型控制策略。该策略由三部分控制器组成，分别是比例微分(proportional-derivative, PD)控制器、自适应复合解耦滑模控制器和SD型干扰观测器。首先，用PD控制器替代滑模控制器中的等效控制器，使控制器的设计不依赖系统的精确数学模型。其次，针对复合解耦滑模控制器设计了一个新型的自适应趋近律，用于加快滑模变量的收敛速度，并解决控制器的抖振问题。此外，SD型干扰观测器可以有效地补偿并抑制未知扰动对系统的影响，提高系统的鲁棒性。最后，利用李雅普诺夫稳定性理论和Barbalat引理对所提控制器进行了稳定性分析，仿真结果证明了该控制器的有效性。

针对永磁同步电机(permanent magnet synchronous motor, PMSM)伺服系统的调速问题，提出了一种基于超扭曲扩张状态观测器(super twisting extended state observer, STESO)的自适应超扭曲终端滑模与反步控制策略。首先，针对现有的积分终端滑模控制在远离平衡点的区域收敛速度较慢的问题，提出了一种非奇异快速积分终端滑模控制策略；同时，为了增强控制器的鲁棒性并削弱抖振影响，设计了自适应超扭曲(adaptive super twisting, AST)算法作为趋近律；其次，针对系统的电流环设计了自适应反步控制器，利用自适应律估计参数扰动，并将其应用于前馈补偿；针对系统未知的集总扰动，结合超扭曲算法设计了STESO，将估计值补偿到速度控制器中，并用李雅普诺夫方法对稳定性进行了证明。最后，通过仿真实验验证了所设计控制策略的优越性。

针对无人水面艇(unmanned surface vehicle, USV)系统遭受拒绝服务(denial-of- service, DoS)攻击和通信资源受限等问题，提出了一种动态记忆型事件触发航向控制方法。首先，为了改善系统的动态性能，设计了一种自适应的动态记忆型事件触发机制(adaptive dynamic memory event-triggered mechanism, ADMETM)；其次，将最后一次成功触发时刻的控制信号作为DoS攻击活跃时的系统输入，用于保证USV航向控制系统的稳定，并通过综合考虑事件触发机制和DoS攻击的影响，建立了新的闭环切换系统模型；然后，使用分段李雅普诺夫泛函(piecewise Lyapunov functional, PLF)法，推导出线性矩阵不等式形式的指数稳定判据，并对事件触发参数和控制器增益进行协同设计。仿真结果表明，所提方法可以有效消除DoS攻击对系统性能的影响，使得USV能够快速地跟踪期望航向。

针对电动汽车(electric vehicles, EV)大规模接入配电网所引发的安全运行问题，提出EV聚类下虚拟电厂(virtual power plants, VPP)主动支撑的安全优化决策。首先，构建由EV-电动汽车聚合商(electric vehicles aggregator, EVA)-VPP组成的多层级安全决策架构。考虑到EV在功率调节方面具有不同的动态响应特性，提出一种均值漂移与K均值(K- means)聚类相结合的聚类方法，并采用基于梯度下降法的参数权重算法以及基于轮廓系数(Silhouette)指标的效果评估方法，来提升对具有不同功率调节特性的EV的聚类准确性。然后，提出基于多链马尔可夫的EV聚类下EVA功率容量的预测方法，并考虑配电网潮流安全约束构建VPP主动支撑的配电网的安全优化决策。最后，仿真结果表明，所提策略能够有效保障EV大规模接入情况下配电网的安全稳定运行。

匹配问题是第四方物流(fourth party logistics, 4PL)协同运作模式下的关键问题，然而，在此过程中会面临不完全评价值信息给决策带来的挑战。针对这一挑战，采用了一种基于芬克奇异值分解(Funk singular value decomposition, FunkSVD)预测不完全评价值信息的方法，建立以第三方物流与企业客户双方满意度最大为目标、以一对一匹配为约束的4PL双边匹配模型，并提出一种集成匈牙利法粒子修复机制的粒子群优化(Hungary-particle swarm optimization, Hungary-PSO)算法。算例分析表明，FunkSVD对不完全评价值信息的预测更接近于真实值，Hungary-PSO算法比CPLEX更适用于解决大规模的4PL双边匹配问题。最后，通过参数分析，对4PL平台的营销力度提出管理建议。

石化管道的缺陷分割对管道的稳定运行至关重要，但石化管道的缺陷分割技术仍然存在训练样本稀缺、实时性差的问题。为此，提出一种实时小样本分割方法。首先，提出一种改进的小样本分割模型——基于背景的自适应超像素匹配网络(adaptive superpixel- guided network with background, ASGNet-BG)，通过引入管道的背景信息辅助分割，提高了缺陷分割的精度；同时，考虑到模型的实时推理能力，设计适用于小样本分割的双阶段剪枝方法，实现了模型的压缩和推理加速。在石化管道缺陷数据集上的实验结果表明，改进后的ASGNet-BG的平均分割精度达到了64%，优于其他小样本分割模型。剪枝后的模型的内存消耗降低了28%，浮点计算量降低了50%，推理速度提高为原来的3倍，整体分割精度仅损失2.19%，表明所提方法能够有效完成石化管道缺陷的实时分割任务。

为提高轴承故障诊断精度并解决多分类数据不均衡的问题，提出一种基于频域输入与数据增强的改进卷积神经网络(data augmentation modified convolutional neural network, DAMCNN)的轴承故障诊断算法。首先，将轴承采样的时域数据转换为频域数据，来提高特征的显著程度；然后，通过重叠滑窗采样策略扩充样本，改善数据的不均衡问题；最后，使用凯斯西储大学的轴承数据集通过仿真实验测试所提算法的性能，实验结果表明，相比于其他多分类算法，所提出的DAMCNN算法显著提升了不均衡数据多分类任务的精度和召回率。

针对间歇过程中有标签数据相对较少而无法精准建模的问题，提出了一种基于半监督多源域迁移学习策略的间歇过程产品质量预测方法。首先，利用多个源域和目标域过程的信息建立多任务最小二乘支持向量回归模型；其次，在多源域迁移学习策略的基础上引入半监督学习策略，并分别为源域和目标域过程的无标签数据标注伪标签，以有效提高伪标签的初始精度；再次，通过置信度判定方法和迭代学习的方式将置信度高的伪标签样本不断地添加到有标签的数据集中再次进行训练，以进一步提高模型的预测精度；最后，通过草酸钴合成过程质量预测的仿真实验验证了所提方法的有效性。

针对织物瑕疵检测问题，现有的方法大多关注瑕疵特征的提取，而没有考虑如何消除织物自身的纹理结构和织物褶皱等因素对特征提取的干扰，因此，提出一种基于图像主结构提取和自适应快速局部二值模式(adaptive fast local binary pattern, AFLBP)的织物瑕疵检测方法。首先，使用基于总变差模型的纹理图像主结构提取方法，能够去除织物图像中自身纹理信息的干扰；其次，对传统局部二值模式(local binary pattern, LBP)算法进行改进后提出AFLBP算法，用于对图片进行分割获取二值化图像，改善原LBP算法对图像的局部特征进行区分的问题，缓解像素的明显振动变化，在一定程度上提高了图像边缘轮廓提取的准确度；最后，使用支持向量机(support vector machine, SVM)分类器判别分割后的织物二值图像是否含有瑕疵。实验结果表明，所提方法在瑕疵检测的准确度方面表现较好，同时对比其他图像分割算法，所提出的AFLBP算法也有更好的分割效果。

针对常规的基于深度学习的时序预测方法未考虑时序特征重要程度不同的问题，提出一种基于注意力机制的卷积神经网络和长短期记忆(attention based convolutional neural network and long short-term memory, AB-CNN-LSTM)网络。该模型首先将卷积神经网络与长短期记忆网络混合；其次，在网络中引入注意力机制，通过并行的注意力支路提取显著特征，扩大卷积神经网络的感受野，并通过长短期记忆网络完成长序信息的挖掘；最后，通过消融实验验证了所提出的AB-CNN-LSTM模型在大特征量数据集上具有最佳的预测效果。

针对工业互联网发展中对工业制造涉及的计算任务提出的低时延、低能耗等需求，分析了各类计算设备的特点，设计了一种“云-边-端”多边协同的计算模型。为优化任务卸载策略，改进了麻雀搜索算法，引入Tent混沌映射构建初始种群，以提升种群分布的均匀性与遍历性；并通过随机游走机制对最优麻雀个体进行扰动，平衡算法的全局勘探与局部开发能力，设计了Tent随机游走麻雀搜索算法(Tent random walk-sparrow search algorithm, TR-SSA)。仿真实验表明，TR-SSA提升了卸载策略的稳定性与灵活性，降低了时延及能耗成本，验证了多边协同模型的有效性。