为了研究Hilbert空间中一类非自治随机积微分方程最优控制问题,采用随机分析、算子半群理论和Sadovskii不动点定理建立了所研究问题mild解的存在性定理,并在此基础上通过构造两次极小化序列,讨论了最优状态-控制对的存在性。

随着传统制造业与互联网的融合，智能制造逐渐兴起。数字孪生技术成为连接物理空间与数字空间的关键。针对双面研磨加工过程，研究数字孪生的可视化监控技术及物理规则的融合方法，开发了基于数字孪生的虚拟监控系统。首先，明确系统设计目标与框架，确定开发工具与可视化平台，并依据设计需求建立双面磨床数字化样机模型，实现几何层面的数字孪生；然后，建立物理规则融合模型，采用数据采集与可视化技术，达成物理层面的数字孪生；最后，运行系统进行测试，结果显示系统功能正常、资源占用低且显示效果良好，实时性表现出色。研究结果为双面研磨虚拟监控提供了有效的解决方案。

为提高光伏发电并网稳定性,充分利用误差信息对模型预测结果进行修正,本文提出一种基于长短期记忆网络(long short-term memory,LSTM)和误差修正的光伏功率短期预测模型。首先通过LSTM对数据进行初步预测产生误差序列,然后利用经验模态分解(empirical mode decomposition,EMD)将误差序列分解成不同频率的子模态,并根据豪斯多夫距离(hausdorff distance,HD)进行相似性度量,对每个模态分量分配权重,再利用麻雀搜索算法(sparrow search algorithm,SSA)优化的LSTM预测误差模态分量,将加权后的预测误差和预测值结合实现误差校正。通过实验证明,本文所提模型在均方根误差(RMSE)、平均绝对百分比误差(MAPE)等评价指标上都优于传统的LSTM模型、反向传播(back propagation,BP)神经网络模型以及支持向量机(support vector machine,SVM)模型,验证了组合模型的有效性。

三维模型分类已经成为一个研究热点，海量三维模型不仅具有类内多样性，同时也具有类间相似性，严重影响了三维模型的分类准确率。针对此问题，提出了一种基于对比学习的三维模型分类方法，训练时分为样本区分性阶段和分类阶段。在样本区分性阶段，同类别三维模型互为正样本，其他类别三维模型互为负样本，利用对比损失对样本特征进行约束，将正负样本映射到同一个空间单中心单位超球体上，得到一个良好的三维模型分类语义表示空间。此外，为了捕捉视图之间的关联性和视图内的关键性区域，引入了多头自注意力模块和空间注意力模块，并通过引入通道注意力提高了多头自注意力对通道维度信息的获取能力。在分类阶段，通过微调网络参数，将网络模型迁移到分类任务中，完成三维模型分类。实验结果表明，在ModelNet10和ModelNet40数据集上，三维模型分类准确率分别达到了99.4%和97.5%。

针对计算机病毒与网络恶意攻击给招考智慧平台系统运维带来的挑战,提出一种结合特征降维和北方苍鹰优化算法(northern goshawk optimization, NGO),优化卷积神经网络(convolutional neural network, CNN)以及双向长短期记忆网络(bi-directional long short-term memory, BiLSTM)的招考智慧平台异常流量检测方法。通过核主元成分分析方法(kernel principal component analysis, KPCA)对数据集蕴含的非线性信息进行降维,将降维后的数据作为深度学习网络模型的输入量。再通过NGO对CNN的卷积核进行优化得到最优卷积核,结合BiLSTM对异常流量进行检测。将CIC-IDS-2017数据集作为入侵检测网络模型的训练与测试样本分析,得到准确率与训练时间对比其他方法都有所提升,证实该方法的可行性和有效性。

针对水产养殖长文本中存在大量与目标主题无关的信息,导致模型误判和丢失有效信息的问题,提出了融合N-Gram的水产养殖长文本实体关系联合抽取方法。该方法首先采用多模型融合算法提取基于BERT初始化的文本矩阵特征图,进一步利用级联BiLSTM提取深层次特征。然后逐层提取融合N-Gram算法预处理的长文本切片矩阵特征,建模切片矩阵的相对位置和绝对位置。在自构建的水产养殖长文本数据集和SKE公共数据集上的实验效果与基准模型相比有了明显提升。实验结果表明,该方法能够充分获取并处理水产养殖长文本中的语义信息,有效提高了实体关系抽取的准确性和完整性。

数字孪生技术在制造业中的应用日益广泛，特别是在零件加工过程中，构建高保真度的制造单元数字孪生模型对于实现加工过程质量控制的优化与决策至关重要。针对面向零件加工过程的单元级数字孪生建构技术进行了综述，重点讨论了虚拟实体模型构建、工艺策略设计和工艺参数决策3个关键技术国内外研究现状与不足，提出了一套对应的技术实施框架。通过一个空腔试验样件加工案例，展示了单元级数字孪生建构技术在零件加工中的实施效果，并与传统加工方式进行了效率对比。最后，总结了实现单元级数字孪生存在的难题以及未来的发展方向。

数控机床是制造国之重器亟需的关键核心装备。近年来，我国高端数控机床出厂性能取得显著提升，但其精度保持性等服役性能的不足，制约了在关键领域实现国产替代的进程，亟待通过数字化手段实现服役性能的精准刻画。数字孪生技术通过深度融合模型驱动与数据驱动方法，集成多维多尺度模型与多源异构数据，构建高保真全息映射的虚拟机床，为数控机床服役性能的精准刻画与表征提供有效手段。提出面向服役性能的数控机床数字孪生建模理论框架，在此基础上针对高端数控机床提出服役性能的影响机理与模型构成要素分析、多维多尺度数字孪生模型构建、变工况下多维多尺度数字孪生模型验证三项关键技术。相关工作期望能为提升数控机床服役性能提供理论参考。

随着智能制造技术的快速发展，数字孪生作为连接物理世界与数字世界的桥梁，在精密和超精密制造领域展现出巨大的应用潜力。通过创建物理实体的虚拟镜像，数字孪生能够实现对加工过程的实时监控、预测和优化，从而提高加工精度和效率。综述了数字孪生在精密和超精密制造领域的应用现状，指出了数字孪生在实时数据集成与高精度建模方面仍面临一定挑战，讨论了数字孪生技术在精密和超精密制造中的未来发展趋势和应用前景。

联邦学习在保护隐私情况下实现多工厂故障数据的联合训练建模,但由于工厂设备运行数据异质性大,导致传统联邦学习通信效率低。针对上述问题,提出一种基于高效通信联邦学习的设备故障诊断方法。首先,提出联邦动态加权平衡模型,动态调整工厂子端的训练次数以及上传参数量,通过降低通信时长提高通信效率;其次,提出带注意力机制的双跳门循环单元诊断模型,为不同特征赋予不同权重快速提取故障特征,有效缩短通信轮次提高通信效率;最后,采用西储大学与帕德博恩大学轴承故障数据集进行实验验证。实验结果表明,该方法相较于联邦平均算法与联邦近端算法在故障诊断准确率到达92.20%的同时,通信时长降低了56.88%与53.19%,通信轮次缩短了47.37%与41.18%,有效提升了通信效率。

针对目前伪装目标检测(camouflaged object detection,COD)方法中检测结果不完整、边缘细节模糊的问题,提出了一种新颖的前景与背景交互融合网络(FBIFNet),通过前景与背景区域的共同探索来进一步提升COD的性能。FBIFNet中包含了一个关键的双边交互融合模块(BIF),该模块使用一对互补的注意力来引导网络从前景和背景两个方向联合对伪装对象进行推理,并利用基于双向注意机制的交互策略和加权融合策略学习前景与背景间的互补信息。此外,还包含了一个注意力级联定位模块(ACP),ACP能够从全局角度对伪装对象进行定位,并为BIF提供更准确的前景和背景引导。得益于所提出的两个模块,FBIFNet能够更精确地检测伪装目标。3个公共数据集(CAMO、COD10K和NC4K)上进行的大量实验表明,所提出的网络在4个评估指标上均优于相关领域的先进方法。

甲基化是一种调节细胞功能的蛋白质翻译后修饰（PTM）,能对基因调控和疾病预测等领域的研究提供指导和帮助。当前,甲基化位点识别研究存在标注数据集少,正样本数据不足和甲基化研究识别准确率低等问题。为了解决这些问题,提出了一种基于CNN和Bi-LSTM模型的蛋白质甲基化位点识别方法。模型分为两个分支,CNN分支采用密集连接的方式使每一层的特征信息充分地传递和共享,堆叠的Bi-LSTM分支获得序列中双向的长期依赖关系,然后对两个分支特征融合用于甲基化识别。实验结果表明,利用该模型识别甲基化位点得到的准确率（ACC）、F1值(F_1-score)和马修斯相关系数（MCC）分别为0.851 9、0.849 4和0.728 4,相对比其他方法,本文提出的模型具有良好性能。

针对机床设备结构复杂，在实时故障监测中故障样本少，诊断准确率低的问题，提出了一种针对工作台进给系统的数字孪生故障迁移诊断方法。构建了工作台进给系统的数字孪生模型，为工作台进给系统故障诊断提供故障样本。构建了多尺度并行一维卷积神经网络迁移诊断模型，提高了工作台进给系统故障诊断的准确率。实验验证了所提方法的可行性，能有效解决工作台进给系统故障诊断中因故障样本稀缺导致的诊断准确率低的问题。

薄壁类零件被广泛应用于航空航天等领域中，薄壁件加工过程中由于刚性弱、切削力较大等原因易产生变形，会影响尺寸精度。因此针对框梁类航空铝合金薄壁件铣削加工过程中无法实时监测变形的问题，提出了一种薄壁件加工变形预测数字孪生框架。利用贝叶斯优化的随机森林代理模型构建了一种数字孪生驱动的薄壁件加工变形预测轻量化模型，基于Unity3D平台搭建了切削变形预测数字孪生智能应用平台，建立了物理加工环境与虚拟仿真空间的双向数据映射机制。实验表明，该方法可有效预测框梁类薄壁件加工过程中的力致变形规律，为高精度加工提供在线监测解决方案。

数字孪生作为智能制造的核心引擎，在虚拟仿真及加工可视化领域潜力巨大。然而，传统的离线数字孪生建模方法保真度依赖于预设参数的准确性，仿真结果与物理实体同步性差。针对此类问题提出了一种面向实时仿真的多轴机床数字孪生建模方法，通过理论层级架构设计及加工交互行为运动学推导，构建实时数据驱动的机床数字孪生模型。结合机床OPC UA数据通信方法与UE5引擎驱动的切削过程仿真方法，构造加工表面粗糙度-材质颜色实时可视化映射模型，实现真实加工过程的高保真度仿真及加工实时可视化。最后以VMC-C50摇篮式五轴加工中心为案例搭建机床数字孪生平台，验证了数字孪生模型的成熟度与实时仿真过程的可靠性。

热误差对加工精度具有显著影响，因此需要进行精确控制。实现热误差控制的关键在于构建一个集成高精度热误差模型的鲁棒系统。深度学习模型可用于实现该目标，但此类方法仍易受到温度变量间共线性、参数手动调整以及实时补偿能力有限等问题的影响。为了解决上述难题，研究了热误差补偿在数字孪生系统中的应用，设计了热误差补偿数字孪生系统，将改进后的改进容差值用于剔除共线性剔除的热误差建模方法。构建了融合具有强收敛性能的黑猩猩优化算法与最小门控单元-注意力机制的热误差模型，为提升计算速度与超参数优化性能，为黑猩猩优化算法引入了非线性收敛因子，形成了黑猩猩优化-最小门控单元-注意力模型。结果表明，热误差模型在拟合精度、收敛速度和预测准确性方面均表现出优越性能，热误差补偿数字孪生系统将工件关键尺寸几何误差降低了约75.00%。

进给系统对于机床的性能有极其重要的影响。传统进给系统机理模型在一定程度上能有效地反映进给系统特性，但在建模过程为了简化模型便于仿真和计算，必然会忽略掉部分零件以及环境的影响，这些因素使得机理模型预测的结果与实际情况之间存在偏差，进而影响了机理模型的预测精度。为解决这一问题，提出了一种结合机理模型和CNN-BiLSTM神经网络的进给系统数字孪生误差预测方法。首先考虑了摩擦力对进给系统的非线性影响，将进给系统抽象为质量-弹簧-阻尼系统模型。并根据实验对摩擦力和进给系统机理模型参数进行辨识。然后利用神经网络对机理模型的预测与实际物理系统之间的残差进行了有效修正，以此构建了进给系统的数字孪生误差预测模型。最后利用螺旋线空间轨迹对所提方法进行验证，实验结果表明提出的误差孪生模型比传统机理模型误差预测精度提升76.04%,与同类型神经网络模型相比预测精度最高。表明本文所提方法能够有效地预测进给系统跟踪误差，提升了模型的泛化性和稳定性，为复杂系统提供了一种可靠的建模策略。

在全球制造业智能化转型背景下，数字孪生技术通过物理实体与虚拟模型的深度融合，为突破智能制造的实施提供了创新路径。以VMC-C50五轴数控机床铣削钛合金为研究对象，基于“虚实交互、数据驱动”的技术路线，构建了数字孪生架构的铣刀磨损监测系统。通过整合物理感知层、虚拟建模层、数据互联层与智能服务层，建立了物理机床与虚拟模型的双向通信机制，实现了加工过程的全要素映射与动态优化。以刀具磨损预测为应用场景，提出了基于多尺度卷积神经网络-残差网络-双向长短期记忆网络-门控循环单元融合的深度学习模型，该模型可以深度提取空间特征和动态时序特征，与常规模型相比，显著提升了预测精度，通过虚实交互与数据融合机制，为铣削过程中刀具磨损动态感知提供了可工程化的解决方案。

数字孪生技术通过构建真实世界的虚拟数字模型，与真实世界进行实时数据交互，能够较高程度反映真实世界的演变规律。数控加工出于安全性考虑，保护装置使得观察视角受限，同时由于切削液干扰，工程师无法直观了解加工状况。此外，零件通常在加工完成后才能检测加工质量，随后工程师凭借丰富经验调整加工工艺参数，智能化程度低。为了解决这一问题，设计了一种四维数字孪生框架。该框架充分挖掘了几何和运动维度的数字载体信息，基于数据驱动维度实现与物理世界的实时数据交互，并在物理维度中对加工质量进行在线预测与工艺参数自适应调控，从而显著提升加工过程的智能化水平。

当前制造业呈现出规模化、定制化生产的特点，设备种类与工艺类型繁多且由于生产需求多变导致生产资源配置多变，需引入更加灵活、高效、实时响应的智能制造实施模式。针对制造过程中感知、决策、执行3个环节，提出了一种云-边缘协同数字孪生制造平台架构，并介绍了其实施路径，旨在通过数字孪生技术、知识库和迁移学习技术的深度融合应用，实现生产要素精准感知、制造过程智能决策及控制策略动态执行。首先，基于云-边缘协同的分层架构，构建了虚实同步的数字孪生模型，解决了复杂生产系统动态感知与多源数据融合难题；其次，提出了基于本体的知识库构建方法，通过知识演化与优化，以提升知识元的泛化表征能力，为定制化工艺决策的普适性和准确性提供保障；最后，提出了基于迁移学习的控制策略个性化修正与实时调整方法，以有效应对生产过程中扰动影响。此外，介绍了研究团队在以上几个方面取得的关键研究进展。本文提出的方法为规模化定制生产提供了高柔性、高可用的智能制造解决方案，为智能制造在复杂动态制造场景下的深度应用提供了参考。

随着分布式电源与储能设备的广泛应用,配电网呈现出更多未知的特性。而电力系统中应急突发事件对电网的稳定安全运行构成重大威胁。为了分析配电网的安全承载能力,首先依据M-阶邻居数与熵理论,构造节点影响力指标。其次,在考虑了应急突发事件对潮流分布的影响后,提出了一种考虑电网潮流分布均衡度的安全承载能力评估方法,并提出一种基于迭代法的关键安全约束选取策略,使得在优化模型中仅考虑关键安全约束即可满足所有潮流可行性,提高了求解效率。最后,将评估模型用在IEEE33节点测试系统进行分析,验证了所提方法在分析应急突发事件中配电网安全承载能力的同时,又能保证经济性,符合当下配电网的发展需求。

随着现代制造业中生产过程日益复杂和多样化,在多品种小批量生产需求下,制造系统构成更加复杂且物料流不规律,难以保证物料流建模的灵活性和仿真过程的准确性。针对此问题,建立了一种基于物料流元模型(material flow meta model,MFMM)的离散制造车间物料流生产仿真方法。基于七要素(seven element,SE)建模理论,进一步定义MFMM模型以描述物料流动和控制机制,并设计了一种基于MFMM的进程交互仿真算法以模拟物料流转过程,此外,还开发了相应的原型系统以支持所提方法。以某智能制造车间为例,对所提物料流建模与仿真方法进行验证。实验结果表明,与商业软件相比,所提方法的仿真准确性平均达到99.8%,且在物料流建模的灵活性方面也存在一定优势,证明了其在复杂制造环境中的有效性和实用性。

指纹识别技术常常会受到噪声的干扰,在采用小波阈值去噪方法降低指纹图像噪声的过程中,阈值函数的选取尤为重要,为此构造了一个介于传统的软硬阈值之间且带有可调参数的新阈值函数。新阈值函数克服了硬阈值函数在阈值点的不连续性,改善了软阈值函数的恒定偏差且在一定条件下可以达到零偏差。仿真实验表明,小波阈值去噪过程中使用新阈值函数去除指纹图像中的椒盐噪声和高斯噪声,相比选用传统阈值函数,已改进的阈值函数使均方根误差和扭曲程度更低,而使峰值信噪比、相关系数和结构相似度更高。这不仅提供了一种改进阈值函数的方法,而且为提升指纹图像去噪质量提供了一种有效手段。

在基于点云的三维目标检测技术中,存在点云计算代价大,目标尺度差距大等问题,导致目标检测效率低。针对此问题,提出了一种基于融合采样和图网络的三维目标检测算法。首先,引入点云融合采样技术对原始点云进行采样,以降低计算复杂度;其次,利用K-NN算法对采样后的点云进行图构造,并引入子图采样来解决图卷积过平滑的问题;最后,通过特征交互更新图节点的特征,以提高网络的特征提取能力,从而达到提升目标检测效果的目的。本研究在KITTI3D数据集上进行实验,结果相较于基准模型Point-GNN,对汽车目标的检测精度提升了3.89%。在简单场景和中等难度场景下,骑行者目标的检测精度分别提升了6.60%和4.36%。

图像超分辨重建技术可以将低分辨率的图像转换成具有更高像素密度和更清晰细节的高分辨率图像,在军事、医学等领域发挥着重要作用。针对现有的图像超分辨率重建算法仍存在纹理细节、色彩还原度等方面处理不足的问题,本文提出了一种基于坐标注意力机制的多级残差跳跃连接网络(MRSCN),并将其应用于SRGAN模型,以实现对低分辨率图像特征的充分利用,判别模型引入PatchGAN思想,用于恢复图像细节,同时使用Charbonnier损失和TV损失对感知损失进行优化。该算法在Set5、Set14、Bsd100和Urban100数据集上进行4倍超分辨率重建测试,相对于其他常用的超分辨算法,本算法在重建图像时能够更好地保留纹理细节,得到的图像细节更加清晰,视觉效果更好并且有效降低了网络的参数量。客观评价指标方面,PSNR平均值相比原来的SRGAN提高了0.503 dB,SSIM平均值提高了0.007 6。

针对特高压直流保护容易拒动和故障检测时间过长的问题,提出一种基于广义回归神经网络(generalized regression neural network,GRNN)的特高压直流输电线路故障识别方法。首先,基于广义S变换,获取频域下的故障特征量信息,构建GRNN的输入数据。其次,利用混沌量子粒子群算法(chaos quantum particle swarm optimization,CQPSO)优化GRNN参数,以适应度函数最低为原则形成理想的网络模型,更好地学习特高压直流输电线路故障特征,利用Softmax分类器将深层的特征量进行分类,把故障识别分成区外故障、母线故障和线路故障,故障分类为正极故障、负极故障和双极故障,输出识别结果。最后,利用在PSCAD/EMTDC仿真环境下搭建的特高压直流输电模型进行验证,验证结果表明,所提的方法在特高压直流输电线路继电保护的故障检测、故障选极上具有很好的效果,相比于传统卷积神经网络、广义回归神经网络、支持向量机等方法,本文所提方法的故障识别准确率分别提升了6.6%、0.65%、7.69%,满足特高压直流输电线路保护的快速性和可靠性需求。

数字孪生在加工过程中的应用可体现在数控机床与开发的数字化监控系统动态连接，进而使机床在复杂零件制造过程中实现状态监控与自适应优化，提高零件加工精度与效率。现阶段航空零件铣削过程中，考虑到加工变形、表面粗糙度及刀具磨损等众多因素，工艺员在进行零件工艺规划时会根据经验设置偏保守的铣削参数，以至于复杂零件的粗加工效率低下，不能根据加工轨迹及瞬态负载自适应调控加工参数。提出了一种恒定负载约束下的铣削参数自适应调控数字孪生系统架构与模型。首先，构建了双输入单输出型模糊神经网络来实现进给参数拟调节值的计算，基于机床实际加工数据对模糊神经网络进行了训练，获得了相应的模糊控制规则及隶属度函数，并根据实际加工情况对控制规则进行了修正。然后，以西门子840Dsl系统为基础搭建了进给参数在线控制系统。最后，使用DMU 50五轴加工中心上通过直线变切深铣削、曲线铣削及内圆槽腔铣削实验等3类复杂工况下验证所开发铣削参数自适应调控数字孪生系统的有效性。

柔性热控薄膜的热辐射特性是决定航天器表面热平衡控制精度的核心要素。在镀膜过程中，工艺参数的动态波动常引发一些缺陷。因此，如何实时监测缺陷已成为保障镀膜质量的关键问题。针对传统单体架构在柔性薄膜缺陷检测中存在的刚性约束，提出了一种基于微服务架构的数字孪生系统。通过解耦系统功能模块并采用分布式服务治理，实现了高并发、高可用的薄膜制造过程在线监测。然后，设计了真空镀膜缺陷检测算法，融合自适应卷积+空间金字塔模块，通过FPN/PAN增强多尺度特征，优化锚框与轻量化设计，在91.5%精度下达到140帧每秒推理速度，成功实现了数字孪生系统与深度学习算法的深度融合，为柔性薄膜制造过程提供了实时可视化的质量监控解决方案。

针对航空航天领域薄壁零件型腔铣削过程中存在的刀具颤振、断刀等影响加工质量与效率的关键问题，通过精确解算刀具-工件啮合区域，提出基于切削刃离散点建模的切削单元动态分析方法，实现刀具切削状态准确定义。此外，利用人工神经网络分别构建切削力与刀具颤振预测模型。在此基础上，开展虚拟试切，构建包含海量参数组合的数据库。针对实际加工，将刀具路径划分为单位分析步，利用数据库预估风险并寻优，结合神经网络对加工状态进行预测，设定目标函数和约束条件，采用梯度下降法优化进给速度与主轴转速。经型腔铣削案例验证，该方法有效实现了对切削力与刀具颤振的控制，提升了加工效率，为型腔铣削加工提供了可行的优化方案。

<正>近年来,数字孪生技术的相关研究蓬勃发展,并在各个领域都开展的初步应用,呈现出了重要的学术研究意义和实用价值。《哈尔滨理工大学学报》邀请了哈尔滨工业大学耿延泉教授、北京航空航天大学陶飞教授、吉林大学刘志峰教授、上海交大交通大学沈彬教授、山东大学胡天亮教授、哈尔滨理工大学岳彩旭教授、重庆大学王四宝教授和马驰教授、兰州理工大学黄华教授、华侨大学胡中伟教授、西安交通大学张俊教授、哈尔滨理工大学李荣义教授、西安理工大学郭伟超教授、哈尔滨理工大学孟博洋博士和刘献礼教授等专家为本刊撰写了15篇高水平论文,发表了其科研团队在切削与磨削系统监控及工艺优化、误差控制及补偿、多轴联动系统数字孪生建模等数字孪方面数字孪生技术研究的最新成果,这些论文的发表一定能为数字孪生在智能制造相关领域研究与应用提供重要的参考。

针对选择性激光烧结(selective laser sintering, SLS)制件收缩的问题,本文提出一种由改进黏菌优化算法(improve slime mould algorithm,ISMA)和极限学习机(extreme learning machine, ELM)相结合的新型混合模型,以使用有限的输入数据来预测制件收缩率。首先,采用Levy飞行、随机反向学习以及高度破坏性多项式变异等三种改进策略全方面提高了黏菌优化算法的性能。随后利用ISMA优化ELM的关键参数,提出了一种ISMA-ELM模型用于预测SLS制件的收缩率。仿真结果表明,相较于标准及其他算法优化后的ELM模型,本文所提出的ISMA-ELM获得了最优预测结果。最后,利用ISMA-ELM模型预测出的最优加工参数指导加工,所获得成型件尺寸精度相较于ELM模型提高了29.62%,相较于SMA-ELM提高了18.02%,结果表明,该模型可以为SLS成型加工提供最优工艺参数,有效指导加工。

针对传统模型预测电流控制和传统转速控制中的稳态性能较差、电流和转矩波动大、非线性系统受采样时间影响过大和转速跟踪不准确等问题,提出了一种新型永磁同步电机复合控制策略。在改进占空比模型预测电流控制基础上,设计了永磁同步电机矢量控制系统广义预测转速控制器,使电机实际转速快速准确跟踪给定转速值,令采样时间选择更为灵活。由于非线性广义预测控制是一种基于模型的预测控制方法,未考虑外部扰动及参数变化,因此,加入基于扩展状态观测器的扰动补偿方法,有效抑制了扰动及参数变化对系统性能的影响。仿真和实验结果表明,所设计的新型复合控制策略,具有良好的转速响应速度,动态性能好,电流和转矩波动小。