为解决煤矿高粉尘、低照度、高噪声与堆叠等复杂环境因素导致的煤矸识别精度低、漏检与误检问题，提出一种基于KRB-YOLOv5s算法的煤矸识别方法。采用K均值聚类（K-means++）算法对数据集进行重新聚类，以得到更精准的锚框参数；在YOLOv5s主干网络中引入大核卷积结构重参数（RepLKNet）网络，通过大核卷积架构提取目标更高层级的特征信息；在YOLOv5s颈部引入加权双向特征金字塔（Bi FPN）网络，通过双向跨尺度连接对目标多尺度特征进行快速捕捉与融合。在煤矸数据集上开展实验，结果表明：与其他YOLO系列检测算法相比，KRB-YOLOv5s算法在高粉尘、低照度、高噪声与堆叠工况下的综合检测性能最佳，识别精度均值（m AP）达94.5%，比YOLOv5s算法提高了3.3个百分点。研究结论为煤矿复杂工况下煤矸智能分选提供参考。

当永磁同步电机采用有限集模型预测控制时，虽动态性能优异，但存在稳态性能差、计算量大的问题。针对上述问题本文提出了一种基于龙伯格观测器的模型预测控制策略。首先，通过分析传统模型预测控制中占空比控制策略的次优电压矢量所在扇区的分布规律，构造新的电压矢量选择表降低了次优电压矢量的计算次数。此外，针对传统机械传感器的一系列弊端，设计了一种龙伯格观测器计算电机的反电动势，再由锁相环估计永磁同步电机转速和转子位置信息。最后，通过搭建实验平台，与传统有限集模型预测控制进行实验对比分析，实验结果表明本文所提控制策略具有更好的稳态性能和控制精度。