林小峰 梁金波

(廣西大學(xué)電氣工程學(xué)院，廣西 南寧 530004)

水泥生料立磨粉磨生產(chǎn)過(guò)程的ELM模型

林小峰 梁金波

(廣西大學(xué)電氣工程學(xué)院，廣西 南寧 530004)

為了降低水泥生料立磨粉磨生產(chǎn)過(guò)程的能耗，提高系統(tǒng)的穩(wěn)定性和生產(chǎn)效率，提出了采用極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)建立水泥生料立磨粉磨生產(chǎn)過(guò)程的生產(chǎn)指標(biāo)預(yù)測(cè)模型。結(jié)合某水泥廠水泥生料立磨粉磨生產(chǎn)過(guò)程的實(shí)測(cè)參數(shù)數(shù)據(jù)，對(duì)模型進(jìn)行了訓(xùn)練和測(cè)試。試驗(yàn)結(jié)果表明，該建模方法實(shí)現(xiàn)了立磨粉磨過(guò)程關(guān)鍵指標(biāo)參數(shù)的在線預(yù)估，對(duì)立磨生料粉磨生產(chǎn)過(guò)程中相關(guān)參數(shù)的優(yōu)化設(shè)定和降低生產(chǎn)過(guò)程的能耗具有一定的參考意義。

立磨 粉磨 極限學(xué)習(xí)機(jī) 數(shù)據(jù)處理 預(yù)測(cè)

0 引言

立磨作為現(xiàn)代新型干法水泥生料粉磨生產(chǎn)過(guò)程的首選設(shè)備，集破碎、烘干、粉磨、選粉、輸送功能于一體[1]。水泥生料立磨粉磨是水泥生產(chǎn)過(guò)程的重要生產(chǎn)環(huán)節(jié)和典型耗能環(huán)節(jié)。據(jù)統(tǒng)計(jì)，其粉磨生產(chǎn)過(guò)程的電耗占整個(gè)水泥生產(chǎn)電耗的75%[2-3]。水泥生料立磨粉磨生產(chǎn)過(guò)程具有多變量、非線性、強(qiáng)耦合等特點(diǎn)，難以建立精確的數(shù)學(xué)模型[4]，且關(guān)鍵參數(shù)指標(biāo)無(wú)法在線測(cè)量，參數(shù)的設(shè)定值主要依靠操作人員的人工經(jīng)驗(yàn)手動(dòng)調(diào)節(jié)，使水泥生料立磨粉磨生產(chǎn)過(guò)程具有很大的主觀性與滯后性。

客觀及時(shí)地自動(dòng)調(diào)節(jié)各工藝指標(biāo)參數(shù)，降低水泥生料立磨粉磨生產(chǎn)過(guò)程的能耗，提高生產(chǎn)過(guò)程的穩(wěn)定性和生產(chǎn)效率，實(shí)現(xiàn)水泥生料粉磨生產(chǎn)過(guò)程的最優(yōu)控制是目前亟待解決的問(wèn)題。

隨著智能控制的發(fā)展以及一些復(fù)雜生產(chǎn)過(guò)程的實(shí)際控制要求，神經(jīng)網(wǎng)絡(luò)技術(shù)也得到不斷發(fā)展，其研究領(lǐng)域涉及石油、化工和環(huán)保等諸多領(lǐng)域。由于前向神經(jīng)網(wǎng)絡(luò)的種種優(yōu)良特性，使得它在軟測(cè)量建模領(lǐng)域中有著非常廣泛的應(yīng)用[5]。然而，傳統(tǒng)的學(xué)習(xí)算法存在速度較慢、求解過(guò)程易陷入局部極小問(wèn)題等。

極限學(xué)習(xí)機(jī)(extreme learning machine，ELM)是Huang等人在2006年首次提出的一種新型單隱藏層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法。該方法避免了基于梯度下降學(xué)習(xí)方法存在的一些問(wèn)題，如落入局部最小點(diǎn)、迭代次數(shù)多以及學(xué)習(xí)率的設(shè)定問(wèn)題等，在保證網(wǎng)絡(luò)具有良好的泛化性能的同時(shí)，極大地提高了前向神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度。

本文通過(guò)分析水泥生料立磨粉磨生產(chǎn)過(guò)程中各變量之間的耦合關(guān)系，利用極限學(xué)習(xí)機(jī)建立其粉磨生產(chǎn)過(guò)程的關(guān)鍵指標(biāo)的預(yù)測(cè)模型。結(jié)合某水泥廠水泥生料立磨粉磨工藝過(guò)程的實(shí)測(cè)參數(shù)數(shù)據(jù)，對(duì)該模型進(jìn)行訓(xùn)練和測(cè)試，使網(wǎng)絡(luò)模型能夠根據(jù)某時(shí)刻的輸入信息直接計(jì)算出下一時(shí)刻需要測(cè)量的指標(biāo)值。

1 生料立磨粉磨工藝流程

水泥生料立磨粉磨流程主要分為粉磨和選粉兩個(gè)階段。在粉磨階段，通過(guò)喂料皮帶機(jī)將混合原料輸送到磨機(jī)的喂料口，物料沿喂料管道進(jìn)入立磨機(jī)內(nèi)部，落入旋轉(zhuǎn)磨盤平面中心；然后，在物料間的推力作用和離心力作用下，移動(dòng)到磨輥和磨盤之間的研磨層粉磨。在選粉階段，物料經(jīng)磨輥研磨后，繼續(xù)運(yùn)動(dòng)直到離開磨盤邊緣遇到通過(guò)風(fēng)環(huán)進(jìn)入磨機(jī)內(nèi)的熱氣體；粗粉落入磨機(jī)底部，通過(guò)外循環(huán)再次進(jìn)入磨機(jī)粉磨；細(xì)粉被風(fēng)環(huán)處高速氣流吹起，經(jīng)過(guò)分離器選粉，不合格的細(xì)粉落到磨盤繼續(xù)粉磨，合格的細(xì)粉隨氣流排出立磨機(jī)，再經(jīng)過(guò)旋風(fēng)分離器細(xì)選，達(dá)到要求的細(xì)粉由收塵器收集為成品[6]。

生料立磨粉磨工藝流程如圖1所示。

圖1 生料立磨粉磨工藝流程圖

在生料粉磨生產(chǎn)過(guò)程中，針對(duì)物料和設(shè)備運(yùn)行參數(shù)的變化適時(shí)進(jìn)行調(diào)節(jié)控制，是確保系統(tǒng)穩(wěn)定運(yùn)行的關(guān)鍵環(huán)節(jié)。影響系統(tǒng)穩(wěn)定運(yùn)行的主要因素[7-8]如下。

① 喂料量。穩(wěn)定的喂料量是確保磨機(jī)內(nèi)壓差的前提條件，并且是一個(gè)非常重要的調(diào)節(jié)變量。當(dāng)喂料量不足時(shí)，磨盤上的料層變得不穩(wěn)定，如果風(fēng)量一定，那么磨機(jī)內(nèi)壓差會(huì)降低。當(dāng)喂料量過(guò)少，容易導(dǎo)致立磨機(jī)的振動(dòng)跳停；當(dāng)喂料量過(guò)大時(shí)，磨盤上會(huì)出現(xiàn)“犁料”現(xiàn)象。料層同樣難以穩(wěn)定，過(guò)多的物料，不僅容易導(dǎo)致“飽磨”，而且會(huì)使磨機(jī)內(nèi)壓差升高。

② 入磨機(jī)風(fēng)溫。入磨機(jī)風(fēng)溫會(huì)對(duì)磨機(jī)內(nèi)風(fēng)量和壓差造成一定影響。入磨機(jī)風(fēng)溫度高，會(huì)使物料變得松散，使料層變薄，回料量上升，磨機(jī)內(nèi)壓差也相應(yīng)增大；入磨機(jī)風(fēng)溫度過(guò)低，物料含水量大，粉磨和選粉效率都會(huì)降低，磨機(jī)內(nèi)壓差也相應(yīng)降低，使產(chǎn)量受到影響。

③ 研磨壓力。過(guò)小的研磨壓力不能充分細(xì)磨物料，使吐渣量增多、壓力增大；粉磨效率雖高，但功率消耗也增大，易引起振動(dòng)。

④ 分離器轉(zhuǎn)速。分離器的轉(zhuǎn)速將直接影響生料細(xì)度指標(biāo)，而生料細(xì)度指標(biāo)是選粉階段非常重要的監(jiān)測(cè)指標(biāo)。選粉機(jī)轉(zhuǎn)速過(guò)大或過(guò)小都會(huì)直接影響最終收集的生料粉磨顆粒的質(zhì)量。

⑤ 循環(huán)風(fēng)閥門開度。風(fēng)量的大小也將直接影響生料細(xì)度指標(biāo)。磨內(nèi)風(fēng)量的調(diào)節(jié)一般是通過(guò)控制循環(huán)風(fēng)閥門開度來(lái)實(shí)現(xiàn)的。如果在風(fēng)壓不變的條件下，磨機(jī)內(nèi)風(fēng)量較大，會(huì)使磨內(nèi)粉塵濃度變小，降低磨機(jī)內(nèi)壓差。風(fēng)量大、風(fēng)速快會(huì)使更多的粉塵通過(guò)選粉機(jī)，造成生料細(xì)度值增大。

綜上可知，整個(gè)生產(chǎn)過(guò)程中的多種變量相互影響，主要參數(shù)之間帶有很強(qiáng)的耦合性。對(duì)立磨生料粉磨生產(chǎn)過(guò)程來(lái)講，反映其過(guò)程好壞的兩個(gè)最主要評(píng)價(jià)指標(biāo)是磨機(jī)內(nèi)壓差和生料細(xì)度。在實(shí)際生產(chǎn)中，磨機(jī)內(nèi)壓差是磨機(jī)運(yùn)行狀態(tài)好壞的核心判斷指標(biāo)，而生料細(xì)度的大小將直接影響后續(xù)水泥的煅燒。影響水泥生料細(xì)度和磨機(jī)內(nèi)部壓差這兩個(gè)關(guān)鍵指標(biāo)的因素主要是喂料量、入磨機(jī)風(fēng)溫度、研磨壓力、分離器轉(zhuǎn)速和循環(huán)風(fēng)閥門開度。

2 模型建立

2.1 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)(ELM)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2所示。

圖2 ELM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖2中，ai、bi為隱藏層神經(jīng)元節(jié)點(diǎn)參數(shù)；β1、βi、βL為隱藏層神經(jīng)元輸出權(quán)值，L為隱藏層神經(jīng)元個(gè)數(shù)；xj(j∈1,...，n)為輸入神經(jīng)元個(gè)數(shù)；oj(j∈1,...，n)為輸出神經(jīng)元個(gè)數(shù)[9]。

ELM的核心學(xué)習(xí)方法如下。

② 隨機(jī)選取輸入權(quán)值向量和隱藏層神經(jīng)元節(jié)點(diǎn)閾值ai,bi,i=1,…,L；

③ 計(jì)算隱藏層節(jié)點(diǎn)輸出矩陣H=g(a,b,x)；

一般來(lái)說(shuō)，ELM模型的訓(xùn)練過(guò)程包括兩部分。第一部分是確定隱藏層節(jié)點(diǎn)的數(shù)量，第二部分是計(jì)算隱藏層輸出權(quán)值。其傳遞函數(shù)可以是任意非線性分段連續(xù)的函數(shù)，例如下面的S函數(shù)和高斯函數(shù)等。

① S型函數(shù)：

(1)

② 高斯函數(shù)：

g(x;θ)=exp(-b‖x-a‖)

(2)

ELM方法的一個(gè)重要特點(diǎn)是隱藏層映射函數(shù)的參數(shù)可以根據(jù)在區(qū)間(-1,1)之間的連續(xù)概率分布自由選擇。人工給定模型網(wǎng)絡(luò)的隱藏層節(jié)點(diǎn)個(gè)數(shù)，模型唯一需要確定的是隱藏層神經(jīng)元到輸出神經(jīng)元之間的權(quán)值。那么，ELM的訓(xùn)練過(guò)程就轉(zhuǎn)換為解決一個(gè)最小二乘的問(wèn)題。

(3)

然后，通過(guò)最小化預(yù)測(cè)誤差的平方誤差之和得到輸出權(quán)值，公式為：

(4)

式中：ei∈Rno為第i個(gè)訓(xùn)練樣本的誤差向量；C為對(duì)訓(xùn)練誤差的一個(gè)影響因子。

通過(guò)取代目標(biāo)函數(shù)的約束，得到以下無(wú)約束的求最優(yōu)解問(wèn)題：

(5)

以上問(wèn)題就是我們熟知的正則化最小二乘法。通過(guò)設(shè)置LELM從β到0的梯度，得到以下公式：

(6)

如果H的行數(shù)大于列數(shù)并且是列滿秩，即訓(xùn)練樣本的個(gè)數(shù)大于隱層神經(jīng)元個(gè)數(shù)，那么:

(7)

式中：Inh為nh維單位矩陣。

需要注意的是，在式(7)的實(shí)際計(jì)算過(guò)程中，可以用高斯消元法簡(jiǎn)化求矩陣的逆陣，這樣可以使解線性方程的過(guò)程更高效、更穩(wěn)定。

(8)

(9)

式中：IN為一個(gè)N維的單位矩陣。

因此，在訓(xùn)練樣本大于隱藏層神經(jīng)元個(gè)數(shù)時(shí)，用式(7)來(lái)得到輸出權(quán)值，否則用式(9)計(jì)算。

2.2 數(shù)據(jù)預(yù)處理

根據(jù)某水泥廠5 000t/d生產(chǎn)線中生料生產(chǎn)過(guò)程采集數(shù)據(jù)并記錄，這些數(shù)據(jù)包含在線記錄和離線化驗(yàn)數(shù)據(jù)。在線數(shù)據(jù)是控制站監(jiān)控軟件實(shí)時(shí)記錄的數(shù)據(jù)，包括操作變量、工況等實(shí)時(shí)數(shù)據(jù)；離線數(shù)據(jù)是化驗(yàn)室人員通過(guò)現(xiàn)場(chǎng)采集樣本化驗(yàn)分析的結(jié)果，主要是生料細(xì)度指標(biāo)。從實(shí)際粉磨生產(chǎn)過(guò)程中采集到的原始數(shù)據(jù)不能直接使用，必須進(jìn)行預(yù)處理。這是因?yàn)?，一方面，?shù)據(jù)需要按時(shí)間進(jìn)行匹配。由于在線和離線數(shù)據(jù)采樣時(shí)間不同，離線參數(shù)指標(biāo)生料細(xì)度的抽樣化驗(yàn)周期為1h，而在線數(shù)據(jù)采集周期為1min，因此需要對(duì)采集到的數(shù)據(jù)進(jìn)行時(shí)間匹配。以離線數(shù)據(jù)的記錄時(shí)間作為標(biāo)準(zhǔn)，找出時(shí)間匹配的在線數(shù)據(jù)進(jìn)行組合。另一方面，這些原始數(shù)據(jù)含有人為因素造成的主觀誤差，以及因測(cè)量信號(hào)受噪聲污染產(chǎn)生的隨機(jī)誤差。這些都會(huì)使所建模型與實(shí)際過(guò)程不符導(dǎo)致生產(chǎn)指標(biāo)預(yù)測(cè)不準(zhǔn)確。

在數(shù)據(jù)預(yù)處理過(guò)程中，首先應(yīng)消除主觀誤差，根據(jù)實(shí)際生產(chǎn)中變量的操作范圍，采用限幅的方法剔除不在范圍內(nèi)的數(shù)據(jù)，當(dāng)數(shù)據(jù)樣本與總體平均值的偏差大于3倍標(biāo)準(zhǔn)差時(shí)就剔除該組數(shù)據(jù)。其次，降低隨機(jī)誤差。采用七點(diǎn)線性平滑法對(duì)數(shù)據(jù)進(jìn)行平滑處理，消除隨機(jī)噪聲。這種方法作為一種數(shù)據(jù)補(bǔ)救措施是對(duì)原始數(shù)據(jù)進(jìn)行填充和平滑。最后，采用主成分分析法對(duì)數(shù)據(jù)進(jìn)行壓縮和降維。算法如下。

① 對(duì)于n維隨機(jī)向量x=(x1,x2,…,xn)T，原始數(shù)據(jù)標(biāo)準(zhǔn)化如下。

(10)

(11)

(12)

② 計(jì)算相關(guān)矩陣R：

(13)

式中：X*為標(biāo)準(zhǔn)化后的數(shù)據(jù)矩陣；X*T為X*的轉(zhuǎn)置矩陣。

③ 計(jì)算相關(guān)矩陣R的特征值λi和相應(yīng)的正交單位特征向量，主成分的方差貢獻(xiàn)率即為：

(14)

方差積累貢獻(xiàn)率如下：

(15)

④ 最后，根據(jù)方差積累貢獻(xiàn)率大于85%的原則，確定選擇的主成分個(gè)數(shù)。

經(jīng)過(guò)預(yù)處理，獲得450組有效數(shù)據(jù)，部分?jǐn)?shù)據(jù)如表1所示。其中，在線指標(biāo)包括喂料量、選粉機(jī)轉(zhuǎn)速、循環(huán)風(fēng)閥門開度、入磨風(fēng)溫和磨機(jī)內(nèi)壓差，離線數(shù)據(jù)是生料細(xì)度指標(biāo)。

表1 水泥廠生料生產(chǎn)過(guò)程部分?jǐn)?shù)據(jù)

3 模型仿真及結(jié)果分析

將450組數(shù)據(jù)按8∶1的比例分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集,其中訓(xùn)練數(shù)據(jù)400組，測(cè)試數(shù)據(jù)50組。每組數(shù)據(jù)集包含6個(gè)數(shù)據(jù)。前面4個(gè)數(shù)據(jù)作為網(wǎng)絡(luò)模型的輸入變量，它們代表的物理意義分別為循環(huán)風(fēng)閥門的開度x1、分離器的轉(zhuǎn)速x2、入磨機(jī)風(fēng)的溫度x3和磨機(jī)的喂料量x4；后面2個(gè)數(shù)據(jù)作為網(wǎng)絡(luò)模型的輸出，它們代表的物理意義分別為生料細(xì)度y1和立磨機(jī)內(nèi)的壓差y2。

采用基于ELM方法的立磨粉磨生產(chǎn)過(guò)程的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，模型基本結(jié)構(gòu)為單隱藏層結(jié)構(gòu)。網(wǎng)絡(luò)初始化后設(shè)置的相關(guān)參數(shù)如下：模型的輸入為4個(gè)節(jié)點(diǎn)，輸出為2個(gè)節(jié)點(diǎn)，網(wǎng)絡(luò)模型的隱藏層節(jié)點(diǎn)參數(shù)為50個(gè)，循環(huán)次數(shù)為1次。將400組訓(xùn)練數(shù)據(jù)代入ELM模型進(jìn)行訓(xùn)練，訓(xùn)練完成后再將50組測(cè)試數(shù)據(jù)代入模型進(jìn)行測(cè)試，得到模型輸出的2個(gè)指標(biāo)泛化曲線分別如圖3、圖4所示。

圖3 基于ELM的生料細(xì)度預(yù)測(cè)曲線

圖4 基于ELM的磨內(nèi)壓差預(yù)測(cè)曲線

采用相同方法，建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，該模型為單隱藏層結(jié)構(gòu)。網(wǎng)絡(luò)初始化后，設(shè)置網(wǎng)絡(luò)的相關(guān)參數(shù)如下：網(wǎng)絡(luò)的隱藏層節(jié)點(diǎn)個(gè)數(shù)為50，輸入神經(jīng)元為4個(gè)，輸出神經(jīng)元為2個(gè)，網(wǎng)絡(luò)的學(xué)習(xí)速率為0.01，誤差精度為0.05，最大訓(xùn)練次數(shù)為2 000次。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型與ELM模型仿真結(jié)果的比較如表2所示。

表2 ELM與BP的模型性能比較

從表2可以看出，在保證網(wǎng)絡(luò)模型具有一定的預(yù)測(cè)誤差前提下，基于ELM方法的指標(biāo)預(yù)測(cè)模型相比BP模型的學(xué)習(xí)速度快，經(jīng)過(guò)的迭代次數(shù)少，訓(xùn)練時(shí)間短。

4 結(jié)束語(yǔ)

本文針對(duì)水泥生料立磨粉磨生產(chǎn)過(guò)程的高能耗、難以在線監(jiān)測(cè)生料細(xì)度指標(biāo)以及人工設(shè)定參數(shù)存在的問(wèn)題，提出了基于極限學(xué)習(xí)機(jī)學(xué)習(xí)方法，建立了生料立磨粉磨生產(chǎn)過(guò)程的指標(biāo)預(yù)測(cè)模型。結(jié)合模型，利用某水泥廠水泥生料立磨粉磨生產(chǎn)過(guò)程各變量的在線記錄和離線化驗(yàn)所得的數(shù)據(jù)對(duì)模型訓(xùn)練和測(cè)試。實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法是有效的， ELM模型能夠反映水泥生料立磨粉磨生產(chǎn)過(guò)程的關(guān)鍵工藝指標(biāo)之間的映射關(guān)系。該方法在保證較小誤差的情況下，具有更快的在線預(yù)估速度，對(duì)降低立磨粉磨生產(chǎn)過(guò)程的電耗具有一定的參考意義。

[1] 肖爭(zhēng)鳴，李堅(jiān)利.水泥工藝技術(shù)[M].北京:化學(xué)工業(yè)出版社，2006:65-76.

[2] Ajaya K P,Hare K M.A hybrid soft sensing approach of a cement mill using principal component analysis and artificial neural networks[C]//2013 IEEE International Advance Computing Conference,2013：713-718.

[3] Ajaya K P,Hare K M.Soft sensing of particle size in a grinding process:application of support vector regression,fuzzy inference and adaptive neuro fuzzy inference techniques for online monitoring of cement fineness[J].Powder Technology,2014(264):484-497.

[4] 秦偉，顏文俊.水泥立磨流程的建模和控制優(yōu)化[J].控制工程，2012,19(6):929-943.

[5] 劉晴，張正則，丁維明.神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)PID控制在氣化爐中的應(yīng)用[J].自動(dòng)化儀表，2014,35(5):60-62.

[6] 賈華平.水泥粉磨新型節(jié)能工藝的發(fā)展現(xiàn)狀[J].四川水泥，2014(3)：106-112.

[7] 周正立，周君玉.水泥粉磨工藝與設(shè)備問(wèn)答[M].北京：化學(xué)工業(yè)出版社，2009:70-77.

[8] 苑明哲，王卓，寧艷艷.水泥生料立磨壓差廣義預(yù)測(cè)PID控制[J].信息與控制，2012,41(3):378-390.

[9] Huang G B,Zhu Q Y,Siew C K.Extreme learning machine:theory and applications[J].Neurocomputing,2006，70(3):489-501.

[10]Huang G,Jatinder N D,Song S J.Semi-supervised and unsupervised extreme learning machines[C]//2014 IEEE Transactions on Cybernetics,2014:2405-2417.

ELM Model of Cement Raw Material Vertical Mill Grinding Production Process

In order to reduce the energy consumption in cement raw material vertical mill grinding production process, and enhance the stability of the system and the production efficiency, it is proposed that by adopting extreme learning machine (ELM) network to establish the prediction model of production quotas for such process. Combining with the measured parameteric data of the process in certain cement plant, the model is trained and tested. The experimental results show that the modeling method proposed is effective for implementing online preditive estimation of critical parameters for vertical mill grinding process, in addition, it posseses certain reference significance for optimizing the parameters for raw material veritical mill grinding process and reducing energy consumption of the production process.

Vertical mill Powder grinding Extreme learning machine Data processing Prediction

國(guó)家自然科學(xué)基金重點(diǎn)資助項(xiàng)目(編號(hào)：61034002)；

國(guó)家自然科學(xué)基金資助項(xiàng)目(編號(hào)：61364007)。

林小峰(1955-)，男，1979年畢業(yè)于廣西大學(xué)電氣工程專業(yè)，獲學(xué)士學(xué)位，教授；主要從事復(fù)雜系統(tǒng)智能控制與優(yōu)化、過(guò)程控制、計(jì)算機(jī)控制、電工新技術(shù)、新能源轉(zhuǎn)換與控制等方面的研究。

TH89;TP29

A

10.16086/j.cnki.issn1000-0380.201509002

修改稿收到日期：2015-01-14。