为了提升建筑冷热电联供（CCHP）微网灵活性并减少负荷波动，开展建筑湿负荷参与日前需求响应的效果和日内预测时域的自适应调节方法研究. 在日前阶段，构建包含建筑湿负荷的冷负荷需求响应模型；在日内阶段，提出基于预测负荷方差的自适应预测时域模型预测控制（MPC）方法. 在日前阶段，分析分时电价下包含湿负荷的冷负荷需求响应对总经济成本和蓄能水罐蓄冷量的影响；在日内阶段，分析采用自适应预测时域MPC方法对计算时间、成本和各类设备工作状态的影响. 结果表明，考虑湿负荷的冷负荷需求响应降低了日前阶段成本7.75%；在日内阶段，自适应预测时域MPC方法不仅能够平衡计算时间和成本，还能够增加蓄能量和平滑燃气内燃机出力.

提出基于改进RT-DETR的复杂天气下铁路异物检测算法FRP-DETR. 引入特征互补映射模块（FCM）与Pzconv单元，通过构建浅层空间细节与深层语义信息弥补单一尺度特征表达的局限性，两者协同增强小目标和边缘目标的感知能力；引入铁路感知调制融合模块（RMFM），基于自适应通道注意力与空间调制机制，增强模型对铁路场景关键语义信息的响应能力；以风车状卷积（PSConv）替代原始下采样模块，通过多方向非对称填充与分离卷积强化边缘纹理提取. 基于SaMam风格迁移方法，将晴天铁路异物图像迁移至雨天、雾天、雪天等场景，构建了包含4种天气条件的铁路异物检测数据集. 实验结果表明，相比原RT-DETR-R18模型，所提方法在mAP@0.5和mAP@0.5:0.95上分别提升了1.65个百分点和3.4个百分点，参数量降低63.5%，推理速度达到88 帧/s，实验结果验证了FRP-DETR在复杂天气下的铁路异物检测任务中兼具高精度、轻量化与实时性优势.

为了经济高效地回收超临界CO₂布雷顿循环（SCBC）的余热，分别采用卡琳娜循环（KC）和有机朗肯循环（ORC）作为底循环，设计了SCBC/KC及SCBC/ORC这2种系统方案. 对2种方案系统进行参数分析并利用NSGA-Ⅱ多目标遗传算法对联合循环系统进行多目标优化计算，将优化结果与SCBC系统性能进行比较，突出联合循环系统的性能优势. 参数分析结果表明：2种联合循环系统热力性能均存在最佳压比；升高底循环膨胀比有助于提升系统热力性能；提高底循环涡轮机进口温度有助于改善系统?经济性能. 对比结果表明：优化后的SCBC/KC系统热效率和?效率较优化前SCBC系统分别升高了9.27%和8.69%，?经济成本仅升高了0.92%；SCBC/ORC系统热效率和?效率较优化前SCBC系统分别升高10.73%和10.08%，?经济成本升高了1.87%. 通过比较分析可知，SCBC/KC系统更经济，而SCBC/ORC系统更节能.

变换器在老化不均或者布局偏差的情况下，容易出现同一桥臂上管与下管热应力不一致的问题，为此提出基于死区移位调整的上、下桥臂热均衡新方法. 在线监测绝缘栅双极型晶体管（IGBT）导通电压，基于IGBT导通电压与结温之间的映射关系推算IGBT的实时结温，并判断同一桥臂上下管的温度差异. 当上下桥臂热应力差异超过阈值时，通过微调死区的位置来调节上桥臂和下桥臂的有效导通时间，主动调控上下桥臂的功率损耗分布，从而在不影响系统总损耗的情况下，使温度较低的桥臂损耗增加，温度较高的桥臂损耗减少，从而提高变换器中功率器件热应力一致性，提升系统可靠性. 理论分析和实验结果表明，所提方法不会影响系统效率，对输出性能也没有显著负面影响. 在典型工况下，调整后上管与下管之间的平均温度差降低了约14%，有效提升了上下桥臂热应力一致性.

为了实现对艰险山区铁路桥隧工程技术接口关键要素的协调优化控制，将多属性效用函数与“三一”要素转化结构结合，构建技术接口的关键要素均衡优化模型. 分析质量、进度、成本、安全要素间的关系，将它们的关联性以函数形式量化，并利用“三一”要素转化结构确定关键要素间的“主附”维度，构建艰险山区铁路桥隧工程技术接口的关键要素均衡优化目标函数. 基于技术接口对关键要素的作用机理，利用ANP确定均衡优化函数的决策偏好系数，采用基于偏好向量引导的高维目标协同进化算法（ASF-PICEA-g）求得均衡优化模型的最优解，并在整体模型的最优解下得到各关键要素的较优解. 以藏木特大桥与安拉隧道为例，对其技术接口构建均衡优化函数并进行优化分析，结果验证了构建的均衡优化函数的合理性以及ASF-PICEA-g在求解该模型方面的有效性.

在物联网中，传感器及时、准确地数据传输是决策单元获得有效数据决策（如估计、推断或控制）的保障. 为了减小估计失真，决策单元同时使用多个数据包并利用最佳线性无偏估计量（BLUE）进行联合估计. 以决策信息年龄（AuD）和均方误差（MSE）分别度量系统决策时刻信息的时效性和失真，提出2种决策方案，研究所提方案的信息时效性与失真性能. 在固定数量数据包的决策方案中，监测中心每收到固定数量数据包后进行一次估计；在固定时间间隔的决策方案中，监测中心每隔固定时间间隔进行一次估计. 通过调度系统的决策过程来最小化平均AuD和平均失真的加权和，实现系统的时效性和失真的关系平衡. 仿真结果表明，通过优化系统决策过程，所提方案可以实现在提升系统时效性的同时减小估计失真.

针对实际工况中，谐波传动的柔轮的实际变形与线性假设变形存在一定偏差的问题，利用ANSYS Workbench进行多体接触有限元分析，探究柔轮的结构参数对柔轮有限元径向变形的影响规律和敏感度. 结果表明：齿宽、壁厚、筒长、波发生器与柔轮杯底距离等参数都对柔轮径向变形有一定程度的影响，其中波发生器与杯底的距离对柔轮径向变形影响程度最大，敏感度最高，其次是齿宽和筒长，壁厚对柔轮径向变形的影响程度最小. 基于柔轮的有限元变形，采用改进运动学法和柔轮精确转角关系设计无公切线双圆弧齿廓，并结合MATLAB参数化编程对柔轮齿廓进行三维修形，对仿真实体模型进行有限元分析，结果表明：有限元法设计修形的柔轮最大应力比未修形时减小925 MPa，比线性法设计修形减少144 MPa，有限元法设计修形的柔轮齿各截面的周向应力也低于线性法设计修形.

为了提高激光位移传感器在工业机器人末端坐标系下的标定精度，提出基于双目视觉的激光位移传感器标定方法. 该方法通过双目视觉技术重建激光光束投影在平面上的光斑位置，利用手眼标定参数将光斑位置转换至机器人末端坐标系，同时利用最小二乘方法将光斑拟合成光束直线，获得机器人末端坐标系下的传感器光束方向及零点位置以完成标定. 该方法可同时标定机器人末端上的多个激光位移传感器，无须采用有精度要求的辅助工件标定，具备精度高，鲁棒性强优势. 基于标准球的精度评价实验结果显示，在3倍标准差范围内该方法标定后的激光位移传感器测量精度范围为0.038 6±0.025 8 mm，满足机器人加工要求.

为了解决UNet模型在医学图像分割任务中的复杂特征提取与泛化能力不足的问题，提出基于Kolmogorov-Arnold网络（KAN）和卷积KAN（CKAN）的优化模型KUNet，增强UNet模型的性能. 通过用CKAN替换传统卷积层，引入KAN特征增强模块，优化跳跃连接，结合自适应基函数学习机制，在保留结构信息的同时提高特征提取的多样性与精度. 在4个不同的多模态数据集LiTS、CORN、DRIVE和Lungs上，与UNet基线模型、nnUNet模型和Swin-UNet模型进行对比实验. 结果表明，UNet基线模型与KUNet模型在4个数据集上Dice系数和IoU系数的平均最大性能差异指标（MAPG）分别为0.6799和0.6203，且KUNet模型相较于最优或次优模型在4个数据集上的平均提升指标为0.3213和0.2625. 利用KUNet模型，能够在短周期内有效提取到更多的特征，提升图像分割的准确度.

为了探究隧道周围砂土地层在支护压力减小过程中的变形破坏机理，利用能够进行岩土大变形分析的物质点法（MPM）对该过程进行数值模拟. 研究隧道周围土体的剪切带特征、土拱效应、MPM地面沉降槽形态以及支护压力与地层位移间的关系；验证该数值方法研究隧道诱发变形的可靠性. 对比预测结果与已有试验和理论表明，MPM能够准确预测出隧道支护压力降低引起的地层变形和极限支护压力，并且可以得到地层整体失稳及坍塌后的变形行为. 在此基础上，分析隧道埋深比和砂土内摩擦角对变形过程中土拱效应强弱、极限支护压力和地层变形的影响.

针对高速无人驾驶车辆运动控制过程中轨迹跟踪精度和稳定性难以同时保障的问题，提出综合前馈-反馈及自抗扰控制(ADRC)补偿相结合的横向控制算法. 通过车速和道路曲率信息计算前馈稳态前轮转向角，将质心侧偏角引入航向偏差，以车辆航向角偏差和侧向偏差作为参考量进行反馈控制，通过前馈-反馈控制提升瞬态轨迹跟踪性能. 设计自抗扰控制器，通过扩张状态观测器对未建模动态和内外界干扰进行估计，通过将后轮侧偏角控制在参考值附近来补偿前轮转角，提升无人驾驶车辆的转向稳定性和控制器的鲁棒性. 不同工况下的仿真结果表明，利用该方法可以保证高速无人驾驶车辆稳定地跟踪期望路径行驶，轨迹跟踪偏差较小，对车辆参数变化和外界干扰具有较强的鲁棒性.

针对检测平台振动导致隧道衬砌裂缝图像识别准确率低、检测数据可靠性差的问题，提出基于图像补偿的隧道衬砌裂缝检测方法.开发车载式隧道衬砌裂缝检测系统，提出图像帧间自适应运动估计的方法. 对采用环境光增强处理得到的图像进行基于特征点匹配的自适应运动估计，建立图像帧间的运动关系，用卡尔曼滤波算法对运动参数进行滤波，去除采集平台的无规则振动，经过双三次插值实现图像补偿. 提出基于自适应分块综合滤波和形态学方法的衬砌图像裂缝分割方法，有效地完成裂缝提取和裂缝参数计算. 实验结果表明，利用提出的方法能够较好地补偿采集平台的振动误差，准确地提取裂缝信息，实现隧道衬砌裂缝的高精度检测.

为了准确预测周围车辆的换道意图，提高自动驾驶车辆的安全性与可靠性，提出基于Transformer和图注意力神经网络（GATv2）的时空联合换道意图预测模型. 采用对称指数平均滤波对NGSIM原始数据进行平滑处理，利用差分方法重新计算速度和加速度并去除异常值，通过建立车辆八邻域，对目标车辆及周围车辆的数据进行统一化处理，为模型训练验证提供基础. 使用Transformer多头注意力挖掘时序依赖关系，利用GATv2进行每个时间步车辆间的交互关系量化，构建基于时空特征与多车交互关系的Transformer-GATv2换道预测模型. 实验表明，相较于其他基准模型，所提出的模型在准确率、召回率和F₁分数等指标上均具有明显优势，达到98.04%的预测精度，证明模型具有较好的换道意图预测精度和提前预测能力. 将该模型部署于六自由度驾驶模拟器与CARLA联合仿真平台，开展模型在环测试，验证了模型在实际场景下的可用性.

考虑到实际的图结构往往是有噪的，可能包含实际不存在的边或者遗漏节点间实际存在的部分边，提出可微分相似度模型（DSM）. 通过挖掘节点间隐藏关系增强节点嵌入，以提高节点分类的准确度. DSM基于普通图神经网络方法（GNN）得到各节点的基础表征，根据节点表征相似度为目标节点选出相似节点集合，结合相似节点集合的基础表征对目标节点进行嵌入表征增强. 在数学上，DSM 是可微分的，可以将 DSM 作为插件与任意 GNN 相结合，以端到端的方式进行训练. DSM具有挖掘隐藏连接关系的能力，能促使GNNs学习到更具辨识性和鲁棒性的节点表征. 基于最常用的多个公开的节点分类数据集，开展实验验证. 结果表明，将已有GNNs与DSM结合能显著提升分类准确度，其中GAT-DSM相对GAT在数据集Cora和Citeseer上分别取得了2.9%、3.5%的提升．

为了实现更高效的P300信号特征提取，提出融合Inception网络和注意力机制模块的卷积网络模型，即IncepA-EEGNet. 该模型使用不同感受野的卷积层进行并行连接，增强网络提取和表达脑电信号的能力. 引入注意力机制实现不同过滤器特征的权重分配，提取P300信号中的重要信息. 模型在BCI Competition III数据集II的2个受试者数据上进行验证. 与其他深度学习模型相比，IncepA-EEGNet的字符识别率在5个实验轮次后达到平均75.5%，在3个轮次后受试者B的信息传输速率达到33.44 bit/min. 实验结果表明，IncepA-EEGNet有效提高了P300信号的识别精度，减少了重复试验的时间，改善了P300拼写器的实用性.

为了提高一维频率域航空电磁的反演精度，将机器学习方法应用于航空电磁数据的反演中，提出基于多输出最小二乘支持向量回归（MLS-SVR）的一维频率域航空电磁端到端反演方法. 对不同地电模型进行正演计算，获得样本数据集；搭建MLS-SVR模型框架，输入端为归一化后的垂直磁场分量，输出端为地电模型参数；利用网格寻优和K-折交叉验证进行调参；利用MLS-SVR模型进行反演. 试验结果表明，利用MLS-SVR可以准确地反演出各地电模型参数，与单输出支持向量回归(S-SVR)和多输出支持向量回归（M-SVR）算法相比，该反演方法的精度更高，实测数据反演表明了该方法的有效性.

为了实现磁流变（MR）阻尼器高可靠性和高精度的阻尼力跟踪控制，克服基于逆向动力学模型的前馈控制易受模型误差和外界干扰影响的问题，提出结构简单、实现容易的无模型前馈/反馈复合控制(MFFFFBC)方法. 利用磁流变液减振器阻尼力连续可调的特点，将磁流变阻尼器控制器前一时刻的控制量进行采样保持作为前馈控制器，以避免建立复杂的磁流变阻尼器逆向动力学模型. 利用期望阻尼力与实际阻尼力之间的跟踪误差信号构建反馈控制器对前馈控制量进行实时修正，利用饱和函数对控制电压进行限幅，以避免控制电压高频振荡. 试验结果表明，在MFFFFBC控制下输出电压连续光滑变化，与经典的基于Heaviside阶跃函数的控制相比，采用本研究所提出的控制策略，黏性阻尼力和摩擦阻尼力的跟踪误差分别减小了21.98%和26.64%.

以非稳态斜槽颗粒流为切入点，利用离散元方法再现颗粒流在离心超重力场中的运动机制，以量化科里奥利效应对岩土体动力过程的影响.利用已发表的离心试验数据验证数值模型的可靠性；从宏观和细观尺度系统量化非稳态流中模型布置方向、斜槽倾角、超重力、斜槽底面粗糙度等试验参数对科里奥利效应的影响规律. 结果表明，在不同模型布置方向下，科里奥利力会大幅改变颗粒流的流态，科里奥利效应与斜槽倾角以及斜槽底面粗糙度正相关，但是科里奥利效应对超重力不敏感.研发抵消科里奥利效应的试验手段是岩土体动力灾变超重力离心模拟领域亟须解决的技术瓶颈之一.

针对无人机视角路面病害检测中上下文信息丢失、多尺度病害共存以及细节还原不足等问题，构建基于动态核感知的路面病害检测模型，DKP-YOLO. 为了缓解复杂场景裂缝形态多变与上下文信息易丢失的问题，提出轻量化裂缝上下文模块，该模块通过异构并行深度可分离卷积与动态特征融合机制增强特征区分度. 针对复杂背景与多尺度病害的挑战，设计路面病害感知模块，利用并行多尺度卷积与双重注意力机制提升多尺度病害感知能力. 为了克服传统卷积难以建模长程依赖和对微小目标响应不足的局限，提出大核感知特征融合模块，通过整合超大感受野卷积与通道-空间注意力捕捉全局上下文关系. 为了减少上采样过程中细节丢失与语义模糊，在颈部网络引入轻量级动态上采样算子. 在UAV-PDD2023数据集上的实验表明，本研究模型在显著提升检测精度的同时，实现了模型复杂度的有效降低. 与基线模型相比，本研究模型在轻量化和检测性能上取得更好的平衡，更适合无人机视角路面病害目标检测.

针对人工调整机身筒段形状过程中存在的精度低、效率低以及局部过大应力的问题，提出基于数字孪生驱动的机身形状控制方法，搭建融合形状控制策略优化算法和虚拟调试技术的数字孪生系统. 在实时数据的驱动下，实现机身形状控制系统物理空间与虚拟空间的数据交互、动态映射. 研究结合遗传算法和深度学习的形状控制策略优化问题，通过ANSYS批处理多载荷步的方法，验证形状控制策略的可用性，在保持机身筒段应力均衡的状态下调整机身形状. 实验结果表明，利用构建的数字孪生系统和形状控制策略，可以有效地将筒段形状控制精度提高25.8%，将筒段形状控制效率提高414.3%，将局部最大应力减小42.5%.