【编者按】

为进一步培养我校研究生创新能力，提高研究生综合素质，促进学校研究生教育内涵发展，特推出“优博风采”专栏，邀请校级及以上优秀博士学位论文获得者分享科研历程与学术体会、展示创新成果与学位论文等，旨在激励我校研究生秉持“不息为体，日新为道”校训精神，潜心研究、锐意创新。

本期专访人物：控制科学与工程学科博士研究生 孙剑

所获奖励名称：2023年北京工业大学优秀博士学位论文

【虽千万人吾往矣】

博士阶段的学习、工作、生活很充实，很有意义，收获颇多。从入学考试、生活科研到成果发表，我的成长离不开老师的谆谆教诲，同学的无私帮助，和家人的支持陪伴。导师乔俊飞教授给予我科研和生活上的极大帮助，也为我的科研工作指明了方向，我的研究工作才得以顺利完成。读博期间，我认识了很多优秀的老师和同学，他们刻苦钻研、精益求精和锐意进取的科研作风让我印象深刻，特别值得我在今后的工作学习生活中继承发扬。北京工业大学浓厚的学术氛围深深感染着我，促使我养成良好的科研工作习惯，这将是我一生的宝贵财富。

【博士论文介绍】

论文中文题目：城市固废焚烧过程烟气含氧量智能预测与优化控制方法研究

论文英文题目：STUDIES ON INTELLIGENT PREDICTION AND OPTIMAL CONTROL METHODS OF OXYGEN CONTENT IN FLUE GAS FOR MUNICIPAL SOLID WASTE INCINERATION PROCESS

作 者：孙剑

指导教师：乔俊飞 教授

培养单位：信息学部

学 科：控制科学与工程

论文主要贡献及创新点

1.MSWI过程烟气含氧量动态特性定量描述及智能预测。针对特定焚烧工况，结合焚烧过程的烟气含氧量动态特性和现场专家知识，初步筛选影响烟气含氧量的主要操作变量，再通过皮尔森相关系数筛选出重要特征。设计自适应模糊神经网络建立面向烟气含氧量控制的焚烧过程模型，利用LM学习模型参数，实现烟气含氧量动态特性的准确描述。设计基于神经元影响值和显著性指标的LSTM网络自组织机制，隐含层神经元结构可以根据训练数据的变化而增长或修剪，在达到模型结构精简的同时提高模型泛化性。通过时间反向传播算法更新权重和偏差，确保估计误差收敛，实现烟气含氧量动态变化的准确描述。

2.MSWI过程烟气含氧量自适应预测控制方法与事件触发预测控制策略研究。借助现场运行数据和基于自组织LSTM神经网络的预测模型，设计数据驱动模型预测控制方案。借助梯度下降算法滚动优化控制目标函数，在线求解控制律，提高求解效率，实现对烟气含氧量的精准控制。分析城市固废焚烧过程运行操作特点，建立事件触发控制机制和误差触发自适应更新策略。结合控制精度及稳定性设计事件触发条件，减轻在线优化求解的计算负担，提高资源利用效率。研究基于预测效果反馈的模型更新机制，依据累积误差触发模型动态在线更新，确保预测模型在调控过程中的精准性。

3.MSWI过程烟气含氧量优化设定与智能控制策略研究。采用滑动窗口技术，构建基于在线自适应模糊神经网络的运行性能指标模型，实现对燃烧效率和NOx排放浓度的在线估计。设计基于空间划分和混合距离的多目标粒子群优化算法，求解出烟气含氧量的优化解集。通过乌托邦决策方法自动得到烟气含氧量的优化设定值，实现城市固废焚烧过程烟气含氧量设定点的动态优化。研究城市固废焚烧过程烟气含氧量智能优化控制方案，准确描述多目标优化控制问题。设计基于双长短期记忆神经网络的模型预测控制方法，跟踪烟气含氧量优化设定点，在提高燃烧效率的同时有效降低NOx排放浓度。

图1 烟气含氧量控制结果

【博士期间代表性科研成果】

【与导师合影】

（图文：孙剑；编辑：胡春瀛；审核：高春娣、韩红桂）