喬維德

（無(wú)錫開放大學(xué)，江蘇無(wú)錫214011）

基于人工魚群-蛙跳神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷

喬維德

（無(wú)錫開放大學(xué)，江蘇無(wú)錫214011）

為提高電力變壓器故障診斷的準(zhǔn)確率，提出一種基于人工魚群-蛙跳混合算法（AFSAFLA）優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型，并用于電力變壓器的故障診斷.人工魚群-蛙跳混合算法融合了人工魚群算法前期全局收斂速度迅速以及蛙跳算法局部搜索能力強(qiáng)的優(yōu)勢(shì)，其運(yùn)算速度和優(yōu)化精度有了極大提升.仿真實(shí)驗(yàn)結(jié)果分析表明，該方法能對(duì)變壓器各種類型故障加以有效診斷，故障診斷正確率高、速度快，能滿足電力變壓器故障診斷的實(shí)際工程需要.

變壓器；人工魚群算法；蛙跳算法；故障診斷

電力變壓器為電網(wǎng)中極其重要的輸變電設(shè)備，其安全與可靠運(yùn)行直接影響著整個(gè)電力系統(tǒng)的安全性.一旦電力變壓器在運(yùn)行過(guò)程中發(fā)生故障，不僅可能造成電網(wǎng)的整體或局部癱瘓，而且還會(huì)帶來(lái)慘重的安全事故和巨大的經(jīng)濟(jì)損失.所以，對(duì)電力變壓器可能發(fā)生的故障類型進(jìn)行預(yù)測(cè)診斷，可及時(shí)了解電力變壓器的運(yùn)行狀態(tài)，并對(duì)變壓器的維護(hù)和檢修提供科學(xué)指導(dǎo)，及時(shí)排查并消除變壓器故障及其安全隱患，降低變壓器故障發(fā)生概率.電力變壓器結(jié)構(gòu)一般較為復(fù)雜，如何在變壓器故障發(fā)生早期或潛伏期便能應(yīng)用診斷技術(shù)加以診斷，一直是學(xué)者們關(guān)注和研究的課題.傳統(tǒng)的診斷變壓器故障方法有多種，其中的油中溶解氣體分析（DGA）法已被廣泛應(yīng)用，DGA法比較適宜變壓器的早期故障檢測(cè)，并且受變壓器結(jié)構(gòu)變化的影響不大，但是DGA法存在編碼不全、編碼邊界過(guò)于絕對(duì)等缺點(diǎn)，因此大大影響變壓器故障診斷結(jié)果的準(zhǔn)確率.伴隨著人工智能及計(jì)算技術(shù)的迅速發(fā)展，電力變壓器的故障診斷技術(shù)也進(jìn)入嶄新的智能化時(shí)代，智能技術(shù)為變壓器故障診斷開拓了新思路和新途徑，目前人們已將神經(jīng)網(wǎng)絡(luò)、遺傳算法、蟻群算法、粒子群算法等用于變壓器的智能故障診斷，但存在網(wǎng)絡(luò)收斂速度緩慢甚至不收斂、易早熟、陷入局部最小點(diǎn)等局限性問題，從而影響變壓器故障診斷準(zhǔn)確率.鑒于上述問題，筆者提出將人工魚群算法（AFSA）與蛙跳算法（FLA）兩種仿生智能算法結(jié)合起來(lái)，組成人工魚群-蛙跳混合算法（即AFSA-FLA），運(yùn)用AFSA-FLA優(yōu)化用于變壓器故障診斷的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)模型，充分利用人工魚群算法快速全局搜索和蛙跳算法較強(qiáng)局部搜索的能力，提高變壓器故障診斷的速度和精度.

1　人工魚群算法

人工魚群算法（AFSA）最先由李曉磊等學(xué)者于2002年提出，它是模仿魚群行為的一種隨機(jī)優(yōu)化算法，它是利用魚群的覓食、聚群、追尾和隨機(jī)等行為，通過(guò)魚群中各個(gè)體的局部尋優(yōu)實(shí)現(xiàn)對(duì)魚群全局尋優(yōu)的目標(biāo).該算法的數(shù)學(xué)模型為：如果一個(gè)n維水域搜尋空間中有N條人工魚組成魚群體，每條魚的位置狀態(tài)可設(shè)定為X=（x1，x2，…，xn），其中xi（i=1，2，…，n）為被優(yōu)化參數(shù).人工魚當(dāng)前位置的食物濃度設(shè)定Y=f（X），Y為待求的目標(biāo)函數(shù)值；各條人工魚位置間距設(shè)定為dij=|Xi—Xj|.用rang代表人工魚感知區(qū)域范圍，step表示人工魚每次向目標(biāo)位置游動(dòng)的最大步長(zhǎng)，λ為魚群擁擠度因子；number為人工魚每次覓食的最大試探次數(shù)［1］.

1）覓食行為.覓食行為實(shí)質(zhì)上就是人工魚朝著食物濃度高的方向移動(dòng).假定第i條人工魚當(dāng)前位置是Xi，在這條魚的可見范圍內(nèi)隨機(jī)選取另一個(gè)位置Xj，比較兩個(gè)位置的食物濃度即目標(biāo)函數(shù)值Yi和Yj，當(dāng)Yj＞Yi時(shí)，那么人工魚從當(dāng)前位置Xi朝著食物量更多的位置Xj方向游動(dòng)一步；如果Yj＜Yi時(shí)，就繼續(xù)隨機(jī)選擇下一個(gè)位置Xj，并按上述方法判別人工魚是否滿足向前游動(dòng)的條件，假如連續(xù)經(jīng)過(guò)number次最大嘗試后還不能滿足游動(dòng)的位置條件，那么就執(zhí)行人工魚的隨機(jī)行為.

2）隨機(jī)行為.人工魚在它的視野范圍內(nèi)隨機(jī)游動(dòng)，當(dāng)看見食物時(shí)，朝著食物越來(lái)越多的方向位置快速游動(dòng)，從而更新人工魚的當(dāng)前位置.其實(shí)隨機(jī)行為也屬于覓食行為的一種缺省和特殊行為.

3）聚群行為.假定當(dāng)前人工魚Xi在dij＜rang的視野區(qū)域內(nèi)，擁有其它人工魚的數(shù)量為mf，可以測(cè)算人工魚群的中心位置Xo為：

設(shè)定魚群中第i條人工魚位置Xi上的食物濃度為Yi，rang范圍內(nèi)人工魚群中心位置Xo的食物濃度為Yo.如果Yi＜Yo，同時(shí)Yo/mf＞λYi，意味著此時(shí)rang區(qū)域中心位置Xo的食物量多、食物濃度大，而且中心位置附近不是很擁擠，此時(shí)人工魚便從當(dāng)前Xi位置朝著人工魚群的中心位置Xo方向前進(jìn)一步；如果Yo/mf＜λYi，人工魚便會(huì)采取覓食行為.

4）追尾行為.假定當(dāng)前人工魚位置為Xi，在當(dāng)前魚搜尋范圍dij＜rang的感知區(qū)域內(nèi)，食物量（食物濃度）Yj（最多）最高時(shí)的人工魚所處位置為Xj，如果Yi＜Yj，同時(shí)Yj/mf＞λYi，那么表示rang范圍內(nèi)人工魚所處的Xj位置食物濃度高，且位置Xj附近不擁擠，因此，當(dāng)前第i條人工魚便朝著Xj位置方向游動(dòng)一步；如果Yj/mf＜λYi，人工魚便會(huì)采取覓食行為.

5）公告板：將魚群中最優(yōu)的人工魚位置及其對(duì)應(yīng)的食物（量）濃度記錄在公告板上.當(dāng)人工魚每進(jìn)行一次位置更新后，便及時(shí)用更新位置后的食物濃度與公告板中記載的最優(yōu)人工魚食物濃度進(jìn)行比較，如果比公告板中的食物濃度高，則用自身的位置與食物濃度更新公告板中內(nèi)容，在算法迭代結(jié)束后，公告板中的輸出值便是待求最優(yōu)值.

對(duì)于人工魚群算法中經(jīng)過(guò)初始化的每條人工魚個(gè)體，首先嘗試進(jìn)行聚群行為和追尾行為，而且選取最優(yōu)的一種行為指導(dǎo)其在空間中的實(shí)際移動(dòng)，最終完成所有人工魚的一次位置更新［2］.算法中公告板中的記錄為人工魚的位置更新和個(gè)體尋優(yōu)提供參考指導(dǎo).

人工魚群算法中，人工魚的聚群行為和追尾行為促進(jìn)整個(gè)魚群快速朝著全局最優(yōu)的區(qū)域位置方向游動(dòng)，所以，人工魚群算法在前期運(yùn)行過(guò)程中，收斂速度較快，而在搜尋至最優(yōu)區(qū)域后［3］，該算法為避免過(guò)度擁擠現(xiàn)象的再現(xiàn)，增加了魚群的隨機(jī)搜索行為，但是人工魚的盲目隨機(jī)游動(dòng)，又會(huì)延緩后期最優(yōu)區(qū)域內(nèi)搜索全局最優(yōu)解的過(guò)程，從而使后期收斂速度受到極大影響.

2　蛙跳算法

蛙跳算法（FLA）最早由Eusuff等學(xué)者于2003年首次提出，它是一種模擬青蛙群體尋找食物過(guò)程的優(yōu)化方法.同人工魚群算法相似，蛙跳算法將待優(yōu)化參數(shù)看成青蛙所在位置，青蛙位置好壞通過(guò)目標(biāo)函數(shù)值來(lái)衡量和評(píng)價(jià).在蛙跳算法中模仿青蛙尋食的過(guò)程，就是較劣位置青蛙不斷向著較優(yōu)位置跳躍的過(guò)程［4］.

1）在D維目標(biāo)搜索空間內(nèi)，由n只青蛙組成初始種群，第i只青蛙位置為Xi=（x1，x2，x3，…，xn，），其中xi（i=1，2，…，n）為待優(yōu)化參數(shù).

2）由青蛙位置參數(shù)計(jì)算目標(biāo)函數(shù)，并得到每個(gè)青蛙個(gè)體所處位置的適應(yīng)度.將所有青蛙個(gè)體根據(jù)適應(yīng)度從高到低排序，且將n只青蛙劃分成p個(gè)子群，每個(gè)子群又都有k只青蛙，即n=p×k.

3）在每個(gè)子群中，適應(yīng)度最好時(shí)對(duì)應(yīng)的最優(yōu)位置用Xb表示，適應(yīng)度最差時(shí)對(duì)應(yīng)的最差位置用Xw表示，整個(gè)蛙群中所有子群中適應(yīng)度最優(yōu)青蛙用Xg表示.在蛙跳算法的進(jìn)化進(jìn)程中，適應(yīng)度最差青蛙首先要向本子群中適應(yīng)度最優(yōu)青蛙跳躍，當(dāng)前適應(yīng)度最差青蛙位置Xw按公式（2）、（3）規(guī)則進(jìn)行更新.

上式中，R表示［0，1］區(qū)間上的隨機(jī)數(shù)，Dj記為第j維上青蛙移動(dòng)距離，Dmax記為青蛙一次改變位置的最大值，Xw代表最差青蛙的當(dāng)前位置，Xw（new）代表最差青蛙更新計(jì)算后的位置.

4）當(dāng)Xw（new）位置的適應(yīng)度高于Xw位置的適應(yīng)度，那么完成一次位置更新，否則利用整個(gè)蛙群最優(yōu)個(gè)體Xg替換（2）式中Xb進(jìn)行計(jì)算，如果新位置Xw（new）適應(yīng)值仍然沒有變好或改善，那么青蛙隨機(jī)在目標(biāo)搜索空間內(nèi)跳躍，產(chǎn)生一個(gè)新位置來(lái)替換原來(lái)的最差青蛙位置Xw.

5）將蛙群中各子群中的青蛙重新混合在一起，按要求重新按適應(yīng)度排序并劃分各子群，不斷重復(fù)進(jìn)行上述步驟中的更新操作，直至達(dá)到規(guī)定的迭代次數(shù)或者滿足設(shè)定的適應(yīng)度值為止.

蛙跳算法在進(jìn)化過(guò)程中，通過(guò)對(duì)蛙群內(nèi)青蛙排序及各子群劃分進(jìn)行局部搜尋，并通過(guò)不斷改善蛙群中最差青蛙位置來(lái)實(shí)施對(duì)蛙群的整體尋優(yōu)，因此，蛙跳算法中采取的青蛙位置更新策略的方向性更強(qiáng)，對(duì)于某一較小區(qū)域空間內(nèi)的局部搜索尋優(yōu)能力非常強(qiáng).

3　人工魚群—蛙跳混合算法及其神經(jīng)網(wǎng)絡(luò)優(yōu)化

人工魚群算法前期搜索速度快，能夠迅速搜索并鎖定待求的全局最優(yōu)區(qū)域，但是算法在后期運(yùn)行中要搜尋到精準(zhǔn)的最優(yōu)值，因計(jì)算復(fù)雜而導(dǎo)致收斂過(guò)程變得緩慢.蛙跳算法的局部搜尋能力強(qiáng)大，然而該算法在前期尋優(yōu)時(shí)具有計(jì)算量大、收斂速度慢等缺陷.為此，通過(guò)比較并結(jié)合兩者的優(yōu)勢(shì)與缺陷，有效融合人工魚群算法與蛙跳算法，形成人工魚群-蛙跳混合算法（AFSA-FLA），從而整體加快算法的收斂速度，提升算法的優(yōu)化精度［5］.筆者嘗試將人工魚群-蛙跳混合算法用于電力變壓器的神經(jīng)網(wǎng)絡(luò)故障診斷.在采用AFSA-FLA混合算法訓(xùn)練優(yōu)化BP神經(jīng)網(wǎng)絡(luò)時(shí)，所有人工魚的位置Xi及其食物濃度Yi等狀態(tài)向量、青蛙位置參數(shù)均對(duì)應(yīng)于網(wǎng)絡(luò)的連接權(quán)值和閾值.初始化時(shí)由隨機(jī)函數(shù)生成一定數(shù)目個(gè)體，便自動(dòng)生成多組BP神經(jīng)網(wǎng)絡(luò)的權(quán)值及閾值，構(gòu)成人工魚群或青蛙群體.AFSA-FLA混合算法優(yōu)化神經(jīng)網(wǎng)絡(luò)時(shí)，首先通過(guò)人工魚群算法的全局快速收斂?jī)?yōu)勢(shì)，使魚群迅速搜尋到全局較優(yōu)值所處區(qū)域，然后再采取蛙跳算法迅速在較優(yōu)區(qū)域內(nèi)進(jìn)行局部搜索，直至尋到最優(yōu)位置，最終使均方誤差（適應(yīng)度）指標(biāo)為最?。?］.此時(shí)最優(yōu)位置便是BP神經(jīng)網(wǎng)絡(luò)中最優(yōu)連接權(quán)值和閾值.均方誤差（適應(yīng)度）指標(biāo)J定義為：

式中，Qjk定義為第j個(gè)訓(xùn)練樣本在第k個(gè)輸出節(jié)點(diǎn)處的期望網(wǎng)絡(luò)輸出值，Yjk定義為第j個(gè)訓(xùn)練樣本在第k個(gè)輸出節(jié)點(diǎn)處的實(shí)際網(wǎng)絡(luò)輸出值，m為神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)，n為學(xué)習(xí)訓(xùn)練樣本數(shù).人工魚群-蛙跳混合算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程如圖1所示［7］.

4　基于AFSA—FLA神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷算例

4.1變壓器故障診斷網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

當(dāng)變壓器在運(yùn)行過(guò)程中出現(xiàn)過(guò)熱和放電等各種熱、電故障時(shí)，一般生成H2（氫氣）、CH4（甲烷）、C2H2（乙炔）、C2H4（乙烷）、C2H6（乙烯）等主要故障特征氣體，變壓器故障類型與故障各特征氣體含量之間不存在準(zhǔn)確的映射關(guān)系，而表現(xiàn)出較為復(fù)雜和嚴(yán)重的非線性關(guān)系，利用神經(jīng)網(wǎng)絡(luò)可以克服其非線性問題帶來(lái)的變壓器故障診斷瓶頸.首先求取H2、CH4、C2H2、C2H4、C2H6等五種氣體含量與所有氫烴氣體總量的比值，分別記為X1、X2、X3、X4、X5，并將X1～X5作為網(wǎng)絡(luò)的歸一化輸入量.其中，輸入數(shù)據(jù)經(jīng)過(guò)歸一化處理后，保證網(wǎng)絡(luò)輸入X1～X5值介于0和1之間，以防止學(xué)習(xí)樣本數(shù)據(jù)間因存在明顯差異性而制約網(wǎng)絡(luò)的收斂性能.神經(jīng)網(wǎng)絡(luò)輸出設(shè)定為高溫度過(guò)熱（Y1）、中低溫度過(guò)熱（Y2）、高能量放電（Y3）、低能量放電（Y4）、正常運(yùn)行（Y5）等5種輸出狀態(tài).設(shè)定高溫度過(guò)熱的故障溫度≥700℃、中低溫度過(guò)熱＜700℃.高能量放電包括變壓器的電弧放電及較強(qiáng)火花放電，低能量放電包括變壓器的局部放電及較弱火花放電.假若網(wǎng)絡(luò)的輸出Y1～Y5越大，則說(shuō)明對(duì)應(yīng)輸出故障類型及狀態(tài)出現(xiàn)的概率越大.當(dāng)變壓器出現(xiàn)高溫度過(guò)熱時(shí)，網(wǎng)絡(luò)輸出Y1期望值應(yīng)為1，而此時(shí)Y2～Y5輸出期望值均應(yīng)為0，網(wǎng)絡(luò)輸出編碼和變壓器故障之間的對(duì)應(yīng)規(guī)則如表1所示.用于變壓器故障診斷的原理示意圖如圖2所示.

表1　故障類型與網(wǎng)絡(luò)輸出編碼關(guān)系

圖2　變壓器故障診斷原理示意圖

圖1　人工魚群—蛙跳混合算法優(yōu)化神經(jīng)網(wǎng)絡(luò)流程

4.2神經(jīng)網(wǎng)絡(luò)訓(xùn)練與測(cè)試

利用AFSA-FLA混合算法優(yōu)化神經(jīng)網(wǎng)絡(luò)時(shí)，通過(guò)多次模擬實(shí)驗(yàn)，選取的初始化參數(shù)取值如下：人工魚群數(shù)量為300，人工魚的感知范圍rang為0.85，人工魚的移動(dòng)最大步長(zhǎng)step為0.75，魚群的擁擠度因子λ為0.618，最大迭代次數(shù)為300，人工魚的試探最大次數(shù)number為30；蛙群全局最大迭代次數(shù)為200，蛙群中青蛙數(shù)目為100，子群體數(shù)目為20，子群內(nèi)最大迭代更新次數(shù)為10.BP神經(jīng)網(wǎng)絡(luò)采取5-14-5結(jié)構(gòu)，網(wǎng)絡(luò)目標(biāo)誤差精度為0.0001.筆者利用MATLAB7.0軟件，將經(jīng)過(guò)變壓器吊芯處理的60組故障數(shù)據(jù)用作學(xué)習(xí)樣本（此略），對(duì)上述設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直至網(wǎng)絡(luò)訓(xùn)練后的輸出誤差在設(shè)定的目標(biāo)誤差范圍內(nèi)，并取得網(wǎng)絡(luò)最優(yōu)權(quán)值、閾值等參數(shù).通過(guò)對(duì)人工魚群算法、蛙跳算法、人工魚群-蛙跳混合算法的對(duì)比分析，采取本文設(shè)計(jì)的AFSA-FLA混合算法訓(xùn)練優(yōu)化神經(jīng)網(wǎng)絡(luò)，速度快，精度高（見表2）.

表2　神經(jīng)網(wǎng)絡(luò)不同訓(xùn)練算法比較

本文搜集并選擇某供電公司從現(xiàn)場(chǎng)監(jiān)測(cè)到的15組變壓器發(fā)生故障及正常運(yùn)行數(shù)據(jù)，這些數(shù)據(jù)表示變壓器油中溶解的H2、CH4、C2H2、C2H4、C2H6等5種氣體濃度，對(duì)其首先作歸一化處理，即將5種氣體濃度值轉(zhuǎn)換為各氣體濃度含量所占總烴氣體的比值，接著以5種氣體濃度的歸一化值作為網(wǎng)絡(luò)的測(cè)試輸入樣本數(shù)據(jù)，并輸出對(duì)應(yīng)的網(wǎng)絡(luò)診斷結(jié)果（表3）.由表3可見，網(wǎng)絡(luò)診斷結(jié)論和變壓器實(shí)際故障及狀態(tài)完全一致，進(jìn)一步證明本設(shè)計(jì)診斷準(zhǔn)確性好，可靠度高.

表3　變壓器故障測(cè)試樣本及診斷結(jié)果

5　結(jié)束語(yǔ)

為實(shí)現(xiàn)對(duì)電力變壓器故障的實(shí)時(shí)、快速及準(zhǔn)確診斷，本文提出基于人工魚群-蛙跳混合算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷技術(shù)，仿真結(jié)果及算例表明，本文采用的人工魚群-蛙跳混合算法，比分別采用人工魚群、蛙跳算法的訓(xùn)練精度高、收斂速度快，能提高變壓器故障診斷的準(zhǔn)確度、快速性以及可靠性，該方法對(duì)于實(shí)際電力工程及工礦企業(yè)的變壓器運(yùn)行維護(hù)具有一定的指導(dǎo)價(jià)值.

［1］苗強(qiáng).基于人工魚群算法的變壓器故障診斷研究［J］.煤炭技術(shù)，2015，34（4）：291-292.

［2］魏立新，張峻林，劉青松.基于改進(jìn)人工魚群算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化［J］.控制工程，2014，21（1）：84-87.

［3］王敏，周樹道，段黎明，等.AFSA+PSO混合算法在BP網(wǎng)絡(luò)故障中的應(yīng)用［J］，自動(dòng)化技術(shù)與應(yīng)用，2014，32（3）：62-65.［4］余華，黃程韋，張瀟丹，等.混合蛙跳算法神經(jīng)網(wǎng)絡(luò)及其在語(yǔ)音情感識(shí)別中的應(yīng)用［J］，南京理工大學(xué)學(xué)報(bào)，2011，35（5）.

［5］耿超，王豐華，蘇磊，等.基于人工魚群與蛙跳混合算法的變壓器Jiles-Atherton模型參數(shù)辨識(shí)［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2015，35（18）：4799-4807.

［6］孟杰，呂正兵.RBF神經(jīng)網(wǎng)絡(luò)在道路交通事故預(yù)測(cè)中的應(yīng)用［J］.常熟理工學(xué)院學(xué)報(bào)，2012，26（2）：86-90.

［7］喬維德.改進(jìn)粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的高壓斷路器故障診斷［J］.常熟理工學(xué)院學(xué)報(bào)，2016，30（2）：51-55.

Transformer Fault Diagnosis Based on Neural Network with AFSA—FLA

QIAO Weide
（Wuxi Open University，Wuxi 214011，China）

In order to improve the accuracy of power transformer fault diagnosis，this paper proposes a neural network model，which is optimized by AFSA-FLA，and used in the fault diagnosis of power transformer.AFSAFLA combines the advantage of the rapidspeed of AFSA's convergence with prior global and FLA'sstrong localsearching ability.Its operationspeed and optimization accuracy have been greatly improved.Thesimulation resultsshow that this method can effectively diagnose various types of faults with transformer，that the fault diagnosis accuracy rate is high，that the fault diagnosisspeed is quick，and that the method cansatisfy actual engineering needs for transformer fault diagnosis.

transformer；AFSA；FLA；fault diagnosis

TM407

A

1008-2794（2015）04-0070-05

2016-04-25

無(wú)錫市社會(huì)事業(yè)領(lǐng)軍人才項(xiàng)目“電力變壓器故障參數(shù)檢測(cè)技術(shù)”（WX530/2015/006）

喬維德，教授，無(wú)錫市首批社會(huì)事業(yè)領(lǐng)軍人才，常州市“831工程”首批中青年科學(xué)技術(shù)帶頭人，江蘇開放大學(xué)學(xué)術(shù)帶頭人，研究方向：控制工程，E-mail：qiaowd@wxtvu.cn.