本次行程原计划从7月19日出发，先到伦敦布鲁内尔大学进行访问和学术交流，中途到英国格拉斯哥大学进行访问和学术交流。但由于时间冲突，本人直到7月22日才能出发，时间紧凑，无暇到格拉斯哥大学进行学术交流，只能完成其中的一程，在伦敦布鲁内尔大学进行访问和学术交流。

布鲁内尔大学成立于1966年， 现在学校共有13,000多名学生，其中国际学生有2800多人，分别来自113个国家。学校位于伦敦西郊的欧克斯桥，是伦敦地区十大名校之一。本次合作交流的学者是Lu Gan高级讲师，她分别于1998年和2000年本科和硕士毕业于东南大学，2004年博士毕业于南洋理工大学，曾在澳大利亚的纽斯卡尔大学、英国利物浦大学任教，2008年开始在伦敦布鲁内尔大学任教。

在伦敦期间结合Lu Gan博士和本课题组的研究成果，研讨了Fuzzy-PID复合控制策略，车用PEMFC空气流量随燃料电池堆输出功率的变化而改变，为提高空气流量的响应速度，讨论了基于空气流量机理模型的 Fuzzy-PID复合控制策略，通过设定控制阀值和控制参数的整定，使Fuzzy-PID复合控制既具有Fuzzy控制的快速性，又具有 PID控制的精确性，改善了空气流量的控制性能。根据Elman动态神经网络对非线性模型的自适应辨识能力，提出了基于Elman神经网络的空气流量、空气压力目标值与燃料电池输出功率之间的预测模型，并通过仿真验证了预测模型的有效性。通过对空气流量、空气压力给定值的预测，可有效提高车用PEMFC空气供给系统的动态响应速度，达到较好的控制效果。

针对目前已有的非线性降维算法存在计算复杂性高,难以处理大型数据集和增量化降维问题,讨论了一种基于局部约束字典学习的非线性降维算法。该方法通过重构一些潜在标志点的局部内在流形,并在数据处理过程中将训练数据和未知数据一起嵌入到内在流形中,使得数据的内在几何结构特征得以保持。与已有非线性降维方法相比,该算法具有计算复杂度低、存储空间小和通用性强的特点,可以很好的解决增量化降维问题,易于处理大型数据集。另外,该算法也可以解决高维数据的重构问题,与已有重构方法相比具有计算简单,重构误差较低的特点。

在伦敦期间，双方结合深度学习和预测控制，研讨了深度预测控制。在科学、工程和工业应用中，复杂系统的控制至关重要。控制不稳定的流体流动尤其重要，因为流量控制是能源（如风、潮汐和燃烧）、运输（如飞机、火车和汽车）、安全（如跟踪空气污染）和健康（如人工心脏）技术的关键推动因素。然而，高维、非线性和多尺度动力学使得实时反馈控制不可行。幸运的是，这些高维系统显示出占主导地位的低维活动模式，可以利用这些模式进行有效控制，因为不需要了解系统的整个状态。机器学习的进步彻底改变流量控制，因为它能够提取出描述这种复杂系统的原理性、低阶特征空间。我们研讨一种新的深度学习模型预测控制（DEEPMPC）框架，该框架利用了流的低阶特性，以显著提高控制性能。不用预测整个流体状态，而是使用循环神经网络（RNN）精确预测系统的控制相关量。然后将RNN嵌入到MPC框架中，构建反馈回路，并使用输入的传感器数据进行在线更新，以提高预测精度。

讨论了燃料电池专家诊断系统构建。为了进行辅助系统的多传感器故障检测与信号容错，提出并建立了一种主、从两级神经网络的联合故障诊断与容错模型，利用主网络和各个子网络的预测值与多传感器的实际输出值构建残差，当主网络的误差大于所设定的阈值并且持续的时间节拍大于一定值时判断传感器存在故障，此时利用误差超过设定阈值的子网络的预测值代替所对应的传感器输出值并进行在线刷新，并针对不同数量下的传感器同时发生故障情况进行了仿真，仿真结果表明，所建立的模型可以实现这些存在冗余关系的多传感器的故障联合检测和信号冗余重构，能满足车用燃料电池系统的温度和风量容错控制要求。提出了二叉树支持向量机和D-S证据理论相结合的电堆健康诊断信息融合方法，从影响和反映电堆水平衡传输的实时参数及其变化参数中提取故障特征，将二叉树支持向量机进行初步诊断，利用D-S证据理论进行融合得出最终诊断结果。

总之，通过此次英国伦敦之行，开阔了自己的眼界，学习了很多新的知识。和国外教授的研讨，得到很多启发，理清了自己的研究思路，为下一步研究工作打下了坚实的基础。