基于RobotStudio水槽打磨机器人工作站仿真设计

为解决不锈钢水槽四边焊缝自动打磨问题，基于SolidWorks设计了机器人末端执行器等设备，并基于RobotStudio搭建由砂带打磨机、IRB4600机器人、末端执行器等设备组建的水槽打磨机器人工作站仿真平台。根据不锈钢水槽的实际工况设计打磨工艺流程和规划打磨路径，创建打磨工作站的Smart组件并关联常用的I/O信号。利用TCP轨迹跟踪功能以及碰撞监控功能检验各个轨迹点及运动轨迹是否满足工作要求，调用计时器记录打磨时间。在仿真平台中通过离线编程仿真调试可以得到理想的打磨轨迹，供实际运行使用，有利于提高现场编程加工效率，提高焊缝打磨质量。     

网络切片场景下基于分布式生成对抗网络的服务功能链异常检测

针对网络切片场景中，由于软硬件异常而导致服务功能链(SFC)异常的问题，该文提出一种基于分布式生成对抗网络(GAN)的时间序列异常检测模型(DTSGAN)。首先，为学习SFC中正常数据的特征，提出分布式GAN架构，对SFC中包含的多个虚拟网络功能(VNF)进行异常检测；其次，针对时间序列数据构建一种基于滑动窗口数据特征提取器，通过提取数据的两种衍生特性和8种统计特征以挖掘深层次特征，得到特征序列；最后，为学习并重构数据特征，提出时间卷积网络(TCN)与自动编码器(AE)构建的3层编解码器作为分布式生成器，生成器通过异常得分函数衡量重构数据与输入数据的差异以检测VNF的状态，进而完成SFC的异常检测。在数据集Clearwater上采用准确率、精确率、召回率和F1分数这4个性能指标验证了该文所提模型的有效性和稳定性。     

5G电力虚拟专网中基于联邦对抗学习的分布式异常检测算法

针对5G电力虚拟专网中高维、不均衡和分布式的数据特征，提出了一种基于联邦对抗学习的分布式异常检测算法。首先，鉴于生成对抗网络在获取高维复杂数据分布方面的优势，采用具有梯度惩罚的Wasserstien生成对抗网络(WGAN-GP)模型对网元中的多维运行数据进行分析和监控并获取其分布情况。其次，基于5G电力虚拟专网的管理架构，设计了一种基于联邦对抗学习的分布式异常检测框架，使分布式电力切片管理器能够协同训练全局异常检测模型，增强模型泛化能力。最后，通过数值仿真验证了基于联邦对抗学习的分布式异常检测算法的训练效率和检测性能。