基于改进麻雀搜索算法的机器人能耗最优轨迹规划北大核心

为提高机器人能量利用率,提出一种基于改进麻雀搜索算法的机器人能耗最优轨迹规划方法。为使机器人各关节速度、加速度、加加速度有界连续,采用7次B样条曲线构造关节空间轨迹。将运动学参数与动力学参数相结合计算机器人工作总能耗。在麻雀搜索算法基础上,用精英反向学习、非支配排序以及高斯-柯西变异策略对其进行改进求解出最优能耗所对应的时间序列,进而规划出能耗最优连续运动轨迹。仿真结果表明,所提轨迹规划方法不仅能实现轨迹的连续平滑,而且能有效降低能量消耗,节约生产成本。     

基于Plant Simulation的装配车间仿真优化研究与应用

针对纺机装配车间装配线不平衡的问题，通过使用Plant Simulation仿真软件建立符合纺机装配车间实际情况的仿真模型，以车间实际生产数据为输入验证仿真模型的可信性，建立方便交互的可视化交互界面，方便模型复用和生产参数的调整。通过仿真模型结合启发式算法优化各工位的装配工序，装配线生产节拍缩短10.7%，提供了一种使用仿真软件进行装配线优化的可行方案。     

基于K-CNN和N-GRU的风电机组发电机状态预测

为了检测风电机组发电机异常、减少由故障引起的停机事件发生，基于真实风电场的数据采集与监视控制(Supervisory Control and Data Acquisition, SCADA)系统记录的多维传感器参数，提出一种K-CNN(Convolutional Neural Network,卷积神经网络)和N-GRU(Gated Recurrent Unit,门控循环单元)相结合的深度学习框架，建立风电机组发电机状态预测模型。首先，用Pearson相关系数分析状态参数相关性；之后，通过权重系数加权得到一维融合参数；其次，针对传统特征提取过程中忽略浅层特征的问题，采用CNN分层提取一维融合参数的特征，并利用核主成分分析(Kernel Principal Component Analysis, KPCA)将不同层的特征提取结果降为一维；然后，针对传统GRU算法参数欠优化问题，利用神经网络架构搜索改进GRU算法，得到N-GRU模型，将降维后的特征提取结果输入N-GRU做预测并得到重构误差，通过设定告警阈值实现状态评估；最后，以新疆某风场中2 MW风电机组为例，验证了该模型的有效性与准确性。