桑叶采摘机构的多目标优化设计

针对桑叶采摘机构的采摘工况,通过几何与静力学分析,以采摘机构的基本参数为设计变量,分别以推杆推力最小和采摘机构质量最轻为优化目标,在满足采摘机构的基本尺寸和力学性能的条件限制下,采用加权线性组合法建立多目标优化数学模型,求解桑叶采摘机构的最佳设计方案。经多目标优化后采摘机构质量和推杆推力都相应减小。机构质量减轻可节省生产成本,推杆推力减小使机构打开合理角度时节省时间,提高采摘效率。利用多目标优化方法可获得较好的优化效果,为进一步桑叶采摘机物理样机制作奠定良好基础。     

一种YOLO识别与Mean shift跟踪的车流量统计方法

为了解决车流量统计中存在的车辆识别速度慢、统计准确率低的问题,提出一种YOLO识别与Mean shift跟踪的车流量统计方法。首先将车流量统计划分为车辆识别、跟踪与计数问题,建立高效的车流量统计模型。YOLO算法可对被检区域内车辆快速检测,根据YOLO的回归特性,将Mean shift核函数应用于目标区域得到目标模型,运用巴氏函数计算出候选模型,并对其进行跟踪。Mean shift可根据YOLO提供的最新车辆位置更换目标模型,这样目标跟踪丢失问题便可得以改善。实验结果表明,本文车流量统计模型在车辆识别、计数上有较快的速度和较高的准确度,能够基本满足智能交通中车流量统计的需求。     

基于BP神经网络的高速动车组网络控制系统时延研究

当前,高速动车组的控制系统迅速向网络化与智能化方向发展,网络控制系统已被大规模地应用于高速动车组的控制系统之中,网络控制系统可实时地传输高速动车组中各个设备的数据并监控高速动车组的运行状态,以保证高速动车组安全地运行。但高速动车组的通信网络控制端口和变量数目非常多且各端口的长度与特征周期也各异。故高速动车组的网络控制系统在输出数据的时候,不可避免地出现网络时延现象,该现象严重地威胁着高速动车组网络控制系统的实时性和稳定性。由于高速动车组的网络控制系统是一种非线性系统,故文章针对带有时延问题的高速动车组非线性网络控制系统,提出一种有效的优化方法,即将BP神经网络递推预测与广义预测控制结合起来,先根据BP神经网络递推预测的方法对网络控制系统未来的输出进行预测,然后利用递推最小二乘法对网络控制系统未来时刻的系统参数进行辨识,将非线性网络控制系统在每一时刻进行线性化处理,最后由广义预测控制算法补偿非线性网络控制系统的时延且对所提出的方法进行实验仿真,实验结果表明:该方法可有效地消除高速动车组网络控制系统的时延,同时具有实时性高、计算速度快及鲁棒性强等优点,显著地优化了带有时延问题的高速动车组非线性网络控制系统。     

焊接速度和焊接电流对竖向高速GMAW驼峰焊缝的影响

运用自主研发的爬壁机器人研究焊接速度和焊接电流对竖向高速熔化极气体保护焊(gas metal arc welding，GMAW)驼峰焊缝的影响. 结果表明，焊接速度或焊接电流超过某一临界值时，竖向高速GMAW会形成驼峰焊缝，且熔池中由电弧压力、熔滴冲击力和重力作用下产生的动量很大的后向液体流是竖向高速GMAW形成驼峰焊缝的主要原因. 同时，焊接速度和焊接电流显著影响驼峰焊缝形貌. 当焊接电流不变时，随焊接速度提高，驼峰焊缝的驼峰间距和驼峰高度先稳定减小，后缓慢减小，而焊缝宽度则稳定减小；当焊接速度不变时，随焊接电流增加，驼峰焊缝的驼峰间距先增加后减小，驼峰高度则是先增加后不变，而焊缝宽度则稳定增加. 此外，焊接速度过小或焊接电流过大均会造成金属液下淌.     

高速列车本体半自动构建方法研究

目前高速列车本体多采用人工构建的方法,这种方法存在成本高、效率低且缺乏灵活性的不足。针对这种问题,提出了一种高速列车本体半自动构建方法,先使用分词工具Jieba对高速列车领域文档进行分词、去除停用词等预处理,然后使用TF-IDF、C-value等算法进行概念抽取,再使用层次聚类及Dice测度等算法挖掘领域层次关系及非层次关系,最后使用protégé工具构建结构化的OWL本体并进行可视化管理。通过高速列车本体半自动构建实例,实现概念及语义关系的自动获取,验证该方法的有效性及可行性。     

一种Chirplet神经网络自动目标识别算法

针对飞机目标的自动识别问题,提出一种联合特征提取与分类的Chirplet神经网络方法,实现一维高分辨率距离像的识别。Chirplet神经网络将Chirplet原子变换用于多层前馈神经网络结构的输入层,替换传统的激励函数对距离像序列进行特征提取;网络的分类部分由隐层和输出层组成。在训练过程中调整神经网络权值的同时,完成对Chirplet原子时频参数的自动调整,协调优化特征参数和分类器参数,使Chirplet神经网络同时实现特征提取和目标分类。对4类飞机目标的仿真测试结果表明,相比时频变换和Gabor原子网络等方法,具有四特征参数的Chirplet神经网络方法具有较高的识别率和抗噪性能。     

分时电价下多目标绿色可重入混合流水车间调度

针对多目标绿色可重入混合流水车间调度问题（RHFSP）的特点，在机器分配和工序排序的基础上引入分时电价机制，构建了以最小化最大完工时间、总能耗成本和碳排放为目标的绿色调度优化模型，提出了一种改进的多目标文化基因算法（MOMA）来求解该问题，通过数值实验验证了所设计的MOMA算法的可行性。实验结果表明MOMA算法在非劣解的收敛性、多样性和支配性指标方面都显著优于多目标蚁狮优化算法(MOALO)、多目标粒子群优化算法（MOPSO）和带精英策略的非支配排序遗传算法（NSGA-Ⅱ），四种算法的分布性指标无显著差异。所提出的模型能够使企业有效避开高电价时段作业，合理转移用电负荷，达到降低总用电成本和碳排放的目的。