求解带能力约束车辆路径优化问题的改进模拟退火算法

为高效求解带能力约束的车辆路径优化问题,提出一种带有回火操作的改进模拟退火算法.解析多约束条件下的路径优化特点,构建了结构简单且功能模块相对独立的模拟退火框架,以便相关约束及其算法的耦合嵌套.在此基础上,改变较优解在迭代过程中的接受规则,引入回火操作使全局搜索与局部搜索实现平衡;设计强制的随机邻域变换策略,以提高多约束条件下的新解生成质量.结合初始解生成方法,构建了整体算法.通过不同类型算例的对比实验表明,所提算法具有优越的求解性能,相应的求解框架与优化方法研究,能够为相关的多约束耦合求解提供参考.     

重型车床床身性能分析及多目标参数优化

以重型卧式车床床身为研究对象,为满足床身在静刚度不降低条件下达到轻量化、动静态性能好这一要求,提出以质量、最大变形和低阶固有频率为目标的优化设计方法。通过正交实验法建立了床身低阶固有频率、最大变形和质量关于筋板厚度的响应面模型,并对模型的准确性进行了验证。运用带有非支配排序遗传算法(NSGA-Ⅱ)对床身进行多目标优化求解,得到了Pareto最优解集。在此基础之上,采用基于信息熵赋权的多目标灰靶决策算法对Pareto解集进行优选。通过对最终方案进行有限元分析,优化后的床身动静态性能略有提高,质量减轻了604kg。具体算例表明,该方法具有实用性。     

上下料机器人视觉测量系统关键技术的研究

根据上下料机器人对于视觉系统的要求,对双目视觉测量系统的数学模型进行分析,进而分析了双目测量系统的精度,根据该模型,通过实验进一步验证和分析两相机的角度和基线距,以控制测量的上下偏差值,来保证图像采集精度,为上下料机器人抓取提供准确的坐标数据。     

RBF神经网络在机器人视觉伺服控制中的应用

传统的机器人视觉伺服控制是由系统雅可比矩阵的计算得到图像空间与机器人空间的非线性关系,这种方法不仅计算量大、系统结构复杂,而且对系统模型误差敏感。针对此问题,在分析视觉伺服数学模型的基础上,设计了RBF径向基函数神经网络来实现机器人视觉伺服系统手眼协调功能,从而简化控制算法。通过仿真实验证明所设计的径向基函数神经网络控制系统具有良好的目标定位效果和泛化能力,并且极大地缩短了视觉伺服所需时间,很好地保证了控制系统的实时性。     

矿井监控设备的抗干扰研究

煤矿安全监控系统是煤矿安全高效生产的重要保证,煤矿井下工作环境恶劣,弱电设备和大耗能分布广泛,特别是高频器的使用,会给监控系统带来干扰信号,因此提高矿井监控系统的抗干扰能力是实现我国煤矿安全生产最根本的发展之路。     

低压铸造机液面加压控制技术研究

针对低压铸造机液面加压系统参数整定困难、压力控制精度不佳的问题,对液面加压系统的组成、工艺以及机理等进行了研究。提出了模糊神经网络在线整定PID参数的方法,设计了2输入、3输出的模糊神经网络;分析了BP学习算法的缺点,改进了模糊神经网络训练方法,使用果蝇算法作为外层循环,BP算法作为内层循环训练模糊神经网络;选择合适的目标函数对模糊神经网络进行了训练,在Matlab中对传统PID、模糊PID和FNN-PID的控制效果进行了仿真分析。研究结果表明:和传统PID控制相比,使用FNN-PID控制器的液面压力最大误差减小了35.6%,平均误差减小了21.6%,有效提高了液面压力的控制精度。     

机器视觉在网片缺陷检测与分类中的应用

针对网片缺陷传统人工检测方法误检率高、劳动强度大等问题,应用机器视觉技术,提出了一种网片缺陷在线检测及分类方法。首先通过工业相机获取网片图像,应用中值滤波和图像二值化方法实现对网片图像的预处理。通过分析缺陷特征,提出了基于特征点的网片缺陷检测方法,在检测出缺陷的同时能对网片三种缺陷类型进行预分类。根据网片缺陷类型的不同,通过计算缺陷区域的灰度共生矩阵并提取4个特征参数,运用BP神经网络对网片缺陷进行分类。实验表明,使用本方法分类网片缺陷类型能满足工业要求。     

基于深度学习的元器件视觉识别和定位技术

为解决当前装配机器人视觉系统对元器件误检率高、效率低、难获取有效定位信息的问题，提出了一种基于深度学习的元器件视觉识别和定位方法。首先，设计基于深度聚合和解耦头的高精度检测算法，提高元器件识别和主体检测的精度；其次，设计标注和判定规则，细化定位主体轮廓和抓取点；最后，设计基于网络剪枝的轻量化检测算法，实现模型压缩，提高引脚检测和装配点定位的效率。研究结果表明：该方法在元器件的识别和定位上取得了较好表现，类别识别平均错误率仅为0.27%，计算量减少了29.8%，参数量减少了22.7%，并将传统的元器件轮廓检测扩展到抓取点和装配点定位，得到丰富的类别和位置指引信息，为工业机器人精准、可靠、稳定地抓取和装配做好基础。