基于巡检机器人的变电站故障诊断系统

针对当前变电站故障检测和设施检测技术不够先进成熟,通过结合变电站的实际应用环境特征,提出基于智能巡检机器人,对变电站运行设备进行的自主监控与故障诊断检测系统.即采用深度学习算法,大数据分析技术与携带高清摄像头的巡检机器人有机结合.通过高清摄像头采集图像信息与多种传感器采集到的数据信息进行融合,再通过深度学习与大数据分析...     

巡检机器人在变电站运维中的应用

随着变电站智能化水平的提高以及管理者对变电站无人化管理的要求,具有巡检功能的机器人应运而生。围绕巡检机器人的系统架构和各个功能模块,系统介绍了巡检机器人在变电站运维中的作用,明确提出具备路径规划、红外检测和仪表状态识别等功能的巡检机器人将成为点检作业的主趋势,这不仅节约了人工成本,还极大提高了设备巡检的效率与巡检质量,对变电站在线设备的日常诊断与安全顺稳运行具有重要意义。     

选矿智能巡检机器人VSLAM导航技术研究

机器人巡检是矿业领域替代人工巡检的有效途径,具有不间断采集、监测和分析设备生产数据等功能。由于选矿车间工况复杂,进而影响到选矿机器人在导航上存在适应性差、定位精度低等问题,严重影响其工业应用。针对选矿厂特殊工况条件,本文提出了一种VSLAM视觉导航技术,通过双目摄像机和深度传感器进行地图实时构建和定位功能,使机器人快速高效的完成巡检工作,提高巡检效率和管理智能化水平。     

基于机器人巡检的矿冶领域四足机器人开发研究

随着物联网的普及,各行各业的数字化转型和智能化升级已经成为必然趋势,实现大量基础设施和设备运转的无人值守,机器人巡检和运维成为关键环节。矿冶生产场景存在厂区结构复杂、设备多样,工艺阀门众多且危险系数高等特点,机器人巡检仅在某些典型场景取得了一些应用成果。本文综述了目前主流的几类智能巡检机器人的特点及应用案例,自主研发了四足巡检机器人,在矿冶领域的安全预警和应急疏散中取得了较好的应用效果。     

变电站智能化巡检技术研究

以阜阳供电公司所辖大新集控站作为本项目实施地点,通过将视频监控技术与红外成像技术、温度传感技术、SF6密度及微水监测技术、油色谱采样分析技术、微电流监测技术、绝缘监测技术、二次保护技术等进行有效结合,改变目前的人工巡检方式,实现对变电站变电设备智能化、远程可视化巡检。     

基于深度学习的废钢智能验质系统

在钢铁企业中,废钢验质主要依靠人工进行,随意性很大.对废钢验质全过程进行深入分析,设计了一套基于深度学习的全自动无人化废钢智能验质系统,在国内首次实现了钢铁行业关键原材料废钢使用过程中的全自动验判,彻底取代了人工验质,满足现代规模化钢铁冶金企业废钢采购和使用量化表征测试分析需求,钢铁企业实际数据的测试结果表明,所设计的...     

基于深度强化学习的炼钢车间天车调度方法

针对炼钢车间天车任务产生的动态不确定性,提出了基于深度强化学习算法的炼钢车间天车调度方法.首先,基于强化学习将天车调度问题转化为对天车操作动作序列的求解,采用DQN(Deep Q-network)算法构建动作价值网络模型进行求解;然后,以某钢厂出钢跨天车调度为研究对象,以任务完成总时间最短为目标,介绍了基于深度强化学习...     

文本生成领域的深度强化学习研究进展

谷歌的人工智能系统（AlphaGo）在围棋领域取得了一系列成功,使得深度强化学习得到越来越多的关注。深度强化学习融合了深度学习对复杂环境的感知能力和强化学习对复杂情景的决策能力。而自然语言处理过程中有着数量巨大的词汇或者语句需要表征,并且在对话系统、机器翻译和图像描述等文本生成任务中存在大量难以建模的决策问题。这使得深度强化学习在自然语言处理的文本生成任务中能够发挥重要的作用,帮助改进现有的模型结构或者训练机制,并且已经取得了很多显著的成果。为此,本文系统阐述深度强化学习应用在不同的文本生成任务中的一些主要方法,梳理其发展的轨迹,分析算法特点。最后,展望深度强化学习与自然语言处理任务融合的前景和挑战。      

基于改进粒子群优化算法的机器人路径规划

提出了一种改进粒子群优化算法的移动机器人路径规划方法。该方法首先将粒子群分成两组,对其中一组加入变异算子,能提高种群的多样性和避免粒子群优化算法的早熟。该方法模型简单,算法复杂度低,收敛速度快。仿真实验结果获得了从起点到终点的无碰撞路径,证实了该方法的有效性和可行性。     

智能巡检机器人在铝电解整流系统的应用实践

对电力智能巡检机器人在铝电解整流供电系统推广应用的可行性开展研究.研究表明:电力系统广泛应用的智能巡检机器人完全能够满足铝电解行业整流动力系统巡检需求.同时,智能巡检机器人还可以替代人力,用于铝电解系列-3.5 m位置的24 h不间断槽底温度监控.     

基于自回归预测模型的深度注意力强化学习方法

离线强化学习利用预先收集的专家数据或其他经验数据,在不与环境交互的情况下离线学习动作策略。与在线强化学习相比,离线强化学习具有样本效率高、交互成本低的优势。强化学习中通常使用Q值估计函数或Q值估计网络表示状态−动作的价值。因无法通过与环境交互及时修正Q值估计误差,离线强化学习往往面临外推误差严重、样本利用率低的问题。为此,提出基于时间差分误差的离线强化学习采样方法,使用时间差分误差作为样本优先采样的优先度度量,通过使用优先采样和标准采样相结合的采样方式,提升离线强化学习的采样效率并缓解分布外误差问题。同时,在使用双Q值估计网络的基础上,根据目标网络的不同计算方法,比较了3种时间差分误差度量所对应的算法的性能。此外,为消除因使用优先经验回放机制的偏好采样产生的训练偏差,使用了重要性采样机制。通过在强化学习公测数据集—深度数据驱动强化学习数据集上与已有研究成果相比,基于时间差分误差的离线强化学习采样方法在最终性能、数据效率和训练稳定性上均有更好的表现。消融实验表明,优先采样和标准采样相结合的采样方式对算法性能的发挥至关重要,同时,使用最小化双目标Q值估计的时间差分误差优先度度量所对应的算法,在多个任务上具有最优的性能。基于时间差分误差的离线强化学习采样方法可与任何基于Q值估计的离线强化学习方法结合,具有性能稳定、实现简单、可扩展性强的特点。     

基于编码器与NFC修正融合的带式输送机轨道式巡检机器人定位方法

轨道式巡检机器人的高精度定位技术是带式输送机智能化巡检的重要研究方向之一,而矿用带式输送机距离超长,工作环境复杂,严重影响巡检机器人的定位精度。针对目前的轨道式巡检机器人定位技术在矿用带式输送机巡检领域存在的问题,提出了基于编码器和NFC双传感器修正融合的高精度定位方法。分析带式输送机轨道式巡检机器人轨道与环境特性对编码器系数的影响,提出轨道分段原则。利用机器人搭载的编码器数据反馈特点,构建编码器递推定位方法。通过机器人运行的历史数据,对编码器系数进行分段分方向修正,并提出基于递推最小二乘的编码器系数修正方法,以提高编码器对轨道环境的适应性。在此基础上,根据机器人所在轨道分段的位置不同,在段端基于卡尔曼滤波算法实现编码器和NFC数据融合,在段内利用分段分方向修正系数与编码器信息进行递推定位,实现轨道式巡检机器人连续高精度的定位。针对所提方法搭建了实验平台并进行了实物测试,实验结果表明,相较于编码器定位、RFID定位和两者融合定位三种传统定位方式,基于编码器和NFC的修正融合定位算法能够有效提高轨道式巡检机器人定位对轨道环境的适应性,同时提高轨道式巡检机器人的定位精度。      

基于前馈模型预测控制的类车机器人路径跟踪

在类车机器人路径跟踪控制方法中,模型预测控制（Model predictive control, MPC）在处理系统约束方面具有较大优势,但是现有的非线性模型预测控制（Nonlinear MPC, NMPC）实时性较差,线性模型预测控制（Linear MPC, LMPC）精确性较差,因此亟需提出一种同时具有较高精确性与实时性的类车机器人路径跟踪控制方法.为此,以无预瞄点的LMPC为基础,引入基于逆运动学模型的前馈转向角信息,提出了一种前馈模型预测控制（Feedforward MPC, FMPC）方法,并通过MATLAB和Carsim进行了联合仿真测试. FMPC具有较高的精确性,在所有仿真结果中,位移误差绝对值不超过0.1110 m,航向误差绝对值不超过0.1177 rad.在相同工况下,FMPC与NMPC精确性相当,LMPC、前馈控制和Stanley控制误差发散. FMPC也具有较高的实时性,在每个控制周期内的解算时间不超过4.31 ms.在相同工况下,FMPC与LMPC实时性相当,相比NMPC能将每个控制周期内解算时间的最大值减小80.68%,平均值减小65.14%.此外,FMPC...     

基于深度学习的矿石图像处理研究综述

聚焦于矿石勘探和将矿石破碎筛分后的皮带运输两个环节,系统总结了深度学习技术在矿石图像处理中的主要应用,包括矿石分类、粒度分析和异物识别等任务,并分门别类地梳理了完成以上三大任务的常用算法及其优缺点.其中,矿石分类在地质勘探中起着重要作用;粒度分析能为破碎机和传送皮带的控制提供参考依据,还能识别出给矿皮带上过大尺寸的矿石,防止处于给矿皮带和受矿皮带之间的转运缓冲仓内发生堵料事故;异物识别能将皮带上混在矿石中的有害物品检测出来.     

锌锭智能搬运AGV路径规划技术研究与仿真应用

本文以北矿机电科技有限责任公司研制的锌锭智能搬运AGV为研究对象,对路径规划技术进行了研究与仿真应用。首先基于格栅法结合现场工作环境进行建模,然后提出了一种基于改进蚁群算法的路径规划方法,并进行了仿真验证。结果表明:该方法在AGV路径规划领域有着更高的搜索效率,能显著提升收敛速度。该方法在工程实践领域具有广阔的应用前景。     

基于深度学习的热连轧轧制力预测

摘要：轧制力预报一直是热连轧过程控制模型的核心,浅层神经网络对复杂函数的表示能力有限,而深度学习模型通过学习一种深层非线性网络结构,实现复杂函数逼近。利用深度学习框架TensorFlow,构建了一种深度前馈神经网络轧制力模型,采用BP算法计算网络损失函数的梯度,运用融入Mini batch策略的Adam优化算法进行参数寻优,采用Early stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略,针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验,对比分析了4种不同结构的前馈网络预测精度。结果表明,相比于传统SIMS轧制力模型,深度神经网络可实现轧制力的高精度预测,针对所有机架的预测精度平均提升21.11%。     

高速公路绿篱修剪机器人手臂避障路径规划

针对非结构环境下高速公路绿篱修剪机器人手臂实时准确避障问题, 提出一种基于扰动人工势场法的避障路径规划解决方法.根据绿篱隔离带与障碍物分布情况, 设计智能修剪机器人执行机构, 构建包络障碍物简化模型, 分析机械臂与障碍物的碰撞条件, 求解机械臂在修剪过程中的避碰空间.引入斥力场调节策略来优化势场模型, 建立斥力场扰动机制调整斥力影响方式, 消除传统算法中的局部极小点、目标不可达等现象.在避碰空间内, 应用扰动人工势场法对机械臂进行路径规划仿真, 仿真结果表明, 机械臂跳出局部极小点, 灵活顺利避障, 成功抵达目标点, 验证了该方法的有效性和可行性.      

基于强化学习的牛鞭效应对策模型

在不确定供应链环境中提高供应链节点决策能力是提高竞争优势的主要方式.需求波动沿供应链从下游到上游逐级放大的牛鞭效应是供应链管理的重要问题.在综合分析供应链牛鞭效应的成因以及现有对策基础上,针对多层、多节点供应链模型,分析并运用强化学习理论和方法,提出有助于减弱牛鞭效应的强化学习算法.该强化学习算法能够用在不确定、多层、多成员供应链环境中,可取得整体最大效益,从而提高供应链的运作效率.     

深度学习技术在钢铁工业中的应用

人工智能自1956年在达特茅斯会议上提出后,现在正处于为人类社会带来最大影响与变革的第三次浪潮,而深度学习作为掀起此次浪潮的主要驱动力,也必然会为钢铁智能制造注入新动能.为了探究深度学习技术在钢铁工业中的应用前景,通过对深度学习的几项关键技术在钢铁工业应用中的探索,介绍了作者目前取得的相关成果,阐明了当前阶段深度学习技...