基于光热风电联合运行的电力系统经济调度策略研究

对于大规模并网风电出力的反调峰特性,波动性以及随机性影响电网调度与调峰,采取光热发电系统联合风电的策略。根据风电和光热互补性和可调度性来对风电出力波动进行平抑,以此对火电调峰成本以及电网负荷峰谷差进行降低。分析光热电站运行原理,建立光热风电联合系统模型,以此对调度进行优化,对于模型的合理性以及可行性通过仿真算例进行验证。     

基于深度强化学习的作业车间调度问题优化

针对作业车间调度问题求解的复杂性,以最小化最大完工时间为目标,提出基于深度强化学习优化算法求解作业车间调度问题。首先,基于析取图模型构建深度强化学习的调度环境,并建立三通道状态特征,设计20种复合启发式调度规则作为动作空间,将奖励函数等价为机器利用率;利用深度卷积神经网络搭建动作网络和目标网络,以状态作为输入,输出每个动作的Q值,进而使用行动有效性探索和利用策略选取动作;最后,计算即时奖励和更新调度环境。使用标准案例验证了算法可以平衡求解质量和时间,训练好的智能体对非零初始状态下调度问题具有很好的泛化性。     

基于深度强化学习的非置换流水车间调度问题

针对传统调度算法不能有效利用历史数据进行学习,实时性较差而难以应对复杂多变的实际生产调度环境等问题,首次提出一种基于时序差分法的深度强化学习算法.该方法综合神经网络和强化学习实时性、灵活性的优势,直接依据输入的加工状态进行行为策略选取,更贴近实际订单响应式生产制造系统的调度决策过程.通过将调度问题转化为多阶段决策问题,...     

基于深度学习的无人驾驶技术研究

本文首先介绍了无人驾驶汽车的内涵,并对全球的无人驾驶在近几年的发展历史以及研究现状进行了阐述;其次分析我国无人驾驶汽车技术发展面临的主要问题,并提出一定的解决方案;同时分析了深度学习在无人驾驶领域的应用,最后对无人驾驶领域方面的未来做出预测。     

钢铁企业先进生产计划和实时生产调度技术的研究

为了解决钢铁企业目前由于缺乏生产计划和调度系统而造成的宏观调控和实时监控等方面存在的问题，在对现有钢铁企业的信息化体系结构和生产管理模式等进行理论研究的基础上，提出了基于MRP II与JIT相结合的特钢行业生产管理模式；采用多层递阶计划和动态实时调度策略，构建面向企业上层管理ERP和下层执行MES系统的集成化解决方案。实现了企业生产计划和调度的整体优化，建立了适合特钢企业经营管理与生产制造一体化的信息系统。     

基于多特征与改进卷积神经网络的AGV实时调度研究

针对卷积神经网络应用在码头自动导引车(Automated Guided Vehicle,AGV)的动态调度问题.设计了基于多特征的指派策略,通过对每个集装箱作业的多特征进行超前仿真评估,采用偏好函数(Preference Function)找出最佳候选作业,然后将最佳作业与其余每个作业配对形成训练样本,使用改进的基于I...     

基于发电计划和设备检修计划的实时调度智能安全校核

针对发电计划和设备检修计划对实时调度的校核影响进行了分析。对机组检修与安全约束调度的关系和步骤进行了梳理。建立了以安全调度为目标以及以竞标机组为目标的多目标检修计划优化模型,约束条件以直流潮流作为实时在线校核。利用二进制遗传算法以及原始对偶内点法对模型进行联合求解。通过 30 节点系统进行仿真分析,说明了该模型的有效性。     

基于深度学习的多物体抓取检测技术研究

针对非结构化的抓取场景,提出一种并列式架构的卷积神经网络检测模型。该模型使用单物体抓取数据集训练,可以对多物体进行抓取检测。基于机器人操作系统（Robot Operating System,ROS）平台进行抓取仿真试验,验证抓取检测结果的有效性。试验结果表明,该方法针对密集多物体的仿真抓取成功率达到80.8%。     

基于深度学习的电器目标检测

针对传统目标检测算法无法自适应提取目标相应特征并完成识别的现象,提出一种基于快速区域卷积神经网络(Faster R-CNN)模型的电器识别方法,其优势在于可以自适应获取不同场景下目标的特征,避免由于人为设计目标的特征而带来的主观因素影响,具有良好的鲁棒性与准确性。FasterR-CNN中首先通过建立区域建议网络RPN(Region Proposal Network)代替Fast R-CNN中的Selective Search方法,得到建议位置后再进行检测。为了解决训练过程当中正负样本失衡问题,在Faster R-CNN中引入了难负样本挖掘策略,增强了模型的判别能力,提高检测的精度。     

基于深度CNN-LSTM神经网络的加工过程实时异常监测模型

为了有效兼顾加工过程实时信号的多维特征和序列特征,以实现精度更高的加工状态异常监测,本文提出了一种基于深度卷积-长短时记忆神经网络(Convolution Neural Network-Long Short Time Memory,CNN-LSTM)的异常监测模型.该模型以数控系统中采集的实时数据为输入,先利用CNN提...     

基于元学习的多可信度深度神经网络代理模型

为了降低计算量,多可信度代理模型技术通过融合不同精度和计算量的分析模型构建高精度分析模型的代理模型,在基于仿真的工程优化中得到广泛应用.现有的多可信度建模方法在面对高维问题时往往仍需要大量高精度样本点,计算量很大,且大都基于高斯随机过程理论,超参数估计时长随着问题维数和非线性程度的增加明显增长且不够稳健.为此,充分利用...     

基于分层调度模型的生产计划和调度集成研究

针对已有的规划方程方法和基于多代理的方法在解决复杂的生产计划和调度集成问题时所面临的建模过程复杂、求解困难等问题，提出了一种基于工作流技术的分层调度模型，采用面向过程的思想，分别描述计划过程和调度过程。然后，提出了基于协调的生产计划和调度集成系统及其相应的集成算法。实例证明，本文提出的建模方法易于直观理解，求解快速有效。     

基于双深度Q学习网络的面向设备负荷稳定的智能车间调度方法

在车间管理中,设备负荷是一个关键性能指标,负荷稳定直接影响了生产效率与生产成本,但目前鲜有研究关注如何实现设备负荷稳定的问题。为此,提出一种面向设备负荷稳定的智能车间调度方法。该方法通过一个含有深度神经网络调度模型的调度智能体,分析车间生产状态与设备负荷间的相关性,及时输出满足期望目标的调度方案。针对深度神经网络调度模型,设计了一个基于双深度Q学习网络(DDQN)的深度神经网络调度模型训练器,其利用奖惩学习免监督地形成调度样本,借此对深度神经网络调度模型进行网络参数更新,实现模型自学习。所提方法在MiniFab半导体生产车间模型中进行了验证,证明了所提调度方法能实现对智能车间设备负荷的控制,从而保证车间整体设备负荷的稳定性。     

基于小样本深度学习的齿轮表面损伤识别研究

齿轮表面损伤是影响齿轮传动的重要因素,提高齿轮表面损伤的识别效率和准确率极为重要。基于Pytorch架构建立齿轮表面损伤的ResNet识别模型,利用数据增强的方式扩大数据集,使用迁移学习方式优化模型训练,并对比了4种ResNet结构。结果表明,将64张原始图像数据增强后得到的由640张图像组成的数据集不足以满足模型训练对大量数据的需要;使用迁移学习能够提高模型训练速度和准确率,满足齿轮表面损伤的识别要求;ResNet-101模型在本框架中是最优结构。研究对齿轮表面损伤的检测具有重要的科学意义和工程价值。     

基于深度学习的自动驾驶环境感知技术研究

自动驾驶车辆是由环境感知、定位导航、路径规划、运动控制等组成.充分考虑车路合一,协调规划的车辆系统.自动驾驶的环境感知系统融合了超声波传感器、红外线传感器、激光雷达、毫米波雷达等多种传感器的数据来获取道路信息.为此,本文首先介绍了激光雷达在自动驾驶感知系统的应用.然后对自动驾驶环境感知系统的关键技术:目标检测、跟踪、场...     

基于深度学习的传感器优化布置方法

针对传感器优化布置(optimal sensor placement,简称OSP)问题,提出了一种新的使用深度神经网络的解决方案,并以简化的桥梁形状的桁架结构中的振动测试传感器优化为例进行了验证。首先,选择一种传统的传感器优化布置方法,对自动化生成的大量不同的桁架结构分别进行传感器优化布置计算,将所得优化布置结果在进行数据预处理后构建出深度学习方法所需要的训练集与验证集;其次,使用Python语言和深度学习框架TensorFlow设计实现与本研究问题适配的深度神经网络模型并训练;然后,随机生成了新的桁架结构参数;最后,将深度神经网络输出的传感器布置结果和传统方法的计算结果进行了比较,验证了本研究方法的有效性以及在速度上、可移植性与可扩展性方面的性能优势。     

基于替代补偿的实时事务调度算法研究

实时数据库事务系统中,某些调度事务失败后,还可调度其它替代、补偿事务,来提高事务的成功率.本文针对替代、补偿事务提出了立即补偿调度算法、事务内补偿调度算法、事务外补偿调度算法,并在嵌入式实时数据库系统中进行仿真,结果表明:在事务调度中延迟调度算法要比立即补偿性能稍高,在延迟调度中,事务外调度要比事务内调度性能好.     

基于深度学习和迁移学习的液压泵健康评估方法

对液压泵建立健康评估模型需要大量训练数据,然而由于其工作条件随时间的地点变化,使得获取特定条件下的数据比较困难。为了在目标数据不足的条件下对液压泵建立健康评估模型,提出了一种深度学习和迁移学习的液压泵健康评估方法。首先,通过卷积神经网络的方法对已有大量历史条件下液压泵振动的频域信号建立预测模型,再用迁移学习的思想在少量目标液压泵数据上对深度学习模型进行微调。实验结果表明,该方法可以有效地提高预测准确率。     

基于深度学习的机房人物重识别研究

机房内的各类设施通常由管理员统一调度,对视频中管理人员的路径追踪至关重要。为此该文提出一种基于深度学习的机房人物重识别方法,以为后续的责任追查过程提供依据。该方法以残差神经网络ResNet-50作为特征提取网络,并使用三元损失函数使模型更适用于人物重识别任务。以贵州省某电网系统机房作为试验平台进行测试。结果表明,该方法的准确率与召回率均满足实际要求,具备一定的工程参考价值。