A particle swarm optimization for a fuzzy multi-objective unrelated parallel machines scheduling problem

This paper proposes a novel multi-objective model for an unrelated parallel machine scheduling problem considering inherent uncertainty in processing times and due dates. The problem is characterized by non-zero ready times, sequence and machine-dependent setup times, and secondary resource constraints for jobs. Each job can be processed only if its required machine and secondary resource (if any) are available at the same time. Finding optimal solution for this complex problem in a reasonable time using exact optimization tools is prohibitive. This paper presents an effective multi-objective particle swarm optimization (MOPSO) algorithm to find a good approximation of Pareto frontier where total weighted flow time, total weighted tardiness, and total machine load variation are to be minimized simultaneously. The proposed MOPSO exploits new selection regimes for preserving global as well as personal best solutions. Moreover, a generalized dominance concept in a fuzzy environment is employed to find locally Pareto-optimal frontier. Performance of the proposed MOPSO is compared against a conventional multi-objective particle swarm optimization (CMOPSO) algorithm over a number of randomly generated test problems. Statistical analyses based on the effect of each algorithm on each objective space show that the proposed MOPSO outperforms the CMOPSO in terms of quality, diversity and spacing metrics.     

双级矩阵变换器空间矢量调制策略改进

针对双级矩阵变换器空间矢量脉宽调制策略存在控制复杂度高、不能对双级矩阵变换器的输入功率因数进行调节的问题,提出了采用间接空间矢量调制策略的方案:①各PWM周期内直流平均电压为一恒定值,从而免去了逆变级调制系数的修正;②输入功率因数角可调。同时,利用参考电压和变换矩阵对该调制策略进行简化,使其能够更有效地控制无功功率和输出电压。仿真结果验证了该调制策略的正确性和有效性。     

基于物联网的分布式电动机故障诊断与保护系统研究

针对传统的电动机保护装置无法实现早期故障诊断、不具备联网功能的问题,提出了一种基于物联网和支持向量机算法的分布式电动机故障诊断与保护系统的设计方案。该系统的下位机利用对称分量法将采集到的电动机定子电流进行分解,根据电流分量值判断故障类型来实现电动机的现场保护,并将定子电流数据通过ZigBee技术发送至嵌入式网关,通过GPRS网络实时上传给上位机;上位机通过小波包分解提取故障特征向量,采用支持向量机对电动机故障进行分类,实现故障早期诊断和预测。实际运行结果表明,该系统能准确诊断电动机故障并实施有效的综合保护。     

一种基于改进反电动势的模型参考自适应转速辨识方法

构建了感应电动机的数学模型;在分析基于无功功率的模型参考自适应的稳定性的基础上,提出一种基于改进反电动势的模型参考自适应转速辨识的新方法,即重新构造模型参考自适应转速辨识的误差信号,该信号包括反电动势的误差矢量与转子磁链矢量的叉乘和点乘,通过误差信号辨识出电动机的转子转速。试验结果表明,该方法克服了基于反电动势的模型参考自适应在停车制动及发电状态下的不稳定性问题。     

基于VMI的虚拟机攻击防护机制研究

首先介绍了云计算基础设施即服务所存在的安全隐患,在此基础上对垫脚石攻击的防护机制作了分析。针对此攻击,提出了一种新的保护机制,即VMI攻击拦截机制,并对VMI攻击拦截机制进行了实现。     

基于模糊LS-SVM算法的大坝变形预测模型

在大坝工程变形分析和预测方面,研究了一种基于支持向量度的模糊最小二乘支持向量机(LS-SVM)算法,结合具体实例进行对比分析,结果表明模糊LS-SVM模型的预测精度要高于LSSVM模型,且支持向量机(SVM)的稀疏性也优于LS-SVM模型,可以很好地应用于大坝变形监测分析.     

基于最近邻聚类的多模型LSSVM逆控制系统

针对逆系统中非线性逆模型辨识困难以及大规模数据采用单模型回归存在精度差和计算量较大的问题,提出了一种基于最近邻聚类的多模型最小二乘支持向量机（LSSVM）逆模型辨识及控制方法。该方法首先使用最近邻聚类算法对数据集做出聚类划分,然后针对每个聚类做最小二乘支持向量回归估计,实现了对系统逆动力学模型的动态辨识。最后将辨识模型作为摔制器模型,与被控对象串联,构成一个动态伪线性对象,从而使非线性对象的控制问题转换为线性对象的控制问题,仿真结果表明基于最近邻聚类的多模型LSSVM逆控制系统辨识能力强,比单模型LSSVM逆摔制系统具有更优的动态跟踪性能,更好的抗干扰能力和鲁棒性。     

基于SVM 的机器人高精度磨削建模

为了改进机器人磨削过程中对磨削量的控制,提出了一种基于SVM 回归的磨削过程建模方法,通过 分析与磨削量相关的一组可测变量——机器人进给速率、接触力、工件表面曲率,利用机器学习的方法建立回归模 型,对磨削量进行预测．这种方法可以避免逐一分析复杂的动力学参数．实验结果表明,该方法可以取得良好的效 果,模型的预测精度达到90%以上,基本满足实际加工的要求．