为保证双足机器人的运动过程中机身的稳定性并能够抵抗一定程度的外部冲击力的干扰,设计了一种基于虚拟模型控制(VMC)与全身控制(WBC)的双足机器人力矩控制方法。该方法用虚拟模型控制对机器人模型进行简化,用得到的降阶模型求解机器人行走过程中的地面支反力;用全身控制对机器人控制任务进行优先级排序,并求解运动过程中的关节加速度;最后将二者代入刚体动力学方程中求解控制所需要的关节力矩。控制目标为驼鸟形双足机器人,使用的仿真平台为MIT机器人仿真平台。经过仿真验证,该控制方法可以有效地对目标进行控制,且机身的稳定性高,计算的求解效率高,运算复杂程度低,证明了该方法对于双足机器人控制的效果较好。
为解决单电感双输出(Single Inductor Dual Output,SIDO)开关变换器中电流型模拟控制技术存在的稳定性问题,提出了一种瞬态性能优异、稳定性强的数字电流控制技术。以工作于电感电流连续导电模式(Continuous Conduction Mode,CCM)的SIDO Buck变换器为研究对象,根据不同的脉宽调制模式,分别分析了数字电流控制技术前缘调制和后缘调制的工作原理,推导出两种调制模式下的控制算法。其次,建立采样数据模型,运用分岔图分析了输入、输出电压对数字电流控制SIDO Buck变换器稳定性的影响。研究结果表明:数字电流控制SIDO Buck变换器的负载瞬态响应速度快、输出支路交叉影响小;不同于电流型模拟控制技术,数字电流控制技术的两种调制模式中,前缘调制的稳定性不受输入、输出电压的影响,而后缘调制的稳定性受输入、输出电压的影响。最后通过实验结果验证了理论分析的正确性。
针对受不确定性影响的非线性液压伺服系统,设计了一种基于高增益比例积分观测器的全局快速终端滑模控制方法。首先,采用输入输出反馈线性化方法对非线性模型进行线性化处理,使其适用于观测器与控制器的设计结构,其中比例积分观测器用于估计包括建模误差、外部干扰和测量噪声等综合不确定性,全局快速终端滑模控制器用于快速补偿观测器误差,从而进一步提高控制系统的鲁棒性。此外,根据李亚普诺夫稳定性理论证明了整个闭环系统的稳定性。最后,将所设计方法与传统PID控制以及传统滑模控制方法在相同的不确定性环境下进行了对比实验,实验结果表明所提方法具有更快的响应速度、更高的跟踪精度与抗干扰能力。
人工操作的方式进行大修期间的任务规划,使核电、化工等高安全行业的装备在大修过程产生资源冲突或资源浪费的现象,进而导致了大修执行成本的增加和维修工期的延迟。因此,提出了多维度优化建模的方法,在考虑多维度维修资源的前提下建立了以执行成本和维修工期为目标的多目标优化模型,并选择了以考虑精英选择策略的遗传算法对模型进行求解。为了验证模型及算法的有效性,以某核电站应急柴油机的维修数据为例,考虑备用方案和无备用方案的两种情况,结果表明,模型可以很好地优化执行成本和维修工期,在无备用方案的情况下执行成本减少了5%,维修工期减少了9天,有备用方案的情况下执行成本减少了12%,维修工期减少了13天。
库存管理是核电厂安全、稳定、经济、运行重要的活动。在核电厂运行中,备件的准备和管理直接关系到设备的可靠性和安全性。然而,需求的不确定性、交货延迟等因素给库存管理带来了巨大挑战。为了确保库存的安全性,核电厂通常采用保守的库存管理方案,这意味着需要维持较高水平的库存以应对不确定的需求和供应情况,从而增加了库存成本和风险。为解决这一问题,提出了机会约束下的随机模型预测控制方法。该方法在预测库存需求时,明确考虑了库存管理涉及的不同目标和约束,特别是在平衡库存保守性和安全性方面引入了机会约束的概念。机会约束允许在一定程度上调整库存水平,以更灵活地应对需求和供应的变化,从而提高了库存的利用率和运营效率。与传统的库存控制方法相比,随机预测库存控制方法能够更有效地减少库存水平波动,并在保证库存安全的前提下降低库存成本。这种方法的应用案例分析验证了其在实际场景中的有效性,为核电厂提供了一种更灵活、更高效的库存管理方案,有助于提升核电厂的运行效率和经济性。
为实现智能电表的精细化管理,针对现有方法灵活性不足、识别精度不高等问题,在考虑智能电表运行稳定性、可靠性和运行性能等评价指标的基础,提出了一种基于组合变权的智能电表健康的聚类评价方法。首先采用考虑专家对评价对象认知差异性的G1法来计算主观权重,并引入正态分布量化专家认知差异性;其次,采用最小二乘组合改进G1法和CRITIC法,以使得组合权重与主客观权重的偏差最小;进而,考虑到数据变化对客观权重的影响,引入权重排序是否变化来进一步修正组合权重;最后通过聚类形成健康等级,进而评价对智能电表健康状态。实验结果表明,所提方法比传统方法识别精度更高,具有一定的可行性和合理性,有助于相关工作人员制定电能表运维策略。
针对分布式电源接入的配电网故障恢复可靠性和高效性低的问题,提出采用自适应粒子群优化算法的配电网故障恢复策略。首先,在常见的粒子群优化算法的基础上提出自适应学习因子混沌二进制粒子群优化算法(Adaptive Learning Factor Chaotic Binary Particle Swarm Optimization Algorithm,ALFCBPSO),提高了算法的精度和稳定性;其次,综合考虑重要负荷恢复、网络损失、开关动作次数等因素,构建多目标故障恢复目标函数;然后,采用改进的粒子群算法对故障恢复模型进行求解,得到故障恢复的实施方案;最后,通过IEEE33节点仿真为例,验证了方法的有效性和优越性。
气象数据是光伏出力预测的重要依据,气象数据的质量对预测的准确性至关重要。但对于分布式光伏系统,往往缺乏气象监测装置,难以对每个站点分别提供准确的气象数据。针对这一问题,提出一种分布式光伏超短期出力组合预测方法,将图卷积神经网络(Graph Convolutional Network,GCN)与长短期记忆神经网络(Long Short-Term Memory,LSTM)耦合构建预测网络。在数据预处理方面,采用趋势项分解方法,将历史出力数据分解为趋势项和剩余项,利用剩余项训练预测网络。利用图卷积网络提取历史数据的数值和结构信息,并使各站点共享信息,然后输入LSTM网络实现预测,再将趋势项加回网络的输出作为最终预测值。最后,利用某光伏发电装置采集的真实数据进行仿真验证,得出结论为:GCN-LSTM模型的预测精确度对比传统LSTM模型有显著提高,而趋势项分解法对GCN-LSTM和LSTM模型都有助于提高预测精确度。
为了提升无人天车异常检测的精度和效率,解决传统异常检测方法存在的难以对高维、不平衡数据检测,难以捕捉时间序列相关性等问题,提出了一种基于Transformer和GAN的无人天车异常检测模型(TGAN-UCAD)。该方法基于编码器解码器架构,将Transformer嵌入GAN中,生成器和鉴别器利用自注意力提高获取时间序列数据上下文特征的能力,异常得分通过生成器和鉴别器进行计算,将异常得分大于异常阈值的数据判定为异常数据。采用无人天车真实数据集对所提模型进行试验,该模型对比文中6种对比模型在准确率、召回率以及F1分数均为最高。该模型能够较好地应用于无人天车异常检测。
我国电网规模的不断扩大对输电线路的安全性、可靠性提出了挑战。对输电通道及周边进行烟雾检测可以有效识别潜在的风险,保证供电的安全可靠。如何在复杂多变的天气环境和特定场景中对烟雾特征进行提取,是目前烟雾检测领域的主要挑战。此外,提高烟雾检测的时效性实现及时预警以避免损失也是一大难题。针对上述问题,提出了一个可以在边缘计算设备上实现实时检测的轻量化烟雾检测模型(LSDet)。首先,构建了一个适合烟雾检测的精炼跨阶段局部ShuffleNetV2网络(CPLMNet),在减少参数的同时保持特征提取能力。其次,通过加入高效并行分组注意力模块(PGAM),融合了通道和空间维度上的特征。最后,设计了一个低层特征引导的融合模块(LFFM),将分辨率更高、保留细节信息更多的低层特征进行引导融合,从而提高烟雾检测精度。实验结果显示, LSDet模型可有效应用于复杂场景中烟雾的实时检测,其mAP仅用2.86 M的模型参数量便可达到74.2%。
为解决传统的最大功率点跟踪(MPPT)算法在遮阴情况下收敛速度慢、收敛精度低等问题,提出一种自适应非线性变异粒子群算法与扰动观察法相结合的MPPT控制策略。算法采用tanh函数控制惯性权重,平衡粒子全局寻优与局部寻优的能力,采用ISRU函数控制学习因子,平衡粒子个体学习与社会学习的权重关系,提高算法的收敛速度和收敛精度;将非线性变化的柯西变异机制引入改进算法中,扩大了寻优范围;最后利用扰动观察法在最大功率点附近局部跟踪,以减少功率振荡。仿真算例表明,基于改进粒子群算法的控制策略在光伏遮阴情况下能有效追踪到最大功率点,提升光伏阵列的输出效率。
针对传统遗传算法在AGV路径寻优过程中容易出现过早收敛、效率较低等问题,提出了一种改进的融合算法。首先在随机初始化种群后引入删除操作,以减少种群个体路径当中的重复节点;接着设计了新的自适应策略来优化交叉变异概率,以提升AGV在复杂环境下的避障能力;随后增加逆转进化操作进一步提升算法的全局寻优能力;最后使用并行融合机制将遗传算法和自适应蚁群算法融合构成改进融合遗传蚁群算法(Improved Fusion Genetic ant Colony Algorithm,IFGCA)来实现解质量的提升和路径长度的最优。实验仿真结果显示,改进的融合算法相对于传统的蚁群算法、自适应蚁群算法和单一遗传算法寻优的解质量更优、路径长度更短且稳定性更好。
激光打码广泛应用于工厂流水线中,结合视觉检测、无线通信实现激光打码识别的智能化对推进智能工厂建设具有重要价值。鉴于实际需求,设计了一套包含树莓派、摄像头、光纤激光器、无线通信模块等的智能激光打码视觉识别装备,设备在效率以及经济性实用性有较好的平衡。另外卷积神经网络应用于嵌入式设备中,网络的轻量化成为必然趋势,但难以兼备速度与准确率。为了解决这个问题提出了一种基于YOLOv4-tiny的改进轻量化神经网络,网络中将YOLOv4-tiny中的CSPBlock模块中的卷积操作改为深度可分离卷降低模型复杂度,同时加入多尺度卷积增加特征提取的多样性减少信息丢失,最后再加上注意力机制增加模型的对重要信息的感知能力得到改进的DWCSPBlock模块。实验验证表明,改进的目标检测算法在检测速度和准确率上有较好的平衡,在满足实际要求的前提下单次识别、打码以及解码过程用时为4 s且相对于其他识别打码设备本设备具有更高泛化能力、成本低且效率高的优点。
当移动机器人自动行走功能受限或失效时,通过远程控制进行人工干预已成为重要的补充手段。但目前的远程控制非常依赖于网络条件,遇到网络拥塞时,监控视频和控制命令传送的延迟将会影响远程控制的安全性,因此,设计了一种可以在现地进行自主防护的远程控制系统。为了方便操控,系统主控平台被设计为基于Android的APP,它通过云服务器和机器人端的ESP8266模块进行通信,控制移动机器人的速度和转向,同时机器人端利用摄像头获取环境信息,内置算法实现地面分割及地面上障碍物深度检测,当检测到物体深度值低于设置阈值时主动停车,防止因网络原因不能及时接到命令而造成事故。
变压器组故障录波数据在传输过程中容易受到电磁等干扰的影响,为优化传输效果,提出了基于预编码的变压器组故障录波数据抗干扰传输方法。设计录波数据传输总体方案,将预编码和自适应均衡器相结合,在发送端拆分传输录波数据。选择RS(Reed-Solomon Codes)编码作为预编码方式,通过预编码电路原理图分析编码机制,选择深度神经网络自适应均衡器作为变压器组故障录波数据预均衡的工具,在传输开始前完成信号判决,保证均衡效果;接收端接收到经过拆分的数据后解码,二次均衡接收信号,重新组装分片数据文件,保证数据完整性。测试结果表明:不同均衡器参数配置下,设计的传输方案比特误码率较低、I/O等待时间较短、信噪比较高、均衡性较温度,由此验证了设计方法具有较强的抗干扰能力和收敛性。
为满足无人驾驶技术对车辆实时状态及控制信息的基本需求以及软件定义汽车的未来发展需要,针对某一无人车多源车身信息软件采用AUTOSAR标准进行设计开发。依据整车EEA特点结合AUTOSAR规范来构建整体软件的分布式并发通信框架及功能集合;对跨域和跨平台的各SWC功能组件通信采用时间同步机制,并以AUTOSAR Blocket工具来搭建域内及域间的各组件模型,通过设计统一的共享数据标准接口实现软件功能的软硬件解耦。测试过程针对多源车身信息数据的共享特点,以域间系统到域内上层各应用模块的多输入/多输出的N∶M通信进行了跨系统和跨平台的测试,验证了AUTOSAR框架在车身信息软件中应用的可行性,符合软件模块化、可复用的应用需求。
目前桩机行业轴套尺寸偏大,压装以手动或冷装方式为主,轴套与安装位置配合均为过盈配合,安装难度较大,针对轴套装配结构特点需要设计专用压机,并符合智能车间改造需求,结合实际工程案例介绍轴套压装特点,轴套压装力计算过程以及压装过程需要解决的设计难点等,提供一种轴套压机设计方法,轴套压机可结合主机自动装配线预留自动搬运接口,与机器人或桁架机械手配合实现轴套压装自动。压装专机整体设计方法可采用SolidWorks软件进行三维建模,模拟压装实际装配工况,并运用Simulation软件对关键部件进行有限元受力分析计算,保证压装强度并优化设备结构。与现有冷装和敲击装配方法相比,此压装专机可提高装配效率和产品压装一致性,并节省车间能源以及降低劳动强度。