在共享经济时代,物流服务行业建立稳定的联盟至关重要。因此,在物流企业联盟内部,如何确保公平的收益分配成为一大挑战。然而,由于联盟存在信息不完备的情况,一些传统的合作博弈单值解,例如Shapley值,可能并不适用于该问题,这些解法更适用于联盟的总体收益和各博弈者的参与水平都能够被准确估计的情形。研究了信息不完备的物流企业联盟的收益分配问题,并提出了一种相关的收益分配模型。为了证明所提出模型的适用性,进行了一个案例研究。结果表明,模糊Shapley值能合理地提升多方合作后的各方收益,有效地分配物流企业联盟的收益。
产业互联网是站在整个产业链视角,充分运用沉淀的产业数据,进行痛点分析和资源匹配,向全产业提供普惠式的综合服务和基础设施建设,提升产业链供应链的稳定性和现代化。在产业链发展中,上下游企业以及企业与终端用户间的业务对接和协同已经成为了一个关键问题。而传统的信息检索方式由于存在检索方式单一、检索内容固化等原因难以有效适应产业链中对相关产品和业务的个性化检索和信息咨询需求。随着人工智能的发展,智能客服已经成为一种新的解决产业链个性化信息检索和咨询问题的关键技术手段。然而,传统智能客服的适应能力相对有限,有时对特定问题的回答还需要在系统中进行预先定义,对于不断变化的业务语境难以灵活应对。为了提供一种面向产业链上下游企业的可以灵活适配目标企业业务需求的智能客服系统,提出了一种基于大语言模型(LLM)的领域自适应智能客服构建方法,该方法利用开源的大语言模型,使得中小企业可以针对具体下游任务进行垂域适配,结合私域知识库搭建低成本高质量的客户服务,同时也能避免敏感数据泄露问题,从而能够解决产业互联网中灵活地智能客服系统构建问题,降低产业互联网中中小企业低成本系统构建需求。
为了解决混合流水车间任务分配和工人疲劳问题,提出了考虑工人疲劳的混合整数规划模型。根据问题特征,采用实数编码的方式解决工序排序和工人指派问题,并提出了改进的星鸦优化算法(INOA)进行求解。首先,采用反向学习种群初始化,增加种群的多样性;其次,优化参数 μ , γ因子,提升算法的搜索效率和收敛速度;最后,为了提高算法的鲁棒性,引入种群多样性监测机制,采用柯西扰动,避免因种群多样性过低导致的停滞。将INOA和其他算法在12个函数上测试,测试结果表明INOA各方面性能都明显优于其他算法。通过连接线装配生产线进行实例验证,结果进一步验证了算法的优越性,所提出的优化方案能够有效的缩短完工周期,防止工人过度疲劳,促进任务合理的分配。
为了解决室内机器人路径规划中A*算法效率低、冗余点多、无法动态避障的问题,提出了一种结合优化的A*算法和动态窗口法的融合算法。在启发函数中引入父节点到目标点的距离,增强算法启发性;量化障碍物信息,设计障碍率函数动态调整启发函数权重;增加转弯代价,减少路径中不必要转弯;设计冗余点删除策略,删除冗余点、保证静态路径全局最优。加入越位角度,灵活选择A*算法的关键节点作为动态窗口的局部目标点,避免路径陷入局部最优。实验结果表明,改进融合算法提高了搜索效率,降低了路径长度,解决了动态窗口法陷入局部最优问题,实现了实时避障。
针对钢材表面在线质检中缺陷边缘对比度低、尺寸跨度大且细小缺陷密集,致使传统轻量化模型识别精度不足、难以适配产线实时检测工况的问题,提出一种基于YOLO11改进的APGS-YOLO钢材表面缺陷检测算法。该算法设计了C3k2-AP多尺度边缘增强模块,通过特征分流结合多方向非对称卷积提升细微缺陷特征提取能力,抑制板面背景纹理干扰;引入GhostBottleneckV2轻量化注意力残差模块,在强化全局特征融合能力的同时削减模型计算开销;采用跨尺度特征融合策略,强化多尺度缺陷特征提取;设计CSSDIoU尺度敏感混合损失函数,提升微小缺陷定位精度。实验结果表明,APGS-YOLO的mAP@0.5、mAP@0.5:0.95分别达到80.3%、48.2%,较YOLO11n提升2.9%、2.5%,对比实验优于其他主流目标检测模型,同时模型参数量压缩7.0%,推理速度可达86帧/s。该算法兼顾检测精度与实时推理性能,可满足钢材生产线自动化在线质检需求。
软包电池表面缺陷检测是生产过程的关键环节,针对现有检测方法检测精度低、大尺寸电池成像困难等问题,提出一种基于光度立体成像和深度学习的检测方法。首先,结合光度立体与线阵相机成像技术,建立多光源分时曝光成像系统(MSTIS),通过分时曝光获取多个光源下的电池表面图像,并进行光度立体计算得到包含三维信息的曲率图。然后,为解决小目标和多尺度缺陷漏检问题,对YOLOv8算法进行改进,通过Sobel卷积和常规卷积组成的双通道卷积构建边缘信息增强模块(EIEM),提高特征边缘提取能力,将语义和细节信息融合方法(SDI)与双向特征金字塔模块结合增强微小缺陷的识别精度,并采用轻量级共享卷积检测头以减少算法计算量。试验结果表明,该方法平均检测精度达到94.2%,检测速度达到116 FPS,能有效检测软包电池表面缺陷。
面向装配的设计(Design for Assembly,DFA)是提升机械产品早期设计阶段可制造性、降低装配成本的重要技术手段。然而,现有DFA评价方法主要依赖人工经验和规则检索,难以实现设计几何信息、装配工艺知识与制造资源能力之间的跨域关联,导致装配约束冲突难以及时识别与追溯。针对上述问题,提出一种面向装配约束的机械产品DFA知识推理与设计优化方法。首先,构建基于计算几何的零件DFA特征自动提取方法,通过解析STEP模型中的B-Rep几何拓扑信息,获取零件尺寸、物理属性、对称性及稳定性等结构化设计特征,实现三维模型向DFA评价数据的自动转换。其次,建立“零件—工艺—专机”三元协同本体模型,通过知识图谱实现设计属性、装配过程与制造资源之间的语义关联,并支持制造资源参数的动态映射。在此基础上,构建融合OWL描述逻辑推理与Python规则推理的混合推理机制,结合931分级评价体系,实现装配约束冲突识别、原因追踪、约束严重程度量化以及设计优化反馈。以包含58个零部件的蝶阀装配体为实验对象,选取专机能力不匹配和结构设计约束两个典型案例进行验证,并通过模块化消融实验分析几何特征提取、知识模型构建以及混合推理机制对方法性能的影响。实验结果表明,所提出方法能够有效实现机械产品早期设计阶段的装配约束诊断,实现设计问题发现、冲突原因追溯及优化决策支持,为面向制造约束的协同设计优化提供有效支撑。
随着智能制造、人工智能等技术的快速发展,立体仓储和仓储机器人得到了广泛的应用,空间定位测量技术的需求提升。传统的定位测量技术存在精度低、测量范围有限的问题。为此,针对大尺寸空间三维立体位姿测量的应用场景,首先采用旋转激光扫描机构构建光电传感网络,激光平面后方交会于待测目标,然后运用EPNP算法求出物料运输机器人在激光扫描机构坐标系的3D坐标,最后利用单位四元数法求出物料运输机器人相对于世界坐标系的位姿信息。应用结果表明:该方法能够进行大尺寸空间三维立体定位测量,系统稳定,鲁棒性强,能够满足实际应用需求。
针对智能制造园区无人机巡检中行人、车辆等目标尺度小、背景复杂、遮挡密集导致漏检误检的问题,提出一种基于通道上下文注意力的航拍小目标检测算法EGA-YOLO。该算法以YOLOv8为基础,引入通道上下文注意力模块ECCA以增强小目标特征表达,设计增强型多尺度融合模块EGD-Fusion以减少特征融合损失,并构建C2fGhost模块降低冗余特征。基于VisDrone2019-DET进行实验,结果表明,EGA-YOLO的mAP@0.5和mAP@0.5: 0.95分别达到44.9%和30.1%,较YOLOv8s提升8.1和8.3个百分点,验证了其有效性与泛化能力。
研究针对电力设备三维重建中几何-语义割裂、动态更新效率低、高精度与轻量化难以兼顾的行业难题,提出一种基于神经辐射场(Neural Radiance Fields, NeRF)与轻量化建筑信息模型(Building Information Modeling, BIM)融合的三维重建与动态更新方法。首先,设计跨模态对齐机制,通过NeRF解析多源数据生成高保真密度场,创新性引入属性感知注意力模块将BIM语义参数动态嵌入NeRF特征空间,实现几何结构与设备属性的联合表征,解决语义缺失问题。其次,提出增量式更新算法,基于结构相似性指数差异分析与BIM变更日志定位局部变更区域,采用自适应学习率裁剪优化器微调局部NeRF参数,结合类似Git方法的增量存储策略,将单设备更新时延降至3.2分钟,存储开销减少98%。最后,构建云-边-端协同架构,通过知识蒸馏压缩模型至0.3 M参数,结合动静分级渲染策略,在移动端实现180 ms加载时延与30帧/秒的交互帧率。实验表明,该方法在220 kV变电站场景中,Chamfer距离降至2.03 cm,语义召回率达98.7%,弱网络环境下的传输成功率提升至98%,显著优于传统BIM与标准NeRF方案,为电力智能巡检与动态工况分析提供关键技术支撑。
仿人多指灵巧手是机器人实现精细化抓取与柔性操作的关键执行机构,其发展对推动制造业自动化、服务机器人智能化及特殊环境作业应用具有重要意义。以仿人多指灵巧手为核心,系统综述其技术现状与未来发展趋势。首先,阐述仿人多指灵巧手的基本内涵、系统构成与典型特征;然后,梳理国内外科研团队的研究成果和目前市场主流的多指灵巧手产品,涵盖不同自由度设计及其软硬件实现方式;接着,介绍仿人多指灵巧手的核心硬件部件、感知融合、控制策略等关键技术;进而,阐述仿人多指灵巧手在工业装配、生活服务、极端环境等领域的应用情况,并介绍当前在可靠性、多模态协同、泛化性、人机安全和集成与应用等方面面临的难点与挑战;最后,从标准建立、本体结构、多模态感知融合、仿生演进、具身智能等方面展望仿人多指灵巧手的未来发展趋势,以期为灵巧手的深入研究与应用突破提供参考。
针对机匣生产车间布局规划与优化效率低、容易陷入局部最优的问题,以空间利用率与物流成本的均衡为目标函数,以机匣生产工艺、车间物流路径等为约束,构建了航空发动机机匣车间布局规划与优化数学模型。结合机匣生产与物流的复杂性,以及遗传算法和和声搜索算法的特点,提出了SLP与改进遗传和声搜索算法(SLP-GA-HS),对算法的流程和具体实现过程进行了设计。以某机匣生产车间布局规划与优化为例,进行了车间布局优化模型构建、物流与非物流量分析、优化算法求解及算法的对比分析,说明了所提方法的有效性。
目前已报道的针对焊缝缺陷检测方法存在小目标缺陷易漏检以及多尺度特征表达不足等问题。于是,提出一种基于 YOLOv-RPW的焊缝缺陷检测方法。首先,该方法是在YOLOv11n模型主干网络中引入基于感受野注意力机制的 C3K2-RAFConv 模块,通过增强局部感受野特征表达能力,提高模型对裂纹、气孔等细粒度缺陷特征的提取效果;其次,针对焊缝缺陷中小尺度目标占比较高的特点,在检测头中设计轻量化 P2-Lite 小目标检测分支,充分利用浅层高分辨率特征,在提升小缺陷检测能力的同时控制模型复杂度;最后,引入 WIoU 损失函数优化边界框回归过程,增强模型对缺陷目标的定位精度。实验结果表明,本文提出的YOLOv-RPW 模型在焊缝缺陷检测任务中取得了较优性能,其P、R、mAP@0.5 和 mAP@0.5:0.95 分别达到 91.26%、83.58%、90.31% 和 67.24%,相比基线模型 YOLOv11n 分别提升了 4.31%.、4.31%、4.35% 和 3.27%。总之,所提出的方法能够有效降低焊缝缺陷误检和漏检现象,大幅提升模型对小尺度焊缝缺陷的检测精度与定位能力,为工业场景下焊缝缺陷的自动化检测提供了一种有效方法。
自动驾驶的感知系统在目标遮挡、目标拥挤、远距离目标探测等困难场景下检测性能与可靠性有待提升。为此,提出基于 Radar 和 Lidar 数据的深度融合网络模型及对抗训练方法。首先,基于Radar 回波缺乏高度和含有较大噪声的特点,设计基于鸟瞰图的联合体素划分和点云增强方法,通过空间和通道注意力的计算建立不同模态特征之间的深度信息融合结构,提升单帧目标检测性能;然后,提出基于对抗学习的多模态数据融合学习算法,提高对两种数据优势特征的利用效率。实验结果表明,所提方法在实际大型驾驶场景数据集nuScenes上达到了领先水平。
轴承故障检测在工业设备的健康监测与维护中具有重要意义,但传统方法在处理超长时序信号和复杂工况时,难以同时兼顾全局建模能力与计算效率,导致检测精度下降或推理速度受限。针对这一问题,提出了一种基于噪声自适应多变量变分模态分解(NA-MVMD)和自适应局部卷积注意力Transformer(ALCAT)的故障检测方法,以提高故障检测的准确性、鲁棒性及计算效率。其中,NA-MVMD 通过引入噪声自适应机制优化多变量信号解耦,增强特征提取的稳定性和可靠性;ALCAT 结合信号自适应分组(SAS)、卷积神经网络(CNN)、注意力机制(Attention)及 Transformer 结构,实现高效的局部与全局特征学习,从而提升故障识别精度和推理速度。为验证该方法的有效性,将NA-MVMD-ALCAT 与多个先进模型进行对比。实验结果表明,该方法在各项性能指标上均显著优于对比方法,F1 值达到 0.9863,展现出优越的故障检测能力。此外,当窗口大小设定为 1024 时,该模型实现了检测精度与计算效率的最优平衡,能够高效处理超长时序数据。综上,NA-MVMD-ALCAT 适用于在线轴承故障监测与智能运维系统,为工业设备健康监测提供了一种高效、精准的解决方案。
预测性维护通过及时诊断或预测设备状态来减少不必要的维护,深度学习方法可以从设备特征参数映射到设备的状态来实现上述过程。设备种类繁多与设备多工况时的预测性维护实现,对深度学习方法也提出了更高的要求,合理的选择深度学习方法是至关重要的。论文阐述了深度学习在预测性维护中的发展历程与最新应用,以期进一步推动预测性维护在更多设备上进行应用,提高预测性维护应用中深度学习方法的准确率,最后,对预测性维护中深度学习方法的未来发展进行了展望。
为了适应现代制药业生产线全自动高效高质的要求,同时针对药品灌装后容器存在检测盲区的问题,设计了一种基于机器视觉的西林瓶灌装前检测系统。系统包括图像采集单元、缺陷检测单元和剔除单元。首先,图像采集单元会在每个西林瓶经过时通过高帧率工业相机进行图像的采集,同时高亮光源进行补光。接着系统会根据瓶口工位和瓶底工位的图像分别进行分析,在瓶口工位使用随机化递归算法来进行瓶口定位,然后通过在极坐标下分析图像得出瓶口是否有缺陷;瓶底工位区分管制瓶和模制瓶,专为模制瓶在定位完毕后设计了模号屏蔽模块,最后在定位的区域内判别瓶底是否存在缺陷。最后,介绍了当前系统在实际的应用效果。实施的结果表明:整体检测系统的整体误检率≤0.1%,平均漏检率≤0.05%,满足现场的生产需求。该系统可以大幅提高药品的生产质量,减少下游灯检的工作量和漏检率,提高药品原料的利用率。
当前保温板生产线设备的故障诊断手段缺乏对历史故障数据的系统整理和有效利用,针对该问题,研究提出一种保温板生产线故障知识图谱构建方法。首先,在模式层上,分析选取的故障知识特点,设计定义保温板生产线故障知识本体。其次,在数据层上,对多源故障数据进行预处理和序列标注,形成可用于实验的数据集。基于此数据,引入BERT-BiLSTM-CRF等深度学习模型进行实体识别。基于句法树对实体进行关系匹配,形成三元组数据。最后,采用Neo4j图数据库存储三元组信息,完成生产线故障知识图谱构建。研究结果表明:实体识别模型的精确度84.84%,召回率89.88%,F 1值为87.29%,根据此构建的保温板生产线故障知识图谱可实现对故障知识的有效利用以及对故障原因的精确解释,研究结果可为保温板生产线故障诊断提供知识支持。
针对智能机器人提出一种基于自适应事件触发机制的鲁棒路径跟踪控制算法。首先,考虑到系统的非线性特征,采用T-S模糊模型方法逼近系统横向动力学;其次,考虑到有限网络带宽引起的通信约束,在设计鲁棒控制时引入了先进的自适应事件触发方案。然后基于李亚普诺夫函数理论,给出了一组充分条件来计算所设计控制器的事件触发权矩阵和控制增益。最后,在MATLAB/Simulink平台上进行了仿真模拟以说明所提方法的有效性和鲁棒性。
在按照船级社标准,进行船用柴油机曲轴疲劳强度校核时,需要进行大量曲线图数据查询工作,包括曲轴各个位置的应力集中系数、结构细节的影响系数等参数,给曲轴疲劳强度计算带来麻烦和不稳定因素,同时也是曲轴疲劳强度计算软件开发的障碍。首先,针对图像干扰多,多曲线等问题,通过图像预处理、灰色图像二值化、图像降噪等过程,提取了曲线数据;研究了数据的曲线拟合方法,并通过分析比较多种曲线拟合方法,得出了精度高和使用方便的数据拟合公式。
自动化立体仓库作为现代物流仓储系统的重要组成部分,能够实现货物的高密度存储与自动化存取,已广泛应用于制造业、电子商务和智能物流等领域。为降低单巷道自动化立体仓库中堆垛机多轮拣选作业时间,提升产品质量与可靠性水平,针对容量约束下的货位访问序列优化问题,以完成订单拣选作业总时间最短为目标,建立了立体仓库拣选路由优化模型。提出一种混合蚁群算法(Hybrid Ant Colony Optimization,HACO)对模型进行求解,首先利用信息素浓度和货位间启发距离构造链式候选拣选序列,再根据周转箱容量将访问序列还原为多轮作业路径,并引入基于轮次结构的局部改良策略。实验表明,在中大规模订单下,HACO平均作业时间降低约26.22%,说明本文方法有效减少了堆垛机跨区域移动和重复折返,提高了自动化立体仓库拣选作业效率。
螺旋折流板是管壳式换热器中重要的折流元件,有效获取螺旋折流板曲面空间位置信息是解决螺旋折流板管孔加工的关键。针对螺旋折流板纹理弱、遮挡多,其表面具有反射性,三维重建精度和时间难以满足工业需求的问题,提出了融合特征检测器与稠密视觉的匹配算法和可变视野的注意力模块,以在弱纹理和反光区域获取更多的特征点;采用级联式的CasMVSNet实现螺旋折流板稠密点云的重建以减少表面空洞,缩短重建时间。在自采集的数据集上的实验结果表明,采用所提出的三维重建技术,获得了完美的螺旋折流板曲面,在弱纹理区域几乎不存在空洞和噪点。相较于其他算法,重建精度提高了3.96%,位姿估计累积误差曲线面积提高了6.48%,重建时间下降到180 s以内,证明了该重建技术的可靠性和有效性。
针对传统卷积神经网络在小样本条件下不能有效提取全局特征以及部分深度学习模型较为复杂的问题,提出一种基于多尺度卷积神经网络(Multiscale Convolutional Neural Networks,MCNN)与特征融合(Vision Transformer,ViT)的轻量化齿轮箱故障诊断方法。首先,构建多尺度特征提取模块,该模块通过多尺度卷积神经网络利用不同尺度的卷积核从多个尺度捕捉数据的特征信息,充分挖掘输入信息的局部特征。然后,设计特征融合ViT模块,该模块利用改进的多头注意力机制获取故障信息的全局特征,进一步构建D-MLP,使用深度可分离卷积减少模型的参数量。最后,使用东南大学齿轮箱数据集进行实验验证,结果表明,相比于对比方法,所提方法在变噪声、小样本等复杂条件下具有较高的故障诊断准确率和良好的泛化能力。