基于遗传算法的自动医药冷库仓位分配

对于自动化医药冷库来说,各类药品存放位置(即仓位)的合理分配会在很大程度上影响后期的仓库管理工作以及药品出库的效率。以药品周转率和药品相关性为依据,以提升医疗冷库药品自动出库效率和仓库人工管理效率为目标,利用遗传算法采用权重系数法对药品仓位分配进行双目标优化,并对上述目标进行了验证。优化结果表明:在提高出库效率目标所占权重较大情况下,与顺序分配仓位方法相比,提出的仓位分配方法能够更加合理的分配仓位,提高医药冷库的出库效率;在人工管理效率目标所占权重较大情况下,提出的方法能够实现相关药品就近放置,方便人工管理。

化纤长丝自动落卷系统仿真平台开发

针对典型化纤长丝自动落卷系统在工艺要素整定过程中,因素复杂且难以通过理论方法进行研究的问题,基于 Unity3D引擎开发了用于确定工艺要素的化纤长丝自动落卷系统仿真平台。平台在软件开发中采用将系统节拍控制与任务执行分离的方法,通过对各功能模块进行封装,使得软件层次清晰;同时为对比验证仿真结果的有效性,在 MatLab 环境下对生产线工况进行了简化建模;基于仿真平台量化对比了3种机器人避让策略,并在多品种化纤长丝混合生产的工况下整定了落卷机器人运行速度。结果表明:仿真平台的仿真结果有效;落卷优先的避让策略更适合化纤长丝自动落卷生产线;在所述工况下,当落卷机器人运行速度为2.3m/s时,系统能够实现完全自动落卷。

基于Unity 3D的多机协同化纤长丝生产线工艺仿真

将化纤长丝生产线按功能特点分成生产、检测、包装和仓储4个子系统,基于Unity 3D分别在4台电脑上进行协同仿真和显示。生产子系统使用数据化驱动可以仿真任意生产规模的场景,检测子系统与智能检测模块联合可以仿真基于视觉处理的真实生产线产品质量检测,包装子系统可以对质量合格的丝饼按规格打包,仓储子系统根据订单需求对已打包的丝饼进行存储并完成进出库操作。对各子系统需要通信的数据制定了协议,使用基于TCP/IP(transmission control protocol/internet protocol)的Socket通信完成多台电脑协同仿真。试验表明,多机协同仿真可以更高效地设计和优化化纤长丝生产线。

基于AutoML的湍流建模

【背景】湍流问题涉及到工程中的诸多领域,其重要性不言而喻。雷诺平均Navier-Stokes(RANS)方程提供了一种计算时间平均湍流量的有效方法,由于其计算易处理性而被广泛使用。随着深度学习技术的发展,采用数据驱动的方法建模RANS模型受到了研究者广泛的关注。【方法】本文提出了一种数据驱动建模RANS模型的方法,该方法以数值软件模拟结果为基础,利用深度学习技术构造湍流模型。由于在湍流问题中,不同的系统初始条件不同,数据的质量千差万别,难以使用统一的神经网络结构进行训练。因此本文采用AutoML(自动机器学习)的方法自动搜索神经网络的结构并进行自动调参。此外,本文发现通过混合多种初始条件下的数据进行模型训练,可以提高深度学习模型的拟合精度,增强其鲁棒性。【结果】本文选取OpenFOAM中的经典算例内壁台阶流模拟作为数据来源进行实验。实验表明,该模型在预测雷诺应力时具有较好的精度和效率,表明数据驱动方法在湍流模拟中具有良好的应用前景。【局限】为了更好的在湍流领域应用深度学习技术,下一步的研究重点在于如何将深度学习模型与湍流数值模拟软件耦合。【结论】目前,针对湍流机器学习的系统研究相对较少。在现有工作经验的基础上,机器学习在未来的湍流模型化中必将扮演着更加重要的角色。

基于PyTorch的晶体结构势预测

近年来,材料数据进入了爆发式增长阶段,而实验和模拟方法来处理和分析材料数据工程量巨大并且十分耗时,如何用新方法从大量的数据中发现知识是未来材料研发的主要探索方向。新世纪以来,出现了将机器学习方法应用于材料科学领域研究的新课题。高效准确地得到结构能量是许多材料研究工作的基础,我们主要关注将机器学习方法与结构能量计算相结合这一方向。本文调研了目前已有的基于机器学习的结构势能拟合开源软件,分析它们的特点与优劣,并针对实际需求通过深度学习框架PyTorch对软件进行优化,增强机器学习模型的拟合能力。PyTorch可以利用GPU资源对数据进行快速学习,灵活地利用多种优化算法对不同体系的结构搭建合适的模型,并将模型保存以供后续研究。我们在人工智能计算及数据应用服务平台上对软件进行测试与优化,解决了一些在测试中发现的问题,对不同的体系结构的结构势能拟合效果进行了分析,提升软件对不同体系的结构势能拟合能力。