基于深度强化学习调控的非平稳风速模拟

提出一种深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法和广义S变换(generalized stransform,GST)的新型混合模拟方法(DDPG-GST).首先,采用经验模态分解(empirical mode decomposition,EMD)技术将原始数据分解为非平稳脉动风速分量与趋势分量,运用GST提取出非平稳脉动风速分量的时频特征,构建广义S变换时频功率谱矩阵;然后,对矩阵进行Cholesky分解,得到非平稳脉动风速模拟值;接着,将非平稳脉动风速模拟值载入DDPG网络进行调控,进而生成最优模拟值;最后,将非平稳脉动风速的模拟值与趋势分量叠加得到总风速时程模拟值.结果表明:与GST模拟方法相比,DDPG-GST方法的模拟值可以精准保留时域内非平稳脉动风速的能量特征,由DDPG-GST得到的GST系数幅值在时频域内的能量分布更接近目标值;同时,DDPG-GST方法的平均功率谱值更接近目标值.基于深度强化学习调控的非平稳风速模拟是一种高精度数据驱动模拟方法.

AI智能质检系统在汽车自动化涂胶品质监控中的研究及应用实践

自动化密封胶喷涂技术已广泛应用于汽车涂装制造行业,而传统的汽车涂胶品质监控方式依赖人工检查,效率低下,且易受人为主观因素影响。随着汽车制造业智能化、自动化、数字化程度的提升,开发高效、精准的涂胶品质监控系统已成为行业急需解决的问题。AI智能质检系统应运而生,通过图像采集、图像处理、AI判断逻辑和深度学习等技术,实现对车身涂胶品质的自动检测,有效提高了喷涂后的品质检测效率和准确性。本文阐述的AI智能质检系统已成功应用于整车涂装生产线,可以实现如轮毂位、电池包周边、尾灯位等重点部位的涂胶品质自动检测,保障稳定的检出率和极低的误检率。该技术的应用不仅提高了生产线的自动化水平,减少了人工检查负荷,可有效降低机器人涂胶异常导致的质量问题及品质失败成本,推动了汽车密封胶涂胶领域由制造自动化逐步迈向质检数字化。未来,随着智能化、电气化和自动化等新技术以及新质生产力的迭代发展,AI智能质检系统的应用需求将大幅度增长。

不排水升温条件下黏性土孔压试验研究

现今随着新技术的应用,地下结构周围土体必将承受着冷-热循环的温度作用,为保证工程安全,对黏性土的热力学响应进行进一步的研究。采用温控三轴试验系统对不同超固结比的饱和粉质黏土进行不排水升温试验。试验表明,粉质黏土在升温过程中,超孔压随着温度的增加而增加,但增长趋势随着循环次数的增加有所减小,且正常固结土在温度循环后存在残余的超孔压;对超固结土而言,在温度循环后出现负的超孔压,且幅值随着温度循环次数的增加而减小,随着超固结比的增大而增加。