汽车制造厂油漆车间能耗预测模型

随着国家和社会对制造企业节能减排要求的不断提高,汽车制造企业现有的粗放型能耗管理考核方法已无法满足精细化能源管理需求,在新电改直购电的背景下能耗建模与预测已成为企业节能的重要研究方向。为建立能耗与生产、天气、人员等因素之间的定量关系,帮助整车制造企业合理对标能源使用与生产信息,使用上海某汽车制造企业油漆车间2016年11月至2018年4月日能耗、产量、温湿度和设备运行等数据,综合考虑整车理论喷涂面积对能耗的影响,采用机器学习的方法建立了基于XGBoost的用能预测模型,在少量训练样本下也达到了良好预测效果。同时,重点分析和对比了4种特征工程方法对预测模型结果的影响,总结了能耗预测模型适宜的特征工程,对同类型的模型优化具有一定的指导意义。

基于AM-RPPO的双足机器人适应性行走控制算法

提出了一种带有注意力机制和循环近端策略优化(AM-RPPO)的深度强化学习(DRL)方法并将其应用于双足机器人的适应性行走控制.首先,对未知环境下双足机器人关节空间行走控制问题依照部分可观测马尔可夫决策过程(POMDP)进行建模,指出了DRL算法近端策略优化(PPO)对真实状态的估计存在偏差的问题.其次,引入循环神经网络(RNN)架构,分析了RNN对时序环境观测状态不同于多层感知机的正向传播过程,说明了RNN相对于传统神经网络的优势,并且将RNN分别嵌入动作生成网络和价值函数生成网络中.再次,引入在深度学习诸多领域应用广泛的注意力机制(AM),利用AM建立基于不同时间步的状态,求得最终价值函数的权重差异化模型.最后,通过仿真实验验证了提出的AM-RPPO算法对存在高维状态信息输入的双足机器人控制问题的有效性.