战场环境下遗传黏菌算法的多机协同任务分配

针对已知战场环境下的多无人机协同任务分配问题,提出基于融合遗传黏菌算法的任务分配方法.综合单机约束、机群总体收益和损耗以及任务需求等条件,构建多机协同任务分配目标函数.针对遗传算法易陷入局部最优、黏菌算法收敛慢的问题,改进遗传迭代和黏菌探索行为.将离散黏菌算法引入遗传算法,增强融合算法的搜索能力.在种群迭代中加入干扰操作,提高求解精度.在已知环境下进行分配试验和路径演示,并与其他算法进行对比.结果表明,利用所提出的融合算法,能够获得目标函数值更高的任务分配方案.

基于深度学习的无人机航拍目标检测与跟踪方法综述

基于视觉的目标检测与跟踪方法是当前最火热的研究方向之一。近年来,随着无人机技术的快速发展,利用无人机航拍技术进行目标检测与跟踪也成了研究的热点。对于无人机目标检测,首先探讨了无人机航拍目标检测与跟踪任务的复杂性和难点,并着重介绍了以深度学习为基础的目标检测算法;针对无人机目标跟踪技术,深入探讨了以相关滤波为基础和以深度学习为基础的两种判别式目标跟踪算法;最后,总结并展望了在无人机领域目标检测与跟踪技术的应用前景。

基于干扰观测器的机电伺服系统PI控制策略

空气舵机电伺服系统的主要任务是接收控制指令,并驱动负载按指令角度摆动,在各类航空航天飞行器中具有越来越广泛的应用价值。然而在运行过程中存在的未知干扰给机电伺服系统高精度控制带来了巨大挑战。针对这一问题,提出基于干扰补偿的空气舵机伺服系统控制策略。首先进行空气舵机电伺服系统模型分析,其次运用径向基函数设计神经网络的状态观测器,将不可测量的舵面角度用估计值替代进行反馈控制,最后应用Lyapunov方法分析了有限时间收敛条件。仿真结果表明:与传统电机角度反馈相比,所提出的控制策略使空气舵机电伺服系统的稳态误差减少97%以上。

基于支持向量机与改进高斯过程混合模型的车用电池容量预测方法

基于数据驱动的容量预测有助于锂电池健康管理以延长其使用寿命。然而,目前大多数相关方法基于实验室数据展开,无法反映实际复杂工况下车用电池老化特性。因此,本文利用电动汽车实车数据,设计了一种基于支持向量机与改进高斯过程的混合模型,实现了车用电池容量的精确预测。首先从汽车实时运行数据集中利用滑动窗口安时积分法提取其容量数据,设计了集合经验模态分解方法,将电池容量分为长期退化趋势和短期波动两部分,然后分别设计支持向量机与改进高斯过程对这两个分量进行建模,将结果融合得到最终的容量预测值。基于三辆实车数据集的试验结果表明,所提出的方法可以适用于实车数据的高精度容量预测。

集箱小管径角焊缝相控阵检测研究

介绍了相控阵超声检测在集箱小径管管座角焊缝检测上的应用,分析了小径管管座的结构和检测难点;从相控阵检测的原理、相控阵检测方法、相控阵检测设备阐述了相控阵检测技术在小径管管座角焊缝检测的研究和发展现状,并探讨了相控阵超声检测技术未来的发展方向。

基于遗传算法优化的深度强化学习-PI空气舵伺服系统控制策略

针对传统比例积分控制难以选定控制性能更好参数的问题,以空气舵伺服系统为研究对象,提出了一种基于遗传算法优化的强化学习-PI的控制方法。首先,建立了空气舵伺服系统的数学模型;然后,采用遗传算法优化了PI控制器的初始参数;采用深度确定性策略梯度算法对当前PI控制器进行了实时整定,从而实现了对空气舵伺服系统进行位置指令控制的功能;最后,在Simulink中通过仿真分析,对所采用的方法应用于空气舵伺服系统的效果进行了验证。研究结果表明:改进的算法在参数摄动时,具备一定的在线稳定性;在空载情况下,所需要的调节时间要小于遗传算法-PI、DDPG-PI与传统PI算法,至少缩短了20%;同时,在负载情况下,相比其他3种方法,改进算法的波动幅值与负载结束后回到稳态时间至少缩短了15%,证明了所使用方法在空气舵伺服系统里的有效性。

桥梁主缆断丝漏磁检测系统研制

主缆作为桥梁的重要承力构件,长期服役后会出现内部钢丝断裂等问题,需要进行定期检测。为了解决桥梁主缆直径大、主缆钢丝与缠丝正交布置引起的漏磁检测难题,首先通过有限元仿真方法研究主缆漏磁检测的可行性,并基于仿真结果,采用模块化设计思路,研制出桥梁主缆断丝漏磁检测系统,包括驱动、传感、信号处理、WIFI通信等模块。最后开展主缆检测实验研究,实验结果表明:该系统能够检测出主缆试件表层钢丝中的3根与5根断丝缺陷,与仿真结果相符;爬行稳定且信号平稳。研究成果可为桥梁缆索检测提供一种新手段。

飞机机电作动器模糊PI-ANN复合控制仿真

为提高飞机机电作动器的位置跟踪精度与抗干扰能力,提出了一种模糊PI-ANN复合控制方法。首先根据机电作动器的结构与工作原理,建立永磁同步电机与机械传动部分的数学模型;然后根据电机控制系统建立基于模糊PI-ANN机电作动器复合控制模型;利用Matlab软件对模型进行仿真分析。仿真结果表明,与传统PI控制和模糊PI控制相比,所提出的模糊PI-ANN复合控制方法在动态和稳态性能以及抗干扰能力方面均得到较大提升,稳态误差减小76.87%,干扰时位移偏差减小62.86%。

基于深度强化学习-PI控制的机电作动器控制策略

为提高机电作动器在指令控制下的控制精度与跟踪速度,提出了一种基于深度强化学习的机电作动器指令控制方法。首先,根据机电作动器的结构,建立机电作动器的数学模型。然后,将深度强化学习与比例积分控制相结合,通过强化学习智能体与机电作动器系统进行在线交互从而获得奖励信号,并利用奖励信号实时整定PI控制器的参数,以实现对机电作动器的指令控制。最后,验证所提出的方法在机电作动器的指令控制下的效果。仿真得出的结果稳态误差更小,响应速度更快,验证了算法在机电作动器控制上的有效性。

基于人工智能的无人机区域侦察方法研究现状与发展

区域侦察是无人机研究领域的一个重要分支。由于实际任务和环境十分复杂,区域侦察控制方法必须具备较快的计算速度、较强的自主性和智能性。人工智能因具有学习能力强、效率高、融合度高等特性被应用于区域侦察任务中。本文系统介绍了区域侦察问题的背景并综述了基于人工智能解决该问题的方法,主要分为构造并优化目标函数的启发式算法和求解最优价值或策略的深度强化学习方法这两类。通过对上述方法的全方位比较,发现深度强化学习因具有自学习和在线学习的性能,能很好地适应复杂、未知环境进而能快速、准确解决区域侦察问题。此外,本文还探讨了无人机区域侦察技术的发展趋势及深度强化学习面临的挑战。

基于注意力机制和多任务LSTM的锂电池容量预测方法

精确的锂电池容量预测可以有效降低电池失效带来的风险与损失。基于神经网络的时间序列预测模型是电池容量预测领域中十分常见的方法。但是,过去的模型预测大多只考虑了未来的目标点,而没有考虑目标点附近信息对预测目标的辅助作用。提出一种基于注意力机制和多任务LSTM的锂电池容量预测方法(MT-LSTM),实现未来不同时刻信息的互补,提高预测的准确性,其中使用硬参数共享方法建立多个任务之间的联系,使用卷积神经网络提取不同抽象水平的特征。通过注意力机制与LSTM模型的结合,有效地提高电池容量预测精度。将所提出的MT-LSTM模型与传统神经网络进行对比,试验结果表明所提模型有更高的预测精度。此外为多任务学习与注意力机制设计了对比试验,验证了这两种方法对电车容量预测精度的积极影响。

基于深度强化学习的多无人机电力巡检任务规划

无人机因其成本低、操控性强等优势,在电网线路与电塔的巡检任务中取得了广泛的应用。在大范围电网巡检任务中,单台无人机由于其续航半径有限,需要多架无人机协作完成巡检任务。传统任务规划方法存在计算速度慢、协作效果不突出等问题。针对以上问题,本文提出一种基于多智能体强化学习值混合网络(QMIX)的任务规划算法,采用集中训练、分散执行的框架,为每架无人机建立循环神经网络,并通过混合网络得到联合动作值函数指导训练。该算法通过设计任务奖赏函数以激发多智能体的协作能力,有效解决多无人机任务规划协作效率低的问题。仿真实验结果表明所提算法的任务时间相比于常用的值分解网络(VDN)算法减少了350.4 s。

基于强化学习的无人机全自主电力巡检

针对无人机在电力巡检中的全自主性进行研究,提出全自主电力巡检系统,该系统由无人机智能体、充电桩和待巡检目标构成。借助无线充电技术和强化学习决策算法使无人机拥有全自主执行任务的能力,并在设计的仿真环境中进行了验证,训练后的无人机智能体可以自主路径规划进行电力巡检和自主决策到附近的无线充电桩充电,无需人工介入可完成所有巡检任务。由于传统的近端策略优化算法在本系统中奖励低的问题,因此提出一种基于动作掩码的近端策略优化算法来训练无人机智能体,仿真实验结果表明,动作掩码机制使奖励提高了39%,能耗降低了15.34%。

枞树型叶根超声相控阵检测方法

枞树型叶根是低压转子叶根的主要型式之一,在实际检测时,因其叶根本身的复杂结构及检测空间受限,很难达到预期的检测效果。本文采用超声相控阵技术对枞树型叶根进行检测,试验设计了叶根调试试块和对比试块,对叶根不同位置进行检测,并采用软件对叶根检测数据结合其结构原图,按照1:1拟合出数据图谱,全面分析了超声相控阵检测技术的检测方法及检测效果,得出叶根弧形结构回波会与缺陷波产生明显的干涉,在对叶根不同齿牙的应力区进行检测时应注意探头位置的设计,探头应置于齿牙上方且应有一定的移动空隙以保证获得最佳检测效果。

基于IMM-PPO的无人机机动目标追踪

针对无人机在复杂障碍物环境下追踪机动目标的问题,提出了一种基于IMM-PPO的导航跟踪策略,估计多模型混合的机动目标状态信息,设计基于目标跟踪性能、追踪逼近时间以及障碍物约束的奖惩函数,并在Actor-Critic网络结构下设计近端策略优化的算法框架,通过智能体与环境交互,训练出奖励最大化下的网络参数。训练后的决策网络能够根据环境信息完成避障导航并实现对机动目标的稳定跟踪。仿真结果表明,相比于传统避障跟踪算法,基于IMM-PPO的导航跟踪策略具有更好的跟踪性能、更快的追踪速度以及更短的避障导航路径,且在初始条件改变的情况下仍具有一定的自主追踪能力,在应用于无人机机动目标追踪任务中时具备更大的优势。

粒子群优化的变论域模糊PI机电作动器控制

为了提高飞机机电作动器的位置跟踪速度,克服传统PI算法参数调试依赖于人工经验的缺陷,提出一种基于粒子群优化的变论域模糊PI控制方法。首先根据机电作动器的结构与工作原理,建立永磁同步电机与机械传动部分的数学模型;然后根据电机控制系统建立机电作动器位置环变论域模糊PI控制模型;最后利用粒子群优化算法对量化因子、比例因子以及伸缩因子寻优并进行仿真验证。仿真结果表明,与传统PI控制和模糊PI控制相比,基于粒子群优化的变论域模糊PI控制方法在具备着传统模糊控制算法优点的同时,又能够根据偏差变化实时调整论域,改善系统的性能。

叉型叶根超声相控阵检测综合应用研究

叉型叶根结构作为常用的叶根型式之一,在役检测时,因其结构复杂及检测空间受限,常规方法往往很难达到预期的检测效果。采用超声相控阵技术对叉型叶根进行检测,并设计制作相应的调试和对比试块。通过在不同位置对叉型叶根内外弧不同深度模拟缺陷进行检测,并用软件与结构图纸进行1:1拟合对比分析,全面地测试和分析了其检测效果,得出叶根的弧形面和端角产生的结构波会与缺陷波产生复杂的干涉,在对叶根进行检测时,探头应适当往中间侧移动并适当提高检测灵敏度,以保证最佳的检测效果。

基于深度强化学习的锂电池快速充电控制策略

安全高效的锂电池充电控制策略对于电动汽车的发展具有重要推动作用。针对锂电池的快速充电问题,提出一种综合考虑锂电池充电速度、能量损耗、安全约束多目标优化充电控制策略。基于动作-评价网络框架,利用基于近端策略优化的深度强化学习算法,训练出使得充电目标对应的奖励函数最大的充电策略神经网络和策略评估神经网络。然后,利用训练完成的充电策略神经网络根据当前电价和电池SOC智能决策出最优的充电电流。该充电控制策略的优势在于能够在保证快速充电的同时,实现充电花费最小化。同时,充电策略神经网络在线运算量较小,与基于模型的在线优化算法相比更能满足充电控制的实时性要求。最后,仿真结果表明,该充电控制策略与传统恒流-恒压法相比,具有兼顾充电速度与电费支出的优势,满足快速充电任务需求的同时,最高可降低25%的充电成本。

Variable Universe Fuzzy Control for Battery Equalization

In order to avoid the overcharge and overdischarge damages, and to improve the lifetime of the lithium-ion batteries, it is essential to keep the cell voltages in a battery pack at the same level,i.e., battery equalization. Based on the bi-directional modified Cuk converter, variable universe fuzzy controllers are proposed to adaptively maintain equalizing currents between cells of a serially connected battery pack in varying conditions. The inputs to the fuzzy controller are the voltage differences and the average voltages of adjacent cell pairs. A large voltage difference requires large equalizing current while adjacent cells both with low/high voltages can only stand small discharge/charge currents. Compared with the conventional fuzzy control method, the proposed method differs in that the universe can shrink or expand as the effects of the input changes. This is important as the input may change in a small range. Simulation results demonstrate that the proposed variable universe fuzzy control method has fast equalization speed and good adaptiveness for varying conditions.