基于迁移学习和AlexNet的复合电能质量扰动识别

针对传统电能质量扰动特征提取困难的问题,提出了1种基于迁移学习与深度卷积网络相结合的复合电能质量扰动识别方法。该方法利用相空间重构法将一维扰动信号转化为形状特征明显的轨迹图像,输入到迁移学习的AlexNet模型中进行端到端的识别分类。首先,将扰动信号重构到高维相空间。然后,将其映射到二维平面以获得重构信号轨迹图像。接着,将轨迹图像输入到迁移学习的AlexNet中训练学习以实现扰动识别。最后,为了验证该方法的有效性,开展了相关仿真研究。仿真结果表明,所提方法对复合扰动的识别准确率较高。与其他网络模型相比,在保持训练参数不变的情况下,该方法具有较高的识别精度和收敛性。同时,在信号自动识别领域,该方法也提供了新的解决思路。

离散改进PSO求解模糊柔性作业车间多目标调度

针对在实际生产过程中机器的生产作业时间与单位时间加工成本具有不确定性的特点,建立以最小生产成本与最小完工时间为目标的模糊柔性作业车间模型采用三角模糊数表示车间固定成本、加工成本与时间为提高模型对于复杂组合的优化能力,提出了一种改进的粒子群算法。根据广义粒子群思想,使用遗传算法的交叉、变异操作重构位置与速度更新公式,使用带外部记忆库的精英保留策略,利用迭代信息指导子代产生,增强了算法的寻优性能,最后,通过某柔性作业车间生产实例进行试验,论证了该算法对比普通粒子群算法更适用于复杂的离散化问题,可以有效地保留迭代过程中调度方式的多样性。离散改进粒子群算法在实现车间高效运转的同时,可推广应用于应急资源分配等领域。

时间敏感型网络技术综述

时间敏感型网络(TSN)是目前国际产业界正在积极推动的工业通信技术。阐述了TSN技术产生的背景、工业物联网以及新制造转型中对于工业通信的需求,并从技术角度对TSN进行了全面的介绍。通过对当前国际上重要的TSN标准组织、企业、大学与研究机构的TSN实践进行分析,全面梳理了其发展简要历程、相关国际标准、实现架构与方法、开发、测试与验证、应用前景等。通过这些分析,以全局视角分析该技术对于产业的推动作用,以及未来发展趋势和在智能制造、工业互联网领域的前景,并希望国内的产业、标准化组织、大学等能够积极加强对其更为深入的研发、测试,以获得市场的先机。

基于分布式最小二乘的冶金工业流程质量异常检测

质量异常检测技术是保障冶金工业过程产品质量安全性和稳定性的重要手段,是当前过程监控领域的热点研究方向。针对传统的偏最小二乘(PLS)、最小二乘(LS)方法获取的主元空间中可能含有和质量正交的成分及检测实时性不强等问题,提出了分布式最小二乘(DLS)方法,设计了监测统计量,实现了质量异常检测。通过典型的冶金工业流程——热轧过程现场数据进行仿真验证,并与传统方法对比,验证了新算法的有效性。所提出的质量异常检测方法,将为以热轧过程为代表的冶金工业流程的安全监控及自主保障提供理论支撑与技术保证。