考虑染色机清洗的印染生产过程优化调度

目前印染车间作业计划还是依靠人工经验和软件辅助来安排,而不是通过建立数学模型描述生产过程和求解获得的,所以非常耗时,作业计划的生产效率低,甚至不能满足订单的交货期.文中提出了包含染色机清洗的印染生产过程优化调度数学模型,建立产品加工,工序,设备和交货期等的约束,以最大程度满足订单交货期为目标函数.不论订单有多少,印染生产过程有几条生产线,同一生产工序有几种生产设备,该模型都能满足印染生产过程调度的要求,只是数据文件的大小和模型求解的复杂度不同.以印染企业的5个订单为案例,通过ILOG CPLEX软件求解调度模型,获得订单车间作业计划.研究结果表明,生产的安排满足了订单的交货期,染色机只清洗了一次,模型的求解时间为秒级,极大地提高了印染车间作业计划安排的精确和效率.

生成式人工智能沉迷的法律规制:动因及对策

生成式人工智能的蓬勃兴起为经济社会发展注入了新动能,正在深刻改变人们的生产生活方式,同时也容易导致人工智能沉迷问题。这不仅是个体层面的问题,更涉及人的思维自由、行为自由、人的主体地位等更深层次的问题。当前在防范方面还存在着对象范围过窄、监管方法不当、防沉迷领域局限以及防范义务不明确且手段单一等问题。应当从法律层面对生成式人工智能的沉迷问题进行规制,明确生成式人工智能提供者的防沉迷义务,转变监管方法,加大监管力度,建立生成式人工智能沉迷防范体系,发挥多元主体协同共治,确保生成式人工智能的使用符合人类整体利益。

高动态范围条纹结构光在机检测技术及应用进展

条纹结构光技术是近年来发展迅速的非接触式测量方法,为机械加工在机检测提供了新的解决方案。由于加工环境光线复杂且金属零件本身具有高反光的特性,造成结构光在机检测的精度降低。将高动态范围(High Dynamic Range,HDR)技术应用于结构光检测中,可抑制高反光的影响,实现金属零件在复杂场景的测量。本文首先介绍了结构光测量原理,总结出HDR结构光在机检测面临的难点;其次,对HDR结构光技术进行了全面综述,以机械加工在机检测为背景,对基于硬件设备的HDR技术和基于条纹算法的HDR技术分别进行了归纳分析;然后,根据在机检测的条件需求,对各类技术进行总结,并比较不同方法的优缺点和在机检测的适用性;最后,结合近年来先进制造技术和精密测量的研究热点,对潜在应用进行分析,提出技术展望。

语音重复任务在轻度认知功能障碍检测中的应用

轻度认知功能障碍(mild cognitive impairment,MCI)通常被视为痴呆的前驱阶段,其主要特征为认知功能轻度下降。研究表明,MCI患者中语言变化可能先于其他认知功能症状,这为早期识别和干预提供了机会。MCI患者语言特点包括语速、发音和语调等异常。五个单词测验、数字延迟匹配测试和句子重复测试等语音重复任务,是评估MCI患者语言特点的有效方法,这些任务要求患者重复特定内容,分析重复准确性,从而评估其语言功能。机器学习和深度学习技术的应用,能自动提取语音重复任务数据中的MCI相关特征,提高诊断准确性。这些技术的结合应用有助于早期发现MCI,为及时干预提供依据。

基于CHMM(连续隐马尔科夫模型)的转辙机故障预测方法

[目的]转辙机作为城市轨道交通信号设备的重要组成部分,一旦发生故障,会对运营造成重要影响,对其健康状态的监测和预测显得尤为重要。[方法]提出了一种基于CHMM(连续隐马尔科夫模型)的转辙机故障预测方法。提取转辙机退化状态特征,并基于t-SNE算法对原始输入数据进行降维,减少余特征;利用谱聚类算法确定最优退化状态数目,进行聚类分割,分析转辙机动作功率曲线退化状态特征;基于CHMM模型并与故障诊断模型相结合,构建退化状态识别模型与故障识别模型,实现对转辙机的故障预测。以实测数据作为研究对象,对基于CHMM的转机故障预测方法进行试验验证。[结果及结论]该方法以转辙机正常动作功率曲线为研究对象,深入挖掘监测数据,提取的退化状态特征具有良好的表征能力。根据严重退化状态下曲线模型与正常曲线模型匹配结果,在转辙机功率发生异常波动时,可实现对转辙机故障类型的预测。

基于区域地质信息的盾构掘进参数自适应调整及地面沉降控制方法

[目的]目前将机器学习方法用于地面沉降预测已经成为一种趋势。然而大多数基于地质参数及盾构掘进参数等构建的地面沉降预测模型方法单一,并且不能够用于地面沉降的实际控制。对此,提出了一种基于区域地质信息驱动的盾构掘进参数自适应调整与地面沉降控制方法。[方法]以南京地铁9号线为例,详细阐述了该控制方法的构建及实施过程。该控制方法采用基于多种机器学习方法的融合算法,分两个阶段。阶段1为模型构建阶段:地面沉降预测模型对施工数据库总体样本进行训练,通过融合算法得到模型A的最优算法;然后,构建模型B(盾构掘进参数优化模型)以地面沉降作为控制指标筛选优质施工数据,训练并通过融合算法得到模型B的最优算法。阶段2为施工阶段,将未开挖或者沉降可能较大的区间相关参数输入到采用最优算法的模型B中,输出优化的盾构掘进参数,从而实现了盾构掘进参数的实时调整和地面沉降的控制。以南京地铁9号线区间为例,通过仿真计算对该方法的应用效果进行验证。[结果及结论]仿真计算结果与实测值相比,优化后沉降最多减小了21.51 mm,验证了该方法的有效性。

杭州运河亚运公园体育馆智能化系统工程的应用与实践(二)

体育场馆智能化系统是现代体育场馆的神经系统和大脑,是现代体育场馆生命体中最重要的系统。文章介绍了该场馆智能化系统中的信息、网络系统、应用信息系统和机房系统等子系统,并对场馆智慧演进发展进行探讨。

人工智能背景下的“增强工作”

个人欲望的无限性与个人能力的有限性之间构成了尖锐的矛盾。人类除通过分工解决这一矛盾以外,通过发明各种工具,特别是人工智能这种“特殊劳动力”也能够有效地解决这一矛盾。人工智能延伸了人的智力,一定程度上弥补了劳动力智力的不足,扩大了劳动范围,提高了劳动效率。人工智能促使人类社会由信息社会转向智能社会,人工智能逐渐融入人类的工作和生活,成为人类不可或缺的“伴侣”。人类智能与人工智能各有优劣,把两者有机地整合起来,增强工作,才能实现合规律性与合目的性相统一的劳动目的。为了增强工作,应当做好三个方面的工作:一是保证人机交互安全,二是促进人机共存演化,三是增进人机相互理解。人机交互安全是增强工作的基础,人机共存演化和人机相互理解是增强工作的手段。

基于改进卷积神经网络的光通信系统故障诊断研究

以准确诊断光通信系统故障,确保光通信系统稳定运行为目的,研究基于改进卷积神经网络的光通信系统故障诊断方法。分析光通信系统的模块组成,针对光通信系统中的信号受非线性影响后产生的相偏问题,利用支持向量机提取光通信系统中信号的故障特征;改进快速区域卷积神经网络,构建故障分类器模型;通过对模型进行迭代训练实现光通信系统故障诊断。实验结果显示所研究方法故障诊断精度平均为95.19%,耗时平均为138.8 s。

基于数字孪生技术的牵引电机低转矩脉动虚拟控制方法研究

针对牵引电机存在的高转矩脉动问题,研究了基于数字孪生技术的牵引电机低转矩脉动虚拟控制方法:设备层获取物理实体牵引电机运行数据后,经通信接口将数据传输至数据层存储;软件层调用数据层中的数据,采用Unity 3D软件完成牵引电机由物理实体到虚拟的数字孪生,构建牵引电机虚拟机三维模型,并通过显示层虚拟仿真平台展示虚拟模型及相关数据,操控者从虚拟仿真平台观察、分析虚拟模型及相关数据后,利用连续型定子磁链轨迹的控制方法,在牵引电机转速增加的情况下,通过连续转换定子磁链轨迹来降低牵引电机的转矩脉动,完成牵引电机的低转矩脉动虚拟控制。试验结果表明:构建的牵引电机虚拟机模型与物理机实体结构相同,仿真度较高,可利用以虚控实,降低牵引电机的转矩脉动,消除转矩失控的情况,保障牵引电机的安全运行。

基于ITD-ELM的发电机转子绕组轻微匝间短路故障诊断

针对转子绕组匝间短路早期故障不易检测的问题,本文提出一种基于本征时间尺度分解ITD(intrinsic time-scale decomposition)和极限学习机ELM(extreme learning machine)的发电机转子绕组轻微匝间短路故障诊断方法。首先,采用ITD算法将同步发电机的运行数据分解为若干旋转PR(proper rotation)分量,并根据峭度准则进行信号重构;然后将重构后的信号作为输入量,诊断结果作为输出量,构建基于ITD-ELM的发电机匝间短路故障诊断模型;最后以一台型号为MJF-30-6的同步发电机数据为样本,对其轻微匝间短路故障进行诊断,结果表明:基于ITD-ELM模型的故障诊断准确率较单一的ELM模型显著提高,验证了本文所提故障诊断方法的有效性和准确性。

教育数字化转型的本质:从技术整合到人机融合

探寻教育数字化转型质的规定性是有效推进转型实践的认识基础。信息技术整合提升了信息分享效率,但客观上带来了技术与教育主体(教师、学生、管理者)的分离,不能实现机器智能与人类智能的汇集融合。作为理论范式的教育“技术整合”认为,信息技术教育应用是一个通过技术与课程的“物物整合”,革新教学内容呈现,注重知识推送,促进学生知识获取,从而提升工业化“教育生产”效率的过程。“技术整合”范式在本体论、方法论、认识论与价值论四个维度都存在限度,难以满足教育数字化转型的价值创造需求。教育数字化转型的本质指向是“人机融合”,这一新范式认为,信息技术教育应用是一个通过教育主体与机器的“人机融合”,利用人机协同,汇集机器智能与人类智能,促进学生心智成长,从而实现“大规模因材施教”的过程。这一范式遵循了现代教育理念,是教育数字化转型的理论基础。实现教育数字化转型需要基于“人机融合”理念:(1)通过整体流程再造,实现教育全系统数智驱动;(2)通过新型能力建设,实现教育人机一体化;(3)通过系统优化创新,实现价值体系的重构;(4)通过组织专项研发,实现技术的教育性提升。

复杂地层条件智能化建井关键技术及发展趋势

井筒智能化建设是地下矿物资源开采、地下空间开发利用等领域高质量发展的重要技术支撑,也是井筒建设发展的必然趋势。在分析我国深厚冲积地层、硬岩地层、岩溶地层、富水弱胶结地层4种典型地层条件下现有建井技术的基础上,以西部富水弱胶结地层煤矿盲竖井建设为典型代表,从地质探查、地层改性、掘进装备、支护结构等方面梳理了智能化建井面临的挑战;深入剖析了复杂地层条件下智能化建井需要继续解决的问题及技术发展趋势,包括建井地层全信息探识与重构技术、智能化冻结控制技术、掘进装备破岩-排渣及智能化控制技术、掘-支协同智能化控制技术、仿真决策与智能化管理系统平台;提出了智能建井的发展建议,以期为推动智能化建井技术发展提供参考。

基于无可变轴许可的五轴3+2后处理开发与验证

基于NX软件许可证无可变轴功能,对“非正交摆头+转台”结构的3+2后处理构建的可行性进行分析,通过后处理构造器建立匹配NX软件和DMU80P机床的专用3+2后处理器,并利用CIMCOEdit软件模拟刀路和解析NC程序的方式验证后处理器的正确性,可为其他限制条件下的后处理开发提供参考。

基于VMD-PSO-ELM的锂离子电池剩余寿命预测

为了准确地预测锂离子电池的剩余寿命,提出了变分模态分解(VMD)结合粒子群算法(PSO)优化极限学习机(ELM)的锂离子电池剩余寿命预测模型。首先,根据放电容量与电压曲线、最高温度、最大内阻和放电容量提取出与锂离子电池剩余寿命高度相关的健康因子,然后利用PSO算法对ELM神经网络的权值和阈值进行优化,采用VMD分解将锂离子电池的剩余寿命原始数据分解为若干子序列,基于PSO-ELM模型对各个子序列进行预测,最后将各个子序列的预测结果求和,即为锂离子电池剩余寿命的预测值。结果表明,VMD-PSO-ELM模型与其他模型相比,更能精准地预测锂电池的剩余寿命。

基于Seeded-Kmeans和SVM的分类算法

支持向量机(support vector machines,SVM)在人像识别、文本分类等模式识别问题中有广泛的应用,可以有效地解决一些实际生活中的分类问题。针对半监督两分类问题,提出了基于Seeded-Kmeans和SVM的分类算法(SK-SVM)。用SeededKmeans算法对无标签点进行处理,使其获得初始标签,再选取有效的标签点加入已有带标签点中,构成新的带标签训练集,最后结合SVM进行分类。选取UCI中的8个数据集进行数值实验,基于Seeded-Kmeans和SVM的分类算法的有效性得到了验证。

神经网络极速学习方法研究

单隐藏层前馈神经网络(Single-hidden Layer Feedforward Neural Network,SLFN)已经在模式识别、自动控制及数据挖掘等领域取得了广泛的应用,但传统学习方法的速度远远不能满足实际的需要,成为制约其发展的主要瓶颈.产生这种情况的两个主要原因是:(1)传统的误差反向传播方法(Back Propagation,BP)主要基于梯度下降的思想,需要多次迭代;(2)网络的所有参数都需要在训练过程中迭代确定.因此算法的计算量和搜索空间很大.针对以上问题,借鉴ELM的一次学习思想并基于结构风险最小化理论提出一种快速学习方法(RELM),避免了多次迭代和局部最小值,具有良好的泛化性、鲁棒性与可控性.实验表明RELM综合性能优于ELM、BP和SVM.

航空发动机传感器故障与部件故障诊断技术

结合局部学习思想与集成学习技术,提出了一种基于支持向量机-极端学习机-卡尔曼滤波器(SVM-ELM-KF,Support Vector Machine-Extreme Learning Machine-Kalman Filter)的航空发动机传感器故障与突发性部件故障诊断的方法.将改进的迭代约简最小二乘支持向量回归机训练技术推广到分类机中,用于区分传感器故障与部件故障,使得该分类机具有一定的稀疏性.对于传感器故障,利用ELM分类机对故障进行定位.对于部件故障,利用改进的卡尔曼滤波器对发动机各部件的健康参数进行估计,从而对部件故障进行定位.仿真结果表明,提出的故障诊断方法能够准确地区分传感器故障和部件故障,实现故障的有效定位,验证了方法的可行性.

支持向量机理论及算法研究综述

介绍了SVM的理论基础和它的多种主要算法及这些算法的利弊与发展现状,并介绍了SVM在现实生活中的应用原理及应用现状。最后分析了SVM在发展中的不足之处,指出了其研究方向及前景,并提出在分布式支持向量机这个方向上可以进行更深层次的研究。

基于主动学习和TCM-KNN方法的有指导入侵检测技术

有指导网络入侵检测技术是网络安全领域研究的热点和难点内容,但目前仍然存在着对建立检测模型的数据要求过高、训练数据的标记需要依赖领域专家以及因此而导致的工作量及难度过大和实用性不强等问题,而当前的研究工作很少涉及到这些问题的解决办法.基于TCM-KNN数据挖掘算法,提出了一种有指导入侵检测的新方法,并且采用主动学习的方法,选择使用少量高质量的训练样本进行建模从而高效地完成入侵检测任务.实验结果表明:其相对于传统的有指导入侵检测方法,在保证较高检测率的前提下,有效地降低了误报率;在采用选择后的训练集以及进行特征选择等优化处理后,其性能没有明显的削减,因而更适用于现实的网络应用环境.