Online tool-wear measurement of small-diameter end mills based on machine vision

The objective of this study was to develop an online tool-wear-measurement scheme for small diameter end-mills based on machine vision to increase tool life and the production efficiency. The geometrical features of wear zone of each end mill were analyzed, and three tool wear criterions of small-diameter end mills were defined. With the uEye camera, macro lens and 3-axis micro milling machine, it was proved the feasibility of measuring flank wear with the milling tests on a 45# steel workpiece. The design of experiment （DOE） showed that Vc was the most remarkable effect factor for the flank wear of small-diameter end mill. The wear curve of the experiments of milling was very similar to the Taylor curve.

面向流媒体传输的Edge-to-Edge网络体系结构

随着网络技术的发展,互联网研究从单纯的数据交换转移到应用服务。传统的端到端网络体系结构存在许多缺陷,如缺乏资源可控性、无法保证QoS等,不适合传输海量流媒体数据。P2P等应用虽然缓解了服务器的压力,但损害了ISP的利益。本文提出面向流媒体应用的Edge-to-Edge网络体系结构,通过将核心网络和边缘网络隔离,在边缘网络节点中增加存储和计算能力来提高网络性能。分析了构建这种网络体系结构的关键技术。模拟结果表明,Edge-to-Edge网络体系结构能有效减少用户启动延时,极大减少核心网络带宽。

END样本下边缘频率插值密度估计的一致强相合性

在END样本下,研究一种由Jones等于1998年提出的非参数密度估计:边缘频率插值密度估计.本研究利用Bernstein型不等式,在较弱的假设条件下,证明该估计的一致强相合性,并得到相应的收敛速度.所得结果推广和改进了文献已有结果.

结合深度强化学习的边缘计算网络服务功能链时延优化部署方法

该文针对边缘网络资源受限且对业务流端到端时延容忍度低的问题,结合深度强化学习与基于时延的Dijkstra寻路算法提出一种面向时延优化的服务功能链(SFC)部署方法。首先,设计一种基于注意力机制的序列到序列(Seq2Seq)代理网络和基于时延的Dijkstra寻路算法,用于产生虚拟网络功能(VNF)的部署以及服务SFC的链路映射,同时考虑了时延优化模型的约束问题,采用拉格朗日松弛技术将其纳入强化学习目标函数中;其次,为了辅助网络代理快速收敛,采用基线评估器网络评估部署策略的预期奖励值;最后,在测试阶段,通过贪婪搜索及抽样技术降低网络收敛到局部最优的概率,从而改进模型的部署。对比实验表明,该方法在网络资源受限的情况下,比First-Fit算法与TabuSearch算法的时延分别降低了约10%和86.3%,且较这两种算法稳定约74.2%与84.4%。该方法能较稳定地提供更低时延的端到端服务,使时延敏感类业务获得更好体验。

一种基于ASME V的管状校准试块的优化

通过结合ASME V第4章中关于超声波检测对于管状校准试块的技术要求,介绍了一种基于ASME V的管状校准试块的优化,主要优化了管状校准试块的样式、管径及其加工、试块厚度、反射体、长度、端头型式等参数,优化设计后能够减少试块的数量和质量,利于携带,对工程实践应用有一定的实用价值。

新质生产力视角下高精尖产业发展:分析框架与竞合趋势(2024)

加快形成新质生产力有助于促进科技水平实现质的飞跃,推进高精尖产业转型升级。高精尖产业发展需要以契合新质生产力水平的技术革新作为推进动能、需要符合新质生产力发展规律的市场环境支撑、需要遵循新质生产力发展要求的政策支持,同时应呈现出能够彰显新质生产力的先进特征的竞争力水平。本文以加快形成新质生产力为要旨,结合高精尖产业自身特点,构建十大高精尖产业趋势分析框架,分别对其技术趋势、市场趋势、政策趋势和竞争力趋势进行分析,同时结合发达经济体的经验,对我国高精尖产业发展的未来方向,从宏观、中观、微观三个层面提出了对策建议。

基于偏好和虚拟适应度的两阶段依赖任务卸载算法

针对云边端协同环境中依赖任务卸载时效率低以及任务卸载失败的问题,提出一种基于偏好和虚拟适应度的两阶段依赖任务卸载算法.第一阶段,根据提出的二维卸载偏好因子对依赖任务的部分子任务进行直接卸载决策,从而有效缩小遗传算法初始种群的规模.第二阶段,提出基于虚拟适应度的启发式交叉方法,并对基于参考点的快速非支配排序遗传算法(non-dominated sorting genetic algorithmⅢ, NSGA-Ⅲ)的交叉算子进行改进,保留了种群多样性并提升了算法收敛速度,最后使用改进的算法对所有依赖任务的子任务进行最优卸载决策集的搜索.实验结果表明,与其他算法相比,该算法在任务完成时间、任务能耗和边缘云集群成本方面平均优化了10.2%~18.3%,并且将任务失败率平均降低了10.7%~25.6%.

基于代理选举的高效异构联邦学习方法

物联网多样性终端设备在计算、存储、通信方面的异构性导致联邦学习效率不足。针对上述联邦训练过程中面临的问题,基于代理选举思路,提出了一种高效联邦学习算法。设计了基于马氏距离的代理节点选举策略,将设备的计算能力与闲置时长作为选举因素,选举性价比高的设备作为代理节点,充分发挥设备计算能力。进一步设计了基于代理节点的新型云边端联邦学习架构,提升了异构设备之间的联邦学习效率。基于MNIST和CIFAR-10公开数据集与智能家居设备真实数据的实验表明,该联邦学习方法的效率提高了22%。

基于接触区域自适应调整的圆弧头立铣刀后刀面磨削轨迹精确计算方法

为保证圆弧头立铣刀后刀面的加工精度,提出一种基于接触区域自适应调整的圆弧头立铣刀后刀面磨削轨迹精确计算方法。通过圆弧头立铣刀结构特征分解构建了后刀面的数学模型;通过计算砂轮和后刀面之间的磨削接触区域,自适应修正砂轮姿态,避免磨削干涉,实现了后刀面几何参数控制的准确性和一致性,并保证了曲面的光滑连接。最后,在VC++平台算法模块开发的基础上,通过加工仿真和磨削试验验证了该算法的有效性。

基于多任务监督学习的室内空间布局估计模型

室内空间布局估计作为当下计算机视觉领域的研究之一,在目标检测、增强现实和机器人导航等任务中发挥着重要的作用。为更加有效地感知室内场景的布局关系,提出了一种基于多任务监督学习的室内空间布局估计方法,端到端地提取出室内场景的空间分割图。针对室内图像的分割特点,设计编码器-解码器的网络结构,并引入多任务监督学习,从而推理出室内空间布局和各区域的语义边缘结果;定义联合损失函数,在模型训练过程中不断优化分割效果;为更好地表达出各区域之间的布局关系,通过各区域的边缘预测结果,对网络模型的输出进行局部精细化处理,以推理出室内场景空间的最终布局。在公共数据集LSUN和Hedau上进行实验,所提方法能够有效地优化室内空间布局估计效果,分别获得7.54%和7.08%的像素误差,总体上优于对比方法。

无人机群场景下边端协同计算卸载技术

当今全球频繁出现自然灾害,针对一种无人机协同下的应急救灾计算卸载场景,提出一种带有协调器的边-端架构。综合考虑场景中的时延、能耗与无人机之间的负载均衡作为系统总代价,采用改进的深度强化学习算法APPO(advanced proximal policy optimization),以最小化系统总代价为目标进行卸载优化。任务的部分卸载相比二进制卸载可以更大程度上降低系统的总代价,APPO算法针对不同的任务情况可以找到合适的卸载比例与无人机进行卸载。仿真与实验结果表明,该算法与全本地处理相比,系统总代价降低了约50%,与较先进的A2C相比,系统总代价降低了约14%。展现了所提策略在该场景下的优越性。

基于Light-Resnet卷积神经网络的电力设备监测数值识别算法

在智能电网中,精确监测输电、配电及供电关键设备的运行状态对在线运维至关重要。面对人工抄录和巡检的低效,以及监测装置数字化升级的复杂安装、高成本和长周期等挑战,结合图像采集装置与图像处理技术,根据计算资源合理分配任务,开发了一种基于Light-Resnet数值识别算法,该算法通过D-Add损失函数优化网络训练过程,实现电力设备监测数据的远程读取。实验表明:Light-Resnet以6090的参数量在MNIST数据集获得了98.8%的严格准确率,结合边端协同机制,终端侧能耗降低了20.73%。这一算法不仅证明了自身在资源受限环境下的适应性和高效性,同时D-Add损失函数的设计也显著提升了网络的准确度。

基于多智能体的工业数字孪生系统云边端架构与关键技术

基于多智能体的工业数字孪生系统(iDTS)由人、设备、环境、孪生仿真系统和计算系统等多智能体构成,是一个多智能体、AI算法和数字孪生融合驱动的新一代iDTS系统。针对工业数字孪生系统在实时性、智能性和负载均衡等方面的需求,提出了基于多智能体的iDTS系统的典型特征、云边端架构和关键技术体系,主要包括模型驱动智能体自学习优化方法、多智能体交互的同步与共享方法、多智能体协同的分布式控制方法、iDTS系统制造资源协同调度方法和iDTS系统的云边端负载均衡方法等。最后,通过典型案例展示了基于多智能体的iDTS系统的应用效果。所提出的系统架构与关键技术为推动人工智能和数字孪生技术在智能制造过程中的深入应用提供了重要参考。

知识嵌入深度强化学习的6G网络决策算法

为了保证6G网络场景下用户的服务质量(quality of service, QoS)时延以及解决深度强化学习(deep reinforcement learning, DRL)收敛时间较长的问题,对云-边-端架构下的计算网络进行了研究。提出了多评论家深度强化学习框架,在此基础上提出知识嵌入多评论家深度强化学习算法,将无线通信知识嵌入深度强化学习,采取深度强化学习与计算网络结合的方式对网络中的计算资源和频谱资源进行分配。仿真结果表明,所提出的方法相比于传统的深度强化学习方法能够有效减少收敛时间,并且能够在信道时变的环境下,保证用户时延的基础上能够实现实时决策。

云边端协同下多用户细粒度任务卸载调度策略

为了解决当前处理多用户应用程序效率低下、密集网络资源利用率低及系统花费成本高等问题,提出了一种云边端协同下多用户细粒度任务卸载调度方法。该方法联合考虑了时延、能耗和服务器租用成本,先划分应用程序任务并设计子任务优先级,然后提出了多用户子任务调度方案,设计了一种改进的模拟退火粒子群算法求解最小系统总成本,从而实现最佳卸载决策。实验结果表明,所提方法相较于粒子群和模拟退火二元粒子群等其他方法,分别降低了至少12.28%和7.42%的总成本。

面向信号调制识别的神经网络模型轻量化方法

为了提高智能化信号调制识别任务的实时性,本文对用于信号调制识别的深度学习模型进行了轻量化研究.通道剪枝是减小模型复杂度的有效方法,但现有的方法受原始模型深度的限制,虽然剪枝后的计算量减少,但是加速效果并不明显.针对上述问题,本文提出一种面向信号调制识别的神经网络模型轻量化方法,以卷积层作为最小剪枝单元,为每个卷积层生成代理分类器,根据代理分类器的分类精度评估卷积层的重要性,移除重要性较小的模块从而实现剪枝,对剪枝后的模型进行微调,以恢复模型的准确率.在公开数据集上,对多种信号分类模型进行实验,与通道剪枝方法相比,可以更有效地加速模型推理,模型参数量和浮点计算量下降80%以上,推理时间下降70%以上.而针对在高压缩率下模型性能损失问题,本文提出以知识蒸馏代替微调过程,将“知识”直接从原模型转移到剪枝后的紧凑模型,相比于微调,准确率提升可达2%.

基于“云边端”架构的直角机器人控制系统设计

为了满足直角坐标机器人控制系统对通用性和工业数字化的需求,设计了基于“云边端”架构的直角机器人通用控制系统。首先根据提炼的系统通用功能,提出采用“云边端”架构的总体方案;其次,以架构为基础,以实现基本功能为目标,以低代码技术作为编程手段,从设备端、边缘端、云平台端三方面分别进行设计。最后搭建实验平台,对“直角机器人搬运控制系统”设计目标进行验证,证明了采用“云边端”工业互联网架构的通用控制系统具有可行性和工业数字化的特点,同时可提高控制系统设计效率。

云边端协同移动群智感知中基于两阶段资源均衡的任务分配方法

在集中式移动群智感知中,云平台负责任务分发和数据收集等全部过程.当面对各种实时应用场景的需求时,云平台将面临数据计算、存储以及通信压力.针对上述问题,本文结合云边端体系结构,设计了两阶段的任务分配策略,分析参与者资源状态对任务的影响,构建了资源评估模型.以最小化任务平均响应时间为优化目标,以资源均衡为约束,提出了基于两阶段资源均衡的任务分配方法.该方法首先提出基于资源占用率的边缘服务器资源均衡任务分配方法,为边缘服务器选择任务集,再提出基于改进蚁群算法的参与者资源均衡任务分配方法,通过边缘服务器和参与者之间的协作实现资源均衡.仿真实验结果表明,本文所提算法同其他算法相比具有良好的性能.

基于云-边-端协同的区域级风电场大数据中心数据管理框架及优化运行方法

区域级风电场大数据中心面临运行能效低、交互性差、资源重复建设等问题,难以满足数字化特征凸显的新型电力系统对数据实时计算、绿色计算的需求。该文系统性梳理了风电场大数据中心典型数字化业务的类别、算力敏感性特征和可调节潜力,构建了基于云-边-端协同技术的数据管理架构,从数据交互、业务执行、资源调度和质量治理4个维度提出了大数据中心优化运行方法。算例仿真分析了所提架构在数据传输、存储和能耗等方面的性能,结果表明:相较于集中式架构,云-边-端协同可为大数据中心云服务器节约350%的存储容量,降低21.04%的能耗,验证了所提架构在实际工程中应用的有效性和合理性。

智慧轨道交通云边端协同系统关键技术研究

为解决智慧轨道交通中海量数据接入的同时合理利用信息和通信基础设施资源,研究智慧轨道交通云边端协同系统的关键技术。归纳智慧轨道交通系统的总体框架与技术架构,提出各专业系统智能化演进的共性特征。分析云中心、边缘计算平台及终端的管理、处理能力、带宽占用、实时性等特点,研究智慧轨道交通云边端协同方式,并提出相匹配的系统分级架构与网络架构。在此基础上,以接触网智能运维系统为例,提出单台检修车设置边缘计算节点集成各类智能终端实现独立检测维修能力,通过云中心统一管理、优化、迭代的典型系统方案。云边端协同有助于实现轨道交通泛在感知、高效处理与信息、通信基础设施之间的有效融合,在智慧轨道交通中有广泛的应用前景。