改进NSGA-Ⅲ的高维多目标柔性作业车间低碳调度方法研究

针对考虑低碳指标的柔性作业车间调度问题,建立了以碳排放量、机器能耗、完工时间和机器负载为优化目标的高维多目标柔性作业车间低碳调度(MaOFJLCSP)数学模型。鉴于NSGAⅢ在求解上述模型存在初始解质量差和易陷入局部最优的问题,提出一种改进NSGA-Ⅲ(NSGA-Ⅲ-HD)。首先,提出了一种基于混沌映射的实数编码机制,并在此基础上引入立方混沌映射对种群进行初始化,提高初始种群的质量;其次,设计了多种群精英存储的选择策略,在避免算法陷入局部最优的同时丰富了种群的多样性;最后,融合层次分析法和逼近理想解法(AHP-TOPSIS),选出一个更加全面且准确的调度方案。通过基准测试算例Brandimarte数据集和实例数据对改进算法进行验证对比,结果表明,NSGA-Ⅲ-HD在求解MaOFJLCSP时具有较高的优越性。

基于变体天牛须改进QL的AGV路径规划算法研究

针对Q-learning(QL)在解决AGV(automated guided vehicle)路径规划时前期收敛速度慢、后期易陷入局部最优等问题,提出了一种变体天牛须改进QL的进化强化学习算法(BAS-QL)。BAS-QL主要特点有三方面,首先使用变体天牛须算法对Q表格进行初始化,加快AGV路径规划的前期寻优速度;然后使用渐变衰减Epsilon-Greedy搜索策略,利用衰减Epsilon值来避免算法在后期陷入局部最优避免出现结果难收敛的现象。最后求解AGV行走的最优路径,并通过实验对BAS-QL算法进行验证。在n=15和n=20栅格图对比实验中,BAS-QL表现出平均耗时短、平均路程短和平均迭代次数少的特点。说明该方法在智能规划路径的同时还可以有效提升AGV的路径规划效率。

基于改进U-Net的小型机械零件识别与定位方法研究

针对基于机器视觉的小型机械零件识别速度慢、定位不精确等问题,文章提出一种改进UNet(improve U-Net,IU-Net)和最小外接矩阵(minimum bounding rectangle,MBR)结合的小型机械零件识别和定位方法(IU-Net-MBR)。首先,搭建视觉分拣试验平台,制作小型机械零件数据集;其次,为了提高特征提取效率,将U-Net的特征提取网络替换成轻量级MobilenetV2网络,降低模型的参数和计算量;然后,为了提高U-Net的分割精度和鲁棒性,在网络结构中引入SE(squeeze and excitation)注意力模块;最后,使用最小外接矩阵得到零件的长宽基本参数,实现零件的识别和定位。试验表明,IU-Net相对于U-Net在平均交并比Miou(mean intersection over union)和像素准确率PA(pixel accuracy)分别提高4.39%和3.82%。在处理图像时,IU-Net相对于U-Net速度提升76.92%。与主流分割模型相比,IU-Net实现了更好的分割效果,有效地提高了小型机械零件的分割精度。在抓取试验中,IU-Net-MBR在识别率和抓取率上分别达到了100%和96.67%。

基于自适应多尺度特征融合网络的金属齿轮端面缺陷检测方法研究

针对目前金属齿轮端面结构复杂,导致缺陷的小目标占比度高和尺度变化大引起的检测准确度低,难以满足企业实时在线检测需求等问题。本文基于YOLOv5s网络提出了一种基于自适应多尺度特征融合网络的金属齿轮端面缺陷检测方法(YOLO-Gear)。首先,搭建了一个齿轮端面缺陷检测试验台,并制作了齿轮端面缺陷数据集。然后,提出了自适应卷积注意力模块(convolutional block attention module-C3,CBAM-C3),CBAM-C3通过将通道注意力(channel attention module, CAM)和空间注意力(spartial attention module, SAM)相结合加强了对金属齿轮缺陷小目标缺陷自适应的特征学习与特征提取,及时对模型中的权重参数进行学习和优化,提高了模型对小目标缺陷的检测准确度;最后,提出了重复加权双向特征金字塔网络(bidirectional feature pyramid network, BiFPN),通过自适应控制不同尺度的特征图之间的融合程度,提高了模型对缺陷多尺度检测能力。试验表明,YOLO-Gear模型在齿轮端面缺陷测试集上的平均精度达到了99.2%,F1值为0.99,FPS值为33。相较于其他深度学习模型,本文提出的YOLO-Gear模型提高了检测的精度和效率,能够满足企业的实时在线检测需求。

改进NSGA-III求解高维多目标绿色柔性作业车间调度问题

为解决NSGA-III在求解上述模型存在初始解质量差与局部搜索效率低的问题,提出一种改进的NSGA-III(NSGA-III-TV)。基于MSOS编码,分别对OS和MS染色体采取不同混合初始化策略以提高初始解质量;基于关键路径,采用改进N6邻域结构进行邻域搜索,有效缩短完工时间并降低搜索盲目性,同时采用3种有效变异算子扩大算法搜索空间,提高后期收敛能力。结果表明:NSGA-III-TV在求解高维多目标柔性作业车间调度问题上具有较好的性能以及实用性,为企业生产制造车间的智能绿色转型升级提供了有力支持。

基于改进NSGA-Ⅲ的商用车车厢底板生产批量调度

以某商用车车厢的实际生产过程为背景,建立了以最小化加工时间、最小化能耗、最小化总拖期为目标的考虑工件分批的柔性作业车间调度模型。采用机器、工序、批量的三重编码方式对染色体进行编码,针对工件批量的变化提出了一种特殊的交叉和变异方式,针对NSGA-Ⅲ局部搜索能力较差、易陷入局部最优的缺点提出了改进NSGA-Ⅲ(BP-NSGA-Ⅲ)。使用柔性分批方式使得初始批量分配更加合理且不产生无效解;通过混合初始化方式提高初始解的质量加快收敛速度;通过新增的邻域搜索步骤避免迭代后期易陷入局部最优的情况;通过引入自适应交叉变异概率加快算法迭代前期的收敛速度和迭代后期的稳定性。通过对FJSP标准算例的运算并将结果与其他算法结果进行比较,验证了BP-NSGA-Ⅲ对求解FJSP的有效性和优越性,最后使用算法求解企业实际生产问题得到了较好的调度结果和最优调度甘特图。

基于Foldingnet的一种零部件匹配方法

本研究介绍了一种在焊装装备智能设计过程中的零部件匹配方法。该方法利用深度学习AI技术,改进了Foldingnet网络框架,对零部件特征信息进行高速提取和模型训练,构建了一个零部件特征历史向量库。该方法将零部件的点云信息转化为算法模型进行训练,对零部件特征进行捕捉和学习。在匹配过程中,计算待匹配零部件的特征向量与历史零部件特征向量的相似度,选取相似度高于90%的结果作为推荐。试验结果证明,该方法有效地解决了现有技术中零部件搜索准确率低、时间长的问题,提升了设计效率,缩短了开发周期。

复杂环境中多无人智能车协同控制

该文对多无人智能车以领航-跟随法在复杂环境下运动的编队控制问题进行了探讨,通过采用闭环控制律设计了一种编队控制器和编队控制方案,该编队控制器的优点在于其主要考虑智能车之间的距离和角度,同时参考领航者与相邻跟随者之间的信息实现精准控制。基于所搭建的模拟测试环境,测试改进的控制方法与传统编队方法。实验结果显示,该文所提出的方法在复杂环境下具有更好的运动控制效果。

基于改进SwinIR的条纹图去噪方法

条纹图的去噪处理可以恢复条纹图的边界信息,从而提高条纹图三维测量结果的准确性。为了进一步恢复条纹图的边界信息,提出了一种改进SwinIR神经网络的条纹图去噪方法。首先,引入Inception模块,对网络中的RSTB模块进行结构优化,以提高网络的局部特征提取能力。其次,引入多个残差块到网络整体结构中,缓解网络过深带来的梯度消失的问题。实验采用高密度区域条纹进行去噪性能测试,当噪声水平σ为50时,改进SwinIR算法的PSNR值可达31.96、SSIM值为0.9955、去噪时间为4.035 s。并且,本文改进SwinIR算法与其他7种代表性算法进行实验对比,结果显示本文方法在不同噪声水平下,去噪性能均为最优。