在制造业的生产调度领域,不确定性与能耗问题备受关注。机器故障作为影响调度任务和车间能耗的一个关键不确定因素,其随机性对生产过程与能耗优化具有显著的影响。然而,目前关于机器故障情况下的柔性作业车间节能调度方案选择的研究相对较少。为助力节能减排,首先建立了一种鲁棒选择模型,旨在快速选择质量较优且节能的重调度方案。其次,设计了一种改进的多目标果蝇优化算法求解该模型。最后,通过10个公开算例和4个不同的机器故障场景验证了所提算法与模型的有效性和实用性。结果表明,与其他7种算法相比,改进的多目标果蝇优化算法有助于输出最优的调度方案;同时,鲁棒选择模型在辅助选择更优的节能调度方案方面发挥了重要作用,为实现节能减排目标提供了有力支持。

针对多层柔性作业车间的设施布局和物料运输资源配置优化问题,提出一种以最小化物流费用为目标,并具有系统产出率和生产周期双重约束的非线性随机规划模型,旨在优化多层车间设施布局和物料运输资源的速度配置。由于该问题的约束条件无法用决策变量的封闭形式表示,故提出一种基于仿真的启发式混合优化算法进行求解。通过算例实验和不同优化方法的对比,证明了该方法的优越性。此外,通过企业案例进一步验证了该方法在实际应用中的有效性和适用性。

调度问题常见于各类系统中,然而其求解过程依赖于先验知识与人为设定的规则。为降低调度问题求解成本并保证调度效率,针对具有共享资源的晶圆分拣系统实时系统调度问题,定义了并行控制 Petri 网(PcPN)进行系统建模,并基于PcPN开展了强化学习(DRL)训练,成功获得了可根据PcPN状态实时生成有效调度动作的调度智能体。此外,为提升DRL训练的稳定性,构建了PcPN深度策略网络并验证了其有效性。在实机实验阶段,PcPN实时调度算法被部署至晶圆分拣系统生产实例中,实现了PcPN驱动的晶圆分拣实时调度,有力验证了该算法的可行性与高效性。

流程生产具有分段式设备单元多、多工况需求变化频繁等特点,针对特定场景建立的数字孪生生产线模型缺乏工况变化的自适应能力,难以快速精准地感知产品质量变化;因此,为了提高数字孪生生产线模型的自适应性,提出了基于InceptionDCNN-LSTM神经网络与迁移学习的流程生产过程质量自适应预测方法(孪生环境下的自适应预测模型)。首先,搭建了由数字孪生五维模型与自适应预测模型组成的自适应预测总体框架;其次,根据工况变化程度提出相应的自适应迁移策略;然后,在此基础上,采用InceptionDCNN模块提取参数关联特征,借助长短期记忆神经网络挖掘质量时序特征,并引入迁移学习解决变工况下预测模型自适应问题;最后,以制丝生产线为例,搭建孪生车间平台并对孪生环境下的自适应预测模型的可行性进行验证。实验结果表明,变化工况下,自适应更新后的预测模型预测误差均低于1.7 %,稳定性优势显著,为提高变工况下数字孪生生产线模型自适应能力提供了新思路。

为解决闭链腿机构地形适应性不足的问题,提出了一种基于可重构杆件的闭链腿机构足端轨迹分析方法。首先,对闭链腿机构进行运动学分析,得到机构输入与输出的足端轨迹映射关系;其次,以预设的足端轨迹点作为求解目标,采用海马算法对闭链腿机构杆件进行尺寸优化;接着,以灵敏度为评价指标,分析闭链腿机构各杆长变化对足端轨迹抬腿高度的影响;最后,以支撑直线度和越障跨越度为评价指标,分析可重构杆件长度变化对足端轨迹的影响,并得到杆件最佳调节范围及对应的足端轨迹簇。基于单腿机构搭建多足机器人进行仿真,结果表明杆件可重构设计可为腿式机器人提供有效的足端轨迹,使其适用于不同的地形环境,提高其越障能力。

传统柔性手爪难以满足多物体抓取需求,为此设计了一款抓取与吸附功能为一体的多指节段气动柔性手爪,该柔性手爪由3根柔性手指组成,每根柔性手指包括2个气动腔室节段、刚性连接件、内嵌弹簧型伸缩驱动器(Spring-Embedded Pneumatic Telescopic Actuator,SEPTA)和鲍鱼仿生负压吸盘,吸盘提供额外的吸附力。首先分别建立了柔性手指气动腔室节段与SEPTA的运动学模型;其次采用ABAQUS仿真软件对柔性手爪的运动特性进行分析研究;最后搭建了实验平台,验证了鲍鱼仿生负压吸盘的吸附性能和柔性手爪的抓取能力。结果表明,与传统的多指节段柔性手爪相比,所提出的柔性手爪具有更大的负载能力(最大抓取力可达16.5N),具备可调的输出力,以及多种抓取模式。可为高负载要求的柔性机器人末端执行器设计提供借鉴。

针对传统机器人全局路径规划算法存在搜索效率低、容易陷入局部最优等问题,提出一种多策略改进灰狼优化算法(Multi-strategy improved Grey Wolf Optimization algorithm,MGWO)用于移动机器人路径规划。首先,提出一种自适应变权重策略,通过动态调整权重来提高收敛速度;其次,提出一种反向学习策略,以提高算法的全局搜索能力;再次,设计链式捕食策略,以便在搜索时同时受到最佳个体和前一个体的指引;最后,提出一种轮换捕食策略,以提高算法的个体搜索能力。为验证MGWO算法的寻优性能,以CEC2005部分标准函数对MGWO算法和传统灰狼优化算法进行对比实验,结果表明MGWO算法寻优能力优于传统灰狼优化算法。分别在30×30、40×40、50×50的3种不同规模的栅格地图下采用MGWO算法对移动机器人全局路径进行优化,所得最短路径值分别为43.86、59.33、85.10,均优于改进遗传算法、麻雀搜索算法、改进青蒿素优化算法和灰狼优化算法,由此验证了MGWO算法应用于移动机器人路径规划的有效性。

针对传统蚁群优化(Aco Colony Optimization,ACO)算法在自动导引车(Automatic Guided Vehicle,AGV)路径规划中存在的收敛速度慢、易陷入局部最优和死锁(如U型陷阱)等问题,提出了一种改进栅格地图环境的算法。该算法通过在路径寻优前对栅格地图中的U型陷阱进行匹配与填充来优化搜索过程。首先,对AGV路径规划环境进行栅格建模,并分别定义不可填充模型和多种可填充的3×3子单元栅格模型,对于U型陷阱及无效的节点,采用二维卷积进行迭代匹配与填充;然后,应用蚁群优化算法进行路径规划,能够有效避免蚂蚁在搜索过程中因陷入U型陷阱而导致的路径收敛速度慢和易陷入局部最优问题;最后,分别在U型陷阱栅格地图、迷宫环境地图及实际校园环境栅格地图中进行仿真验证,结果表明,该算法对栅格地图中的可通行节点填充率最高达83.5%,在路径规划中寻路时长最多减少了53.85%、路径长度最大减少了25.12%,总体来看,在寻路时长和路径长度上的优化效果都较为明显,尤其在处理更复杂的障碍环境时,优化效果更突出。

为了提高自动驾驶车辆的路径跟踪精度,提出了一种基于模糊线性二次型调节器(Linear Quadratic Regulator,LQR)的自动驾驶车辆路径跟踪控制方法。首先,在建立车辆二自由度动力学模型和路径跟踪误差模型的基础上,设计了LQR路径跟踪控制器;然后,针对误差权重系数固定的LQR路径跟踪控制器对多变行驶工况适应性较差的问题,利用模糊控制算法对LQR路径跟踪控制器的误差权重系数进行自适应调节,以达到对路径的精确跟踪;最后,通过CarSim软件和Simulink软件进行联合仿真,结果表明,与LQR路径跟踪控制相比,模糊LQR路径跟踪控制的最大侧向误差减小了53.3 %,最大航向角误差减小了46.9 %;通过Apollo Advanced试验平台验证了所提方法的有效性,该研究结果可为自动驾驶车辆路径跟踪控制器的设计与优化提供创新思路。

在车辆行驶过程中,荷电状态( State of Charge,SOC)估算高度依赖电流测量,但电流传感器故障会导致数据缺失,进而降低SOC估算精度,为此,亟需一种能够在电流数据异常或缺失情况下仍可准确估算SOC的方法。针对此问题,提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)-长短期记忆(Long Short-Term Memory,LSTM)网络-科尔莫戈洛夫-阿诺德网络(Kolmogorov-Arnold Networks,KAN)的数据驱动方法,该方法不依赖电流数据,可以作为电流传感器失效时的替代SOC估算方案。CNN-LSTM网络-KAN模型综合利用了CNN的特征提取能力、LSTM网络的时间序列建模优势和KAN的非线性分解能力,从而实现对车辆行驶过程中SOC的估算。最终CNN-LSTM网络-KAN模型通过实车行驶数据集得到了效果验证,结果表明,所提方法对SOC的预测值与SOC真实值之间的平均绝对误差(Mean Absolute Error,MAE)为0.381,均方根误差(Root Mean Square Error,RMSE)为0.467,决定系数R²为0.980。说明所提方法在电流传感器失效情况下,仍然能够有效估算车辆的SOC。

针对传统的基于曲线离散的轨迹生成方法及主流商用数控CAM软件难以兼顾质量和效率,生成的刀具轨迹精度低且轨迹段数多的问题,因双头蛇(Double-Headed Snake,DHS)算法通过模拟蛇的爬行实现对包含自由曲线的不规则轮廓的逐段逼近,可提升精度,减少轨迹的组成段数,但DHS算法生成的刀具轨迹存在跨越不同图元的情况,影响精度;为此,结合双头蛇算法的思想,提出了一种考虑面积误差、余弦角变化率和弦差这3个约束的改进双头蛇(Improved Double-Headed Snake,IDHS)算法。通过复杂B样条曲线“剑鱼”的工艺轨迹优化仿真实验,并与D-P算法、等弦差法、MasterCAM内嵌算法及DHS算法进行对比,从生成的轨迹精度和轨迹的组成段数进行评价,验证了提出方法的有效性及高精度。IDHS算法进一步充实了曲线离散理论,且提高了经济型数控机床的加工质量和效率。

为获得高精度的测量数据,从而构建精准数字孪生几何模型,区别于以往三维扫描等非接触方式,提出了一种以接触方式获取测量数据的方法。以轴承圈测量为例,改进了轴承圈尺寸检测线测量方法,分别建立了基于正弦逼近和卷积神经网络(Convolutional Neural Networks,CNN)的外径误差模型,并采用正交试验选择了CNN外径误差模型最优参数,随后通过对比试验为轴承圈大端和小端的外径测量选取了最佳外径误差模型。试验结果表明,改进后的大端和小端的外径测量误差分别平均降低了63.20%和97.98%。最后,提出并验证了单点外径值计算方法,解决了测量数据难以应用于数字孪生几何模型构建的问题。

针对设备运行过程存在多种状态从而导致难以精准预测的问题,提出了一种两阶段多层次的灰色状态马尔科夫预测模型。首先,提出了3种预测指标,即运行时间、故障时间以及停机时间用于表征设备的状态;其次,建立了新型两阶段多层次设备状态划分体系,并给出了设备各状态等级;同时,根据设备状态的运行时间定义了设备状态区间,运用灰色系统理论构建两阶段多层次灰色状态马尔科夫预测模型,实现了对设备多种状态的预测,使定期预防性维护转变为依据设备不同状态的精准维护;最后,以某半导体面板制造业的设备生产实际状态为例,得到了当设备处于第一阶段亚健康状态时,对设备采取计划性维护的策略,当设备处于第二阶段故障宕机状态时,采取预防性修复的策略,当设备处于等待状态时,可对设备的重要机构实施维护策略。同时,也对该模型的有效性和可行性展开验证,并对模型的预测精度进行了检验与分析。

针对永磁同步电机在多故障场景下特征提取不充分、时间依赖关系难捕捉及类别不平衡等问题,在1D卷积神经网络(1D Convolutional Neural Network,1D-CNN)基础上,提出了一种基于多信号特征融合机制的永磁同步电机故障诊断方法。首先,通过多尺度卷积与动态残差连接构建了高效的振动信号和温度信号的特征提取模块,旨在捕捉不同频段的关键信息,增强特征提取的完整性;然后,引入时空门控循环单元与双向注意力机制,充分挖掘电流信号中的多层次时序依赖关系,强化对复杂故障特征的识别能力;最后,利用多信号特征融合与自适应多目标优化损失函数,有效平衡各类样本贡献,并优化了特征空间分布。实验结果表明,提出的改进方法与原始的1D卷积神经网络相比,在不同转速下均具有更高的故障诊断精度和更优的适应性,检测精度、召回率和mAP分别提升了2.3 %、1.9 %和2.3 %,有效解决了多故障类型识别准确率与鲁棒性不足的问题。

针对现有往复式压缩机故障诊断方法在缺乏故障样本时难以构建高精度诊断模型的问题,提出一种结合故障机理驱动的虚拟样本生成(Virtual Sample Generation,VSG)和卷积神经网络(Convolutional Neural Networks,CNN)的往复式压缩机故障诊断方法。首先依据往复式压缩机故障机理与源域数据集对故障共性特征参数进行建模;然后通过共性特征参数和目标域正常角域数据计算得到故障特征,在此基础上将故障特征与目标域正常角域数据结合,生成个性化故障虚拟样本;最后根据目标域正常样本和故障虚拟样本,构建无需目标域往复式压缩机真实故障样本的故障诊断模型。通过往复式压缩机故障模拟实验台数据和某石化企业生产现场数据验证提出方法。研究结果显示,提出方法平均准确率达到88.92 %,相较于对比方法TCA-BPNN、LMD-SDAE、WKCL、RSTRN分别提升49.19 %、22.09 %、18.99 %、14.59 %,证明提出方法在性能上有明显的提升。

陶瓷表面缺陷检测对产品质量至关重要,传统检测方法具有局限性,深度学习方法为其带来了新的契机。首先,阐述了提升陶瓷表面小目标缺陷检测精度的方法,包括添加注意力机制、特征改进和网络结构优化等;其次,从轻量化模型的改进和网络模块集成与优化两个方面对提升模型缺陷检测实时性的方法进行了分析;最后,由数据增强、迁移学习和样本分布优化等方法对在陶瓷表面进行缺陷检测时面临的小样本和不平衡样本问题进行了归纳,并总结了陶瓷表面缺陷检测技术实施中可使用的解决方案,展望了未来陶瓷表面缺陷检测的研究方向。