基于深度判别的零件吸附位姿搜索

重工机械设备组装中定制化零件具有形状复杂、尺寸跨度广的特点,实际生产中,吸附零件的准确性与实时性仍有较大的优化空间。为此本文提出了基于深度判别的零件吸附位姿搜索算法。通过DenseNet-121模型对合成的图像进行判断,并对判为非规则类型的零件使用GWO搜索吸附位姿,同时引入了基于重心点的高斯分布或均匀分布抽样初始化种群。试验表明,本文提出的判断模型平均准确率为99.3%,推理时间降低了487倍。而提出的改进GWO在非规则型零件集上的吸附得分提升了7.7%,整体时间开销降低了39.42%,证明了本文方法具有更好的快速性与准确性。     

基于深度强化学习种群优化的演化式分拣调度算法

机械制造中的产线分拣作业具有问题与数据的双重复杂性,为了对分拣操作进行优化以提高生产效率,设计了一套分拣作业的数据表示方法与一种基于种群优化的演化式算法,同时整理并公开了一个真实的工业数据集。数据表示方法通过借鉴词袋模型对原始作业数据进行抽象表示;演化式算法使用深度强化学习初始化遗传算法中的种群,同时引入了精英保留策略以提高算法的优化能力。最后,将提出的算法与其他算法在真实的工业数据集与旅行商问题数据集上进行了对比。结果表明,该算法能找到更优的分拣顺序与访问路径,验证了算法的有效性。     

影响电能表误差的因素与现场校验分析

目前,在我国关于电能的测量一般多采用电能表和电能表校验仪器共同配合的形式,电能表是使用量最大、覆盖范围最广一种电能测量仪表,尤其是对其进行现场校验则是计量工作中的基础性工作,就如何确保电能表的准确计量已成为电力人员必须必备的专业素质和工作能力,以下结合具体实际粗略谈几点看法。     

基于AHP和混合Apriori-Genetic算法的交通事故成因分析模型

针对交通事故数据多维多层的特点,对交通事故的主要成因与潜在规律进行了研究。从驾驶员、车辆、时间—地点、环境四个维度出发,提出了基于层次分析法（AHP）和混合Apriori-Genetic的模型挖掘事故成因。首先,引入AHP对事故诱发因素进行重要度排序,在客观分析的基础上将事故因素量化,筛选出引发交通事故的主要因素;其次,结合混合的Apriori和遗传算法对主要因素进行定向分析,找出关联规则,提高挖掘的准确性。相关对比实验的结果表明该模型可以减少无用规则的产生并提高挖掘的准确性,具有一定的科学意义和应用价值。