Java在工业监测系统中的应用

介绍了用Java开发工业监测软件的技巧和方法，结合多参数水质在线监测仪软件设计的实例，叙述面向对象程序设计的方法和常用组件的应用。     

面向低压电器的CPN协同装配任务建模与优化

针对低压电器自动化装配中所存在的资源无序竞争及交互不平衡问题,提出一种基于着色Petri网(CPN)的协同装配方法;利用人工势场(APF)算法来实现机器人的协同交互控制;并提出了一种基于目标函数梯度的自适应量子遗传算法(AQGA),对装配时间、装配机器人数等关键参数进行平衡优化;构建了一个面向断路控制器的协同装配实例,对所提方法的有效性进行了验证。结果表明,协同装配控制方法能够提高低压电器装配的柔性化程度,确保装配单元间的协同交互,实现低压电器的快速有序装配,提高了装配工作效率。     

结合深度学习与支持向量机的金属零件识别

目的 在视觉引导的工业机器人自动拾取研究中，关键技术难点之一是机器人抓取目标区域的识别问题。特别是金属零件，其表面的反光、随意摆放时相互遮挡等非结构化因素都给抓取区域的识别带来巨大的挑战。因此，本文提出一种结合深度学习和支持向量机的抓取区域识别方法。方法 分别提取抓取区域的方向梯度直方图（HOG）和局部二进制模式（LBP）特征，利用主成分分析法（PCA）对融合后的特征进行降维，以此来训练支持向量机（SVM）分类器。通过训练Mask R-CNN（regions with convolutional neural network）神经网络完成抓取区域的初步分割。然后利用SVM对Mask R-CNN识别的抓取区域进行二次分类，完成对干扰区域的剔除。最后计算掩码完成实例分割，以此达到对抓取区域的精确识别。结果 对于随机摆放的铜质金属零件，本文算法与单一的Mask R-CNN及多特征融合的SVM算法就识别准确率、错检率、漏检率3个指标进行了比较，结果表明本文算法在识别准确率上较Mask R-CNN和SVM算法分别提高了7%和25%，同时有效降低了错检率与漏检率。结论 本文算法结合了Mask R-CNN与SVM两种方法，对于反光和遮挡情况具有一定的鲁棒性，同时有效地提升了目标识别的准确率。     

基于CAN总线网络技术的温室控制系统设计

对温室控制系统的特点进行了研究,从低成本和可靠性以及技术优势的角度出发,提出了基于CAN总线网络技术的温室控制系统设计,介绍了P8XC591单片机的特点,分析了系统软硬件的设计     

基于滚动优化和分散捕食者猎物模型的全覆盖路径规划算法

针对多机器人执行全覆盖任务效果差的问题,提出一种基于滚动优化和分散捕食者猎物模型的多机器人全覆盖路径规划算法.首先,利用栅格地图表示作业的环境空间,并基于栅格地图修正捕食者猎物算法中的避开捕食者奖励,添加移动代价奖励和死区回溯机制构建分散捕食者猎物模型;然后,引入滚动优化方法,避免机器人陷入局部最优,预测周期内机器人覆盖栅格的累计奖励值作为适应度函数,并使用鲸鱼优化算法(WOA)求解最优移动序列;最后,在不同环境下进行仿真实验,得到的平均路径长度与生物激励神经网络算法(BINN)和牛耕式A*算法(BA*)相比分别减少了16.69%sim17.33%、10.32%sim20.03%,验证了所提出算法在多机器人全覆盖路径规划中的可行性和有效性.     

基于模糊推理L-系统的植物生长模拟研究

L-系统应用于模拟植物生长时,难以从植物学知识归纳、抽象出有关植物生长的语言式描述鲻规则,提出了基于语言描述的模糊推理方法来建立产生式规则的构造方法.介绍了从对植物生长的语言描述出发构造相应的模糊集合,进行模糊推理构造出L-系统产生式的方法.给出了主要的产生式规则和编程实现的模拟结果,仿真结果符合现实植物营养生长的“慢-快-慢”的基本生长规律,表明基于模糊推理的L-系统方法模拟植物的生长过程是可行的,避免复杂的植物生长机理建模.     

水质在线多参数自动监测仪的研制

介绍了水质多参数自动监测仪系统的结构，以及其每个参数测量的原理方法，并对系统的软件设计进行了详细说明。     

基于参数优化的机器人花键装配偏角感知识别方法

针对花键装配过程中存在轴孔偏角引起的卡阻导致装配成功率低的问题,提出基于参数优化的机器人花键装配偏角感知识别方法. 根据花键装配的特点,利用力传感器采集花键装配过程中的力/力矩信号,基于混合鲸鱼优化算法(HWOA)的极限学习机(ELM)识别偏角的力信号并构建偏角经验库. 结合支持向量数据描述(SVDD)算法,实现了未定义偏角的感知和偏角经验库的自我更新,以及用偏角的感知识别指导机器人完成花键装配任务. 实验结果表明,所提方法对未定义偏角感知成功率和对已知偏角的识别精度分别为98.8%、98.12%,能有效指导机器人进行花键装配.     

基于IPSO-SA算法的温室番茄产量预测方法

针对现代温室节能、高效和优质生产的需要,提出一种机理模型与参数辨识相结合的温室番茄产量预测方法。采用改进型退火粒子群算法(Hybrid algorithm of improved particle swarm optimization and simulated annealing algorithm,IPSO-SA)对温室番茄生长模型中难以确定的参数进行辨识,建立温室番茄产量预测模型。根据上海试验温室的气象数据和实测的番茄产量,分别采用模拟退火算法(Simulate annealing algorithm,SA)、粒子群算法(Particle swarm optimization,PSO)和IPSO-SA进行参数辨识和产量预测比较分析。经IPSO-SA校准的模型预测产量与实际产量的相对误差为2.2%,分别比经PSO和SA校准的模型减少了2.1%和0.7%。结果表明:IPSO-SA的收敛速度最快,均方根误差最小,预测精度最高。试验与模拟结果验证了经过IPSO-SA算法校准的番茄产量预测模型精确有效,可为温室番茄栽培提供理论依据。     

改进的基于神经网络的非线性多元回归分析

介绍了Levenberg-Marquardt算法来加速神经网络的训练过程,并且为了使得网络回归分析结果具有良好的泛化能力,在训练算法的目标函数中综合了网络权值因素。最后对所给出的算法进行了实例仿真,仿真结果表明该算法不仅具有较好的数据拟合精度,而且具有很好的泛化性能。