基于群体智能的群体机器人研究

本文首先对群体机器人的发展状况进行了介绍以及群体智能理论进行了阐述,讨论了群体机器人技术中的群体通信、群体控制、系统冲突等主要研究内容,并对该领域内的几个应用进行了介绍,最后提出了未来几个群体机器人系统的应用方向。     

基于加权距离邻域选取策略的多模态过程故障检测

针对多模态过程数据密度不规则性提出的一类基于密度的方法,大多是以欧式距离为基础来比较彼此间的相似性,从而检测过程是否发生故障。然而多模态数据密度在较小范围内变化较大,采用欧式距离很难获得全面的数据信息。本文提出了一种新的基于加权距离选择邻居的策略,该策略首先对距离进行合理的加权,再根据新的加权距离重新选择样本点的邻居,能有效地避免数据信息不全面的问题。在仿真实验中,首先通过比较基于传统的欧式距离和基于本文加权距离选取的邻居,说明本文策略的优越性;进而将该策略与局部离群因子(Local Outlier Factor,LOF)结合用于TE过程,对TE过程的仿真结果表明该策略在应用于基于密度的检测方法上获得了的良好效果。     

基于EMD和ICA的感应电动机故障检测

针对感应电动机的转子断条故障和轴承故障,以定子电流信号为研究对象,结合经验模态分解(EMD)和独立分量分析(ICA)原理提出了一种新颖的故障检测方法.该方法首先对定子电流信号进行经验模态分解,去除高频IMF部分,消除噪声干扰;然后用独立分量分析的方法进行特征提取,进而判断故障类型.仿真试验结果表明,该方法用于感应电动机故障诊断是行之有效的.     

基于动态加权差分主成分分析的故障检测

针对工业过程中存在的动态特性和多模态特性问题,提出一种动态加权差分主成分分析法(dynamic weighted differential principal component analysis,DWDPCA)。首先通过设置合理的时间窗描述系统的时序特性;其次对时间窗内的样本寻找第一近邻和第一近邻的近邻集,使用加权差分法对数据进行处理,解决数据中心漂移问题;最后利用处理好的数据建立主成分分析(principal component analysis,PCA)模型进行故障检测。该方法可解决数据动态、中心漂移问题。使用该方法对数值例子和TE(tennessee eastman)过程进行故障检测验证所提出方法的有效性。     

基于边缘特征的绝缘子故障检测

针对绝缘子图片的一致性较差且绝缘子故障特征的不可预知性问题,提出了基于绝缘子边缘特征的故障检测算法。首先基于纵坐标方向连续单像素边缘提取算法,实现绝缘子骨架提取与伪边缘过滤;然后采用改进的Canny算法,通过基于多峰梯度直方图的阈值分割和边缘跟踪,解决边缘的连通性与伪边缘之间相斥的问题,实现边缘特征的精确提取;最后基于均匀采样的边缘特征点计算角度的算法,通过绝缘子边缘特征的按片匹配,实现绝缘子的缺陷检测。对高速铁路接触网巡检车采集的406张运营线路绝缘子图片进行测试验证,结果表明本算法检测的精确度达到99%,召回率达到98.7%。本方法适用于拍摄正常及过度曝光情况下的绝缘子检测,满足运营维修保养的要求,可为绝缘子故障检测提供参考。     

基于共识主动性的群体机器人目标搜索与围捕

群体机器人系统的目标搜索和围捕任务是智能机器人领域一个典型的复杂问题,大多数现有的解决这一问题的方法依赖于一些不现实的假设,如可靠的通信链接、全局坐标信息、已知的环境信息以及机器人之间的中央协调控制. 为此,本文提出了一种基于共识主动性的群体机器人目标搜索与围捕框架. 该框架对反蚁群算法进行了改进,加入了多种信息素来帮助群体机器人协作探索环境,并生成信息素地图. 同时,该框架把在前一阶段生成的信息素地图和分层基因调控网络(hierarchical gene regulatory network,H-GRN)模型相结合,完成了群体机器人在环境信息未知且通信受限的场景中对动态目标的搜索和围捕任务. 仿真实验表明,该方法相较于传统方法具有更好的性能表现.      

基于软控制的群体机器人迁徙行为研究

为实现群体机器人迁徙系统的速度可控,研究了在软控制的干预下使群体达到期望速度的方法。在基于局部信息交互的分布式系统中引入软控制干预群体的运动形式,在不改变群体局部规则的情况下,实现速度可控的群体迁徙。利用代数图论和LaSalle不变原理,分析了该系统在软控制干预下的稳定性,并进行了仿真实验。实验结果表明,该控制策略能有效地实现稳定的群体迁徙行为。     

基于动态核主元分析的电缆接头故障检测方法

针对环网柜电缆接头故障发生前后时刻的时间相关性较强,且故障的发生是一个非线性过程,将动态核主元分析应用于环网柜电缆接头故障检测并建立故障检测模型.该模型可以在解决非线性变量难以分离的同时提取变量之间的动态自相关特性,并通过建立动态核主元在线监测模型及时检测故障的发生.最后对采集的环网柜电缆接头故障数据进行实验分析,实验结果证明所提方法能有效地检测出环网柜电缆接头故障的发生,且检测精度和误报率均优于之前的算法.     

语音情感特征提取和识别的研究与实现

针对语音情感识别的实时性与可用性问题,提出了利用汉明窗提取语音信号中情感特征的方法,从说话者中采集带有快乐、愤怒、惊奇、悲伤情感的语句,并从语句中提取8个情感特征参数．同时提出采用贡献分析法确定情感特征参数的权值,利用加权欧氏距离模板匹配识别语音情感．实验表明该方法识别率有提高,更适合实时识别的应用。     

基于加权统计模型和遗传算法的人像目标检测

目的 研究基于加权统计模型和遗传算法的人像目标检测方法。方法 提出用于检测非刚性图像目标的一种加权统计模型,该模型含有待检测目标样本的统计值,可有效解决图像目标发生形变和倾斜情况下检测器的适应性问题。     

随机干扰下AUV推进器故障特征提取与融合

针对水下传感器自身噪声等随机干扰影响水下机器人推进器故障诊断结果的准确性问题,为降低随机干扰影响,提出了基于小波近似分量提取故障特征、基于控制信号变化率提取故障特征以及带有归一化处理的特征融合方法.将速度信号进行小波分解,对分解后的尺度系数进行小波重构得到小波近似分量;对控制信号进行求导,得到控制信号变化率.基于修正贝叶斯算法,分别从小波近似分量和控制信号变化率中提取故障特征.基于证据理论对提取到的两个单一特征进行融合,并将融合结果进行归一化处理.水下机器人实验样机的水池实验结果验证了所提方法的有效性.     

一种基于概率盒-PSO-SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断的问题,提出了一种基于概率盒理论和粒子群优化支持向量机的故障诊断新方法.在分析故障信号的概率统计特性基础上,利用概率盒直接建模方法获得概率盒,利用证据理论实现了概率盒的融合.不同故障状态下的概率盒特征也不同,采用不同的累积不确定性测量方法提取了概率盒的特征,并构建出用于模式识别的特征向量集,将特征集代入利用粒子群算法优化后的支持向量机中实现故障诊断.通过对滚动轴承振动信号的实验测试与对比分析表明:该方法可以实现对滚动轴承准确的诊断,与传统特征提取方法对比,证明了方法的有效性.     

基于改进粒子群优化算法的信号检测及故障诊断

研究了一种分段双稳态随机共振系统,使用改进的粒子群优化(particle swarm optimization, PSO)算法对双稳系统的参数进行优化,将其应用于弱信号检测以及轴承的故障诊断。首先,引入分段的势函数,对系统的输出信噪比进行理论推导,从势阱中粒子的跃迁角度讨论分析了系统各参数对平均首次通过时间以及信噪比的影响,并借此对系统进行评价;其次,利用随机权重粒子群优化算法和自适应权值粒子群算法,分别与随机共振相结合,以输出信号的信噪比作为评价指标,对系统参数进行优化调节,并比较2种粒子群优化算法的改进算法;最后,将改进的粒子群优化算法应用于故障诊断,通过仿真研究和实验验证,对比几种算法的输出效果,评价了随机权重粒子群优化算法的有效性和优越性。     

用随机模式和调整机制改进粒子群优化算法

提出一种改进的粒子群优化(particle swarm optimization,PSO)算法,将随机(random)概念与调整(regula-tion)机制导入PSO算法中,既可避免族群搜寻过程中陷入局部最优解,又可提高算法在最优区域局部搜寻的能力.最后用2种复杂程度不同的函数为例,比较了本算法与广被采用的PSO-CF算法的最优化能力.结果显示,算法在搜寻成功率、平均收敛时间及平均收敛代数方面的性能皆优于PSO-CF算法.     

支持向量机在齿轮故障诊断中的应用

针对齿轮故障诊断中的小样本事件,采用了支持向量机（SVM）方法.采集齿轮3种典型故障（断齿、磨损、剥落）和正常状态的振动信号,提取时域指标和能量特征作为SVM输入向量,并采用交叉验证（K-CV）法优化SVM参数,最终得到的故障诊断准确率为100%.结果表明SVM是一种有效的齿轮故障诊断方法.     

单纯形微粒群优化算法的改进及其在优化PID参数问题中的应用

实现了对单纯形微粒群优化算法(SPSO)的改进.在利用单纯形法进行局部寻优的过程中,结合一维搜索中的0.618法选取压缩因子和扩张因子,将这一改进的方法应用在PID调节器的参数优化问题中,并进行了仿真实验.实验结果表明:改进后的单纯形微粒群优化算法的寻优过程更为完善,而且收敛速度更快.