可重构制造系统的车间作业调度策略

提出了一种实用的分层调度策略 ,通过对制造系统组织的重构 ,以最小作业生产延迟和最大系统设备利用率为目标产生可行的次优调度方案 .该策略分 3个阶段 :首先 ,采用增广拉格朗日松弛法获得复杂可重构制造系统的车间作业预调度方案 ,该方法能将复杂作业调度问题分解成多个任务层的子问题 ,通过求解子问题获得任务的作业时间和对应工序加工的生产设备类型 ;然后 ,对制造系统进行组织重构以形成多个虚拟制造单元 ,旨在使制造单元内的生产设备间物流传送 (由自动导航小车承担 )费用最小 ;最后 ,通过离散动态规划形成虚拟制造单元的生产作业调度次优可行方案 .通过数值仿真分析 ,该策略能针对快速变化的产品需求 ,有效地重构生产制造系统 ,产生次优的调度方案 .     

远程串口调试通信协议在嵌入式软件调试器设计中的应用

详细介绍了远程串口调试通信协议，并对嵌入系统中调试器使用该协议进行交叉调试的原理与程序实现进行了分析。     

城市供暖热力站自控系统调试流程

阐述了城市供暖中实现热力站温度、压力自动控制的必要性,介绍了太原市热力公司热力站自动控制系统的调试流程,提出了各个工作步骤中需要注意的一些事项。     

25Hz微电子交流计数站内电码化调试存在问题分析

分析了微电子交流计数站内电码化在车出清区段后不能自动复原的问题,探讨了解决问题的方案,并提出了在受端发码时受端发码电源的调试范围。     

基于改进LGDF模型的超声图像自动分割方法

基于局部高斯分布拟合能量(LGDF)模型的图像分割方法,对初始轮廓选取及参数选择较敏感.如果初始轮廓手动选取不当会由于陷入局部极小值而导致分割失败,且分割速度较慢.针对以上不足,提出了一种改进的LGDF模型的超声图像自动分割方法.该方法的正则化项由具有双极值点的势函数构成,在水平集函数进化过程中,可以避免由单极值点势函数造成的水平集函数震荡和扭曲,从而加快了收敛;另外,将局部熵阈值分割的结果作为LGDF模型的初始轮廓,接近真实轮廓,可以克服手动选取初始轮廓的影响.实验结果表明,该方法能自动获取合适的超声图像初始轮廓,并得到较好的分割结果,同时大大提高了分割速度.     

有界变参数车道保持准滑模控制

假定车辆质量、转动惯量、轮胎侧偏刚度等参数具有不确定性,考虑时变有界和慢变未知两种情况,研究了自动化公路系统车道保持控制方法.基于位置预瞄策略和车辆横向动力学模型,建立预瞄点处的车辆横向位置误差和横摆角误差动态方程;采用准滑模控制方法,设计车道保持变结构控制规律;基于李雅普诺夫稳定性理论,对控制系统的稳定性进行分析.仿真实验表明,采用文中设计的控制方法,在达到满意跟踪性能的同时,还能有效抑制颤振,对参数不确定性具有鲁棒性.     

基于PID神经网络自动换挡过程油门调速

提出了一种在AMT换挡过程中运用PID神经网络进行油门调速的方法.通过台架实验,建立了东风康明斯EQB235-20柴油发动机的油门实验模型,同时在Matlab平台上对PID神经网络进行训练,使其输出逼近理想油门实验模型.将训练后的PID神经网络移植入ECU,进行发动机调速实验.实验表明,PID神经网络有响应速度快、鲁棒性好、收敛特性好的特点,提高了车辆的自适应能力.     

森林竞争算法的并行化及其在线天线自动设计中的应用

针对线天线自动设计中运算时间过长问题,提出了一种基于主从模型的并行森林竞争算法优化模型.主进程执行森林动态演化的竞争模型,从进程并行地执行自然树生长竞争模型并调用天线数值计算程序完成费时的阳光适应度计算.利用该算法设计出了一种端射高增益新型树结构线天线.其具有5个枝条,增益达到9.048 dBi,带宽为8.45％,在“...     

浅谈变电站自动化系统调试

文章从变电站现场调试工作前的准备到设备投运的整个工作程序和调试方法及注意事项进行了详细介绍,并说明了细节问题应注意的事项。     

基于卷积神经网络感知功能的极端场景生成方法

近年来,基于卷积神经网络深度学习的感知算法在自动驾驶车辆环境感知系统中发挥着越来越重要的作用。由于在神经网络训练过程中,训练数据无法覆盖所有极端场景,因此如何保证基于深度学习的感知算法在极端场景下的安全性和可靠性,仍是一个亟待解决的问题。传统的基于真实行驶里程的验证方法,在获取极端场景数据上危险性高,经济性差,因此很难检验驾驶功能在极端场景下的性能。基于虚拟场景的仿真验证方法,虽然可以通过设置场景参数来生成大量测试场景,但是通过简单的参数组合并不能有效的生成极端场景。本文展示了一种在虚拟环境中生成极端场景的方法,用于训练和测试基于深度卷积神经网络的车道线识别算法。首先将场景特征用参数进行表示,然后使用deep Q-learning强化学习的方法,来生成极端场景的参数组合。通过与随机组合以及成对组合场景参数的方法进行对比,可以看出该基于强化学习的场景生成方法可以更有效地生成极端场景,因此可提高自动驾驶感知功能的测试效率,同时可为卷积神经网络提供更多的极端场景训练数据。