CIMS下的焊接车间生产管理系统设计

采用VC＋＋6．0及SQL Server 2000,设计开发了基于Win2000 Server中文平台下的焊接车间计算机管理系统。该系统能够完成焊接车间生产过程相关信息的集成管理,实现了系统信息资源的共享,解决了生产管理中出现的人为干预过多、信息传递慢的缺陷,可用于CIMS下焊接车间的网络化生产。     

群智能机制启发的传感器网络能量感知服务质量路由树

提出一种理论优化路由树的启发式算法,实现地理信息辅助的传感器网络服务质量数据收集架构.算法采用群智能蚁群优化机理进行设计:首先通过构造基于流量的能量有效性权将网络划分为不同的功能区域,使得路由的选择过程能够低延时地自适应网内不均衡性的能耗状况;然后,设计了新颖的启发式因子和信息素更新规则,赋予人工蚂蚁代理感知网络局域能量状况和逼近理论优化树的能力,从而提高路由构建的自适应性和能量有效性.仿真实验结果表明,本文提出的路由机制能够在数据收集的应用背景下,有效提高收集质量和降低传输时延,并在健壮性和节能效果方面优于许多经典的传感器网络路由算法.     

基于运行数据的民航机场安全管理系统研究

随着运输量的快速增长和运行复杂性的日益增加,民航机场面临的安全压力日益增大。本文运用信息管理手段解决机场安全管理问题,建立了基于B/S结构的机场安全管理系统。该系统为机场相关部门提供了日常安全管理工具和必要的突发事件响应决策支持工具,实现了机场安全管理的日常工作和风险管理的结合,提高了机场安全管理的准确性、快捷性和高效性。     

基于物联网的智能交通系统的构建

物联网在城市交通的应用是未来智能交通发展研究的重要方向。针对现在智能交通系统的现状及存在的问题,在充分理解动态感知、主动管理、人-车-路协同概念基础上,构建基于物联网的智能交通系统。论文中给出了物联网智能交通系统的构架及其各项功能。     

网络系统的容错控制、优化与博弈研究综述

网络系统是一类由多个子系统通过机械或通信相互耦合所构成的系统。该系统由于其结构复杂、耦合机制多变,具有较高发生故障的概率。随着近几年人工智能的快速发展,网络系统除了可能发生物理故障,还可能存在恶意决策,为系统的安全性带来了新的威胁。本文首先针对网络系统的物理故障,从容错控制和容错优化两个角度总结和梳理当前国内外相关的研究成果。接着,沿着容错博弈控制技术发展的脉络,从博弈控制到分别面向物理故障和恶意决策的容错博弈控制,总结了相关的研究成果。进一步,梳理了当前博弈论在集群飞行器中的应用现状,并以此抛砖引玉,希望推动容错博弈成果在航空航天领域中的应用。最后给出了几个未来值得探索的研究方向。     

基于神经网络的风洞尾支杆减振系统

风洞试验时,由于气流的影响,测试用悬臂式尾支杆容易产生大幅度低频振动,这会严重影响测试精度,甚至损坏自身结构。为了有效抑制尾支杆的振动,本文设计了基于压电组件的主动减振系统,并将人工神经网络应用于PID控制,提出了神经网络PID智能控制算法。对尾支杆进行有限元分析,获取其模态参数。然后设计试验测试减振系统的性能,将神经网络PID与经典PID的控制效果进行对比。试验结果表明:在连续载荷的作用下,采用经典PID控制算法与神经网络PID均可达到有效控制(减振幅度70%以上),且神经网络PID在保证减振效果的情况下实现控制参数自整定,具有良好的鲁棒性。     

固体动力智能化发展技术展望

固体火箭发动机的智能化发展可使其具备自感知、自适应的特点,从而满足推力可调、可多次启停、跨域长时间工作的未来飞行器动力需求.综述了三种具有智能化特点的固体动力研究进展,通过对多模态跨介质组合动力、固体火箭超燃冲压发动机、智能可控固体发动机的工作原理及性能优势进行分析,明确了其未来发展的关键技术,并对其未来发展趋势和应用...     

滚动轴承支承下的转子碰摩故障动力分析、特征提取与智能诊断

针对滚动轴承支承下的转子碰摩故障诊断问题,考虑滚动轴承非线性赫兹接触和轴承径向间隙,建立了含不平衡-碰摩耦合故障的转子-滚动轴承系统动力学模型.应用三维谱图分析碰摩诊断依据和确定频段特征,利用仿真数据获取结构最优的神经网络模型,并对试验碰摩故障数据进行诊断,识别率高达90%以上.计算结果充分表明了建立的动力学模型的有效性,同时,研究结果为有效结合故障机理分析与故障智能诊断提供了新的方法.      

一种新型智能陀螺电源的研制

介绍了一种结合单片机控制技术与SPWM技术的新型智能陀螺电源的研制过程。系统采用SPWM技术,提高了输出电源电压与频率的稳定性;利用单片机系统监控电源的运行,能及时处理各种故障,提高了电源系统的稳定性和智能化,并使系统更易于使用和维护。     

Agent仿真中具有先验知识的混合学习算法与混合结构模型

强化学习是一种有效的机器学习方法,是无监督学习,通过不断地和环境交互得到外部环境评价信号,选择合适的动作。Q学习是一种典型的强化学习,其学习效率较低,尤其是当状态空间和决策空间较大时。为提高Q学习学习效率和收敛速度,采用具有先验知识的Q学习算法,利用模糊综合决策方法处理专家经验和环境信息得到Q学习的先验知识,对Q学习的初始状态进行优化;针对Agent个体学习与群体学习各自的不足,提出了采用混合学习算法,将个体学习与群体学习有效结合起来,提高了Agent的个体性能及系统整体的智能水平;同时为满足复杂适应性需求,采用Agent混合结构模型,在该模型中构造了基于知识的协调控制器,通过它来协调慎思式过程和反应式过程。