期刊文献+
共找到7篇文章
< 1 >
每页显示 20 50 100
面向杂乱场景的机械臂抓取位姿预测方法
1
作者 李轩青 陈燕 《机电工程》 北大核心 2025年第6期1185-1192,共8页
针对复杂场景下机器人抓取智能化程度及抓取精度不足等问题,提出了一种新颖的机器人抓取位姿预测方法,即实时抓取网络(RGN)。首先,引入KPConv作为骨干网络,将其用于超点与密集点的特征提取,提出了一种新颖的几何特征计算方法,并利用交... 针对复杂场景下机器人抓取智能化程度及抓取精度不足等问题,提出了一种新颖的机器人抓取位姿预测方法,即实时抓取网络(RGN)。首先,引入KPConv作为骨干网络,将其用于超点与密集点的特征提取,提出了一种新颖的几何特征计算方法,并利用交叉注意力机制实现了多源特征的融合目的;然后,提出了区域关联特征提取模块,借助于几何特征信息进行了区域划分,通过多层感知机进一步完成了抓取位姿的预测,利用抓取系统运动链将夹爪位姿映射到了机械臂关节角特征上,控制机械臂完成了抓取;最后,引入了多样性损失函数,并将其与基线模型进行了对比,利用GraspNet-1Billion数据集和Cornell数据集开展了复杂场景下机械臂抓取性能的测试实验。研究结果表明:采用RGN方法可使抓取预测精度得到大幅提升,最大提升幅度达78.2%;将传统手工特征与深度学习相融合,对机械臂抓取位姿预测精度的提升起到了关键作用,这一规律可为构建良好的机械臂抓取模型提供具体参考方向。 展开更多
关键词 机器人抓取 抓取位姿估计 实时抓取网络 点云 深度学习 特征提取模块 交叉注意力模块
在线阅读 下载PDF
多条节点时间同步约束下无线传感器网络拓扑优化
2
作者 李亚韫 史磊 《传感技术学报》 北大核心 2025年第8期1476-1481,共6页
由于无线传感器网络中的节点数量和覆盖范围有限,数据传输采用多跳路由,导致传输延迟、能量消耗和数据丢失。当前的节点拓扑优化方法以能耗为约束条件,忽略了时间约束因素,导致优化过程存在弊端。提出多条节点时间同步约束下的无线传感... 由于无线传感器网络中的节点数量和覆盖范围有限,数据传输采用多跳路由,导致传输延迟、能量消耗和数据丢失。当前的节点拓扑优化方法以能耗为约束条件,忽略了时间约束因素,导致优化过程存在弊端。提出多条节点时间同步约束下的无线传感器网络拓扑优化方法。计算节点能耗情况及传输可靠度,明确可靠度与时间阈值间关系,根据节点度建立通信范围约束条件,去除噪声信号干扰。建立网络节点软硬件时钟模型,通过控制时钟系统达到多条节点时间同步约束条件,校准时钟误差,利用时钟漂移和偏移约束计算平均损失函数最优解,完成网络拓扑结构的优化。经仿真证明,所提方法的节点覆盖度保持在0.85以上,且连通性为1.0。 展开更多
关键词 无线传感器网络 网络拓扑优化 时间同步约束 结构优化
在线阅读 下载PDF
基于多准则决策与GO法的工业机器人可靠性评估方法研究 被引量:1
3
作者 朱娟娟 蔡星娟 《机床与液压》 北大核心 2024年第17期39-45,共7页
工业机器人设计阶段故障数据缺乏,给系统可靠性评估带来困难。针对此问题,提出一种基于多准则决策(MCDM)与GO法相结合的可靠性评估方法。建立相似性评价模型,在MCDM分析过程中,用云模型定量表示决策专家的评价值,消除评价过程中随机性... 工业机器人设计阶段故障数据缺乏,给系统可靠性评估带来困难。针对此问题,提出一种基于多准则决策(MCDM)与GO法相结合的可靠性评估方法。建立相似性评价模型,在MCDM分析过程中,用云模型定量表示决策专家的评价值,消除评价过程中随机性和模糊性的影响,得到关键部件的可靠性修正系数。对相似产品可靠性进行修正,实现关键部件可靠性的准确分析。建立工业机器人系统的可靠性GO图模型,以此为基础,建立工业机器人整机系统可靠性计算模型,实现系统可靠性的准确分析。最后通过实例对所述方法的操作过程进行说明,实现了对工业机器人可靠性评估。 展开更多
关键词 多准则决策 工业机器人 可靠性 GO法
在线阅读 下载PDF
基于双线性池化引导特征融合的轴承故障诊断算法
4
作者 陈毅朋 吴飞 周凯东 《航空发动机》 北大核心 2024年第5期145-152,共8页
为了深入优化滚动轴承在变负载驱动环境下特征提取不充分、轴承故障特征表征不足的问题,提出了基于双线性池化引导特征融合的轴承故障诊断算法。对读取到的原始信号数据进行预处理,通过去除直流分量、噪声滤波、抗混叠滤波、时域窗函数... 为了深入优化滚动轴承在变负载驱动环境下特征提取不充分、轴承故障特征表征不足的问题,提出了基于双线性池化引导特征融合的轴承故障诊断算法。对读取到的原始信号数据进行预处理,通过去除直流分量、噪声滤波、抗混叠滤波、时域窗函数等操作,提高信号处理后的振动谱图质量;对预处理后的信号数据进行傅里叶变换,计算出变换后的幅值和频率数据,并绘制对应的振动谱图;利用通道注意力和空间注意力改进Res2Net网络,提取不同关注点下的视觉特征,并基于双线性池化方法进行多特征融合;利用全连接和softmax函数构建分类头,实现轴承故障分类。结果表明:所提出的方法在凯斯西储大学轴承数据集以及德国Paderborn数据集中的精确率分别为98.22%、97.94%,在轴承故障诊断中,所提算法不仅在理论上融合了自动化控制理论与控制工程原理,而且在实践中验证了其在轴承故障诊断中的有效性,为实现轴承故障的早期预警和智能诊断提供了新的技术途径。 展开更多
关键词 滚动轴承 振动谱图 故障诊断 双线性池化 多特征融合
在线阅读 下载PDF
基于SCKF的GM-δ-GLMB多目标跟踪算法 被引量:1
5
作者 胡颖 《火力与指挥控制》 CSCD 北大核心 2023年第6期49-54,共6页
多目标跟踪场景中,目标状态和量测均为随机分布。以高斯混合δ广义标签多目标多伯努利分布(gaussian mixtureδ-generalized labeled multi-bernoulli filter,GM-δ-GLMB)为代表的多目标跟踪方法,将状态和量测使用多目标多伯努利分量表... 多目标跟踪场景中,目标状态和量测均为随机分布。以高斯混合δ广义标签多目标多伯努利分布(gaussian mixtureδ-generalized labeled multi-bernoulli filter,GM-δ-GLMB)为代表的多目标跟踪方法,将状态和量测使用多目标多伯努利分量表示,通过多伯努利分量递推,实现对目标的跟踪与估计。GM-δ-GLMB在非线性多目标跟踪场景下会出现跟踪性能下降的问题。针对这一问题,将均方根容积卡尔曼与GM-δ-GLMB相结合,提高了GM-δ-GLMB算法在非线性场景的跟踪精度。同时,为减少运算复杂度和杂波对估计结果的影响,采用统计门限和最大似然概率策略,获取候选量测,用于多目标分量的更新。仿真结果表明,所提出的方法在非线性跟踪场景下具有良好的估计精度。 展开更多
关键词 多目标跟踪 多目标多伯努利 高斯混合 均方根容积卡尔曼 统计门限
在线阅读 下载PDF
改进的注意机制在滚动轴承故障诊断中的应用 被引量:1
6
作者 胡颖 《机床与液压》 北大核心 2023年第12期216-225,共10页
针对滚动轴承振动信号易受到非平稳噪声的影响,提出一种改进注意力机制的多尺度内核网络(IA-MKNet),以从含噪振动信号中提取更敏感的特性信号。首先提出一种改进的多尺度卷积注意力机制(IAM),自适应提取有意义的故障特征并自动抑制噪声... 针对滚动轴承振动信号易受到非平稳噪声的影响,提出一种改进注意力机制的多尺度内核网络(IA-MKNet),以从含噪振动信号中提取更敏感的特性信号。首先提出一种改进的多尺度卷积注意力机制(IAM),自适应提取有意义的故障特征并自动抑制噪声;然后针对振动信号固有的多时间特征,设计基于IAM的自适应多尺度核残差块来捕获振动信号的多时间尺度故障特征;最后提出一种基于自适应集成学习器的组合策略,通过融合多个IA-MKNets的输出来增加特征的多样性,从而进一步提高诊断的准确性和稳定性。实验结果表明:该方法提高了噪声环境下滚动轴承的故障诊断精度,性能优于其他5种基准方法。 展开更多
关键词 改进的注意力机制 集成学习器 振动信号 故障诊断
在线阅读 下载PDF
订单加急扰动下柔性生产车间动态完全重调度
7
作者 王彦勇 张一泽 《制造技术与机床》 北大核心 2023年第4期156-162,共7页
为了提高订单加急扰动时柔性生产车间重调度的效率,提出了基于邻域拥挤度淘汰NSGA-II算法和优先加工通道的重调度方案。针对订单加急扰动下重调度问题,建立了减少车间能耗和完工时间的双重优化模型。构造了多目标优化问题的邻域,提出了... 为了提高订单加急扰动时柔性生产车间重调度的效率,提出了基于邻域拥挤度淘汰NSGA-II算法和优先加工通道的重调度方案。针对订单加急扰动下重调度问题,建立了减少车间能耗和完工时间的双重优化模型。构造了多目标优化问题的邻域,提出了基于邻域拥挤度淘汰NSGA-II算法的柔性车间静态调度方法。当订单加急扰动发生时,设计了基于优先加工通道的完全重调度方案。使用Kacem02标准算例对静态调度性能测试,文章算法的优化目标极值小于标准NSGA-II算法和混合NSGA-II算法,说明该算法的优化能力更强。订单加急扰动后,优先加工通道和滚动遗传算法均将加急订单完成时间由18 min提前到14 min,但是前者保持了整体完工时间不变,而后者整体加工时间由18 min增加到20 min,结果表明优先加工通道在柔性车间重调度中具有更好性能。 展开更多
关键词 柔性车间 完全重调度 订单加急扰动 邻域拥挤度 优先加工通道
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部