针对商用车车架制造商中纵梁以及总装的生产工艺的多样性和生产调度的复杂性,以最小化最大完工时间、物料积压程度和耗电量为优化目标,提出了一个NSGA-Ⅱ和红狐算法的混合算法(hybrid algorithm of non-dominant sorting genetic algori...针对商用车车架制造商中纵梁以及总装的生产工艺的多样性和生产调度的复杂性,以最小化最大完工时间、物料积压程度和耗电量为优化目标,提出了一个NSGA-Ⅱ和红狐算法的混合算法(hybrid algorithm of non-dominant sorting genetic algorithm and red fox algorithm,HNSGA2RFA),用于解决多目标的柔性流水车间调度问题。通过ROV规则实现GA和RFA的编码转换,并提出了归一化分组策略(normalized grouping strategy)。试验结果表明,HNSGA2RFA算法在优化速度和最优解集数量上均优于原NSGA-Ⅱ算法。展开更多
文摘针对基于机器视觉的小型机械零件识别速度慢、定位不精确等问题,文章提出一种改进UNet(improve U-Net,IU-Net)和最小外接矩阵(minimum bounding rectangle,MBR)结合的小型机械零件识别和定位方法(IU-Net-MBR)。首先,搭建视觉分拣试验平台,制作小型机械零件数据集;其次,为了提高特征提取效率,将U-Net的特征提取网络替换成轻量级MobilenetV2网络,降低模型的参数和计算量;然后,为了提高U-Net的分割精度和鲁棒性,在网络结构中引入SE(squeeze and excitation)注意力模块;最后,使用最小外接矩阵得到零件的长宽基本参数,实现零件的识别和定位。试验表明,IU-Net相对于U-Net在平均交并比Miou(mean intersection over union)和像素准确率PA(pixel accuracy)分别提高4.39%和3.82%。在处理图像时,IU-Net相对于U-Net速度提升76.92%。与主流分割模型相比,IU-Net实现了更好的分割效果,有效地提高了小型机械零件的分割精度。在抓取试验中,IU-Net-MBR在识别率和抓取率上分别达到了100%和96.67%。
文摘针对商用车车架制造商中纵梁以及总装的生产工艺的多样性和生产调度的复杂性,以最小化最大完工时间、物料积压程度和耗电量为优化目标,提出了一个NSGA-Ⅱ和红狐算法的混合算法(hybrid algorithm of non-dominant sorting genetic algorithm and red fox algorithm,HNSGA2RFA),用于解决多目标的柔性流水车间调度问题。通过ROV规则实现GA和RFA的编码转换,并提出了归一化分组策略(normalized grouping strategy)。试验结果表明,HNSGA2RFA算法在优化速度和最优解集数量上均优于原NSGA-Ⅱ算法。
