摘要：针对无人机自主巡检风机需对桨叶进行精准定位的问题,设计了一种基于风机局部图的无人机位姿修正和叶尖定位系统。无人机依据风机参数飞至指定位置获取风机局部图,使用Yolov5实现对轮毂、塔筒的目标检测和特征提取。对概率渐进式Hough直线检测结果筛选后,利用K-means聚类得到桨叶中心线,依靠轮毂特征和桨叶中心线夹角更新无人机位姿,获取近距离粗略正对风机局部图。设计无人机位姿修正系统并对其收敛性进行了证明,该系统以风机局部图中像素坐标差值作为偏差控制量,计算世界坐标系下无人机运动量,实现无人机正对风机,轮毂位置位于图像中心。最后,结合无人机位姿信息与风机参数解算桨叶叶尖坐标,实现叶尖精准定位。该算法基于Gazebo仿真实现,定位精度达亚米级,为风机运维提供理论依据。

摘要：提出一种基于改进的共识捆绑算法(CBBA)的多无人机风电场巡检任务分配方法。首先,根据风电机组基础信息,采用K-均值算法确定无人机数量和安放位置,并构建风电机组巡检价值评估函数,更为合理地评估各风电机组的巡检收益;然后,针对无人机的归巢返程问题,提出一种基于CBBA算法的任务包双向构建策略;最后,为克服传统CBBA算法中存在的因个体“贪婪”导致的整体效益下降问题,设计一种基于类别的奖励制度,以提高任务分配的合理性。试验表明,所提方法可根据风速、风向的变化制定相应的巡检任务分配方案,可为无人机群自主巡检风电场的任务分配提供可参考的方案。

摘要：PID神经网络有很强的拟合能力,它用于基于神经网络逆模型的干扰观测器设计,并进一步设计了带一种带有干扰观测器的PID-CMAC复合控制系统。该系统解决了内扰无法观测的问题,通过设置干扰观测器加快了消除内扰的过程,CMAC的控制作用使系统输出能够更快地跟踪系统输入。实验表明,该控制系统不仅能够提高系统输出跟踪系统输出的能力,而且能够更快地消除内扰。

摘要：小脑关节模型网络具有计算简单、学习速度快等特点,设计PID和CMAC的复合控制器既能够发挥PID控制器鲁棒性强的特点,又能够利用CMAC学习获取的知识根据输入的变化快速地做出响应,并能够提高控制系统的抗干扰能力。本文采用改进的粒子群算法对PID的控制参数进行优化,并在此基础上设计了一种新型的PID-CMAC复合控制器,通过仿真试验表明,该控制策略能够提高整个系统的控制品质。

摘要：应用无人机对风力发电机叶片进行精准巡视时,因定位误差以及外界干扰,会导致采集到的桨叶信息不全,针对这一问题提出一种风机叶片精准巡视的无人机控制策略。首先,根据无人机正对风机采集到的全景图,计算叶尖的位置坐标,从而得到巡视航线并设置巡视航点,实现对桨叶的全覆盖图像采集;接着,设计一种基于视觉的设定值修正器,先依次对摄像机采集到的原始图像进行灰度化、滤波降噪、边缘检测、直线提取;最后,对提取到的直线过滤并分类,进而计算图像中桨叶的中心线及其在图像坐标系中的截距,以此生成控制量对无人机的位姿进行调整使桨叶位于图像中心,同时对其进行稳定性分析。经仿真试验表明,提出的策略可达到对风机叶片精准巡视的目的,为风力发电机的精细巡检提供可参考的方案,同时也可推广到对其他电力设备的精细巡检应用。

摘要：针对量子遗传算法(QGA)中旋转变异角相对固定的缺点,将模糊自适应的思想引入QGA,提出了模糊量子遗传算法(FQGA)。对典型函数测试表明:该方法有效地提高了量子遗传算法的计算精度和收敛速度。同时利用这种模糊量子遗传算法设计了一种通用的热工对象模型辨识算法,并编制了专用的模型识别软件,对典型热工过程进行辨识,取得了令人满意的效果。最后对某电厂循环流化床锅炉一次风对床温的传递函数进行辨识,结果表明该方法是一种简单易行的辨识算法,具有实用价值。

摘要：在工业过程中,大滞后系统的时滞、非线性情况严重,常规PID控制往往难以获得理想的控制效果。针对上述情况,设计了一种基于专家经验的模糊与PID并联复合型控制器,能够在PID控制的基础上改善系统的控制品质。介绍了带有可调因子的模糊控制算法,给出了模糊控制器相关参数的整定方法。根据专家经验制定了模糊控制与PID控制的加权系数的整定规则。对具有大迟延、大滞后特性的循环流化床的燃料量与床温模型进行了仿真研究。仿真结果表明:在大滞后系统的控制中,所设计的专家模糊PID控制器能够很大程度的改善系统的动态动性,且具有较好的鲁棒性。

摘要：为了使得火电机组启动停止过程中操作更精准、能源更节约,提出一种给水系统自启停功能的设计方案并对其进行全面分析,还进一步提出给水系统与模拟量控制系统全程控制的接口问题。对贯穿机组运行的整个过程的全程给水过程的功能组进行划分并对各个功能组的功能进行介绍。针对给水系统自启停控制过程的特点和难点,对全程给水在升负荷阶段中自动并/退泵与干湿态转换进行全面分析并提出了特殊的控制策略,最终实现从点火至满负荷过程中的全程自动控制。

摘要：应用无人机对风力发电机进行自主巡检时,需对其桨叶叶尖进行精准定位,同时因机载计算板的计算能力有限,常规目标检测算法检测效率低下。为此提出了一种基于轻量型YOLOv5的风机桨叶检测与空间定位方法,首先对YOLOv5目标检测算法进行轻量化改进,将ShuffleNetv2作为特征提取主干网络;然后利用该算法对风机全景图像中的风机轮毂和桨叶进行检测,以得到轮毂和桨叶叶尖的像素坐标;最后利用无人机位姿信息和空间平面的几何关系,对风机桨叶进行精准定位。实验表明,所改进的目标检测算法以1.536×10^(6)的参数量在大疆MANIFOLD2-C上的检测速度提升47%,可达29.4 f/s,所设计的定位方法可对风机桨叶叶尖进行精准定位,水平和高度定位误差均为±5 cm,三维整体定位误差为±10 cm。

摘要：针对旋翼无人机自主跟踪陆地移动目标的需求,构建了一种能够适应尺度变化、遮挡、姿态变化等干扰环境下的无人机自主稳定跟踪与控制系统。通过基于深度学习的孪生网络提取目标在机载摄像头的成像位置,获取目标的相对位姿;设计图像处理算法对跟踪框内的图标进行处理,得到无人机相对于跟踪目标的偏航角,引入卡尔曼滤波对上述位姿信息进行处理,实现与移动目标轨迹几乎重合的跟踪控制。该算法基于Gazebo仿真平台实现,能够在干扰因素条件下对移动目标进行长时稳定的跟踪。