摘要：为解决现有谐波减速器传动误差建模方法的不足,提出一种考虑装配误差、齿面误差的综合误差建模方法。该方法首先建立装配误差和齿面误差数学模型,并进行误差影响参数分析。其次,测量实验样机装配偏心量和歪斜角度,基于模型得到对应偏心误差、歪斜误差模型理论值,齿面加工误差幅值按一般加工工况大小代入模型,得到对应加工误差模型理论值;然后,分别进行500 h、1500 h、3000 h时长的磨损实验,磨损后进行齿面形貌扫描和数据分析,得到对应的齿面形貌参数,基于模型得到对应的磨损误差模型理论值。最后,综合考虑多源误差影响,设置3组同型号样机,进行传动误差实验。实验结果表明:考虑装配偏心、歪斜和齿面加工等影响因素,传动误差的实验测量值与模型理论值误差在1.7~3.3%之间;综合考虑装配偏心、歪斜、齿面加工、齿面磨损等影响因素,在磨损500 h、1500 h、3000 h后传动误差的实验测量值与模型理论值误差分别在-3.45~2.07%、-5.88~-2.94%、1.33~5.33%之间。

摘要：脱硫过程是具有高度动态非线性和较大延迟时间的复杂工业过程,为了解决烟气脱硫过程的建模问题,设计了注意力机制下的深度长短期记忆(attention mechanism-based long short-term memory,AttLSTM)网络,并基于该网络设计自动编码器,完成脱硫过程异常点的检测。该文首次提出使用AttLSTM网络自编码器对脱硫过程进行离群点检测,并且该网络模型同样首次应用于脱硫过程的辨识任务中。从更深的意义上讲,该文尝试使用深度学习模型对复杂系统进行辨识,所建立的AttLSTM网络之前未出现在系统辨识领域,该网络的出现可以丰富辨识模型的选择,同时为人工智能技术在系统辨识领域和控制领域的应用与推广提供参考。实验结果表明,相比于之前文献出现的脱硫过程建模方法,所提方法在不同性能指标上均具有更好的表现,由此可以证明深度AttLSTM网络在脱硫场景下的有效性。

摘要：为了解决软击穿导致的压控磁各向异性磁隧道结(voltage-controlled magnetic anisotropy magnetic tunnel junction,VCMA-MTJ)及其读电路性能下降的问题,在对VCMA-MTJ软击穿机理深入分析的基础上,修正了VCMA-MTJ的电学模型,设计了一种具有固定参考电阻的VCMA-MTJ读电路和一种具有参考电阻调控单元的VCMA-MTJ读电路,研究了软击穿对VCMA-MTJ电阻R_(t)、隧穿磁阻比率M、软击穿时间T_(s)以及VCMA-MTJ读电路读错误率的影响。结果表明:软击穿的出现会导致R_(t)和M均随应力时间t的增加而降低,T_(s)随氧化层厚度t_(ox)的增大而缓慢增加,却随脉冲电压V_(b)的增大而迅速减少,与反平行态相比,平行态的T_(s)更短且M降低50%所需时间更少;具有固定参考电阻的VCMA-MTJ读电路可有效避免读“0”错误率的产生,但读“1”错误率却随t的增加而上升,而具有参考电阻调控单元的VCMA-MTJ读电路可在保持读“0”正确率的同时,对读“1”错误率改善达54%,在一定程度上削弱了软击穿对VCMA-MTJ读电路的影响。

摘要：生理学研究发现,大鼠进行空间定位依赖内嗅—海马CA3结构中的网格细胞与位置细胞,而内嗅—海马结构与前额叶皮层之间的动态联系是导航的关键。基于此,本文提出一种仿鼠脑内嗅—海马—前额叶信息传递回路的空间导航方法,旨在为移动机器人赋予强大的空间导航能力。在海马CA3—前额叶空间导航模型的基础上,本文构建以海马CA1区位置细胞为基本单元的动态自组织模型优化导航路径。随后通过海马CA3区位置细胞与前额叶皮层动作神经元将优化后的路径回馈至脉冲神经网络,提高模型收敛速度的同时还有助于建立导航习惯的长期记忆。为验证方法的有效性,本文分别设计了二维仿真实验和三维仿真平台的机器人实验。实验结果表明:本文方法不仅能够在导航效率、收敛速度等方面超越其他算法,而且对动态变化的导航任务具有较好的适应性。同时,本文方法还能够很好地应用在移动机器人平台上。

摘要：雷达对抗场景中雷达方和干扰方相互感知、识别以及博弈对抗.针对雷达方对干扰方系统内部状态的非合作识别推理的问题,提出了一种对干扰系统中雷达辐射源状态识别模块处理结果进行逆向估计的方法.建立了逆状态识别任务模型,任务中的干扰系统根据雷达工作状态识别结果对其干扰动作进行优化,雷达方则基于对干扰方干扰样式序列的观测,估计干扰方对雷达工作状态的识别结果;设计了基于隐马尔可夫模型(HMM)的逆状态识别任务求解方法,具体包括通过自适应粒子群算法进行模型参数初始化,采取多观测序列的鲍姆-韦尔奇算法进行模型参数估计,采用对数维特比算法估计干扰方的雷达状态识别结果;通过典型雷达对抗场景设定下的数字仿真验证了所给逆状态识别方法的可行性和有效性.

摘要：电池系统是支撑下一代新型电网的关键,然而不合理的充放电策略会使电池发生析锂副反应,导致电池充放电性能大幅减弱。因此,文中针对三元锂离子电池,基于参比电极揭示了析锂后电池的充电性能变化情况,并对其安全充电电流进行控制。首先,设计不同温度下的充放电循环实验,得到低温循环与高温循环后的电池;其次,通过植入参比电极标定安全充电曲线对比电池的负极电位,发现高温循环后的电池发生了析锂,且平均充电电流相比新电池降低了61.7%;最后,对析锂后的电池建立安全充电荷电状态-温度-电流等高线图,对比新电池等高线图后发现,200 A以上的充电电流区域减少了69.84%。文中提供了一个析锂后电池充电性能衰减的量化指标,需要在实际的锂离子电池全寿命周期管理中予以考虑。

摘要：针对半主动型膝关节置换手术机器人的柔顺跟随医生意图运动和手术安全范围约束问题,提出了一种模型预测导纳控制算法.首先,为了提高算法运行效率,使用斯特林插值方法对机械臂动力学模型进行线性化,并作为预测模型,该方法计算简单且求解精度高;其次,基于导纳模型力柔顺控制机理识别操作医生的力意图生成机械臂期望运动轨迹;然后,设计虚拟状态,提高模型预测控制算法的显式处理约束能力,利用模型预测控制的滚动优化和反馈校正特性提高控制鲁棒性;最后,结合成机械臂模型预测导纳控制器.设计三环PID(Proportional integral derivative)控制对照试验,验证了模型预测控制算法的轨迹跟踪性能更好,可以更好的实现期望的导纳动态,从而得到更优的柔顺效果.在此基础上,进一步验证模型预测导纳控制器在具有强耦合性、复杂系统参数结构特性的机械臂上的主动约束效果.结果表明模型预测导纳控制算法能实现比传统三环PID控制更好的柔顺性,且具备满足膝关节置换手术需求的安全性.本文有望促进半主动手术机器人的实际应用.

摘要：为了解决无法与边缘服务器建立直连通信链路的盲区边缘用户卸载任务的问题,设计了一个基于深度强化学习(deep reinforcement learning, DRL)的智能反射面(intelligent reflecting surface, IRS)辅助非正交多址(non-orthogonal multiple access, NOMA)通信的资源分配优化算法,以获得由系统和速率和能源效率(energy efficiency, EE)加权的最大系统收益,从而实现绿色高效通信。通过深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法联合优化传输功率分配和IRS的反射相移矩阵。仿真结果表明,使用DDPG算法处理移动边缘计算(mobile edge computing, MEC)的通信资源分配优于其他几种对比实验算法。

摘要：考虑到城市污水处理系统存在保证出水水质达标和降低能耗的需要,将其运行过程视为一个多目标优化控制问题.针对此问题,提出一种基于多目标粒子群优化(Multi-objective particle swarm optimization,MOPSO)算法的污水处理系统自适应评判控制方案,该方案分为上层优化和底层跟踪控制两部分.首先,污水处理过程存在非线性、多变量、大时变等特点,结合数据驱动思想对入水及出水组分数据进行分析,构建关于出水水质和运行能耗的多目标优化模型.采用径向基函数(Radial basis function,RBF)神经网络进行建模,并与反向传播(Back propagation,BP)神经网络进行了对比.然后,结合MOPSO算法强大的优化能力,采用MOPSO算法对优化目标进行求解,并设计一个决策方式从最优解集中选出偏好解,作为溶解氧与硝态氮浓度的最优设定值.接下来,底层跟踪控制部分采用基于自适应动态规划的辅助控制器对比例–积分–微分算法的控制策略进行补充,弥补了传统控制算法自适应能力差的不足.此外,比例–积分–微分算法也为自适应动态规划算法提供了初始的稳定控制策略,克服了学习算法前期控制效果差的缺陷,保证了污水处理过程的安全性和可靠性.最终,该控制器成功实现了对最优设定值的跟踪控制.将所提算法在污水处理基准仿真平台上进行验证,结果表明所提算法能有效地提高污水处理过程的运行性能,不仅能保证出水水质达标,同时能有效地降低污水处理过程产生的能耗.

摘要：受限于检测技术难度、高时间与经济成本等原因,难测参数的软测量模型建模样本存在数量少、分布稀疏与不平衡等问题,严重制约了数据驱动模型的泛化性能.针对以上问题,提出一种基于多目标粒子群优化(Multi-objective particle swarm optimization, MOPSO)混合优化的虚拟样本生成(Virtual sample generation, VSG)方法.首先,设计综合学习粒子群优化算法的种群表征机制,使其能够同时编码用于连续变量和离散变量;然后,定义具有多阶段多目标特性的综合学习粒子群优化算法适应度函数,使其能够在确保模型泛化性能的同时最小化虚拟样本数量;最后,提出面向虚拟样本生成的多目标混合优化任务以改进综合学习粒子群优化算法,使其能够适应虚拟样本优选过程的变维特性并提高收敛速度.同时,首次借鉴度量学习提出用于评价虚拟样本质量的综合评价指标和分布相似指标.利用基准数据集和真实工业数据集验证了所提方法的有效性和优越性.