简介:在考虑客户满意度和生产过程中不确定性因素前提下研究了混装线投产排序问题.以三角模糊数表示加工时间、六点模糊数表示完工时间,建立了基于交货期的客户满意度评价方法.并进一步以满意度为优化目标,结合模糊不确定因素,建立了混装线投产排序问题数学模型,并通过遗传算法进行求解.最后,通过数据实例分析了客户满意度与完工时间的相互影响,主要从三个角度对结果进行分析:(1)最小生产单元MPS(MinimumProductSet)内产品比例的均衡性对客户满意度和模糊完工时间的影响;(2)MPS内产品比例相同的条件下,模糊交货期区间权重比例对客户满意度的影响;(3)相同条件下,客户满意度和模糊完工时间分别作为优化目标时两者之间的差异.从而验证了该模型的有效性.
简介:针对工业生产线上零部件上下盖自动合装的问题,搭建了一套基于手眼(eye-in-hand)系统的机器视觉装配实验平台.首先对视觉系统进行手眼标定,确定相机内外参数和手眼关系;然后利用视频处理方式获取进入视场内零部件的前景图像,获得其图像数据,并对数字图像进行相应的处理,即通过背景差分法获取前景图像,并进行连通域标记和区域轮廓提取来获得数字图像的特征信息;最后根据其特征用矩形拟合计算其质心坐标以及与机器人x方向偏转角度,使六轴机器人在合装零部件时能自动进行纠偏和补偿.实验结果表明,移动零部件的装配成功率为100%,能满足工业现场产品装配精度需求.
简介:域自适应算法是一种能有效解决训练集(源域)和测试集(目标域)样本分布不一样但是具有相关性的方法.文章提出一个跨领域分布适配超限学习机(DDM-ELM)用于解决域自适应问题.DDM-ELM旨在基于超限学习机的框架下,充分利用丰富的有标签源域样本和无标签目标域样本,得出一个精确的目标域分类器.具体来说,DDM-ELM同时满足以下目标:1)最小化源域样本的分类误差;2)通过最小化投影最大化均值偏差来有效减小源域和目标域的分布差距;3)利用目标域样本的流形正则化来探索目标域样本的几何机构特性.这使得DDM-ELM能在同时继承超限学习机优点的前提下更加适合于目标域样本.经过大量的实验结果证明,相比于几种先进的域自适应方法,DDM-ELM在分类准确率和效率上均有所提高.
简介:针对微生物快速检测的需求,基于生长时间光谱法设计了大肠菌群快速检测仪器.根据大肠菌群指数生长期与大肠菌群浓度的关系来计算大肠菌群初始浓度;采用分光光度法对大肠菌群的指数生长时间进行检测;通过实验确定了625nm作为分光光度检测波长;设计了基于双积分球的仪器光路结构,提高了仪器对透过率的测量稳定性,采用样品从实验开始时的初始透过率降低至初始透过率的70%时所需时间作为生长时间,显著降低了检测所需时间,对大肠菌群100cfu/mL的检测,只需要276min.建立了大肠菌群的生长时间与大肠菌群初始浓度的数学模型.设计实验评价了本方案平行样标准偏差小于12.61%;与滤膜法进行比对,相关系数0.979.