-
公开(公告)号：CN115271291A
公开(公告)日：2022-11-01
申请号：CN202210303252.6
申请日：2022-03-25
Applicant: 重庆长安汽车股份有限公司 , 重庆铃耀汽车有限公司 , 重庆大学
Abstract: 本发明提供的一种汽车生产过程紧急订单插单调度方法，包括以下步骤：S1.采用改进蚁群算法对初始生产订单进行生产排序形成第一生产序列；S2.当出现紧急订单时，进行空闲插单生产模拟，并确定空闲插单生产过程的滞后指标；并且将紧急订单加入到生产序列中采用完全重排序策略形成第二的生产序列，并确定第二生产序列的滞后指标；S3.将空闲插单生产的滞后指标与完全重排序策略所形成的生产序列进行生产的滞后指标进行对比，选择较小的滞后指标所对应的策略进行实际生产；在调度控制中充分考虑生产线工位的空闲时间，并且基于两种策略共同作用，以滞后指数作为优化指标，从而能够有效节约生产时间，并且对生产资源能够充分利用。
-
公开(公告)号：CN115392622A
公开(公告)日：2022-11-25
申请号：CN202210710688.7
申请日：2022-06-22
Applicant: 重庆大学
Abstract: 本发明提供的一种基于改进神经网络的汽车生产涂装质量监测方法，包括：S1.采集当前车辆的喷涂参数；S2.将喷涂参数输入至改进BP神经网络中进行处理，根据处理结果判断当前车辆是否存在喷涂缺陷，如是，则对当前车辆进行标记；S3.待当前车辆喷涂完成后，采集喷涂完成后的车辆的图像信息，将图像信息输入至卷积神经网络中进行处理，判断当前车辆的喷涂是否存在喷涂缺陷，如是，则对当前车辆进行标记，并被标记的车辆送入人工检测区通过人工进行喷涂质量检测；如否，则将车辆转入缓存区；S4.判断被标记车辆是否人工检测合格，如是，则将当前车辆转入缓存区，如否，则将当前车辆转入返工区。
-
公开(公告)号：CN113341898A
公开(公告)日：2021-09-03
申请号：CN202110647887.3
申请日：2021-06-10
Applicant: 重庆大学
IPC: G05B19/418
Abstract: 本发明提供的一种焊接车间多辆离线返修车辆重上线动态调度方法，包括以下步骤：S1.获取当前焊接车间的生产序列集合；S2.将所有返修车辆与当前焊接车间的生产序列集合组合形成待排序集合；S3.对待排序集合进行重新排序，得到新的序列集合S1；S4.重复步骤S2和步骤S3，直至新的序列集合S1的个数达到设定值；S5.确定各个序列集合S1的提前完成和延后完成的惩罚代价值，并选择提前完成和延后完成的惩罚代价值最小的序列集合作为最优生产序列；能够在车辆返修焊接车间是确定出最优生产时序，从而能够有效提高在返修车辆存在的情况下的生产效率，而且整个方法占用资源小，速度快，并且能够满足通用需求，适应性强。
-
公开(公告)号：CN113238531A
公开(公告)日：2021-08-10
申请号：CN202110480878.X
申请日：2021-04-30
Applicant: 重庆长安汽车股份有限公司 , 重庆大学
IPC: G05B19/418
Abstract: 本发明提供的一种焊接车间返修车辆重上线的动态调度方法，包括以下步骤：采集白车身生产线上当前生产时序，并获取当前返修车辆可以插入当前白车身生产时序可插入位置集合；筛选出可插入位置集合中的可行位置，并将可行位置形成序列S1；构建序列的目标函数：计算序列S1中各个可行位置的目标函数值，并将目标函数值记录到集合RS1中，把目标函数值对应的上线位置记录到集合SS1中；遍历完所有可行位置；S6.从集合SS1中选取对应的目标函数值最小的上线位置作为最优上线点P1；能够根据白车身的生产时序动态的判断返修车辆重新上线的最佳位置，有效提高在返修车辆存在的情况下的生产效率。
-
公开(公告)号：CN112508023A
公开(公告)日：2021-03-16
申请号：CN202011163492.8
申请日：2020-10-27
Applicant: 重庆大学
Abstract: 本发明提供一种基于深度学习的零件喷码字符端到端识别方法，所述方法包括以下步骤：S1：采用卷积层提取目标图片的图像特征，所述目标图片为含有待识别字符的图片；S2：采用循环神经网络RNN，以所述图像特征为输入，识别图像特征的感受野信息，获得所述图像特征的特征序列；S3：利用联结主义时间分类CTC训练后的循环神经网络对所述特征序列进行学习，获得所述特征序列的预测序列；S4：根据CTC Beam Search Decoding算法，以所述预测序列为输入，获得字符序列。本申请提供的识别方法采用了卷积神经网络(CNN)、循环神经网络(RNN)和联结主义时间分类(CTC)的网络结构，实现一行喷码字符的端到端识别；本申请的识别方法不依赖于字符分割，通用性强；字符识别效率更高。
-
Patent Agency Ranking
公开(公告)号：CN118713473A
公开(公告)日：2024-09-27
申请号：CN202410735208.1
申请日：2024-06-07
Applicant: 重庆大学 , 南方电网科学研究院有限责任公司
IPC: H02M3/158
Abstract: 本发明公开了一种带虚拟惯量和阻尼模拟功能的变换器无源控制方法，其包括构建虚拟直流电机的数学模型，结合无源控制以及虚拟直流电机补偿对直直变换器系统设计出满足各种未知扰动的控制器，再利用设计的控制器调制控制直直变换器中开关管通断的脉冲。本发明结合虚拟直流电机补偿无源控制器存在的稳态误差问题且提供额外的惯量和阻尼，增强了控制器在面对未知扰动时的稳定性，而且本发明带虚拟惯量和阻尼模拟功能的变换器无源控制方法对于恒功率负载能实现快速响应，保证了系统的全局稳定性和强鲁棒性。
-
公开(公告)号：CN118659443A
公开(公告)日：2024-09-17
申请号：CN202410735222.1
申请日：2024-06-07
Applicant: 南方电网科学研究院有限责任公司 , 重庆大学
Abstract: 本发明公开了一种用于风电机组机侧整流器的电流品质提升控制方法，其包括阻抗功率因数校正控制、电压平衡控制和抑制过零畸变的变频控制，阻抗功率因数校正控制包括电感电流信号处理和输出电压控制，实现调制信号的输出控制；电压平衡控制包括两个电容电压对比和比例控制，实现电压平衡控制信号的输出；抑制过零畸变的变频控制包括电流过零点载波信号复位和载波信号频率钳位，实现载波信号的变频输出控制。本方法通过阻抗控制和改变维也纳整流器输入电流过零点时载波频率，实现了整流器的功率因数校正，有效的抑制了维也纳整流器输入电流过零畸变问题，提高了维也纳整流器性能。
-
公开(公告)号：CN113392881A
公开(公告)日：2021-09-14
申请号：CN202110583046.0
申请日：2021-05-27
Applicant: 重庆大学
Abstract: 本发明公开了一种基于迁移学习的旋转机械故障诊断方法，本发明的有益效果为：通过利用现有的振动数据或者其他与设备故障有关的数据训练得到一个相对较好的故障诊断模型，然后保存已训练模型的参数并对其进行微调，然后将另一组类型相似、容量较小的数据集作为微调后模型的输入并再次训练，最终得到一个针对目标类型旋转机械的故障诊断模型，通过该的故障诊断模型，能够在不同类型的旋转机械设备、不同工况条件等情况下，可实现在较少数据量情况下，完成对目标机械的故障诊断，并且保证较高识别精度。
-
公开(公告)号：CN119518924A
公开(公告)日：2025-02-25
申请号：CN202411573417.7
申请日：2024-11-06
Applicant: 南方电网科学研究院有限责任公司 , 重庆大学
Abstract: 本发明公开了一种并网新能源机组的建模与暂态稳定性分析方法，所述建模方法包括采用状态空间建模法建立并网新能源机组系统的非线性全阶模型，对建立的非线性全阶模型进行降阶处理和对非线性部分进行线性化处理；系统暂态同步稳定性分析方法将构建系统最大估计吸引域问题转化为求解优化问题，采用LMI优化理论求解系统的最大估计吸引域。本发明在构建全阶模型时充分考虑了系统的锁相环和电流环的影响，对全阶模型进行了降阶处理和线性化处理，得到的简化模型不仅能准确模拟原全阶模型，并降低了后续暂态稳定性分析的难度；采用LMI优化方法求取系统的最大估计吸引域，所构建的最大估计吸引域能准确反映系统的暂态稳定边界，且保守性低。
-
公开(公告)号：CN113392881B
公开(公告)日：2023-04-18
申请号：CN202110583046.0
申请日：2021-05-27
Applicant: 重庆大学
IPC: G06F18/241 , G06F18/10 , G06N3/045 , G06N3/044 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种基于迁移学习的旋转机械故障诊断方法，本发明的有益效果为：通过利用现有的振动数据或者其他与设备故障有关的数据训练得到一个相对较好的故障诊断模型，然后保存已训练模型的参数并对其进行微调，然后将另一组类型相似、容量较小的数据集作为微调后模型的输入并再次训练，最终得到一个针对目标类型旋转机械的故障诊断模型，通过该的故障诊断模型，能够在不同类型的旋转机械设备、不同工况条件等情况下，可实现在较少数据量情况下，完成对目标机械的故障诊断，并且保证较高识别精度。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.018 seconds)
