随着工业4.0时代的到来,智能制造已成为制造业转型升级的关键方向。在此背景下,大型锻造液压机作为重要的锻造设备,对生产效率和产品质量的提升尤为重要。研究基于人工智能的大型锻造压机锻造成形全过程多维度数据采集及关键参数智能感知技术,构建一套完整的数据采集系统,实时监控锻造过程中的温度、压力、速度等关键参数,借助云计算平台的强大数据处理能力,对采集到的数据进行深度分析和处理,实现锻造过程参数的实时监测和智能调控,达到锻造过程的数智化应用,为智能制造领域提供理论支持和技术参考。

在保持当前动车组辅助变流器电力一次架构不变的前提下,优化动车组辅助变流器硬件拓扑及数据拓扑,使其数据系统可以支持运行超限学习机及多列神经网络的智能化控制程序,实现该新型拓扑对双机联合驱动及多机联合驱动的拓扑扩增过程。在仿真环境下,使用新拓扑并运行对应人工智能程序,在相同运行图的情况下,瞬时最大电流下降7.8%,工作电流标准差缩小69.2%,车辆平均驱动功率下降5.6%。优化后动车组辅助的硬件拓扑及数据拓扑有明显优势。

利用人工智能技术控制稳定性高、不受外部环境因素干扰的优势,提出基于人工智能技术的无人机机械臂自动控制系统。采集模块利用光电编码器和采样电阻,将机械臂本体的位置、转速和电枢电流信息转化为编码脉冲与电压,并将其传输至STM32控制核心板。STM32控制核心板通过编码器模式和ADC/DMA收集多种信息,利用模糊神经网络控制算法结合动力学模型设计系统的模糊神经网络控制结构,在获得期望轨迹信息后,通过驱动器输出期望轨迹信息的PWM波,驱动机械臂完成机械臂协调控制。实验结果表明该系统控制下的机械臂关节角偏差角度较小,姿态角轨迹跟踪控制效果与期望效果差距小,且控制稳定性高、超调量小;受参数变化影响较小,控制优越性强。

为进一步提高烟草厂商对香烟小包外观检测的效率,提出了基于Faster RCNN深度学习的人工智能系统方案。该方案将机器视觉与人工智能图像识别以及ICT技术相结合,突破了传统检测算法原理的局限性,提升了烟包外观检测的精度,降低了误检率。经测试,一般缺陷检出率高于99%,严重缺陷100%检出,误检率低于0.01%,有效提升了香烟包装品质。

近二十年来，特别是近十年来，稀疏分解的理论与应用都取得了重大的发展，在故障诊断领域也有大量文献发表。针对已发表的文献，对稀疏分解方法的发展进行综述，在简要介绍稀疏分解方法的基础上，针对其存在的问题总结了现存的改进算法，包括改进原子库、改进计算速度，其中快速算法主要介绍智能稀疏分解方法，并总结了稀疏分解方法在旋转机械故障诊断中的应用，此外，还讨论了一些新的研究趋势，包括人工智能稀疏分解、针对特定信号的稀疏分解以及有利于故障诊断技术发展的复合故障稀疏分解方法等。总结得到，稀疏分解方法在旋转机械故障诊断领域的发展具有广阔的前景，未来会有大量结合人工智能的新算法出现。

本文拓展传统相平面分析方法，提出了基于相平面的模糊区间划分和目标函数，并在此基础上系统提出了一种模糊神经网络新的建构和学习方法。通过对不同控制系统的研究，证明了该方法在模型未知系统的控制中的合理性和有效性，以及应用的普遍性。

阐述液压系统故障检测与诊断技术的研究现状，指出现有各种单一诊断方法存在的缺陷，论述解析冗余与ＡＮＮ融合，小波分析、模糊逻辑与途径，并对今后的发展方向进行展望。

对故障诊断的各种方法在液压系统中的应用和实践进行了讨论，并简要分析了从传统诊断技术到智能诊断技术的特点。

介绍了故障诊断的主要理论和方法,对基于数学模型和基于人工智能的几种故障诊断方法在液压系统中的应用和实践进行了讨论,分析了从传统诊断技术到智能诊断技术的特点及其各自的局限,为液压系统故障诊断方法的选择提供了参考.

液压设备故障智能诊断的方法包括: 专家系统、神经网络, 两者有各自的功效和不足, 是并存的关系. 目前的智能诊断系统已经充分利用了多媒体技术、 Internet/Intranet技术、信息融合技术、智能传感器等先进信息技术. 高新企业珠江钢厂已经根据智能诊断系统的技术要求建立了轧机液压泵站专家系统对设备故障进行诊断和监测,为企业带来巨大的经济效益: 降低故障诊断的难度, 缩短故障诊断时间, 提高工作效率, 提高故障诊断结论的正确性和精确性, 方便故障管理.