信息与控制杂志

信息与控制杂志2023年第1期

• 复杂制造系统建模与优化研究现状及展望

  于青云, 赵慧, 许佳, 龚炜, 李莉

  近年来，复杂制造系统及其自动化、智能化和定制化等优势在汽车制造、芯片制造、机器人等领域得到了广泛关注，其建模与优化问题也已成为国内外的研究热点。本文首先介绍了复杂制造系统的研究现状和典型场景应用，比如设备管理、生产过程自动化和生产调度管理。紧接着汇总了常见的建模与优化方法以及所解决的实际工程问题，特别是深度学习、强化学习和合作博弈等方法在复杂制造系统建模与优化中的应用。最后，对复杂制造系统建模和优化问题进行了展望。

• 基于3D激光雷达的SLAM算法研究现状与发展趋势

  薛光辉, 李瑞雪, 张钲昊, 刘睿

  即时定位与地图构建(simultaneous localization and mapping，SLAM)算法是移动机器人实现自主移动的关键环节。激光雷达(LiDAR)具有测距精度高、不易受外部干扰和地图构建直观方便等优点，广泛应用于大型复杂室内外场景地图的构建。随着3D激光器的应用与普及，国内外学者围绕基于3D激光雷达的SLAM算法的研究已取得丰硕的成果。梳理了3D激光SLAM算法在前端数据关联、后端优化等环节的国内外研究现状，分析总结了目前各种3D激光SLAM算法以及改进方案的原理和优缺点，阐述了深度学习和多传感器融合理论与技术在3D激光SLAM算法中的应用情况，指出多源信息融合、与深度学习结合、应用场景的鲁棒性、SLAM算法通用框架及移动传感器和无线信号体制的技术渗透是3D激光SLAM算法的研究热点和发展趋势。研究成果对3D激光SLAM算法和未知环境中移动机器人即时定位和地图构建的研究具有重要的参考价值和指导意义。

• 基于神经网络的机器人学习与控制：回顾与展望

  谢正泰, 樊佳亮, 刘梅, 金龙

  机器人因其高效的感知、决策和执行能力，在人工智能、信息技术和智能制造等领域中具有巨大的应用价值。目前，机器人学习与控制已成为机器人研究领域的重要前沿技术之一。各种基于神经网络的智能算法被设计，从而为机器人系统提供同步学习与控制的规划框架。首先从神经动力学(ND)算法、前馈神经网络(FNNs)、递归神经网络(RNNs)和强化学习(RL)四个方面介绍了基于神经网络的机器人学习与控制的研究现状，回顾了近30年来面向机器人学习与控制的智能算法和相关应用技术。最后展望了该领域存在的问题和发展趋势，以期促进机器人学习与控制理论的推广及应用场景的拓展。

• 电磁信号调制方式识别：现状、方法和展望

  张多纳, 赵宏佳, 鲁远耀, 张宝昌

  随着电磁环境日益复杂，智能通信技术逐步成为电磁领域研究热点。在此背景下，分析信号本质特征机理、实现复杂环境下电磁信号调制方式识别意义深远。围绕电子信息系统复杂电磁环境效应的基础性、前沿性需求，以电磁特征发展阶段为主线，介绍了电磁信号调制方式识别研究现状，阐述了传统及智能模式下电磁信号调制方式识别方法。最后，展望了这一领域未来的发展趋势。

• 结合全局与局部的人群集体性卷积网络识别方法

  刘赏, 葛顶玉, 耿明筱

  人群运动集体性识别对公共场所人群管理具有重要意义。人群运动集体性不仅取决于运动个体，还受到人群局部运动状态的影响。针对以上分析，本文给出了结合局部特征和全局特征的人群集体性卷积网络识别方法。该方法首先基于光流向量构建人群集体性测度图作为卷积网络的输入；然后，在网络第一层卷积后加入通道注意力，获取人群运动的全局信息；并采用空洞卷积提取人群运动的局部信息。最后，本文在公共数据集上进行对比实验，以验证本文方法的有效性。实验结果表明：本文方法在进行人群场景集体性识别时，其加权平均召回率、加权平均准确率和加权平均精准率均优于其它模型。

• 基于时空自编码网络的风电齿轮箱状态监测

  刘长良, 徐健, 王梓齐

  在风电机组状态监测问题中，常规自编码网络通常仅使用截面SCADA（supervisory control and data acquisition）数据，使得网络对数据时间特征的学习不足。因此，提出一种基于时空自编码网络的风电齿轮箱状态监测方法：使用1维卷积网络（1DCNN）级联双向长短时记忆网络（Bi-LSTM）作为编码层，序贯提取面板数据的空间及时间特征，以输入的重构误差作为预警指标实现在线状态监测。使用河北省某风电场实际数据验证，结果表明：相比故障记录时刻，时空自编码网络能提前20 d发出报警信号，且故障检出率和误报警次数均优于常规方法；通过分析重构误差各分量的贡献率，可知该齿轮箱故障中主要异常参数为油路压力和油池温度。

• 多目标启发式狼群算法求解不相关并行机分批调度问题

  荀洪凯, 陶翼飞, 张源, 何李

  针对考虑机器加工约束的不相关并行机分批调度问题，以工件种类切换次数和机器启停评价函数为优化目标，提出一种多目标启发式狼群算法进行求解。该算法在生成初始种群的过程中，融入列表反向学习和基于机器加工效率的启发式策略，并设计了一种不规则实数矩阵编码方式来实现任务分批。采用局部和全局邻域搜索相结合的方式实现狼群算法中智能行为搜索，通过分批调整学习机制对当前结果进行邻域搜索，利用改进整数解Pareto非支配排序方式循环迭代。最后通过不同规模实际算例测试和相关算法比较，验证了该算法的有效性和优越性。

• 存在部分解耦扰动的网络化系统容错控制

  潘腾, 姜顺, 潘丰

  针对一类存在执行器故障和部分解耦扰动的离散时间网络化控制系统，研究测量数据随机丢失情况下的主动容错控制问题。首先，通过模型转换将原系统化为一个与之等价的状态增广系统；然后在考虑测量数据发生随机丢失情况下，构造未知输入观测器（unknown input observer，UIO）实现对系统状态与故障的联合估计，再基于状态和故障的在线估计值，设计基于信号补偿的容错控制律实现对原系统的主动容错控制。在该容错控制算法中，观测器与控制器增益的存在性条件均可利用李雅普诺夫稳定性理论对误差系统进行随机分析得到，相应的估计器和控制器参数可通过在线求解具有凸约束的矩阵不等式获得。最后，通过一个喷气式发动机模型的仿真算例验证所提出的故障估计与主动容错控制方法的有效性。

• 基于张量鲁棒主成分分析的视网膜眼底图像序列变化检测

  赵星, 白建豪, 傅迎华

  在计算机辅助诊断系统中，视网膜眼底图像序列的变化检测是一项重要且具有挑战性的任务。针对视网膜眼底图像序列采样帧少、光照干扰大、难以获得稳健的背景模型，提出了一种基于张量鲁棒主成分分析（tensor robust principal component analysis，TRPCA）的变化检测方法。该方法以TRPCA为模型，通过对序列背景扩充，再利用张量分解而获得变化区域：首先，先选择出序列中最接近正常状态的一张图像作为背景模型；然后，通过预处理将单帧背景模型扩张成多帧背景使得背景模型包含更丰富的光照变化；接着，将整个序列建模为一个3维张量体；最后，利用总变分约束背景模型和变化区域的时空连续性，通过Tucker分解分离出背景模型，获得变化区域。实验结果表明，与基于矩阵的鲁棒主成分分析（matrix robust principal component analysis，Matrix RPCA）方法，Masked-RPCA方法以及不加总变分约束的TRPCA方法相比，基于总变分约束的TRPCA方法能够更准确地分离出变化区域，对血管和光照干扰更具有鲁棒性。