信息与控制杂志

信息与控制杂志2023年第4期

• 面向制造过程的虚拟量测技术综述与展望

  李莉, 张雅瑄, 于青云

  “零缺陷制造”作为工业4.0的拓展，致力于大幅提升产品良率并最终实现产品零瑕疵。目前，工业过程通常采取物理检测方式对产品进行质量检验，属于离线破坏性试验且检测成本高昂，检测结果无法及时指导生产。虚拟量测通过对生产过程数据进行监控、对产品品质或工艺进行预判，能够将传统离线且具延迟特性的品质抽检改成线上且即时的品质全检。本文首先沿时间线对虚拟量测的发展历程进行了综述；随后介绍了虚拟量测的研究现状和典型应用场景，特别是半导体制造领域；接着汇总了常见的虚拟量测技术方法及其所解决的实际工程问题，比如数据预处理方法、预测建模方法和系统功能设计；最后，对制造过程虚拟量测问题进行了展望，提出了一种集数据预处理与可视化、虚拟量测和质量追溯为一体的工业制造过程智能管理体系。

• 分布式多经验池的无人机自主避碰方法

  徐佳, 胡春鹤

  为满足多无人机（multi-UAVs）的协同任务中高效自主避碰的需求，在基于数据驱动的强化学习方法的基础上，提出了一种分布式多经验池深度确定性策略梯度避碰方法（DMEP-DDPG），使单个无人机在多机环境下仅依靠自身传感数据即可自主避碰作业。首先，针对强化学习任务在长周期下的稀疏回报问题，设计了基于引导型奖励函数系统回报机制；其次，为克服单一经验池样本效率低带来的策略收敛困难的问题，构建了新型的分布式多经验池更新的确定性策略梯度框架；最后，在多种多无人机协同任务环境中测试了DMEP-DDPG方法的避碰性能，并与其它基于学习的避碰策略进行了性能指标对比，结果验证了DMEP-DDPG方法的可行性和有效性。

• 基于麻雀搜索算法优化变分模态分解和混合核极限学习机的短期风电功率预测

  王瑞, 徐新超, 逯静

  为提高风电功率的预测精度，提出了一种变分模态分解（variational mode decomposition，VMD）和混合核极限学习机（hybrid kernel extreme learning machine，HKELM）相结合的短期风电功率预测方法。针对VMD和HKELM参数难调问题，以及实现两算法参数的自适应选择，采用麻雀搜索算法（sparrow search algorithm，SSA）对两种算法中的关键参数进行优化。首先，基于3种信号分解指标设计SSA优化VMD的适应度函数，对VMD关键参数进行寻优，利用优化后的VMD将风电功率分解为一组平稳子分量。然后，结合径向基核函数与多项式核函数优点组成混合核函数，对各分量结合气象特征分别建立兼顾学习与泛化能力的HKELM预测模型，并使用SSA对模型参数进行寻优，以充分发挥模型性能。最后，将各分量预测值叠加，得到最终预测结果。以中国内蒙古某风电场实际数据进行仿真实验，结果表明，该方法相比于其他预测方法具有更高的预测精度。

• 基于非线性分类网络的气体钻井风险智能识别方法

  夏文鹤, 赵宗旭, 李皋, 李永杰, 李宬晓, 陈向东

  针对气体钻井领域现有的风险智能识别方法泛化性差，且在风险发生初期识别正确率偏低，导致风险正确识别时间点滞后的问题，对气体钻井随钻监测数据进行挖掘分析，并提出了一种适用于该场景下的改进卷积神经网络模型，用于钻井工况的风险识别。该模型采用卷积层提取多个随钻监测参数随时间变化的关联特征，采用具有非线性分类能力的RBF（radial basis function）网络替换全连接层进行特征分类，提升分类精度的同时，也将工况过渡阶段风险识别的时间点进一步提前。引入K均值算法对RBF聚类中心以及中心宽度值进行初始化，解决不合理初始值导致模型对工况样本训练无法收敛的问题。引入基于距离均方误差的损失函数分量，对整个网络模型进行训练来优化模型参数，以保证网络训练过程中能不断调整最佳聚类中心。制定了一种隐藏层节点数选取准则以提高模型的计算效率和泛化性。与传统卷积神经网络模型进行了现场应用对比，结果显示，该网络模型对产气、出水、卡钻三种常见风险识别时间点提前56 s、16 s、8 s，充分展现了非线性分类神经网络在油气田勘探开发领域的适用性。

• 基于Winograd卷积的并行深度卷积神经网络优化算法

  李叶, 毛伊敏, 陈志刚

  针对并行深度卷积神经网络算法在大数据环境下存在冗余特征计算过多、卷积运算性能不足和参数并行化合并效率低等问题，提出了基于Winograd卷积的并行深度卷积神经网络优化算法。首先，该算法提出基于余弦相似度与归一化互信息的特征过滤策略，通过先筛选后融合的方式消除了通道间对于冗余特征的计算，以此解决了冗余特征计算过多的问题；然后，结合MapReduce提出了并行Winograd卷积策略，通过使用并行化Winograd卷积运算替换传统卷积运算的方式来提升卷积运算的性能，以此解决了卷积运算性能不足的问题；最后，提出基于任务迁移的负载均衡策略，通过动态负载迁移的方式来均衡集群中各节点之间的负载，降低了集群总体的平均反应时长，以此解决了参数并行化合并效率低的问题。实验表明，WP-DCNN算法显著降低了DCNN在大数据环境下的训练代价，而且对并行DCNN的训练效率也有大幅提升。

• 具有隐藏超级多稳态的新5维忆阻超混沌系统的动力学分析

  郑莉

  为进一步研究忆阻器及其应用，提出了一个具有隐藏吸引子的光滑5维忆阻超混沌系统，通过绘制相图和李雅普诺夫指数谱，验证了系统的混沌特征。分析了系统的分岔参数，实现了对两个状态变量的偏移增量控制，进行了吸引子的调幅分析。在此系统中发现了基于初值的超级多稳态现象。揭示了当初值分别沿着x轴、u轴及x-u平面内的不同直线移动时，关于吸引子偏移增量控制的新现象。最后，建立了系统的非线性电路模拟方程，验证了所提出的磁通控制忆阻系统物理实现的可行性。

• 基于霍夫神经网络模型的复材纹理方向检测

  张思超, 袁立标, 梁炜, 苑旭东, 张吟龙

  纹理方向是保证复材韧性和耐腐蚀性的重要参数，基于视觉的复材纹理方向检测方法具有非侵入式、成本低、精度高的特点而被广泛研究，但现有的复材纹理方向检测方法易受到背景干扰，且存在检测精度低和回归一致性差的问题，为此本文提出一种基于霍夫神经网络（Hough neural network，HNN）模型的复材纹理方向检测算法。针对图像中复材区域易受背景区域干扰而影响检测精度的问题，提出一种通道注意力残差网络模型来提取复材图像中的目标纹理区域。针对复材纹理方向检测精度低和回归一致性差的问题，提出一种由粗到精的纹理方向检测方法，基于HNN筛选出正确的纹理方向候选集，再根据候选集进行霍夫变换来回归出更精确的纹理方向。本文所提方法在建立的复材纹理方向检测数据集上进行了大量的测试和分析，验证了所提方法的可行性和有效性。

• 面向WIA-FA网络下行传输的灵活可靠重传方法

  赵永恒, 郑萌, 梁炜

  针对恶劣射频环境下的大规模WIA-FA（industrial wireless network for industrial automation-factory automation）网络可靠传输问题，提出了一种面向WIA-FA网络下行数据传输的灵活可靠重传方法（flexible and reliable downlink retransmission，FRDR）。首先，设计一种新型超帧结构以支持循环重传和按需重传的混合重传模式。其次，分别对循环重传与按需重传两种重传模式进行了可靠性建模，网关基于分析结果动态选择更可靠的重传模式进行数据传输。最后，通过大量仿真验证了FRDR相比于传统的重传方法的可靠性优势。

• 基于迁移学习与改进型AlexNet的蝴蝶分类算法

  杨大为, 蔡宇

  蝴蝶分类是保护蝴蝶物种多样性、观测大气变化的首要工作。为了提高蝴蝶种类识别的准确率，改善复杂网络算法运行时间长的缺陷，提出了一种基于迁移学习与改进型AlexNet的蝴蝶分类算法。该算法将AlexNet作为预训练模型，使其成为新模型的特征提取器，并在AlexNet算法的基础上，通过调整卷积核数量、替换归一化LRN（local response normalization）层、减少全连接层个数、增加均值下采样层等，进行改进与优化。实验结果表明，改进算法对蝴蝶种类识别的准确率高于原AlexNet算法，并具有更优的识别效率，提升了整体模型的性能。

• 分布式加权离散事件系统的协同可测性

  郑恒, 刘富春, 蒋艳荣

  针对状态转移会携带对应定量信息的分布式系统的可测性问题以加权自动机为模型，研究其协同可测性。首先对分布式加权离散事件系统的强协同可测性和弱协同可测性进行形式化；随后提出基于各分站点观察器构造协同观察器的算法，并得到分布式加权离散事件系统强协同可测性和弱协同可测性的充要条件；最后，给出协同可测性在无线传感器网络系统的一个应用实例。

• 融合全局和局部特征的单幅图像去雨方法

  傅博, 王洪光, 宋屹峰

  针对基于卷积神经网络的去雨方法感受野受限的问题，结合Swin Transformer和卷积神经网络各自的优势，提出了一种融合全局和局部特征的单幅图像去雨方法。首先通过卷积神经网络对图像的局部特征进行初步提取；其次通过基于Swin Transformer的多支路网络对不同特征空间内的全局信息进行学习；最后将提取出的多支路全局特征与局部特征进行融合，实现无雨图像的恢复。在多个数据集上与多种主流单幅图像去雨方法进行了对比实验。结果表明，所提方法生成的结果在峰值信噪比和结构相似性指标上都具有一定优势，验证了所提方法在图像去雨任务上的有效性。

• 变批次长度非线性时滞系统的迭代学习控制

  韩洋, 陶洪峰

  针对一类变批次长度的非线性系统，研究了其带输入时滞情况下的期望轨迹跟踪PD（proportional-derivative）型迭代学习控制问题。批次长度变化通过系统在时刻点输出的概率进行描述，其造成的跟踪误差信息缺失使用零补偿方法进行修正，以便于不同批次控制律的全时间轴信息更新；然后基于给定超前法设计PD型迭代学习控制算法，消除输入时滞对控制律更新的影响；再根据数学期望与范数分析证明了所提算法能够保证跟踪误差在初始状态相同时严格收敛，在初始状态不同时期望收敛。最后通过直流电机驱动单杆系统的输出跟踪控制仿真验证了所提算法的有效性。

• 峰值能耗下随机订单的模型预测控制

  赵亚萍, 莫翔志, 牛奔

  针对带峰值能耗约束的随机订单并行机调度问题，即所有机器总功耗不得超过给定阈值，提出了基于模型预测控制的算法来最小化订单的期望生产周期。研究难点在于通过优化能源分配，在峰值能耗约束的前提下，提高设备的工作效率，并采用合理的滚动调度决策的方式处理由客户订单到达时间和需求量随机变化所引起的不确定性。研究对优化策略、生产周期、产品差异、机器速度等因素的影响，进行了全面的理论分析，并通过一系列数值实验，验证了所设计算法的有效性，挖掘了其中的有益管理启示来更好地指导实践。