针对目前方法识别机器人目标时,由于未能详细分析分拣机器人运动规律,导致该方法开展目标识别时,存在平均置信度低、识别效果差等问题,提出深度学习的车间零件分拣机器人目标识别方法。该方法通过分析分拣机器人运动规律,提取待检测目标的特征向量值;结合深度学习理论建立目标识别模型,并寻找模型最佳参数;建立待检测目标的相关测试集放入模型中训练,基于模型输出结果,完成机器人的目标识别。实验结果表明,运用该方法识别目标时,其在特征提取后,分拣目标数量为1000个时,识别准确率达到了97.5%以上,识别耗时在100s以下,平均置信度约为0.8,有效提高了平均置信度、降低了识别时间,识别效果好。

建筑用液压式振动桩锤在沉桩过程中,液压管路振动特性呈无序化特点,以单一的流固耦合模型控制方式很难形成综合控制效果。以建筑用液压式振动桩锤为例,对其振动控制问题进行分析研究。通过分析液压式振动桩锤的机械结构,了解其振动来源,设置液压式振动桩锤产品的振动控制目标函数,完成振动控制模型的设计;以此为基础,利用非线性函数优化粒子群算法,通过振动因素权重和振动惯性权重等约束条件对模型进行训练,保证其收敛性,以获取模型最优解,实现振动控制。通过实验分析可知:所提方法振动控制完成时间较短、满意度较高,可为复杂环境下液压式振动桩锤的安装提供参考。