公开(公告)号：CN116167118A

公开(公告)日：2023-05-26

申请号：CN202310144458.3

申请日：2023-02-21

Applicant: 重庆邮电大学

Inventor： 罗志勇 ,  徐超 ,  董鑫 ,  洪朋振

IPC: G06F30/12 ,  G06F30/17 ,  G06Q10/20

Abstract: 本发明请求保护一种面向新装备的沉浸式虚拟设备维修性验证方法及系统，该方法通过导入新装备实际维修步骤，对沉浸式虚拟维修验证的功能进行设计，将各类来源不同的新装备数字化模型进行格式转换及一系列数据处理，导入到虚拟维修环境中，并完成整个虚拟维修环境的构建工作，为场景中的模型施加符合实际的机械原理学和拆卸依赖约束，并且对模型和工程人员配置交互功能，采集用户在场景中的平均维修时间数据，完成产品的维修性验证。本发明基于一种面向新装备的沉浸式虚拟设备维修性验证方法，克服了传统现实中对于维修验证的不足，提高了维修性验证的效率性。

公开(公告)号：CN119494422A

公开(公告)日：2025-02-21

申请号：CN202411324424.3

申请日：2024-09-23

Applicant: 重庆邮电大学

Inventor： 罗志勇 ,  洪朋振 ,  董鑫

IPC: G06N20/20 ,  G06N3/092 ,  G06N5/01 ,  G06Q10/0631 ,  G06Q50/04

Abstract: 本发明请求保护一种应用于装配序列规划的强化学习混合方法，装配序列规划本质上可以理解为一种对产品零件的一种排序，优秀的装配序列可以缩短产品的生产周期，实现生产成本的降低。在本发明中，提出了一种结合了Q‑learning算法以及Sarsa算法的强化学习算法—Greedy‑QS算法用来解决装配序列规划问题。在本发明的工作中首先合理的将待装配产品抽象成几个布尔矩阵表达的数学模型，降低了装配模型的复杂度，提升了算法对于装配序列规划问题的可操作性，再使用Greedy‑QS算法求出最优解。通过实验证明了Greedy‑QS算法在装配序列规划问题中比起Q‑learning算法、Sarsa算法以及Q‑SARSA算法具有更快的收敛速度，得出的最优装配序列的奖励值更高兼具Q‑learning算法和Sarsa算法的优点。