针对第一类装配线平衡问题,并结合第三类装配线平衡问题,提出一种改进麻雀搜索算法。该方法引入精英反向学习策略、混沌映射策略以及混合差分进化策略,可有效改进麻雀搜索算法的全局搜索能力以及种群陷入局部最优的问题。此外,在优化目标方面,在求解最小工位数的基础上增加了装配线平衡率与平滑指数相结合的优化目标。通过求解某公司的相关实际算例验证,结果表明,装配线平衡率从73.57 %提升至98.69 %,相比最初设计提升了34.14 %,并在多个不同算例下,使用多个不同算法进行对比,进一步验证了该算法对装配线平衡问题具有较好的求解效果。

针对柔性作业车间加工过程中出现的各种订单扰动和机器故障问题,在工艺参数可变的条件下,以完工时间和能耗为优化目标,建立变工艺参数动态调度模型,并提出一种自适应动态调度策略来保证调度稳定性。为更好地发挥柔性作业车间的调度优化潜力,考虑加工工艺参数与车间调度的联系,提出扰动事件下机器加工工艺参数与动态调度相结合的综合优化方法,并提出一种改进灰狼算法求解。算法根据集成优化问题的特点,采用三层编码的方法,使得该算法可优化工序的工艺参数。针对集成优化问题的三层编码方式,提出了一种机床选择序列和工艺参数模式选择序列更新策略,引导算法向Pareto前沿靠近。最后通过生产实例和对比实验,验证所提方法的有效性和优越性。

气凝胶毡复合材料是一种具有纳米孔结构的轻质隔热材料,凭借其极低的导热系数和易于加工的特点,广泛应用于建筑保温、工业装备隔热和电池热防护等领域。随着国内需求的持续增长,气凝胶毡复合材料的生产规模不断扩大。然而,现行生产主要依赖间歇式或半连续式流程,普遍面临自动化水平低、人工依赖强、质量稳定性不足及效率低下等挑战。为改善上述生产过程中的诸多弊端,研究了气凝胶毡智能生产线的规划设计,对气凝胶毡复合材料的生产流程进行了系统梳理与整体规划设计,提供了一套覆盖原料入库、配料、复合、改性、超临界、包装至成品入库的全流程智能生产线设计方案。设计方案融合智能工厂理念,集成智能管理软件、自动化机械臂及智能物流系统等控制媒介,实现了生产过程的高度自动化、生产数据的实时可视化和工艺流程的优化,从而有效提升了生产效率和产品综合质量。

为解决传统A^*算法在实际应用中存在的动态性不足、避障效率低及运行时间长等问题,提出一种考虑运动学约束A^*算法与动态窗口法(Dynamic Window Approach,DWA)相结合的方法。首先,在考虑机器人运动学的基础上,改进A^*算法的节点扩展方法和启发函数模型,以提高搜索效率并减少路径转向次数,从而使得A^*算法生成的路径更好地满足机器人运动约束。其次,优化DWA算法的路径评价函数,使DWA算法规划的局部路径更加平滑连贯,更有利于机器人运动执行。最后,从A^*算法规划的全局路径中提取关键节点,指导DWA算法进行局部规划和动态避障。仿真结果表明,改进A^*-DWA算法较其他算法规划耗时最多节约45.09 %,行驶距离最多减少13.49 %。实验验证了改进A^*-DWA算法的有效性。

针对并联机械臂动力学不确定性和负载波动对控制性能存在影响的问题,将动力学模型中的时变项和变动的负载视为总扰动,提出了一种滑模控制方法。为了提升滑模控制算法性能,提出了一种由快速趋近项和慢速趋近项组成的新型趋近律,并讨论了新型趋近律的可达性条件和收敛时间;利用径向基函数(Radial Basis Function,RBF)网络来估计总扰动项,为了更准确地估计系统的总扰动和抑制控制器参数摄动,为RBF网络和控制器的参数设计了自适应律。基于所提出的新型趋近律和RBF网络获取的扰动值,设计了滑模控制器,并证明了控制器的稳定性,最终提出了基于新型趋近律和RBF网络的自适应滑模控制方法。仿真结果表明,所提出的控制方法具有较强的抗干扰性能和较快的响应速度,比传统趋近律控制器缩短了1/3的收敛时间,且大幅减小了控制器抖振。

为了提高机器人的运动精度,提出一种基于运动过程要素采样的运动误差离线补偿方法,能够有效减少机器人的轨迹偏差。考虑关节运动过程,基于LSTM-DNN神经网络建立机器人跟踪误差预测模型;为了使预测模型能有效学习机器人的动态特性,采用拉丁超立方抽样技术在高维空间中构建用于模型训练的轨迹数据集;基于跟踪误差预测模型估计机器人在执行任务时的实际运动轨迹,将其与理论轨迹对比,基于法平面方法计算补偿量并实施前馈补偿。试验结果表明,误差补偿后测试轨迹的轨迹偏差RMSE从1.106 5 mm降至0.296 0 mm,能有效提高机器人的运动精度。

针对目前爬楼机器人普遍存在的结构复杂及运动稳定性不足等问题,梳理了既有爬楼机械结构研究成果,借鉴双足攀爬运动机理,提出一种基于双足攀爬运动的全方位爬楼机器人结构设计方案。该机器人通过爬楼机械臂的主动旋转驱动实现层级爬升,并带动主体结构完成上行动作,其驱动系统创新性地应用麦克纳姆轮与全向辅助轮,构建复合轮组配置,有效增强了攀爬过程中的系统稳定性,显著提升了平地移动及避障作业效率。控制系统搭载ESP32-S3主控芯片,通过定制化控制算法实现对传感器信号的精准解析,达成爬楼动作的智能执行。通过实体样机研制及多场景楼梯适应性测试,验证该爬楼机器人能够稳定、高效地完成攀爬任务,同时具备通过模块化改装拓展至多领域应用的技术潜力。

针对机械臂三维路径规划中存在的搜索随机性强、收敛速度慢及计算复杂度高等问题,提出了一种基于空间体素化的动态目标引导边界框的自适应步长双向快速扩展随机树(Spatial Cell-Dynamic Target Guided Bounding box-Adaptive Step-Bidirectional Rapidly-exploring Random Tree star,SC-DTGB-AS-BI-RRT^*)算法。该算法通过多层次优化策略显著提升了路径规划性能。首先,运用空间体素化将三维空间离散化为自由区域和非自由区域,并约束采样于自由区域,从而降低计算复杂度并提高环境感知精度;其次,针对传统双向快速扩展随机树(Bidirectional Rapidly-exploring Random Tree,BI-RRT^*)算法的盲目性,提出动态目标引导机制与动态边界框约束机制协同的优化策略,该策略通过调整迭代次数动态适配目标引导区域,即在算法初期进行全局搜索,中期平衡全局搜索与局部收敛,后期加速路径收敛,同时引入动态边界框约束机制,在障碍物密集区域收缩采样范围,障碍物空旷区域扩展搜索空间,从而减少冗余节点,提高采样效率;再次,提出自适应步长机制,根据环境特征动态调整步长,即在自由区域采用大步长加快探索,非自由区域及路径收敛阶段采用小步长提升算法搜索精度,加快两棵树连接;最后,采用三次B样条曲线平滑规划路径,降低机械臂关节运动抖动,减少磨损,实现能耗优化。在三维环境中进行对比实验,以验证算法的优良性能。最终将融入机械臂避障功能后的算法部署到PUMA 560型机械臂,并在MATLAB R2022a仿真平台实现机械臂避障路径精准规划。

在跨地域、跨企业的环境下,复杂产品总装齐套问题严重影响总装拉动式生产。在向量数据库技术的支撑下,利用目标向量和实作向量的方法对总装齐套问题进行研究。研究复杂产品总装齐套向量化,构造复杂产品批次、总装、部装和零件等目标向量,并根据批次、总装、部装和零件的隶属关系建立实作向量。实作向量由部装汇聚零件向量、总装汇聚部装向量及批次汇聚总装向量形成。齐套率用于量化复杂产品总装齐套性,由零件传递到部件,最后传递到总装,得到总装齐套率。利用齐套率公式,根据批次、总装、部装和零件向量计算实作向量与目标向量的相似度,判断是否满足装配齐套要求,直观量化反映复杂产品总装过程中零/部件的齐套程度,以及与装配齐套要求的差距。复杂产品总装齐套根据产品的生产进度不断迭代,齐套率快速更新,有效提升总装拉动式生产的数字化水平。

汽车在野外复杂环境行驶时面临着工况复杂、跟踪精度低和稳定性控制难等难题。为了提高分布式驱动汽车在野外复杂环境行驶时的跟踪精度和稳定性,提出了一种基于事件触发模型预测控制(Event-Triggered Model Predictive Control,ET-MPC)的分布式驱动汽车横纵向分层控制方法。提出了分层集中式控制架构,上层控制器为基于三自由度的事件触发模型预测控制器和线性二次型调节器(Linear Quadratic Regulator,LQR)速度控制器;下层转矩分配层通过构建最小轮胎附着利用率(Tire Attachment Utilization,TAU)进行转矩分配,以提升分布式驱动汽车的稳定性。最后,基于CarSim软件与Matlab/Simulink软件的联合仿真平台验证了所提方法的有效性,结果表明,在不同车速和不同路面附着系数条件下,基于事件触发模型预测控制的分布式驱动汽车横纵向分层控制具有良好的跟踪性能及稳定性。

为了降低车辆在全频域内的簧上质量加速度,进而提升车辆的平顺性,对于搭载了连续阻尼控制(Continuous Damping Control,CDC)减振器的半主动悬架,综合连续型天棚阻尼(Skyhook,SH)控制策略与加速度阻尼(Active Dynamic Damper,ADD)控制策略的优势,基于车辆悬架系统功率流分析,提出了一种兼备SH控制策略与ADD控制策略优势的控制策略,即基于车辆悬架系统功率流分析的改进型SH-ADD控制策略。选用CDC减振器为车辆悬架的半主动部件,同时建立1/4车辆模型,以正弦路面与随机路面作为输入,在Simulink软件中,将提出的控制策略分别与被动悬架以及其他控制策略进行对比,结果表明,基于车辆悬架系统功率流分析的改进型SH-ADD控制策略在降低簧上质量加速度方面具有显著的优越性和有效性,提高了车辆的平顺性。

在大型、重型设备生产加工中,现有翻转机结构由于设计缺陷无法实现工程中10 t以上大型发动机缸体多角度旋转定位和加工的实际需求。为了解决这一实际工程问题,提出以夹持结构承载能力、机构自重和装配自适应能力为综合设计目标,建立多目标优化模型,设计一种负载15 t,具有逆时针与顺时针2个方向及±30°/±60°/±90°/±180°多工位转动翻转能力的重载翻转机机械结构。在夹持误差8 mm以内可以自动定心,实现多工序、大允差大型发动机缸体的精准定位和稳定夹持,保障多尺寸、多步骤的大型发动机缸体加工。对该设计模型的设计结果进行仿真分析和数学建模计算后,得到变形量7 mm内的最小重量设计。产品制造后,现场性能测试与设计目标一致。多工序大允差大型发动机缸体翻转机结构设计亦可为其他大型重型翻转机装备结构设计提供借鉴。

为了深入研究CF/PEEK复合材料螺旋铣孔的力-热耦合对加工质量的影响机制,建立了铣孔温度场仿真模型,分析了铣孔过程中的温度变化规律及空间分布特征。开展了螺旋铣孔试验,探究了工艺参数、切削力和切削温度对出入口表面形貌、孔径及孔壁质量的影响规律。研究表明,铣孔温度场仿真模型能准确反映铣孔时孔内的热量聚集情况,材料横截面温度场呈椭圆形,长轴与纤维方向一致;切削温度随自转转速、公转速度和螺距的增大而升高;切削力随自转转速增大而降低,随公转速度和螺距增大而增大,当螺距升至0.5 mm/r时,切削力下降;孔表面损伤主要为毛刺,入口孔径普遍大于出口孔径;高温使树脂基体软化,影响孔壁质量。

针对传统预测方法中信息融合不足、模型参数依赖人工经验或粗略优化的问题,提出一种基于遗传算法(Genetic Algorithm,GA)、经验公式(Empirical Formula,EF)和极端梯度提升(eXtreme Gradient Boosting,XGBoost)融合的表面粗糙度预测方法(GA-EF-XGBoost)。该方法利用经验公式对铣削参数计算,得到表面粗糙度第一分量,利用XGBoost算法对振动信号计算获取表面粗糙度第二分量;随后,基于遗传算法将两部分融合,得到表面粗糙度的综合预测结果。实验结果表明,GA-EF-XGBoost模型的预测精度达93.39 %,显著优于传统机器学习模型和其他模型。所提方法融合了铣削三要素与实时采集的振动信号对表面粗糙度进行预测,是一种经验-数据相结合的方法,提升了表面粗糙度的预测精度,具有潜在的应用价值。

滚动轴承是机械设备中的常见关键部件,准确预测其剩余使用寿命对机械设备的安全稳定运行至关重要。针对目前轴承寿命预测存在的轴承退化特征不明显、模型泛化能力差以及数据长期依赖关系难以捕捉的问题,提出基于时频域信号优化器(Time-Frequency domain signal Ratio Optimizer,TFRO)的多重膨胀多核时间卷积网络(Multi inflated Multi kernel Time Convolutional Network,Mi-MkTCN)模型。TFRO优化器为了精准记忆重要信息,在每一个时间节点上,将过去信息和当前信息重组,其中过去信息中的重要的时频域特征经过了有比例的分配。Mi-MkTCN利用多重膨胀确保重要特征不丢失,再利用多核时间卷积网络实现对不同尺度特征的提取。最终的消融对比实验验证了改进方法的有效性,模型的平均绝对误差、均方误差及均方根误差指标分别为0.001 45、0.050 69和0.120 45。实验结果表明,所提方法显著提升了轴承剩余使用寿命的预测精度,为轴承剩余使用寿命预测提供了高精度、高鲁棒性的解决方案。

目前,深度学习在多个领域均已取得较大成功,图像分类技术作为深度学习领域中极具代表性的一项技术,近年来已取得较大进步。在传统的深度学习分类算法中,一般采用数据驱动端到端的方式进行训练,也就是直接将RGB空间图像输入到深度神经网络中,通过梯度下降算法不断优化深度神经网络,逐渐取得令人满意的分类准确率。在一般的认知上图像可以被分解为高频信息和低频信息,然而,在传统的深度神经网络算法中,并没有考虑图像的高频信息和低频信息在训练过程中各自发挥的作用。基于以上考虑,通过傅里叶变换提取图像的高频信息和低频信息,结合深度学习方法,提出了基于渐进式高低频的图像分类方法,该方法是一种全新的深度学习训练方式,可以在不改变深度神经网络模型大小和参数量的情况下,提升深度神经网络的性能。将基于渐进式高低频的图像分类方法与当前主流分类方法进行了对比,并在基准数据集上进行了大量实验,实验结果证实了该方法的有效性。

为提高工厂效率、降低成本,以弹体加工车间为研究对象,考虑区域出入口位置、安全约束等因素构建以物流强度最小和作业区综合关系最大为优化目标的弹体加工布局优化模型。使用改进系统布置规划(Systematic Layout Planning ,SLP)方法设计的优化方案结合启发式和随机的方法生成初始解,引入自适应莱维飞行遗传算法(Levy Flight Genetic Algorithm,LFGA)对方案进行优化。对比遗传算法、SLP+遗传方法、自适应莱维飞行遗传算法3种方法所得布局方案,仿真结果表明自适应莱维飞行遗传算法效果最优,物流强度和作业区关系相较初始布局分别优化了44.75 %和7.8 %,基于SLP和自适应莱维飞行遗传算法的车间布局优化方法可在更大程度上减小弹体加工车间的物流强度,增大非物流关系,提高生产效率并降低成本。

针对旋转机械声学信号中存在的非平稳性强与噪声干扰显著等问题,以及现有方法在时间-尺度建模能力不足、依赖手工时频变换且模型复杂不利于边缘部署的局限,提出了一种融合多尺度动态注意力与1D-2D卷积结构的轻量级端到端故障诊断模型(Multiscale Dynamic Attention and 1D-2D convolutional Fusion Network,MDAF-Net)。该模型集成4项关键模块:首先,构建多尺度动态加权特征提取(Multiscale Dynamic Weighting Feature Extractor,MDW-FE)模块,结合多尺度卷积核与自适应加权机制,以增强对非平稳声学特征的感知能力;其次,设计多尺度映射层(Reshaped Multiscale Projection,RMP),实现一维序列向二维结构的转换,保留时间-尺度关联信息;然后,引入融合深度可分卷积的金字塔注意力机制(Pyramid Convolutional Block Attention Module integrated with Depthwise Separable Convolution,P-CBAM-DSC),提升模型对故障区域的聚焦能力与上下文表达能力;最终,通过全局特征聚合分类器(Global Feature Aggregation Classifier,GFA-C)实现高效的端到端故障识别。在DCASE2023公开声音数据集与自建滚动轴承声纹平台上的实验结果表明,所提方法在准确率、模型轻量化与推理效率方面均优于主流轻量模型,展现出良好的诊断性能、噪声鲁棒性与边缘部署适应性。

针对混合永磁电机中永磁体的不可逆退磁风险问题,提出并验证了一种以提高抗退磁能力为核心目标的优化设计方案。首先,通过磁路分析明确了此类电机特有的混合永磁体交叉耦合退磁现象,基于对磁密矢量的深入分析揭示了永磁体局部退磁机理,提出了通过改善有效磁通路径这一关键手段增强混合永磁体之间的正向耦合程度。其次,结合多目标遗传算法(Multi-Objective Genetic Algorithm,MOGA)与响应面法中的中心组合设计(Central Composite Design,CCD)对电机进行了多目标优化设计,对比分析了优化前后的电机性能。结果表明,优化后的设计保持了优异的电磁性能,其抗退磁能力也得到了显著提升,充分验证了所提出的基于耦合退磁分析的优化设计方法的可行性和有效性。