针对履带机器人在复杂路径条件下轨迹跟踪精度和运动稳定性不足的问题,提出一种融合改进纯跟踪(Pure Pursuit,PP)与模糊比例-积分-微分(Proportional-Integral-Derivative,PID)的轨迹跟踪控制方法。改进纯跟踪算法通过路径曲率与期望速度动态优化前视预瞄距离,实现自适应预瞄控制,有效降低横向跟踪误差。结合路径曲率与终点的距离动态计算期望速度,并引入模糊推理机制实时调节PID参数,对实际速度进行修正,确保快速响应与末端平稳控制。仿真实验结果表明,相较于传统纯跟踪算法,改进纯跟踪算法平均横向跟踪误差降低了79.50 %,平均航向角误差降低了47.94 %,显著提升了履带机器人在复杂路径下的轨迹跟踪精度与运动稳定性,验证了其良好的适应性与鲁棒性。

针对现实中由于维护保障不足导致维护等待时间较长的问题,提出考虑维护等待的视情维护和生产联合优化模型。假设生产系统初始以最大速率运转,并且退化依赖于生产。首先使用平稳伽马过程对退化进行建模,并构建退化和生产速率之间的量化关系。接着,将问题抽象为离散时间下的马尔可夫决策过程,构建更新周期下长期成本率最小化的贝尔曼期望方程。最后,采用逆向归纳法进行求解计算,得到最优计划维护状态阈值和各状态下的最优生产速率。数值算例结果表明,当维护等待时间变化时,系统优先调整维护状态阈值,而非生产策略。此外,依据制定出的生产和维护联合优化策略,系统在低退化状态下尽可能以最大速率生产,仅在高退化状态降低生产速率以控制退化。

为提升工业机器人空间示教的自然交互性与部署效率,设计并实现了一种基于混合现实(Mixed Reality,MR)与数字孪生(Digital Twin,DT)的工业机器人路径引导与轨迹控制系统(工业机器人虚拟示教系统)。该系统以HoloLens 2为空间交互终端,结合Unity平台构建工业机器人孪生模型,集成路径点手势输入、一阶低通滤波、逆运动学求解与Socket通信控制模块,构建“设定-反馈-调整”闭环路径控制流程。通过对UR10协作机器人在三通管焊接场景下进行空间示教与轨迹执行测试,结果表明:该系统在典型路径下末端位置误差小于1.5 mm,姿态角误差控制在0.71°以内,显著提升了轨迹输入的稳定性与空间操作的直观性。该系统适用于复杂结构场景中机器人的快速部署与精细作业,具有良好的工程实用价值与技术拓展潜力。

针对工业生产中工件搬运和分拣的作业需求,基于方位特征(Position and Orientation Characteristic,POC)方程的并联机器人拓扑设计方法,设计了4种具有可避免机械碰撞、支链结构简单特点的两平移一转动(Two Translations and One Rotation,2T1R)并联机器人机构。 对机构的主要拓扑特征(POC、自由度、耦合度)进行了分析,以其中转动副轴线垂直于Z轴的两个2T1R并联机器人机构为例展开了研究,基于拓扑特征运动学建模原理对其进行了运动学方程建模,推导得到了位置正解和位置逆解符号解,同时对位置逆解进行了数值算例仿真验证,通过雅可比矩阵分析了并联机器人机构的三类奇异位置。然后,研究了并联机器人机构的工作空间、转动能力及灵巧度等性能指标。最后,分析了结构尺寸参数对工作空间和转动能力指标的影响趋势,并完成了机构应用场景设计。仿真分析结果表明,和构型1相比,相同参数下构型2的工作空间、转动能力及灵巧度性能更优;同时,构型1转动能力和工作空间体积能同时取较大的值,而构型2转动能力和工作空间体积是分离的,无法同时取得较大值。研究结果可为该并联机器人后续的优化设计、运动轨迹规划与控制提供参考。

针对双工业机械臂采用传统算法在高维动态场景中存在的搜索效率低、局部最优和避障迟滞现象,研究采用引力函数控制的快速扩展随机树(RRT)并结合动态窗口法(DWA),构建全局-局部双层路径优化框架;同时设计任务调度状态池,实现协同机械臂在共享空间中的路径互避与节拍同步。基于ROS 2与Gazebo平台,对双工业机械臂在高密度障碍与动态干扰环境下的协同作业进行了仿真评估;对比未优化路径,启用动态路径规化与优化算法后平均路径长度缩短了约18.0 %,平均能耗降低了约18.0 %,冲突次数由3 次降为0次,调度延迟也明显缩短。随后将算法部署于实际金属部件装配单元,完成为期两周的连续抓取-插配任务验证,平均规划时间保持在85 ms以内,平均姿态误差控制在±2.3 mm,未发生停机冲突,证明算法具备良好工程可行性与稳定性。研究表明,引力偏置与动态避障的耦合策略能够显著提高双工业机械臂协同作业的路径质量与系统鲁棒性,为智能制造生产线的柔性调度提供有效技术支撑。

面向开放桌面场景下由自然语言驱动的识别与抓取任务,现有方法多依赖超大参数量模型进行决策,虽然能力强,但本地部署常面临显存占用高、推理时延,以及算力与能耗成本高等问题,难以满足机械臂在线闭环控制的实时性与稳定性。同时,语言决策、环境感知与动作控制之间缺乏统一的结构化接口约束,导致闭环执行过程中易出现不可执行动作、交互冗余与失败恢复不稳定。以中等规模大语言模型(Large Language Model,LLM)为决策中枢的函数调用式机械臂人机交互与决策框架,将视觉检测、目标筛选、抓取点估计、运动控制与执行反馈等能力统一封装为具备明确输入/输出协议的机器人统一的结构化接口,并将机械臂结构化状态编码为状态文本,约束模型输出可解析、可校验的动作调用,从而实现在线闭环执行的稳定性与实时性。基于4 B参数量的Qwen3(4 B-Qwen3)模型,构建状态到函数调用的轨迹数据并进行监督微调,提升工具调用行为与任务级决策能力。在Kinova Gen3真实机械臂平台上,以整理桌面杂物为代表性评测任务进行实验,结果表明,微调后的模型在任务成功率、动作效率及函数调用合法性与准确性等指标上显著优于未微调的Qwen3-4 B模型,并在关键指标上接近DeepSeek-R1-671 B模型,验证了中等规模大语言模型在结构化约束与任务特化训练下具备兼顾性能与部署成本的可行性。

针对人机协同环境下传统机械臂动态避障算法路径搜索能力弱、耗时长、路径冗余节点多及安全性差等问题,提出一种Bi-GB-APF-RRT^*算法进行全局路径规划,同时以改进人工速度势场算法进行局部路径的实时规划,并结合跟随机制实现动态避障的实时性与连续性,提升全局路径的利用率。首先由起始点与目标点两端各生成一棵随机树进行双向路径搜索,由目标概率偏置策略与人工势场思想使得树节点朝目标点生长,加快路径搜索;在生长过程中通过对树节点进行相邻空间搜索与树重连降低路径代价值,从而优化路径,提高机械臂运动时的平稳性。在机械臂运动过程中,当机械臂关节点与障碍物点云的距离小于安全距离时,机械臂将在改进人工速度势场的吸引速度与排斥速度的共同作用下进行避障运动。实验结果表明,Bi-GB-APF-RRT^*算法所规划出的全局路径较基础RRT算法有显著提升,并验证了动态避障规划的有效性。

针对国内外上肢康复机器人结构相对固定、缺乏灵活可重构性的问题,设计了一种基于气动肌腱的可穿戴模块化柔性上肢康复机器人,该装备通过柔性动力模块和柔性固定模块的组合实现灵活的康复目标。首先,为克服气动肌腱非线性度高的问题,设计了气动肌腱拉伸试验台,通过试验获取气动肌腱拉力、腔内气压与收缩量三者之间的耦合模型;然后,建立了康复机器人的运动学、动力学模型,通过Simulink软件搭建了控制系统,并与Adams软件进行了联合仿真优化;接着,利用STM32微控制单元搭建了控制系统各模块的硬件电路;最后,搭建了物理样机并通过肌电信号传感器对康复数据进行了采集分析,可实现预期的主/被动康复目标,验证了该机器人的有效性。

针对传统粒子滤波(Particle Filter,PF)算法在复杂工况下因粒子退化和模型参数时变导致锂离子电池荷电状态(State of Charge,SOC)估计精度受限的问题,提出了一种基于分数阶多新息自适应无迹卡尔曼粒子滤波-扩展卡尔曼滤波(Fractional Order Multi-Innovation Adaptive Unscented Kalman Particle Filter-Extended Kalman Filter,FOMIAUKPF-EKF)算法的联合估计方法。该方法基于分数阶二阶RC等效电路模型,利用扩展卡尔曼滤波(Extended Kalman Filter,EKF)进行参数在线辨识,以补偿时变影响;引入多新息理论和自适应噪声调整机制改进无迹卡尔曼粒子滤波(Unscented Kalman Particle Filter,UKPF),有效解决了粒子贫化问题并增强了非线性处理能力。高速公路燃油经济性测试(Highway Fuel Economy Test,HWFET)工况和新欧洲驾驶循环(New European Driving Cycle,NEDC)工况下的试验表明,FOMIAUKPF-EKF算法将建模误差降低了15 %~25 %,在20 %初值偏差和3 %采样噪声扰动下仍表现出强鲁棒性,SOC估计平均误差控制在1 %以内,精度与收敛速度均显著优于PF及分数阶无迹卡尔曼粒子滤波(Fractional Order Unscented Kalman Particle Filter,FOUKPF)等对比算法。

针对自动驾驶车辆在起伏弯道中的纵横向耦合稳定性控制策略开展研究,基于模型预测控制(Model Predictive Control,MPC)和自抗扰控制(Active Disturbance Rejection Control,ADRC)设计了耦合控制器,建立了纵、横向车辆动力学模型,设计了基于自抗扰控制的纵向控制策略和基于模型预测控制的横向控制策略,提出了纵横向耦合控制策略,构建了硬件在环(Hardware In the Loop,HIL)测试平台进行有效性验证。HIL仿真测试结果表明,耦合控制器与传统控制器相比,最大横向误差从0.48 m减小到0.16 m,平均绝对误差和平均误差都相对减小。所设计的耦合控制器能够将起伏弯道中的最大跟踪误差降低到0.33 m,并相对降低平均绝对误差和平均误差,能够有效保证高速自动驾驶车辆行驶的安全性和稳定性,避免滑移失稳等危险工况的发生。

FGH96是一种广泛应用于高温环境的粉末冶金材料,拉削作为FGH96涡轮盘榫槽等关键特征的加工方法,其工艺参数选择直接影响最终零件的服役性能与寿命。研究了FGH96材料的拉削表面完整性,分析了不同工艺参数对表面粗糙度、表面形貌、残余应力和显微硬度的影响。试验结果表明,表面粗糙度随前角增大而减小,随齿升量、拉削速度增大而增大;表面形貌状态随前角增大变优,随齿升量和速度增大而迅速恶化;表面残余应力在拉削方向呈现为压应力,在垂直拉削方向为拉应力;表面维氏硬度随着拉刀前角和速度的增大而减小,随着齿升量的增大而增大。深入理解并研究FGH96拉削表面完整性,对于提升涡轮盘等关键部件的抗疲劳性能、可靠性和极端环境下的安全性具有至关重要的意义。

在工业智能化与制造业数字化转型背景下,针对传统频域模型对温度骤升等局部突变不敏感、多源数据直接拼接导致时空关联性缺失等问题,提出了一种基于改进FEDformer(Frequency Enhanced Decomposition Trans-former)模型的轻工装备多源时序数据异常检测模型FEDformer-MTFA。该模型包含多尺度时频联合注意力机制,在FEDformer已有频域增强机制的基础上,通过融合不同时间尺度下的时域特征与多频带频域信息,并结合权重分配策略,进一步扩展了注意力的建模维度。该机制能够同时捕捉设备运行状态在多个时间粒度和频域分布上的动态特征,从而显著增强对微弱瞬态异常信号的敏感性与表征能力。同时,模型采用多任务检测头设计,并行预测重构误差与异常概率分布,通过可调节的超参数动态平衡两项任务的优化权重,有效缓解了单一优化目标导致的模型过拟合问题,提升了检测鲁棒性。此外,针对样本不平衡问题,模型引入联合加权损失函数,通过调整样本权重,使训练过程更加聚焦于潜在异常区域的学习,进一步优化了模型在复杂工况下的检测性能。实验结果表明,所提模型关键指标相较于FEDformer,准确率提升0.186 0,AUC值提升0.298 2。

随着现代电子产品向高集成度和多功能化方向发展,装配精度和可靠性要求日益提高,特别是在雷达天线等电子产品中,大深宽比组件装配间隙的测量成为一项技术难题。传统的接触式测量方法效率低且无法获取其内部整体间隙分布,而现有的数字化测量技术在大深宽比间隙内部数据获取方面存在局限性。提出了一种基于点云数据处理和理论模型配准的大深宽比组件装配间隙数字化测量方法。通过高效的聚类分割、特征提取和配准算法,实现了不可见区域间隙数据的恢复和可视化。实验结果表明,该方法能够显著提高间隙测量的精度和效率,为大深宽比组件装配间隙的数字化检测提供了新的解决方案。

随着航空航天、汽车制造等领域对高精度装配要求的不断提升,机器人自动化制孔技术以其高效性与灵活性成为关键工艺环节。而在复杂工况下,机器人制孔精度会被视觉定位偏差、视觉系统拍照局限性及机器人运动学误差等多源误差影响。现有方法大多依赖离线编程或刚性工装被动补偿,难以适应柔性生产场景下小批量、多品种的实时误差修正需求,因此,提出了一种融合在线检测与主动补偿的基于3D机器人视觉的飞机零件制孔位姿修正方法,通过3D机器人视觉反馈闭环控制,基于刚性变换补偿的视觉-工具坐标系统一修正框架,协同优化法向信息,并使用三阶段分层渐进点云配准策略,实现动态工况下的亚毫米级制孔精度保障,满足航空航天制造业、汽车制造业等严苛领域的制孔任务要求。

在传统装配质量问题研究的基础上,构建基于关联规则挖掘的盾构机装配质量优化模型,对装配质量问题的智能决策优化方法进行研究。以某企业2019—2024年间的装配缺陷数据为研究基础,将故障部件、分类及问题等级等多维信息结构化编码,综合考虑生产属性与发生阶段等过程特征,构建面向装配缺陷的事务型数据库。基于FP-Growth算法建立装配质量风险挖掘模型,挖掘高支持度、高置信度、高提升度等指标,筛选质量问题的可靠性强、确定性高的关联规则。通过三维规则分布曲面图与因果网络图等可视化方式,直观揭示了高风险部件、原因和缺陷的组合路径。关联规则挖掘实验结果表明,盾构机装配缺陷间存在显著的潜在关联结构,有助于识别高风险部件与装配过程关键环节,验证了所提方法在质量优化决策中的实用性与科学性。

由于复杂工业过程中工况漂移会引发特征时变,为解决故障预测精度低的问题,构建一种基于SABO-RCA-BiLSTM的混合故障预测模型。首先,利用随机森林算法分析特征重要性并进行数据筛选,以减少数据冗余并保留关键特征;然后,引入卷积神经网络(CNN)解决双向长短期记忆(BiLSTM)神经网络面对多维特征输入时无法捕捉空间特征的问题,并加入注意力机制为输入特征序列的每部分分配不同的注意力权重,增强对关键信息的关注;最后,采用减法平均优化(SABO)算法对模型参数进行优化,以进一步提升故障预测性能。在田纳西-伊斯曼(TE)过程上进行验证,结果表明,面对2种不同类型的故障,优化后的模型相较优化前平均绝对误差分别降低了32 %、30 %,并与CA-BiGRU、CA-BiLSTM、MVMD-CA-BiLSTM和SAC-BiLSTM模型相比,决定系数最大提升了23.70 %,有效地解决了复杂工业过程中故障预测精度低的问题。