ISSN 1009-0134
CN 11-4389/TP
主管：中国机械工业联合会
主办：北京机械工业自动化研究所有限公司
CN 11-4389/TP
主管：中国机械工业联合会
主办：北京机械工业自动化研究所有限公司
中国科技核心期刊
中国期刊方阵双效期刊
机械行业优秀期刊
中国期刊方阵双效期刊
机械行业优秀期刊
2025年, 第47卷, 第10期
刊出日期：2025-10-25
刊出日期：2025-10-25
摘要 (
)
PDF全文
HTML
(
)
可视化
收藏
盾构机在隧道掘进过程中，液压系统的稳定性对施工安全至关重要，工作舱膨润土液位检测1（液位1）和工作舱膨润土液位检测2（液位2）作为关键液压参数，直接关系到泥水平衡控制与系统压力调节，其异常变化可能导致地层失稳、喷涌或设备停机。然而，盾构施工过程中液位信号受工况波动、地质差异影响较大，呈现出强非线性、时变性和多源耦合的特征，给精确预测带来较大挑战。针对液位参数的时序非线性特性，提出一种基于XGBoost梯度提升树算法与双阶段注意力神经网络（Dual-Stage Attention-Based Recurrent Neural Network，DA-RNN）结合的预测方法。本研究首先对盾构机采集的上千维传感器数据进行预处理，然后利用XGBoost对采集的多变量数据进行特征选择，从中筛选出与液位1和液位2关系最密切的前30个特征变量，同时针对地勘报告，采用土层厚度加权的方式对每一环的地质参数进行整合，获取综合地质特征。随后，将筛选后的变量与地质特征输入DA-RNN模型，通过其输入注意力机制和时间注意力机制提取关键变量及历史依赖信息，构建液位预测模型。试验结果表明，XGBoost变量筛选有效提升DA-RNN的预测能力，在测试集上，液位1的R²（决定系数）为0.96，RMSE（均方根误差）为11.27；液位2的R²为0.91，RMSE为23.18，XGBoost-DA-RNN模型可有效提高盾构施工液位参数预测的准确性，可用于盾构机液位异常预警，为液压系统控制和盾构掘进智能决策提供数据支持。
摘要 (
)
PDF全文
HTML
(
)
可视化
收藏
为提高桥式起重机主梁截面设计效率，提出一种基于集成学习的智能预测方法。通过构建四维输入-六维输出的参数映射模型，集成决策树、随机森林与极端梯度提升算法，建立主梁截面多目标优化体系。采用贝叶斯优化框架实现超参数自适应匹配，结合分层优化策略与5折交叉验证机制，有效抑制高维参数空间中的过拟合现象，模型泛化误差控制在1%以下。结果表明，优化后的XGBoost模型在测试集取得最优性能（RMSE=0.0632，R²=0.9244），且采用决策树-XGBoost混合架构实现了5 ms级实时响应与0.048的MAE精度。该方法成功构建了起重机主梁智能化设计框架，其分层优化策略与参数自适应机制可扩展至复杂工程结构设计领域，为装备制造智能化转型提供了一种新的技术路径。
摘要 (
)
PDF全文
HTML
(
)
可视化
收藏
针对实际制造过程中需要同时在线监测多个表面加工质量评价指标的问题，提出一种基于RPM和MTL-GAMDenseNet-CA网络的表面粗糙度识别及尺寸精度预测方法。首先，通过RPM对多通道振动信号进行二维转换，得到相应的二维RPM图，再利用二维离散小波变换对多通道RPM图进行分解重构；其次，将GAM注意力机制引入到DenseNet模型中，构成新的GAMDenseNet网络作为模型的编码器，再将CA注意力机制融入到解码器结构中，利用硬参数共享网络架构构建MTL-GAMDenseNet-CA多任务学习网络模型；并通过梯度归一化算法（GradNorm）自适应调整表面粗糙度识别和尺寸精度预测两个任务损失函数的权重比例，对模型进行优化；最后通过对比实验及消融实验，对所提方法进行验证。实验结果表明：在表面粗糙度识别任务中，该方法的准确率达到了99.88%；在尺寸精度预测任务中的平均绝对误差（MAE）和均方根误差（RMSE）分别达到了0.0177和0.0221。这表明所提方法能够有效实现表面加工质量多评价指标的在线监测。
摘要 (
)
PDF全文
HTML
(
)
可视化
收藏
针对工程图尺寸标注的准确性与完备性检查需求，提出了智能化尺寸标注方法，以提高工程图尺寸标注的效率和精度。首先构建历史案例库，并通过案例推理（Case-Based Reasoning， CBR）提取相似案例的关键特征，为迭代最近点（Iterative Closest Point， ICP）算法提供高质量的初始参考。结合 CBR、K 维空间树（K-Dimensional Tree， K-D Tree）和改进的 ICP 算法，提出 MKD-ICP 算法，利用其高效的空间数据查询和精准的尺寸对齐能力，显著提升尺寸映射的准确性和匹配度。以某厢式冷藏车为案例的实证研究表明，该方法在尺寸标注的准确性和效率方面优于现有方法，减少了人工干预与误差，为复杂工程设计中的尺寸标注提供了可靠的技术支持，并展现出广泛的应用前景。
摘要 (
)
PDF全文
HTML
(
)
可视化
收藏
针对复杂产品设计修改扩散路径优化问题，提出一种基于带权有向网络框架的改良方法。该方法首先，将复杂产品中的零件作为节点单元，以其物理关联作为连接边，构建有向加权网络模型。在此架构下，采用 PageRank 算法对节点的关键度进行量化评估，并纳入部件尺寸数量对节点变更的影响因子。随后，探讨了设计变更传播的多类型传播模式及计算模型，提出融合节点关键度、变更实施成本、变更传播概率及路径距离等要素的传播强度评价方法。依托该评价体系，构建以最小化变更传播强度为优化目标的设计变更传播优化模型。通过选定多个变更起始点，构造交织变更传播网络，并运用遗传算法进行问题求解，最终获取全局最优的传播路径方案。最后，以某型号桥式起重机小车滑轮梁组件的设计变更实践为例，通过算法求解和路径协同优化，使得变更传播强度降低了23.6%，优化效率显著提升。
摘要 (
)
PDF全文
HTML
(
)
可视化
收藏
针对滚动轴承在复杂工况下易发生故障，以及传统诊断方法实时性较差、对人工特征提取依赖性较强的问题，提出了一种基于MSCNN-LSTM深度学习网络的轴承故障诊断方法，并开发了相应的智能轴承健康管理系统。该系统采用端到端的故障诊断流程，直接利用时域振动信号作为输入，通过多尺度卷积神经网络（Multi-Scale Convolutional Neural Network， MSCNN）自动提取不同频域层次的局部特征，结合长短期记忆网络（LSTM）建模故障特征的时间演化规律，实现高精度的自动化故障诊断。为增强诊断结果的可解释性与决策支持能力，系统引入讯飞星火大模型，生成智能诊断报告与维护建议。系统部署于国产飞腾四核处理器平台，保障软硬件的自主可控性与工业应用的稳定性。实验结果表明，所提系统在西储大学轴承数据集上的平均分类准确率达到98.46%，在AITHE轴承故障数据集上的准确率为96.73%，验证了其在复杂工况下的鲁棒性与跨数据集泛化能力。通过人机交互界面（HMI）实时展示故障诊断结果与维护建议，该系统为设备健康管理与预测性维护提供了可靠的智能化解决方案。
摘要 (
)
PDF全文
HTML
(
)
可视化
收藏
uArm机械臂利用多连杆传动使得驱动电机能够布置在基座上，从而增加了末端的负载能力。针对uArm机械臂在临界负载情况下快速运动时产生的执行器饱和问题，设计一种改进的超扭曲控制算法保证执行器饱和状态下轨迹跟踪的性能。首先利用D-H方法建立uArm机械臂的正运动学模型，根据机械臂的几何约束对正运动学模型进行化简，从而对其逆运动学进行分析。采用Conditioned Super-Twisting Algorithm（CSTA）抑制执行器的饱和，并对CSTA算法进行改进以削弱控制器的抖振，并将控制器扩展到二阶情况，以提高其控制品质。通过仿真实验验证了算法有效性，实验结果表明算法在执行器饱和状态下具有更好的跟踪效果，同时改进后的算法对抖振有明显的抑制。
摘要 (
)
PDF全文
HTML
(
)
可视化
收藏
针对电动汽车充换电站在实际运营过程中面临服务效率低下、经济效益不佳及电网互动能力薄弱等多重挑战，提出一种基于分层深度强化学习的V2G协同调度模型，该模型通过战略层与战术层的协同架构有效降低了复杂环境下的决策难度，显著提升了系统的响应能力。实证研究表明，该模型在实际充换电站环境中展现出良好的应用价值，主要体现在运营收益的合理增长、能源利用效率的优化平衡、服务质量的显著改善以及用户等候时间的有效缩减。与传统调度方法相比，本研究采用的SAC算法在面对复杂决策环境时表现出更强的适应性和稳定性，能够有效应对车流量波动和电价变化等不确定因素。研究成果为电动汽车充换电站提供了一套可落地实施的智能化调度解决方案，针对行业实际运营问题提供了有价值的技术参考。
摘要 (
)
PDF全文
HTML
(
)
可视化
收藏
路径规划是无人机执行任务过程中的重要组成部分，也是无人机成功完成任务的关键保障。通过对三维环境进行建模，构建无人机路径规划的代价函数，并在分析麋鹿群优化算法（Improved Elk Herd optimizer，IEHO）的基础上提出一种改进算法对无人机路径规划进行求解。算法通过Logistic混沌映射初始化种群分布，提高种群的多样性，利用s型传递函数自适应动态调整公鹿率，以平衡探索和开发的能力，其次引入高斯变异对小鹿的位置更新进行扰动，以提高搜索效率，再结合Lévy飞行策略，避免种群陷入局部最优；同时还对所得到的路径规划数值解通过贝塞尔曲线进行平滑。通过cec2017测试函数对IEHO和麋鹿群优化算法（EHO）以及其他5种算法进行比较，验证了所提算法的有效性，最后在两种不同的环境模型下进行测试，IEHO相比EHO、DBO、COA在无人机路径规划方面有更好的收敛速度和路径寻优能力。
摘要 (
)
PDF全文
HTML
(
)
可视化
收藏
针对目前草莓采摘机器人检测草莓时影响因素较多，检测算法精度较低的问题，为给采摘机器人提供更精确的检测目标位置，提高采摘成功率，提出了一种基于改进YOLOv5s目标检测网络的检测模型。首先，将YOLOv5s的主干网络替换为轻量级网络MobileNetV4，以提高推理速度。其次，在主干网络后加入CA注意力模块，提升模型对空间坐标的感知能力。最后，将CIoU损失函数替换为MPDIoU损失函数，以提高模型在复杂情况下的检测能力。通过在测试集上对改进后的模型进行检验，根据多种评价指标对模型进行对比分析，验证了改进模型的正确性。实验结果表明，相比YOLOv5s改进模型精度P、召回率R和平均精度均值mAP分别提升了2.9%、5.2%和2.8%，推理时间减少了2.0 ms。
摘要 (
)
PDF全文
HTML
(
)
可视化
收藏
随着计算机视觉和人工智能的快速发展，目标检测技术在消防领域得到了广泛的应用。针对传统消防设备维修和维护过程中灭火器表盘人工识别效率低和误判问题，设计并实现了一种基于改进YOLOv5算法的智能灭火器表盘识别装置。该装置通过集成树莓派4B计算核心与高分辨率相机，结合封闭式包围罩、光屏蔽侧板及自适应补光系统，有效抑制外部干扰并适配不同容量灭火器。在算法层面，引入CBAM注意力模块和BiFPN特征融合网络，优化YOLOv5m模型的特征提取能力与多尺度目标检测性能，同时提出图像切割策略增强了模型在复杂背景下对小目标的识别精度，改进后的模型具有更高的准确率和精度。现场试验表明，装置在复杂工业环境中对3 kg、4 kg、5 kg、8 kg灭火器的压力状态识别准确率达100%，与车载消防设备诊断智能物联网系统集成后，该装置的检测数据能够实时上传到云平台，供系统进行进一步的数据分析和状态评估，在灭火器的维修与维护流程中，展现出较高的工作效率与自动化水平，为消防设备的维修和维护提供了有力的技术支撑。
摘要 (
)
PDF全文
HTML
(
)
可视化
收藏
针对现如今工业环境下因起重机吊钩损坏而引发的事故，以及起重机装卸货物效率较低的问题，提出了一种改进YOLOv8n的起重机吊钩识别算法。首先，引入了AKConv模块代替了主干网络中的Conv模块，该模块赋予卷积核任意参数与形状，为卷积核之间提供了丰富的选择。其次，将ADown下采样模块嵌入主干网络中，减少了在下采样过程之中特征信息的丢失。最后，引入了CAFMAttention卷积注意力融合模块，增强了吊钩识别的全局和局部的特征提取。根据实验结果，改进后的YOLOv8n算法在精确率、召回率和mAP50指标上分别提升了4.6%、4.2%和3.3%。改进后的算法能够实时检测吊钩位置，帮助操作人员及时调整和判断，避免碰撞或意外，提高了工业环境下的安全性；并且，吊钩的自动识别有助于帮助工作人员更快地锁定吊钩位置的同时进行精准地装卸货物的操作，从而提高了工作效率。
摘要 (
)
PDF全文
HTML
(
)
可视化
收藏
针对无人机视角下复杂场景中存在的检测精度低、速度慢、漏检误检及模型参数量大等问题，提出改进的RBGE-YOLO算法模型。首先，在骨干网络中引入RFAConv替代原有Conv，增强图像特征提取与融合能力；其次，采用BiFPN-GLSA重构颈部网络，提升特征融合与空间特征利用效率；再次，设计双层小目标检测结构，强化小目标特征信息；最后，利用Inner-EIoU损失函数解决IoU的局限性问题。在VisDrone2019数据集上的实验表明，RBGE-YOLO的精确率（Precision）、召回率（Recall）、mAP@0.5和mAP@0.5：0.95分别较原始YOLOv8s提升了4.7%、2%、3.6%和2.5%，参数量减少16.4%，在实现模型轻量化的同时显著提升了检测性能。
摘要 (
)
PDF全文
HTML
(
)
可视化
收藏
基于人机耦合建模和生物力学分析，设计了一种5自由度旋转关节和3自由度滑动调节的肩肘康复辅具，通过运动捕捉实验获得个性化缩放肌骨模型以及上肢康复动作逆运动学复现，采用Hill型肌肉模型和CMC肌肉控制算法，分析上肢康复训练中肌肉力以及能量变化。结果显示在康复辅具助力下，上肢康复训练过程中核心动力肌群肱二头肌、肱三头肌的平均肌肉力降幅最大，肱二头肌长头为51.34%，肱三头肌外侧头为49.05%，而且肱二头肌长、短头平均能量消耗分别减少30.74%和36.56%，峰值降幅超40%，表现出辅具对肘关节运动时的持续减载效果。次要肌群如三角肌后束、肱三头肌内侧头维持10%左右的轻度减载，平衡了减载需求和关节稳定性，规避过度干预风险。分析结果表明，康复辅具能明显减轻进行康复动作时的肌肉负担和能量消耗，降低了肌肉超负荷风险，能够有效辅助患者进行康复训练。
摘要 (
)
PDF全文
HTML
(
)
可视化
收藏
为进一步提高用电企业安全生产异常监测的准确率和普适性，提出基于电力负荷数据，融合CNN（Convolutional Neural Networks，卷积神经网络）和LSTM（Long Short-Term Memory，长短期记忆网络）构建企业安全生产状态识别方法。首先，基于CNN-LSTM混合架构实现企业用电负荷的动态特征提取；其次，整合负荷特征、设备运行和环境因素三个维度，构建多维度安全状态评估体系，设计多任务学习框架，结合改进的focal loss和自适应学习率策略，实现对四种典型安全生产异常状态（突发性负荷跳变、持续性负荷过载、周期性负荷波动、非正常空载运行）的准确识别；最后，采用残差学习和多尺度特征融合优化网络结构，对算法进行优化并提升系统性能。通过三类典型企业（制造、化工、冶金）的实验验证，表明该方法具有较好的普适性和准确度，通过不同方法对比实验，表明该方法具有最高的正确率和最低的误报率，可为企业安全生产异常状态的识别和安全管理提供新的理论和方法。
摘要 (
)
PDF全文
HTML
(
)
可视化
收藏
随着工业4.0的推进，在边缘设备上部署高智能、低成本的机器人系统已成为关键需求。然而，深度强化学习（RL）算法因其高计算复杂度，在树莓派等资源受限平台上部署面临巨大挑战。为解决此问题，提出一种面向工业机器人分拣作业的轻量化强化学习框架。提出一种梯度敏感度引导的结构化剪枝（GS-Pruning）与分层量化联合压缩方法，在保证策略精度的前提下，将模型体积压缩超过90%，并在树莓派上实现低于35 ms的实时推理；设计了一种动态权重自适应奖励函数（DWAR），该函数融合了分拣效率、运动稳定性与系统能耗三大目标，通过动态调整权重，有效抑制了机械臂在高速作业中的抖动，并降低了18.1%的平均能耗；构建了一套名为RPi-EdgeRL的端到端轻量级部署系统，通过多线程流水线及安全看门狗机制，确保了分拣任务在边缘设备上稳定、高效地自主运行。在FR3协作机器人平台上的实验结果表明，提出的框架实现了93.5%的复杂工件分拣成功率，验证了该低成本、高效率方案在真实工业场景中的可行性与优越性。