为研究某电子产品的振动特性，设计了一个电子产品的转接工装。利用三维建模软件对工装进行模型设计，通过ANSYS对工装进行有限元分析的前处理，采用模态和谐响应分析的方法对工装进行振动仿真，根据仿真结果对工装进行优化设计。并用试验的方法验证仿真结果的有效性，解析了振动工装设计的关键问题，为今后相关的工装设计提供了指导意义。

针对自动化叶轮焊接线中叶片自动化上料的需求，对水泵叶片的二维视觉定位方法进行了研究。通过对叶片图像进行特征提取、几何轮廓限制和轮廓上相关点与直线的位置关系分析，实现了对平面上叶片的正反面、前后端、位置和姿态的确定；为避免抓件时夹爪与周围叶片的干涉问题，对识别出的叶片进行了可抓性的检测。然后结合SCARA机器人、振动平台、上料振动盘和视觉系统，搭建了水泵叶片的自动化上料系统，对叶片的上料速度和成功率进行了测试，能够满足工业现场生产需求。

超长复杂的光伏支撑架，往往采用人工焊接的方式，产品的质量和效率得不到保证，给企业的发展和自动化转型带来了极大的阻碍。为了提高焊接效率，设计了一种基于激光视觉传感器的机器人焊接工作站。首先，确定了焊接工作站的总体方案；其次，设计了焊接工作站的控制系统，重点设计了焊缝识别控制系统；最后，根据工件焊接特性，确定焊接参数，进行焊接性能测试。测试结果显示，该焊接工作站能够满足光伏支撑架的焊接要求，效率提高69%，可为钢结构类的机器人自动焊接工作站系统设计提供参考。

利用熔融的高炉渣生产矿棉可以节约大量能源，实现钢铁产业循环经济高效发展。针对矿棉生产过程中熔渣和冷料添加引起核心工艺参数流量突变这一关键问题，提出了一套高温熔渣闸板开度控制系统。使用工业相机采集闸板阀画面，通过RGB通道分解以及高斯滤波对图像进行预处理，再采用阈值分割对熔渣进行特征提取，完成闸板开度的检测；通过添加心跳信号的方式，确保上位机与PLC之间通讯的可靠性；PLC对比闸板开度检测值和设定值，控制液压系统调节闸板开度，从而稳定了流量。研究及应用表明：系统实时检测闸板开度，实现闸板的闭环控制，增加了熔渣流量的稳定性，提升了产品质量。该研究为炼铁厂熔融炉渣再利用中精确控制熔渣流量提供了一种低成本、高效的智能化方案。

针对智能工厂深度感知、智能决策和实时控制一体化应用的需求与难题，设计组态-运行模式的低耦合感知计算控制一体化体系架构，研究不同硬件平台、操作系统等底层软件平台的透明运行机制，提出面向实时与非实时的智能与控制融合方法，为感知计算控制一体化组态编程软件研制提供理论指导和技术支撑，对于智能工业控制系统的研制与应用具有重要意义，为企业数字化转型奠定基础。

为了解决定制装备开发过程中，已有需求和新需求产生矛盾导致的研发周期长、研发成本高问题，利用可拓理论改进的公理化设计（Axiomatic Design，AD）-设计结构矩阵（Design Structure Matrix，DSM）指导定制装备设计。通过形式化的手段分析需求的可拓性，改进公理化设计中CA_S-FR_S映射无法适应需求进化的问题。利用AD模型的“Z字映射”完成定制装备功能域到物理域的转化。以关联度标准建立评价模型对定制装备设计参数相关性做量化分析，并代入DSM矩阵的转化过程中，利用系统聚类解得定制装备的模块划分方案。以激光清洗机设计实践为例，可拓理论可以有效应对需求进化过程中产生的矛盾问题，成功完成了产品的模块化设计与试制验证。研究表明：以可拓理论改进的AD-DSM模型可以为响应需求进化、缩短研发周期、降低设备试制成本提供有效的决策手段，为复杂定制装备设计的迭代创新提供了一个新思路。

在故障诊断领域，由于仿真系统是近似系统，输出的仿真数据存在真实度问题。在用于诊断模型训练的目标下，仿真系统输出故障状态数据能够多大程度包含故障特征，决定仿真数据的可用性与训练模型结果的准确性。因此，提出一种仿真真实度评估方法，先分析待评估数据中包含的数据特征，再采用关键算法节点，通过总体算法方案计算，得到可信度评价指标。仿真数据真实性评估方法的研究可以帮助评估仿真模型的准确性、可用性和可靠性，同时也可以提高诊断模型输出数据的质量和精度，从而为故障诊断算法提供可靠的仿真数据结果。

数据规模扩大与数据关系复杂化给数据聚类带来了挑战，现有方法性能已无法满足求解具备多视图、多类型关系的多维数据聚类问题。提出了一种结合非负矩阵分解框架的流形学习方法，学习多维数据的准确低阶表示，该低阶表示可用于数据检索、分类和聚类等多种用途。还在非负矩阵分解框架中加入多样流形学习，利用不同数据类型数据点之间的距离信息来学习不同的流形以进行数据聚类。直接从输入数据矩阵中同时学习，而不是像现有聚类方法那样依靠重构一个大对称矩阵来求解多维数据聚类问题。对于新制定的目标函数，建立了一套更新规则，保证了所提出方法的正确性和收敛性。进行了严格的实验来测试所提出方法在多维数据上的聚类性能，并将其与基于非负矩阵分解的其他方法进行对比。实验结果表明，所提出方法能够更好地学习数据聚类结构，验证了其有效性。