针对单目深度估计模型计算复杂度高、难以在资源受限设备上实时部署的问题，提出一种基于部分卷积与多尺度特征融合的轻量化自监督单目深度估计方法。构建自监督训练框架，通过联合优化深度估计网络与位姿估计网络，并利用作为监督信号的图像重投影误差进行模型训练。在深度估计网络中设计Lighting Block多分支特征模块，通过部分卷积分支与空洞卷积分支实现局部细节与全局上下文信息的协同建模。基于KITTI数据集进行实验验证。结果表明，该方法在Abs Rel和RMSE指标上分别达到0.093和4.052，模型参数量仅为330万（3.3×106），推理时间为23.6 ms，在预测精度与计算效率之间取得了良好平衡，适用于增强现实、机器人视觉及工业三维感知等应用场景。
针对清渣装置故障诊断中经验分散、定位效率低及单参数健康评估难以反映多系统耦合状态的问题，提出一种融合故障树与动态健康度模型的智能诊断方法。首先，基于故障机理建立故障树模型，利用最小割集和重要度分析构建故障知识库，并将故障树因果关系转化为产生式规则，设计结合正向推理与作业阶段识别的诊断策略。其次，构建动态健康度评估模型，对模拟量和开关量参数进行健康度映射，并引入耦合修正和联合故障惩罚机制，实现设备健康状态的动态量化评估。最后，通过智能诊断平台及典型场景验证了所提方法的有效性。结果表明，该方法能够实现清渣装置典型故障的有效诊断，并提高诊断效率，同时能够较好表征联合异常条件下的设备健康状态。
传统多尺度特征提取技术构建的样本集存在信息冗余问题，且部分特征缺乏对轴承退化过程的有效表达，严重制约寿命预测模型的性能。针对上述问题，提出一种多尺度特征筛选策略与xLSTM模型的轴承寿命预测方法。首先，基于单调性准则与时间相关性分析，从多尺度特征提取的初始样本集中筛选出强退化表征能力的有效特征；其次，将筛选后的有效特征集输入 xLSTM 预测模型，通过模型的深层学习能力挖掘特征与剩余寿命之间的非线性映射关系，实现轴承寿命的精准预测；最后，验证所提方法的有效性与泛化性，对比不同运行环境下的LSTM和Transformer-LSTM模型，证明所提方法具备高预测精度。
围绕缺陷分类模型在对抗攻击场景下的安全性问题展开研究。针对工业视觉分类模型易受对抗扰动影响、导致识别性能显著下降的问题，选取典型攻击方法——快速梯度符号法（Fast Gradient Sign Method， FGSM）、投影梯度下降法（Projected Gradient Descent， PGD）以及Carlini-Wagner攻击（C&W攻击），构建多类型对抗样本，对模型鲁棒性进行系统评估。在此基础上，引入马氏距离，利用模型特征空间分布信息，建立基于统计距离的对抗样本检测方法，实现对异常输入的有效识别。以钢材表面缺陷分类任务作为实验验证场景开展实验分析。结果表明，PGD和C&W攻击对人工智能模型具有更强的破坏能力，而所采用的检测方法在多种攻击条件下均表现出良好的检测效果，可有效提升工业视觉分类模型的安全性与鲁棒性。
针对回转支承故障诊断中单源信号特征表征能力有限的问题，提出一种基于声振信号特征融合与改进植物根茎生长算法（IPRGO）优化XGBoost的故障诊断方法。在特征提取阶段，采用声振特征融合策略对振动信号进行三层小波包分解，提取16个子频带的能量特征作为振动表征；对声音信号则通过分帧、加窗预处理后，提取每帧的1~12阶梅尔倒谱系数，并融合均方根值、峭度因子等4种时域与频域统计特征，共同构成48维声学特征向量。最终将16维振动特征与48维声学特征拼接为64维综合特征向量，构建了更完备的故障状态表征体系。在模型构建方面，采用XGBoost作为分类器，并引入IPRGO算法自适应优化其超参数。IPRGO通过动态切换直根与须根生长模式平衡全局探索与局部开发能力，融合螺旋搜索机制提升寻优效率与避免局部最优。实验结果表明，该方法在回转支承故障诊断中的准确率与稳定性显著优于基于单源信号的模型及传统参数优化方法，有效克服了单源信号表征不充分的局限，为复杂工况下的设备状态监测提供了可靠解决方案。
针对起重机传统监测方式依赖安全装置与人工定期检查，存在滞后性、突发故障难以及时感知等问题，引入数字孪生技术，提出一种基于“物理形状-虚拟行为-性能映射”一体化框架的结构健康监测方法。在可视化方面，通过多学科建模与系统集成分析，实现起重机运行状态的实时感知与虚实同步。在力学响应快速分析中，结合本征正交分解（Proper Orthogonal Decomposition，POD）与多层感知机（Multilayer Perceptron，MLP）对高维物理场进行模态降维并建立工况参数与POD模态系数之间的非线性映射，再通过POD逆变换重构全阶物理场。以1吨双梁门式起重机为例的实验结果表明，该方法在预测精度与计算效率上均表现良好，可实现毫秒级的高维物理场预测，显著提升监测实时性。
针对高速列车轮对轴承故障诊断问题，提出一种融合稀疏监督主成分分析方法。该方法首先利用高阶能量算子及多元滤波曲线构造轴承故障信号的融合能量模态空间；继而借助重采样周期谱显著片段建立监督分量模型；此外，在监督分量模型引导下进行稀疏监督主成分分析并获得输出损伤主成分；对比理论故障特征频率及输出信号平方包络谱中突出频率成分，判别高速列车轮对轴承是否发生故障。实验数据分析表明，所提方法能够从高速列车轮对轴承原始信号中诊断损伤特征成分，高效判定高速列车轴承损伤情况，为实际工程应用提供参考借鉴价值。
针对大模型检测算法高效部署问题，提出一种针对YOLOv8模型的通道剪枝压缩方法。首先在训练中对批归一化层的缩放因子施加L1正则化以识别冗余通道，然后根据设定的全局剪枝比例与逐层保护阈值，剪除缩放因子接近零的不重要通道，进而对剪枝后的紧凑网络进行重训练，以恢复因剪枝损失的模型精度，并通过设置不同剪枝比例进行对比分析。基于NEU-DET和NRSD-MN公开数据集应用结果表明，当剪枝比例为0.4时，其检测精度仅下降1.41%，而模型参数量压缩至原来的51.1%，GPU推理速度提升1.59倍。该压缩方法在保持模型高精度的同时，显著减少内存占用和计算延迟，可为后续在边缘设备的部署奠定基础。
现有深度学习模型在PCB缺陷检测中识别精度低、鲁棒性低，问题主要源于三个方面：跨层级特征信息丢失、密集注意力计算冗余以及多尺度池化对小目标特征不敏感。基于YOLOv8提出了一种YOLO-GDS的PCB缺陷检测模型，其核心改进及其解决的关键问题如下：首先，为解决跨层级信息丢失问题，引入Gold-YOLO替代原模型中的颈部网络，通过“收集-分发”机制实现任意层级间的直接信息流动，从根本上避免原结构的信息丢失问题；其次，为解决密集注意力计算成本高的问题，使用可变形自注意力模块DAttention替代YOLOv8主干网络中的C2f模块，将原本全局的密集交互简化为基于关键采样点的稀疏计算，捕捉更有信息的特征，提高计算效率和特征表示的准确性，同时显著降低注意力模块的计算冗余；最后，为解决小目标特征在多尺度池化过程中易被湮没的问题，使用结合注意力机制的SPPF-LSK模块替代SPPF模块进行多尺度特征提取，通过大核选择机制动态调整感受野，自适应地根据输入数据调整注意力分布，强化模型对小目标的检测能力。与仅替换单一模块的方法不同，YOLO-GDS通过“特征融合-特征选择-特征增强”三个维度的协同优化，实现了对PCB复杂缺陷的更精准检测。实验结果表明，相较于原模型，YOLO-GDS的精确率、召回率、mAP@0.5、mAP@0.5：0.95分别提高了0.2、0.7、0.3、3.2个百分点。该研究成果表明，YOLO-GDS在PCB缺陷检测实际应用中具有一定的潜力，能够为提高PCB缺陷检测效率提供有力的技术保障。
针对手工雪茄烟斑点、裂纹以及剥落缺陷传统检测精度低的问题，提出一种改进的 PBD‑YOLOv5s 检测算法。该算法在 YOLOv5s 基础上引入 BiFPN 双向特征金字塔网络增强多尺度特征融合，新增 P2 小目标检测层提升微小缺陷捕获能力，采用解耦头分离分类与回归任务以降低任务干扰，并选用 EIoU 损失函数优化边界框回归精度。实验结果表明，PBD‑YOLOv5s模型mAP0.5达95.3%，较YOLOv5s模型提升16.7%。经消融实验分析，采用BiFPN双向特征金字塔网络、P2小目标检测层和解耦头融合改进，模型检测精度提升最显著，mAP0.5达95%，较YOLOv5s提升16.4%。该算法可有效提高雪茄烟外观缺陷检测精度，为提高雪茄烟外观质量提供技术支撑。
深度学习点云分割模型的黑盒特性，导致可解释性缺少不利于电力巡检等重要行业的可靠应用。针对现有点云可解释性方法解释分辨率低、细节丢失等问题，提出了一种基于分层特征融合的通用解释框架，采用网络多层梯度权重和特征图提取融合，生成原始热力图；设计基于KD树索引的精准上采样方法，将其映射到原始点云；最后采取自适应加权的方式结合不同层次的信息输出精度高的热力图。本文采集输电线路杆塔点云数据进行了实验，在部件定位任务中达到92.3%的识别率，较传统方法有很大提升，特别是像绝缘子串、均压环等精细部件的识别效果表现显著。在500 kV同塔双回线、植被遮挡等复杂条件下表现仍然良好，更充分地展示了本框架在电力巡检真实环境中可用、鲁棒性好。本研究为电力行业点云可解释性分析方法的应用提供了新的技术实现方法，为智能巡检系统的研制和开发提供了支撑。
针对传统智能算法在移动机器人复杂场景中应用存在全局避障效率低、环境自适应能力差的问题，提出了一种生物多样性反馈策略的改进小龙虾（BF-ICOA）算法实现移动机器人路径规划与避障。ICOA算法用于全局路径规划，使用多龙虾种群度量，刺激种群多样性的生成。在觅食阶段，提出了新的觅食更新策略，提高种群的寻优竞争能力。提出了新的生物多样性反馈策略，使得算法在不同环境条件下，触发对全局路径的探索程度与个体间的竞争意识。提出了新的路径修正策略，基于改进误差度量方法对冗余路径做出判断并进行简化。通过不同适应度函数与多尺度栅格地图进行实验验证。研究结果表明，相对于原始算法，其路径规划长度减少20.17%，推理时间减少2.2秒，验证了改进方法在移动机器人轨迹规划问题中的可靠性。
针对七自由度冗余布线机器人在航空线束自动化布线应用中的能效优化问题，提出一种七轴协同运动规划方法，解决大惯量导轨轴能耗偏高、运动过程中易陷入运动奇异等问题。首先，应用RRT-Connect算法生成离散全局路径，三次B样条曲线实现路径平滑处理，根据微分运动学原理完成逆运动学解算；其次，建立加权广义逆非均匀速度分配框架，把运动需求优先分配给六轴旋转关节，减少第七轴运动参与度来实现系统能效优化；此外，在零空间内引入带饱和限制的人工势场函数，引导机构回到第七轴行程中点的中性位置，避开限位奇异，同时引入基于Lyapunov稳定性的闭环反馈修正机制，保证轨迹跟踪精度。最后，通过仿真结果证明，该运动规划方法轨迹曲线平滑，能在保障末端精度的前提下，减小第七轴行程、提升系统可操纵度，降低机器人大惯量轴利用率并增强系统构型灵活性。
近年来，下肢外骨骼机器人的研究获得愈来愈多的关注，尤其以负载支撑及机动为目标的下肢外骨骼机器人更是重点研究方向之一。但是，目前下肢负载外骨骼仍存在支撑助力效率差、人机交互生硬、对人体干涉较强等问题，限制了外骨骼的性能发挥及实际应用。本文提出一种基于人体-异构外骨骼末端对齐的步态迭代生成策略和自适应阻抗助力方法，自动适应不同体态人群并根据不同人体步态特征生成相匹配的轨迹。实验结果表明外骨骼能够负载不少于30 kg的物体行走，对人体分担的压力不低于62.71%，并且降低人体代谢不少于50.62%，有效验证了控制系统的正确性与实用性。所提出的识别及控制方法仅需人体下肢位姿以及电机编码器信息，不依赖力传感器，应用范围广且开发成本低，能够广泛应用于多种类型的外骨骼机器人，具有一定的工程应用价值。
针对牵引变电所巡检环境复杂、任务点众多导致机器人路径规划求解效率低且难以适应动态环境变化的问题，提出一种融合生成式扩散模型与增量式搜索的分层路径规划方法。在上层任务点排序规划中，构建基于矩阵编码网络的扩散模型，利用反向去噪过程生成多目标点遍历的全局初始解，并结合2-opt算法进行局部邻域搜索与优化；在下层避障路径规划中，采用D*Lite算法生成具体导航路径，通过增量式代价更新机制实现对突发障碍物的在线重规划；末端利用贝塞尔曲线对路径进行平滑处理以满足机器人运动学约束。MATLAB仿真实验结果表明，在200个任务点的大规模场景下，所提方法相比传统启发式算法，求解效率提升5倍以上，路径长度缩短了约10%，重规划时间控制在1.5 ms以内，提升了变电所机器人的巡检效率与安全性，并在实际机器人上得到了验证。
针对长航时海洋观测对波浪滑翔器连续服役能力的核心需求，解决其自适应水动力机构弹簧组件在海洋高腐蚀环境、长周期交变载荷下的疲劳失效难题，开展弹簧组件的疲劳特性分析与寿命评估研究。基于波浪滑翔器动力转换机理，建立弹簧组件力矩平衡受力模型，推导波浪激励下的载荷计算方法，完成结构设计与材料选型；采用有限元法开展静力学强度分析与疲劳寿命仿真，获取了弹簧应力分布、危险截面与寿命分布规律；依据国标设计试验方案，通过加速疲劳试验验证了仿真结果的准确性。结果表明：弹簧组件最大工作等效应力为422.13 MPa，满足材料强度设计要求；仿真预测的最小疲劳寿命达905.9万次，弹簧组件样机经900万次循环后无断裂、无塑性变形，弹性损失率低于8%，仿真与试验误差小于4%，满足海上无人平台12个月以上的连续服役要求。研究可为波浪滑翔器弹性元件抗疲劳设计提供理论依据，也为海洋装备高周疲劳寿命评估提供工程化方案。
针对智能制造柔性产线中AGV与工艺设备“最后一米”物料交接存在的通信链路长、局部协同依赖中央调度、强电磁环境下无线通信稳定性不足以及接口规范不统一等问题，设计了一种基于并行光输入/输出（Parallel I/O Optical，PIO）的光通信直连系统。系统采用分层解耦架构，将上层任务调度与末端实时交接控制分离；利用红外对射传感器构建AGV与工艺设备之间的双向8位光通信链路，通过PLC的离散I/O映射实现硬件级并行状态编码；同时建立机械、电气和光学接口规范，形成四种标准化作业模式。实际应用表明：PIO单向通信时间稳定在20 ms内，在强电磁干扰环境下连续运行72 h未出现状态误判或通信中断，累计对接超过2000次未发生通信故障，PIO光通信成功率为100%。该系统提升了末端物料交接的实时性、确定性和可靠性，为柔性产线异构设备的直连协同提供了可复用的范式参考。
针对传统托辊生产线存在工人依赖度高、不同工序之间互为信息孤岛、闭环修正能力不足等行业瓶颈，同时为了满足托辊高精度、高质量的严苛需求，对基于误差闭环控制技术的托辊智能生产线进行研究。其核心是依托智能管理系统，构建应用服务层-数据层-算法模型层-设备执行层协同架构，以实时检测反馈信息作为核心驱动，打通精准测量、误差计算、决策下达以及闭环控制的全链路；同时依托托辊档距公差精准控制和多项性能参数检测控制机制，形成误差闭环控制、自我优化的托辊智能产线。经工程实践验证，该智能产线的托辊产品合格率达100%，优良率达94.6%，实现托辊从半自动化、自动化制造模式向误差闭环控制的智能制造模式的跨越，为煤机装备制造产线智能升级提供技术支撑与工程案例。
