为提高并联机器人的运行效率,降低其高速运动过程中产生的冲击和能耗,提出了一种基于非支配排序遗传算法(NSGA-Ⅱ)的多目标综合最优轨迹规划方法。首先,采用几何法建立机器人的逆运动学模型,得到机器人末端轨迹点与关节空间各角度、角速度、角加速度和急动度之间的转换公式。其次,利用5次B样条曲线插值方法建立轨迹数学模型,并添加运动学约束。最后,采用NSGA-Ⅱ算法对B样条轨迹进行时间-能耗-冲击的多目标优化,在获得Pareto最优解集的基础上构造权重函数获得最优时间序列。MATLAB仿真结果表明,采用算法优化后的轨迹不仅缩短了运行时间,也减小了机器人在高速运动过程中的振动和能耗,获得了更好的运动性能。

针对当前三维OAD／OAPP技术的不断普及与应用，为了提高装配的质量、克服工艺的随意性、减少重复性劳动、提升装配效率，构建了基于三维参数化模型的装~CAPP系统，并介绍了系统的总体框架及其主要的功能模块，在三维参数化设计技术、可视化装配技术的基础上实现了装配工艺设计与工艺规划。实现了产品的参数化设计与三维装配工艺规划的一体化。根据装配分层有向图的表达研究了装配序列规划的方法，实现了装配序列的优化。最后以桥式起重机d＼车装配为例进行了验证。

针对生产制造过程中需要审批的电子图文档数量大，电子图文档的审批流程依赖人工签字的问题，通过对PDM系统与SolidWorks软件分别进行二次开发，运用流程模板定制、工程图遍历、模型树遍历、定位签字、XML文本交换数据等方法，以接口集成模式实现了CAD文件及相关信息从SolidWorks系统向PDM系统的无缝集成，提出了一种面向PDM／CAD集成的工作流程电子审批技术，并将该技术成功应用于天河智造公司的T5一PLM系统中，实现了工作流程的安全高效的审批，验证了该技术的可行性和实用性。

介绍了在SolidWorks中自顶向下的装配设计过程和实施方法,提出以“顶层基本骨架”作为自顶向下设计时信息传递的桥梁,并以具体实例实现了装配过程和参数化设计。

为了进一步提高堆垛机设计效率，缩短开发周期，使用Solidworks建立参数化系列三维模型，用VC++建立设计计算与三维模型的驱动接口，采用有限元分析系统CO SMOS进行结构校核。建立了一套堆垛机专用参数化系列设计工具，提高了设计质且，缩短了开发周期。

采用VisualBasic对SolidWorks进行二次开发，实现了在SolidWorks工程图环境下明细栏的自动添加与调整。以某重型机械厂的产品为实例，对于在参数化驱动之后重新生成的装配模型及工程图，实现了根据零部件名称及数量自动生成相对应的明细栏，并进行了一系列的优化与调整，解决了添加明细栏时工作繁琐，速度慢，出错多及难以用程序控制的缺点。

以三维特征造型软件SolidWorks 2001为平台,采用模块化、参数化的设计思想构建堆垛机的相应模块的三维模型;以Microsoft Access为支撑数据库,Microsoft Visual Basic为开发工具,建立设计计算与三维模型的数据接口;采用有限元分析软件COSMOS进行结构校核,建立了面向仓储设备堆垛机的参数化设计系统.实践证明:该设计系统可显著提高设计效率与质量,可快速响应个性化的市场要求.

针对早期设计的桥式起重机数字化开发系统存在开发环境兼容性差、流通范围小、开发语言落后、设计思路具有局限性的问题,结合网络协同的设计思想,使用Visual Studio 2013中的ASP.Net.Core作为开发框架,C#作为开发语言,进行桥式起重机云平台开发,完成桥式起重机三维模型驱动与机构的尺寸排布校核;根据NSGA-II算法验证主梁的设计可行性并给出轻量化设计方案,然后快速生成工程图纸并调整;最后使用云开发的SaaS服务模式,实现多租户在网络浏览器端对桥式起重机的协同化与定制化设计。该数字化系统兼容多开发环境下的服务,为传统起重机行业从数字化向智能化发展提供参考。

针对传统并联机器人在工作环境中存在抓取不精确、定位与分类识别效率低下的问题,提出一种基于机器视觉与Faster-RCNN神经网络的工件识别检测技术。采用Delta机器人实验平台采集图像,进行图像的预处理操作并将其添加至网络训练集。通过Python3.7-torch1.7搭建深度学习中的Faster R-CNN卷积神经网络,作为基本框架训练工件图像数据集。最后将训练后的卷积神经网络得到的工件检测结果与原实验工件识别系统对比。结果表明:改进后的识别平均精确度比原有识别

行星齿轮传动系统发生故障时,其信号传递中相互耦合,呈现非线性的特性,使得行星齿轮的故障类型及损伤程度难以识别。借鉴模式识别中Fisher准则(FC)判别函数,构建核函数尺度参数优化的数学模型,应用改进的粒子群优化方法对其寻优,充分改善核主元分析法(KPCA)对于非线性问题的分析性能,将其应用于行星齿轮的磨损损伤程度的识别和诊断中。实例分析结果表明,基于PSO-FC智能优化后的KPCA改善了特征空间内数据分布结构,在行星齿轮的磨损损伤程度识别中取得了较好的尺度聚类效果,可以有效地解决复杂机械传动中损伤边界模糊、损伤程度难以识别的问题。