试验设计（design of experiment,DoE）是关于如何按照预定的目标来制订适当的实验方案,以便于对实验结果进行有效的统计分析的数学原理和实施方法,一般通过空间填充特性和投影特性评估DoE方法的优劣。近年来,代理模型等数据驱动的设计方法逐渐兴起,而良好的试验设计是保证数据驱动的设计方法有效性及结果可靠性的必要前提。目前,无约束空间的DoE研究取得较大进展,但对于约束空间中的试验设计的研究仍无太多成果与太大进展。现有的DoE方法无法解决约束空间条件下抽样问题,因此本文基于现有的无约束空间的取样方法——连续局部枚举拉丁超立方取点,提出了针对约束空间的连续局部枚举拉丁超立方取点策略方法（sequential local enumerationbased Latin hypercube sampling for constrained design space,SLE-CLHS）,称为SLE-CLHS取点策略,所提出的方法可以在由各个变量之间的约束关系建立的约束空间中有效取点,通过若干工程案例证明所提出取点策略有效性及均匀性,详细如下。（1）SLE-CLHS算法考虑了样本变量之间的约束,可直接用于约束设计空间的可行域采样。在采样过程中先剔除不满足约束条件的点,然后在可行域中产生新的点,新点在约束空间中以一定的方法和步长继续搜索,直到该点达到满足整体抽样的空间填充性和投影性。（2）本文通过3个数值案例,即二维空间的正则凸约束、三维球体的1/8约束空间和不规则凸约束来对SLE-CLHS方法进行数值验证,结果表明,用该方法取得的样本点能完全处于约束空间中,并充分满足DoE方法的空间填充特性和投影特性要求（3）本文将SLE-CLHS方法应用于无人机旋翼的优化和挖掘机动臂优化。在无人机旋翼优化中,利用SLE-CLHS算法来对四个具有耦合关系的参数在可行域内采样。建立代理模型并结合遗传算法,以转矩Torque为优化目标,参数耦合关系和升力为约束条件进行进一步的优化,最终得到优化后的翼型的扭矩Torque减少了10.53%,这意味着悬停效率得到了较大的提升,无人机的性能也得到了较大的提升;SLE-CLHS算法在挖掘机动臂优化中的应用中,我们对矿用挖掘机的实际尺寸对动臂进行建模并建立最优数学模型,针对动臂的质量、应力和疲劳寿命进行优化。在通过SLE-CLHS算法对耦合参数在可行域内进行采样设计之后,我们得到了完整的六维空间采样点。通过建立代理模型并优化得到了优化后的动臂质量,优化后的动臂质量和与此相对应的最大应力和疲劳寿命值都满足约束。试验结果表明SLE-CLHS能取得更小的?值,说明SLE-CLHS取得的样本点比随机LHS取得的样本点具有更好的空间填充性能和投影性能,该方法能够在约束空间中进行有效取点,这对于试验设计的进一步发展无疑有着重大的意义。

大型矿用电铲是指在露天开采中使用的,针对已爆破物料进行挖掘的大型机械式正铲挖掘机,对国家的资源开采和能源保障具有重大意义。现有大型矿用电铲的挖掘作业完全由人工操作,由于电铲体积巨大、操作员视距远且面临复杂多变的矿岩环境,主要存在能耗高、效率低、振动大和挖掘过程不连续等问题。为了解决人工操作导致的上述问题,实现矿用电铲无人操作的自主化作业,保证其“挖得高效、挖得节能、挖得安全”,对大型矿用电铲的轨迹规划和智能化的挖掘系统的研究是实现电铲自主化的关键环节。因此,本文针对无人电铲的自主化作业问题,根据电铲的作业特点建立工作机构的动力学模型,基于此提出一种适应智能化作业的挖掘轨迹的多目标优化设计方法;在此基础上,设计了集感知、决策和控制于一体的能够自主完成挖掘作业的智能化系统,并且通过仿真和实验对理论规划的轨迹性能进行了验证。具体研究内容如下:1)针对电铲的挖掘作业要求,提出一种多目标的挖掘轨迹规划方法。首先对简化的工作机构建立动力学方程,并分析挖掘过程的关键参数为轨迹规划做准备,同时以最小挖掘能耗和最小后角差为目标,利用多项式插值法建立挖掘轨迹的多目标优化模型,在SQP算法之上引入LHS方法进行优化以满足电铲挖掘轨迹的快速规划要求。2)针对电铲自主化作业的要求,基于ROS系统搭建感知、决策和控制的自主挖掘系统,实现电铲实时感知外部环境并且自主规划的智能化挖掘作业。在感知系统中建立基于激光雷达的挖掘环境模型实现电铲能够适应不同的环境进行挖掘;在决策系统中设计电铲多节点硬件之间数据流的实时通讯机制,实现挖掘状态的实时监测和各节点信息的实时传输与交换;在控制系统中建立以STM32微控制器为主控的底层驱动控制以实现系统的操作任务。最后,搭建智能化的前向控制台,实现电铲友好的人机交互操作和可视化的状态监测。3)为实现智能化的实验研究,首先在ROS环境下对电铲建立URDF模型,通过Rviz和Moveit!仿真模拟挖掘过程并与数值仿真对比验证关节的合理运动关系。然后为验证轨迹规划方法和自主挖掘系统的有效性将其应用在实验样机上进行试验,结果表明自主化的挖掘过程较手动操作来说能耗更低、效率更高、挖掘过程连续且更加平稳,而且对应不同的挖掘环境均有最优的挖掘轨迹,对无人电铲的智能化研究具有重要的意义。

矿用电铲（Electric shovel,ES）是指在露天开采中使用的,针对已爆破物料进行挖掘的大型机械式正铲挖掘机,它是露天矿山开采系统的核心装备,反映了一个国家的装备制造业水平。矿用电铲庞大复杂的机身结构、料堆表面的多变形貌等使挖掘轨迹设计困难重重,以至于传统的人工操作很难实现最优挖掘轨迹作业,引起挖掘效率低下、挖掘不平稳、挖掘不节能等问题。而矿用电铲智能化是一个很好的解决方案,因此本文以WK-55为研究对象,针对矿用电铲智能化过程中亟需解决的、与挖掘轨迹相关的基础性问题,建立了面向矿用电铲挖掘过程的动态挖掘阻力计算模型;提出了一种适用于典型堆面挖掘轨迹的结构—轨迹一体化设计方法;建立了一种实现智能矿用电铲针对复杂堆面的挖掘轨迹在线快速规划方法。主要研究内容如下:1)研究矿用电铲挖掘作业的特点,通过对挖掘过程中物料累积体积采用动态建模的方法,建立了矿用电铲挖掘过程的动态挖掘阻力的改进型计算模型,该模型除了考虑物料重力、铲斗斗壁与物料之间的摩擦力等,同时也考虑了挖掘速率对物料属性与惯性力的影响;通过挖掘实验,证明该模型相比于传统挖掘阻力计算模型在精度方面提高了 1 4%以上;并针对所建立的挖掘阻力计算模型进行参数灵敏度分析。2)采用解析法建立矿用电铲的前端工作机构的三维有限元模型,应用该模型进行静力学与动力学计算耗时分别为0.75s与4.40s,所得的应力分布与振动等情况与相关文献结果一致,证明了该模型的计算高效性与精确性,因此针对前端工作机构所建立的解析法有限元模型,可为后续轨迹设计中考虑振动与结构安全等方面奠定理论与模型基础。3)针对智能矿用电铲自动化挖掘过程对典型挖掘轨迹的要求,考虑到矿用电铲结构与其可执行挖掘轨迹之间的相互作用特点,提出一种对其结构与轨迹进行同步处理的一体化设计方法（Codesign）;由于当前的轨迹设计方法难以满足Codesign方法的同步性要求,首先建立一种基于RBF代理模型技术的挖掘轨迹设计方法,从而将传统时序问题转化为空间点集问题;进而建立矿用电铲面向典型堆面的Codesign方法通用模型,结果相比于传统顺序设计方法能耗降低7.85%;并实验验证Codesign方法的优越性4)为实现智能矿用电铲对复杂堆面的自动化挖掘,基于离散化思想建立一种把传统最优控制问题转化为非线性规划问题的轨迹在线快速规划方法:并通过数值实验验证该方法针对不同类型复杂堆面的快速规划能力,结果显示其能在确保合适能耗与足够满斗率的情况下保持较高的计算效率,用时均低于10s,证明了该方法的高效性与高适用性。

斗轮堆取料机是散料装卸中不可或缺的设备。悬臂架是斗轮堆取料机中斗轮和车体的过渡连接部分,同时还是物料运输的载体和决定堆取料位置的结构,是斗轮堆取料机的关键部分,因此在设计过程中必须要保证其稳定性。然而,一味地保证悬臂架的稳定性会导致结构过重的问题,从而造成钢材的浪费、能源损耗的增加和整机重量的增加。针对这个问题,本文在满足结构稳定性的条件下,对悬臂架进行减重优化。在优化过程中,存在以下问题和难点。首先,本文所研究的悬臂架具有数十个设计变量,即本文中的优化问题属于高维问题,优化迭代次数多,效率低。其次,悬臂架减重优化问题中的物理量通过有限元分析计算得到,然而利用有限元模型进行优化会消耗大量时间,大幅度降低优化效率。最后,由于悬臂架复杂的结构和工作条件以及制造加工中存在的误差,实际应用中存在多种不确定性,影响设计的可靠性。针对以上的问题与难点,本文构建斗轮堆取料机悬臂架的参数化有限元模型,利用灵敏度分析筛选主因素,构建各物理量的Kriging模型代替有限元模型参与优化,建立实际应用中存在的多种不确定性的数学模型,在考虑不确定性下对悬臂架进行可靠性分析和优化。本文主要研究工作如下:（1）悬臂架的参数化有限元模型的建立和有限元分析。根据结构特点和实际工况,对悬臂架进行参数化分析和受力分析,利用ANSYS APDL命令流构建悬臂架的参数化有限元模型。在不同俯仰角下对悬臂架进行有限元分析,确定悬臂架最有可能发生失效的具体位置。（2）悬臂架的灵敏度分析和主因素筛选。利用Morris法分析悬臂架的设计变量对其重量、最大应力、最大变形量和固有频率的影响程度,根据结果综合筛选出对优化问题有显著影响的设计变量作为主因素,从而充分实现降维,提高优化效率。（3）悬臂架的高精度代理模型的构建。建立悬臂架重量、最大应力、最大变形量和固有频率的Kriging模型,并对其中精度不达标的Kriging模型通过多点序列加点准则进行改善,获得所有高精度的Kriging模型。（4）不确定性的分析和建模及悬臂架的可靠性分析和优化。为了进一步提高优化效率,在考虑不确定性下对悬臂架进行减重优化之前,首先进行确定性优化。然后,根据各种不确定性的特点建立数学模型。接着,基于不确定性模型,对确定性最优设计进行可靠性分析和优化,获得重量轻且可靠性高的设计。