准串联机械臂多目标生成式设计框架与实现：融合运动学与动力学性能优化

《Engineering Applications of Artificial Intelligence》：Multi-objective generative design framework and realization for quasi-serial manipulator: Considering kinematic and dynamic performance

本综述推荐一款针对准串联机械臂（quasi-serial manipulator）的创新多目标生成式设计框架，通过集成运动学（kinematic）与动力学（dynamic）性能分析，结合自适应采样（adaptive sampling）、集成建模（ensemble modeling）与NSGA-II算法，实现高效优化。该框架支持三维CAD建模与拓扑优化（topology optimization），显著缩短设计周期并提升负载能力，为机械系统设计提供新思路。

　　

Highlight

本研究首次在准串联机械臂设计中同时考量运动学（kinematic）与动力学（dynamic）性能，通过生成式建模构建多样化任务适用机构，并采用多目标优化（MOO）框架集成三项目标函数，结合约束条件寻求帕累托解（Pareto solution）。

Framework

所提出的机器学习辅助优化框架涵盖四个阶段：首先生成并分析可执行任务的机构（Stage 1–2）；随后训练代理模型（surrogate model）预测三维CAD模型性能，并引入自适应采样提升训练数据质量；进而借助集成模型增强鲁棒性，并通过NSGA-II算法求解多目标优化问题；最终提取设计规则以指导实际应用。

Dynamic Analysis Results

使用RecurDyn 2023完成11,080组机构的动力学仿真，总耗时约20天，单次仿真平均用时2.5分钟。仿真流程包括：导入部件、自动装配、设置材料属性与关节、定义负载与运动、执行仿真并提取扭矩数据。

Design Rule Extraction

基于训练后的集成模型，开展全局敏感性分析（Sobol方法）评估设计参数对各目标的影响，并在帕累托解附近应用随机森林（random forest）提取局部设计规则，揭示关键参数与性能间的非线性关系。

Realization of the Optimal Quasi-Serial Manipulator

从100个候选设计中筛选出适合3D打印的2自由度机构，并通过拓扑优化实现轻量化与结构强化。最终样机在负载测试中表现优异，验证了框架的工程可行性。

Conclusion

本研究通过数据驱动框架成功优化准串联机械臂的综合性能，结合自适应采样与集成建模提升代理模型预测能力，NSGA-II算法高效求解多目标优化问题，所提取的设计规则为实际机制设计提供实用指导。