综述：用于大型复杂组件的移动机器人辅助磨削技术的最先进水平

《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》：State-of-the-art in mobile robot-assisted grinding technologies for large-scale complex components

大型复杂部件（如风电叶片、高铁车体）的精密加工面临尺寸极端（达100米）、结构刚度低（长径比超1000:1）、表面复杂等挑战。本文系统综述移动机器人研磨技术的最新进展，涵盖四类关键技术：高精度表面检测（3D扫描）、自适应轨迹规划（考虑几何特征与动态耦合）、柔性力控（维持稳定磨削接触）、表面质量优化（控制粗糙度Ra≤3.2μm与涂层结合强度≥6MPa）。通过分析国内外典型案例（如KUKA AGV研磨系统、国内高铁车体加工），揭示当前技术瓶颈：定位精度±0.1mm级、多机器人协同控制缺失、多工艺动态重构不足。提出未来发展方向：多机器人协同定位（精度±0.02mm）、智能工艺重构、人机协作工艺传承。

　　

李宇森|王子伟|朱向业|蔡文琦|陈道兵|马建良|徐晓虎|杨泽源|宋洪超|王伟|严思杰|丁汉

武汉大学技术科学研究院，中国武汉，430072

摘要

大规模复杂组件对国家战略领域（如航空、航天和能源）至关重要，这些组件的特点通常是尺寸极大、结构刚性有限以及几何表面/结构复杂。在这些组件上实现高效、高质量的加工同时满足严格的几何精度和表面完整性要求，面临着重大的制造挑战。本文全面回顾和分析了移动机器人磨削技术及其集成系统在大型复杂组件（LCCs）领域的最新进展。首先，系统地回顾了在四个关键技术领域（高精度组件表面检测、机器人磨削轨迹规划、末端执行器柔顺力控制以及表面质量监测与控制）的机器人加工研究成果。随后，介绍了机器人磨削设备和集成系统的工业应用与验证案例，展示了国内外涉及代表性复杂组件的典型工程实例。最后，展望了未来的研究方向，包括多机器人协作控制、多工艺重组与优化、从通用设备向专用系统的转变以及灵巧手工工艺的迁移。

引言

大规模复杂组件（LCCs），如风力涡轮机叶片、新能源汽车车身、高速列车车厢和航空航天复合材料外壳，在航空航天、能源和交通等战略领域得到广泛应用。这些组件具有三个显著特征：（1）尺寸极大，长度可达100米；（2）几何表面复杂，常伴有扭曲、不对称轮廓和自由形式轮廓；（3）结构刚性相对较低，长宽比超过1000:1 [1], [2]（如图1所示）。制造这类组件不仅是先进工业能力的标志，也是维持经济增长和确保国家战略安全的关键因素。

在服役过程中，这些LCCs经常暴露在恶劣环境中，如酸、碱、湿气、紫外线辐射和高压条件下。为了保持功能完整性和延长使用寿命，通常采用多层涂层系统进行保护，涂层一般包括底漆、腻子、中间层和面漆。这些涂层提高了抗腐蚀性、耐候性、耐磨性和减震性能。一个关键的性能要求是在温度和湿度变化条件下保持涂层附着力，同时保持空气动力学高效的表面光洁度。为了达到所需的界面附着力和表面质量，必须在塑性成型、钻孔、铣削、修剪和焊接等初步制造工艺之后进行一系列磨削操作。这些精加工步骤对于满足最终的尺寸公差和表面完整性要求至关重要 [3]。

目前，工业中的表面精加工仍主要以手工方式进行，如图2所示。尽管典型的70米长的风力涡轮机叶片可以完全手工完成——大约需要24个人工时（例如，4名操作员各工作6小时）——但这种劳动密集型方法存在多个缺点：表面粗糙度不一致（Ra值介于3.2–12.5 μm之间），平均每片叶片有10–13处需要返工的缺陷，涂层附着力较弱（约6–7 MPa），以及较高的劳动力成本（每1000片叶片约130万元人民币）。手工精加工的固有限制，如明显的人体工程学压力、职业安全风险、高成本和质量波动，严重阻碍了生产的可扩展性并影响了质量的一致性 [4]。

随着在役产品性能要求的提高，LCCs向更大尺寸和更复杂的结构设计发展，这对磨削精度和表面质量提出了越来越严格的要求。如图3所示，LCCs加工技术经历了几个不同的发展阶段。20世纪90年代的初步自动化尝试引入了半自动化磨削系统和龙门机床 [5]。虽然半自动化磨削减少了部分人工劳动，但仍严重依赖操作员的技能，导致工艺质量不稳定和效率低下。此外，这类系统对不同工件几何形状和生产场景的适应性较差。基于龙门结构的解决方案相比手工或半自动化方法提供了更好的环境控制、更高的效率和更均匀的表面质量。然而，这些系统也存在明显缺点，包括初始投资高、空间需求大和重组能力有限。近年来，机器人智能加工作为一种变革性方法出现，用于LCCs的高精度加工。工业机器人相比传统方法具有多项优势，如卓越的操作灵活性、更大的工作空间、更高的可扩展性和可重组性、更低的实施成本，以及能够与多传感器系统（如视觉、力/扭矩传感器）无缝集成 [6]。这些优势激发了众多国家研究计划，旨在加速机器人技术在先进制造业中的应用。对于LCCs的加工，机器人通常安装在移动平台上（如直线轨道或自动引导车辆（AGVs）上），以实现在大工作范围内的精确定位。机器人末端执行器通常集成了磨削工具、测量仪器和辅助子系统。通过包括表面形态测量、数据配准、路径规划、柔顺力控制和工艺优化在内的结构化工作流程，机器人系统能够可控地与组件涂层交互，实现LCCs的自动化和精密磨削 [7]。

移动机器人平台显著提高了LCCs自动化加工的空间适应性。已开发出两种主要配置：（1）基于轨道的系统，采用双向轨道（水平或垂直），根据工件尺寸定制，具有较高的刚性 và 精确的直线轴运动，但灵活性有限，且车间布局受限；（2）基于自动引导车辆（AGV）的系统，具有较大的覆盖范围和较小的空间限制，但运动精度较低，可能无法完成全部加工 [8]。选择这两种配置需要平衡多目标约束，如精度要求、组件规模和设施条件。结合工业机器人和轨道或AGV平台的集成移动加工系统已成为实现LCCs高质量制造的有效解决方案。

尽管全球研究取得了进展，但LCCs的机器人智能制造仍处于起步阶段。包括华中科技大学、清华大学、汉堡工业大学、汉诺威大学和弗劳恩霍夫制造技术与先进材料研究所在内的领先学术和研究机构在关键领域做出了重要贡献 [9], [10], [11], [12]。这些贡献包括3D形态测量、自适应机器人路径规划、柔顺力控制和磨削工艺优化。尽管移动平台和力控制设备扩展了机器人加工的应用范围，但仍存在一些根本性限制，阻碍了LCCs材料均匀去除和表面质量的一致性。主要未解决的挑战包括绝对定位精度低、运动冗余的有效管理、在大型工作空间内的尺寸公差保持以及在高操作要求下的表面完整性保障 [13], [14]。

为了解决移动机器人加工中的关键技术挑战，本文系统分析了四个关键使能技术：（1）LCCs的高精度形态测量；（2）机器人磨削轨迹规划；（3）柔顺力控制；（4）表面质量控制。该研究不仅深化了这一领域的基础理解，还指出了通过移动机器人技术推进智能制造的关键研究方向。相应的技术路线图如图4所示。

部分内容

大型复杂组件表面检测

组件的三维（3D）表面检测涉及获取其三维空间数据 [20], [21]。这些3D数据是后续计算加工余量和机器人轨迹规划的基础 [22]。因此，高精度和高效的大型组件表面检测（LSCSI）对于确保大型组件的高质量制造至关重要 [23], [24]。典型3D扫描设备（如线激光扫描仪）的视场（FOV）

大型组件机器人磨削的自适应轨迹规划

在机器人磨削应用中，精确的轨迹规划对于确保加工精度、效率和避免碰撞至关重要 [6], [148]。良好的轨迹设计使机器人能够沿着预定义的路径运动，同时保持工具姿态稳定并避免运动奇异性或工作空间限制。LCCs的轨迹生成和优化框架的总体架构如图9所示。

机器人磨削任务的轨迹规划方法

机器人加工系统中柔顺力的精确控制

在大型复杂组件的磨削过程中，机器人末端执行器必须沿预定义轨迹进行接触式操作，这不可避免地会在磨削工具和工件之间产生相互作用力。然而，用于此类应用的工业机器人磨削系统往往存在固有限制，包括结构刚性低、加工条件复杂和动态耦合效应强 [183]。这些因素导致

表面质量的精确控制

如高速列车车身这样的LCCs，在进入精密加工阶段之前通常需要经过一系列初步制造步骤。为了在恶劣使用条件下（包括接触腐蚀性介质、紫外线辐射和循环热负荷）确保几何精度和表面完整性，应用于这些组件的多层涂层必须具有高硬度、韧性和环境耐受性 [224]。这些性能要求对

在新能源领域的应用

KUKA开发了一种安装在AGV上的大型机器人磨削系统，用于风力涡轮机叶片的自动化精加工。如图24(a)所示，该系统集成了柔顺控制的ACF末端执行器，以在弯曲的复合材料表面上保持稳定的工具-表面交互。美国国家可再生能源实验室（NREL）的评估显示，该系统在代表性的玻璃纤维叶片部分上的打磨和修剪速度分别约为0.79 m/min和0.63 m/min

结论与未来研究

在LCCs领域采用移动机器人加工是向高端、智能化制造转型的战略重点。虽然在关键使能技术（如高精度测量、自适应路径规划和柔顺力控制）方面取得了显著进展，但广泛的工业应用仍较为有限。目前，在航空航天和铁路运输等领域的应用大多仍处于概念验证阶段，受到多种因素的阻碍

CRediT作者贡献声明

李宇森：撰写——初稿。 王子伟：撰写——初稿。 朱向业：概念构思。 蔡文琦：方法论。 陈道兵：撰写——审阅与编辑。 马建良：软件、资源准备。 徐晓虎：撰写——审阅与编辑、资金筹集。 杨泽源：方法论、概念构思。 宋洪超：软件、调查。 王伟：可视化。 严思杰：监督、资源准备、资金筹集。 丁汉：项目管理。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本研究得到了国家自然科学基金（编号：52575591、52105514、52475310）、高端重型机器人国家重点实验室（编号：HHR2025020209）和武汉自然科学基金（编号：20240408010202220）的支持。