类型a
南京航空航天大学（Nanjing University of Aeronautics and Astronautics）的Zhengtao Wu、Shuanggao Li、Xiang Huang和Guoyi Hou等研究人员在《Journal of Aircraft》期刊上发表了一项关于大型飞机结构装配界面的力解耦研究。论文题为《Force Decoupling for Assembly Interface of Large Aircraft Structures by Neural Networks》，采用神经网络方法解决传统力解耦技术在复杂几何条件下面临的误差问题。
学术背景
该项研究属于智能制造与航空装备装配技术领域。在大型飞机结构装配中，由于装配界面的空间限制和几何复杂性，传统方法难以直接测量装配过程中的接触力。通常采用三维力传感器（3D force sensor）间接获取数据，但传感器安装受限，且传统基于重心法（center-of-gravity method）的力解耦模型存在显著误差。该研究旨在通过神经网络建模，建立装配界面力与运动执行机构（motion actuator）输出力之间的映射关系，以提高力控制的精度和可靠性。
研究流程
研究分为多个步骤，涵盖实验平台搭建、数据采集、神经网络模型构建及验证。
力解耦模型问题定义
研究首先分析了传统重心法在力解耦中的局限性，指出其在包含球铰接触误差、材料属性不确定性和动态装配条件下的不足。传统方法无法有效处理接触面的非线性摩擦（nonlinear friction）和粘滑效应（stick-slip effect）。
实验平台搭建与数据采集
实验平台包含运动执行机构、调整组件（adjustment component）和对接特征（docking feature）。采用激光跟踪仪（laser tracker）、推力计（thrust meter）和三维力传感器进行数据测量。通过校准推力计的姿态（pose calibration），确保其与全局坐标系的转换关系准确性，以模拟装配界面的实际受力情况。
信号采样与频域滤波
原始力信号中包含高频电磁噪声和机械振动干扰。研究提出一种频域滤波（frequency domain filtering）方法，结合快速傅里叶变换（FFT）和可学习滤波器（learnable filter matrix），有效提取有效信号并抑制噪声。相较于传统时间域均值滤波（mean filtering），该方法将噪声波动从±0.4 N降至±0.2 N，信号平滑性显著提升。
神经网络模型设计
提出一种门分离多层感知机（Gate-Separation Multilayer Perceptron, GSMLP），基于分块训练策略：全局分支（global branch）学习三维力传感器与装配力之间的非线性力学关系，局部分支（partial branch）关注舱段位姿（pose）与力作用方向的空间映射。动态权重融合门控机制（GDW, Gating Mechanism for Dynamic Weight Fusion）根据输入条件调整分支贡献，优先更新力的幅值或方向预测。
模型训练与验证
基于1400组数据（10种位姿×14种力方向×10种力值）进行训练，以均方误差（MSE）作为损失函数。实验发现，6层卷积结构的全局分支（64通道）和2层宽网络局部分支（768通道）组合效果最佳，力预测误差从传统方法的0.287 N降至0.121 N，优化57.8%；力点位置误差从0.17–0.20 mm优化至0.035–0.04 mm，精度提升79.2%。
主要结果
实验表明，GSMLP模型显著优于传统重心法。例如，在30 N力的测试中，GSMLP的方向预测误差仅0.002°，且噪声波动更小。动态门控机制有效区分位姿变化与冲击负载的影响：当传感器数据突变时（如冲击载荷），模型优先依赖全局分支的力学关系；当舱段位姿快速变化时，局部分支的几何模型占主导。
结论与意义
该研究通过神经网络实现了复杂接触条件下的高精度力解耦，为大型结构的柔性装配（flexible assembly）提供了实时力监控基础。其科学价值在于：
1. 提出端到端（end-to-end）训练框架，克服了传统建模中摩擦、材料属性等不确定因素的干扰；
2. 动态门控机制创新性地融合了力学与几何特征，增强模型鲁棒性；
3. 频域滤波方法为高噪声环境下的力信号处理提供了新思路。
研究亮点
1. GSMLP模型是首个将门控机制引入装配力解耦的神经网络架构；
2. 实验验证了其在真实工业场景中的适用性，误差波动较传统方法降低超过50%；
3. 提出的可扩展框架可适配多模态传感器（如薄膜力传感器），未来有望拓展至更复杂装配场景。
其他价值
研究还指出，未来可通过融合更多传感器数据（如应变片或视觉反馈）进一步提升模型精度，并为数字孪生（digital twin）在装配过程中的应用提供了技术储备。