Disassembly sequencing is important for remanufacturing and recycling used or discarded products. AND/OR graphs (AOGs) have been applied to describe practical disassembly problems by using "AND" and "OR" nodes. An AOG-based disassembly sequence planning problem is an NP-hard combinatorial optimization problem. Heuristic evolution methods can be adopted to handle it. While precedence and "AND" relationship issues can be addressed, OR (exclusive OR) relations are not well addressed by the existing heuristic methods. Thus, an ineffective result may be obtained in practice. A conflict matrix is introduced to cope with the exclusive OR relation in an AOG graph. By using it together with precedence and succession matrices in the existing work, this work proposes an effective triple-phase adjustment method to produce feasible disassembly sequences based on an AOG graph. Energy consumption is adopted to evaluate the disassembly efficiency. Its use with the traditional economical criterion leads to a novel dual-objective optimization model such that disassembly profit is maximized and disassembly energy consumption is minimized. An improved artificial bee colony algorithm is developed to effectively generate a set of Pareto solutions for this dual-objective disassembly optimization problem. This methodology is employed to practical disassembly processes of two products to verify its feasibility and effectiveness. The results show that it is capable of rapidly generating satisfactory Pareto results and outperforms a well-known genetic algorithm.

Abstract Nuclear power turbine fault diagnosis is an important issue in the field of nuclear power safety. The numerous state parameters in the operation and maintenance of nuclear power turbines are collected, forming a complex high‐dimensional feature space. These high‐dimensional feature spaces contain redundant information, which increases the training cost and reduces the recognition accuracy and efficiency of the fault diagnosis model. To address the aforementioned challenges, a vibration fault diagnosis algorithm in nuclear power turbines is proposed. First, a long short‐term memory‐based denoising autoencoder (LDAE) is designed to enhance the capability of uncertainty awareness. Then, a feature extraction method integrating variational mode decomposition (VMD), L‐cliffs‐based effective mode selection, and sample entropy is devised to extract the latent features from the complex high‐dimensional feature space. Furthermore, using extreme gradient boosting (XGBoost) as the classifier, LDAE‐VMD‐XGBoost model is constructed for fault diagnosis of nuclear power turbines. Considering the impact of multiple hyperparameters of LDAE‐VMD‐XGBoost model on the performance, the pathfinder algorithm is used to optimise the model hyperparameter settings and improve the fault diagnosis accuracy. Experimental results demonstrate the performance of the proposed improved LDAE‐VMD‐XGBoost in accurate nuclear power turbine vibration fault diagnosis.

In the field of industrial assembly, human-machine interactive assembly methods are frequently used. Lack of virtual and physical mapping, a convoluted guiding system, and low effect precision in the interactive process, a digital twin-driven human-machine interactive assembly method system is proposed as a solution to the mentioned issues. The YOLOv7-tiny lightweight model is used to perform accurate detection of parts. By incorporating attention modules into the backbone network, the feature extraction capability of the model in complicated assembly environments is enhanced. The assembly method proposed is validated using the assembly process of the reducer as an instance. The OpenCV method is employed to produce geometric reference features for parts. The experimental results show that the proposed assembly method can provide visual guidance for the assembly process, improve the traditional list-type assembly component retrieval method, solve the drawbacks of the pre-set assembly guidance in the guidance system that may not be able to adapt to the changes of the assembly results in the actual operation, and can accurately instruct novices how to assemble, which is characterised by easy implementation, low cost and high accuracy, and is of great significance for improving the success rate and assembly efficiency of human-machine interactive assembly.

Soft Actuators The cover image showcases a dandelion-inspired artificial seed, which can float in the wind like a real dandelion seed, as detailed in article number 2400952 by Yixiong Feng, Xiuju Song, and co-workers. The close-up bubble at the bottom of the image displays the key component of the artificial seed: a stimuli-responsive actuator based on Ti3C2Tx MXene and polyethylene. The close-up bubble at the top highlights the MXene/PE soft actuator's ability to respond to six different types of stimuli, including humidity, light, high temperature, low temperature, applied voltage, and specific volatile organic compounds.

With the increasingly severe energy supply and environmental pressures, high-end equipment is gradually adopted to reduce the carbon emissions of manufacturing industry which makes its low-carbon structural design a critical research hotspot. The best structural scheme can be got by multi-attribute decision-making (MADM) with design requirements. However, the decision-making attributes in the structural design of high-end equipment are too many at first and low-carbon attributes are seldom fully considered. Moreover, there are a large amount of related data with linguistic vagueness, interval uncertainty, and information incompleteness, which fail to be handled simultaneously. There, this paper proposes an integrated MADM method of low-carbon structural design for high-end equipment based on attribute reduction considering incomplete interval uncertainties. First, distribution reduction of low-carbon structural design is carried out to obtain the minimum attribute set and encompass low-carbon attributes comprehensively. Second, a collaborative filtering algorithm is utilized to complete the missing data in the subsequent design process. Third, interval rough numbers (IRNs) are integrated into DEMATEL-ANP (DANP) and multi-attribute border approximation area comparison (MABAC) to quickly rank the alternative schemes for high-end equipment and determine which is the best. The rationality and robustness of the proposed method are verified through the case study and comparative analysis of a hydraulic forming machine.

Human behaviour recognition is one of the most fundamental tasks in Industrial Internet of Behaviour (IIoB) and is crucial for the safe and reliable IIoB. Existing methods lacks adaptability and transferability. In addition, there is a data isolation problem among different users. Therefore, there is an urgent requirement to construct a secure and adaptive human behaviour recognition model in IIoB without violating the privacy of users. Mamba, a structured state space model that integrates a selection mechanism and a scan module, is used for time series modelling tasks. To tackle the aforementioned problems, an Federated Learning-based lightweight human behaviour recognition model with selective state space models is proposed. First, we design a human behaviour recognition model integrating Mamba and residual structure to achieve lightweight and secure human behaviour modelling. In addition, considering data privacy and training efficiency, a decentralised dynamic FL framework is designed to achieve lightweight and secure model collaborative training, including: initial selection of source users, model aggregation strategy based on dynamic weighting, and fine-tuning module based on small-sample data, to improve the training efficiency of the model and the accuracy of human behaviour recognition. Extensive experiments are conducted to prove the superior performance of the proposed method.