机器人在进行铣削加工时,由于刚度较低,极易出现振动现象,这将对加工的精度和工件表面的质量等产生消极作用。为了抑制加工振动,常常通过振动稳定性分析获得加工参数的稳定域,通过优选加工参数来避开振动区间。振动稳定性分析的重要基础是模态参数,一般借助实验模态分析获取。然而机器人在不同位置和姿态下的模态参数差别很大,有时一个角度的变化也会造成模态参数的改变,那么在不同位姿下进行模态实验将花费大量的时间和人力成本,因此如何在相应工况下快速地获得指定位姿的模态参数对于工业实践具有重要意义。因此,本文提出了一种基于生成对抗网络（Generative Adversarial Nets,GAN）的深度迁移学习模态参数预测模型,能够快速预测指定位姿的模态参数。本文的主要研究内容如下:（1）基于生成对抗网络的深度迁移学习建模。重点介绍了迁移学习方法和生成对抗网络,详细推导了GAN的损失函数,阐明了如何将GAN的思想加入到迁移学习中;定义了本文的迁移学习任务,明确了“迁什么”和“如何迁”;定义了模型的数据格式:以机器人末端位姿和关节变量为特征,以机器人的各阶模态参数为标签;定义了模型各部分的损失函数,最终基于对抗生成网络完成了深度迁移学习建模。（2）机器人D-H运动学建模。通过标准D-H法,建立了科玛机器人的参考坐标系系统,通过坐标转换获得了D-H运动学参数表;借助MATLAB进行了运动学的建模和正、逆运动学的求解,从而获得了源域和目标域样本的特征数据。（3）模态实验设计与频响函数曲线拟合。搭建了机器人冲击力锤实验平台,并获取了源领域和目标领域样本点的频响函数曲线;借助有理分式多项式法对各阶模态参数进行辨识,从而完成了对源领域和目标领域样本的标注。（4）迁移学习预测模型有效性验证。将具有完整标注的源领域数据和目标领域数据带入所建立的深度迁移学习模型进行训练和测试;根据初步预测结果采取相应措施进行模型调整,得到了目标领域测试样本的预测结果和调整前后的对比结果,证明了模型调整措施的有效性;通过与未进行对抗迁移学习的测试集样本预测结果进行对比,证明了本文所提方法对模态参数预测的有效性。