设计双侧腕关节训练康复机构以满足双侧被动训练比单侧主动训练效果好的需求。康复机构采用两个空间反向双曲柄并联子机构,根据子机构采用绳索拉伸驱动的特性,研制出一款通过绳索不同的配置以实现左右侧平台成镜像对称的机构;采用球坐标系分析机构的正运动学,得到双侧平台的运动关系式;研制试验样机,对双侧平台横滚、俯仰和虚拟偏航运动的欧拉角进行测量,测量了在3种运动方式下前肌群和后肌群在静息态、单侧被动训练和双侧主动训练的肌电信号。实验数据表明,当机构做横滚运动时,双侧平台角位移大小相等、方向相反;当机构做俯仰运动时,双侧平台角位移大小和方向均相同。双侧主动训练测量的前肌群和后肌群肌电信号(EMG)最大平均值比静息态分别大319.65 mV和352.2 mV,比单侧被动训练分别大155.9 mV和184 mV。上述结果表明,所研制的双侧机构...

针对中风患者腕部运动功能障碍及康复训练问题,提出了一种基于共轴球面并联3RRR机构的手腕康复装置。该装置由3个电机驱动,末端执行机构能够实现球面运动,以模拟手腕3自由度复合运动,实现手腕康复训练。为了达到紧凑性设计的目的,采用了三轴共轴球面并联机构和同步带传动的设计方案。在此基础上,建立手腕康复装置运动学数学模型,获得了电机输入角度与末端执行机构输出位姿之间的关系;并确定康复装置的工作空间绕X轴旋转最大角度为32°,绕Y轴旋转最大角度为37°,绕Z轴全周旋转。最后,加工出实验样机进行实验验证。结果表明,该装置运转平稳,工作空间内不存在卡死现象。

在实际工程应用中,有限的故障样本数量及噪声都影响轴向柱塞泵故障诊断的效果,所以,如何提高模型在小样本、噪声条件下轴向柱塞泵故障诊断的性能是一个亟待解决的问题。在样本数量有限、噪声条件下,采用基于深度学习的故障诊断方法会出现过拟合、诊断准确率下降的问题,为此,提出了一种小样本条件下基于原型网络的轴向柱塞泵故障诊断模型(方法)。首先,搭建了轴向柱塞泵故障诊断模型,并等量随机抽取了每个故障的样本以构建多个任务,模型使用一维卷积神经网络作为主干,每个任务中包含当前模型、支持集、查询集;然后,利用模型将样本映射到特征空间,在特征空间中,模型使用支持集的同类样本构建了原型点,并逐个将查询集样本与多个原型点进行了距离度量,实现了轴向柱塞泵不同故障的分类;最后,为了验证基于原型网络的轴向柱塞泵故障诊...

轴向柱塞泵是液压动力系统的重要组成部分,由于其发生故障时会产生严重的危害,所以对其进行故障诊断是非常有必要的。然而大量的工程实践表明,轴向柱塞泵往往会同时在不同的部位,以不同的形式表现为复合故障。由于轴向柱塞泵复合故障振动信号的多分量耦合调制特征及特征参数较难确定,所以针对此问题,提出了一种基于格拉姆角差场与深度残差网络相结合(GADF-ResNet)的轴向柱塞泵复合故障诊断方法。首先,对轴向柱塞泵原始振动信号进行了格拉姆角差场(GADF)转换,将其转换为二维数组,将数组以灰度图形式存储,得到了特征样本,并将其分为训练集与测试集,以多标签的方式进行了标记;然后,将样本输入到深度残差网络(ResNet)中,通过前向传播和反向传播方式确定了网络最佳结构和参数;最后,采用实验的方式,通过测试集验证了该模型的可行性和鲁棒性。...