四足机器人气动人工肌肉驱动的仿生柔性机体动力学分析

基于四足生物动态步行时其柔性机体辅助腿机构的运动机理,设计了一种由气动人工肌肉、仿生脊柱、前机体和后机体组成的四足机器人仿生柔性机体.采用几何法分析仿生柔性机体运动学,建立四足机器人转向时仿生柔性机体弯曲角与气动人工肌肉长度变化间的关系,通过控制气动人工肌肉长度以控制机体弯曲.基于浮动坐标法和动量矩定理进行仿生柔性机体刚柔耦合动力学建模,对比分析了不同机体刚度下机体弯曲所需气动人工肌肉驱动力.设计仿生柔性机体弯曲控制实验系统,采用PID控制算法进行机体弯曲实验分析.四足机器人的仿生柔性机体分析,为提高其非结构化环境机动性奠定了基础.     

气动人工肌肉驱动关节PID位置控制

气动人工肌肉是一种由气压驱动的收缩型气动执行器,由气动人工肌肉驱动的人工关节具有重量轻、柔顺性好等特点.由于人工肌肉存在着明显的非线性、滞环大等缺点,对其位置控制有一定的难度,必须采取适当的控制策略才能得到较高的控制精度.本文介绍了一种以人工肌肉驱动关节为控制对象的位置控制系统,通过PID控制算法实现位置闭环控制.实验结果验证了控制策略的有效性,为气动人工肌肉驱动关节的应用打下基础.     

双驱动型单向弯曲柔性关节弯曲特性

针对气动柔性关节在低气压下弯曲角度受限的问题,采用两个人工肌肉作为动力源进行驱动,设计了一种新型气动柔性关节.该关节由两个人工肌肉并联而成,具有1个自由度,能实现较大的弯曲变形.给出了关节的结构功能和工作原理,基于力/力矩平衡原理分析关节的弯曲特性,搭建试验系统研究关节的弯曲角度.理论分析和试验结果表明:双驱动型单向弯曲关节在低气压下也能实现较大的弯曲角度,关节的弯曲角度与气压呈非线性关系,且随关节结构参数的改变而改变.     

智能控制气动人工肌肉座椅减振特性研究

以Mckibben型气动人工肌肉为履带式工程车辆座椅的缓冲执行器,建立了三自由度座椅主动缓冲减振模型;以白噪声模拟路面输入,采用智能BP神经网络PID控制对座椅的减振特性进行研究.并以座椅加速度和位移的最大值、最小值、标准差三项指标进行对比分析.仿真结果表明,在选定的3种工况下,Mckibben型气动人工肌肉缓冲座椅较...     

气动人工肌肉动静态性能模型分析研究

气动人工肌肉性能模型对气动关节运行的准确性和稳定性起到关键作用,该研究通过对气动人工肌肉的相关研究内容进行了整理和分析,总结了国内外相关机构的研究成果,根据气动人工肌肉的结构特点,分析了其静态特性模型和动态特性模型的建立方法,模型的建立有利于更好的建立精确运动的气动人工关节及消除残余振荡研究有指导作用.     

气动人工肌肉关节驱动特性实验研究

针对气动人工肌肉柔软的物理特性，设计一种新型的气动人工肌肉实验台，该试验台采用气缸作为气动人工肌肉的负载，自动测量气动人工肌肉的参数；通过对实验数据进行拟合，建立简单实用的静态特性模型；对由一对人工肌肉组成的关节进行静态实验和阶跃实验，实验结果表明，气动人工肌肉关节线性度高，但响应速度低，存在滞环．     

基于分组数据处理神经网络气动人工肌肉迟滞特性

气动人工肌肉的动态特性中存在着非常复杂的迟滞现象.目前对其迟滞特性的研究很不充分,甚至对其输入空间都难以确定.为此,建立了单自由度气动人工肌肉实验平台,利用分组数据处理神经网络独特的自组织特性,运用数据挖掘技术探索气动人工肌肉迟滞特性的输入空间.将自适应模糊小脑模型神经网络引入滑模控制,基于已确定的输入空间,在每个采样周期逼近迟滞力不断变化的动态值,在线实时补偿迟滞力的影响.实验结果验证了输入空间选取的合理性和有效性.
     

气动人工肌肉驱动球面并联机器人的位置控制研究

研究将气动人工肌肉驱动器应用于柔索驱动三自由度球面并联机器人机构,介绍了该机器人的运动学模型,提出一种简便的轨迹规划方法,在建立的实验测控系统中,应用含并联机器人的位置逆解和对气动人工肌肉的智能PID控制的位置控制算法,实现对机器人末端的位置控制,通过机器人的位置正解验证了位置控制的控制效果.     

临近空间高超声速再入滑翔目标跟踪模型

针对临近空间高超声速再入滑翔飞行器(HRGV）的跳跃滑翔跟踪问题,建立一种新型跟踪模型。首先对目标进行受力分析并结合HRGV横、纵向运动特性得到各方向气动加速度特性;在此基础上将气动加速度中的阻力和爬升力加速度建模为正弦自相关模型,转弯力加速度建模为一阶马尔科夫模型;然后采用一种分离滤波模型对目标状态和气动加速度分别进行估计,推导得出状态滤波模型和气动加速度滤波模型表达式。仿真实验结果表明,相比该类目标的其他跟踪算法,该算法的跟踪精度有一定提高,此模型优越性较强。     

面向人工肌肉驱动器的无模型自适应滑模控制研究

针对人工肌肉驱动器模型的控制策略较为复杂、控制参数较多、调节过程较为繁琐、通用性较差等问题.首先基于梯度法设计了无模型自适应滑模控制器(MFASMC)并对其稳定性进行了证明.然后,利用该控制器分别对离子交换聚合金属(IPMC)以及气动人工肌肉(PAM)两种典型人工肌肉驱动器进行控制仿真实验,从而对其控制精度、适应性及通用性进行验证.由仿真结果可知,通过设计控制器参数的调节规律,MFASMC算法可以实现对控制参数的快速在线调节,故对于不同种类的人工肌肉驱动器避免了繁杂的数学建模过程及控制参数调节过程,具有良好的适应性及通用性.     

一个由Mckibben肌肉驱动的类人关节

建立了一个类人的机器人关节,由两条对抗设置的Mckibben人工肌肉驱动. 简单介绍了Mckibben肌肉的力特性模型,推导了关节角度和Mckibben肌肉长度间的关系,从力学角度讨论了最大可能旋转角度,分析了Mckibben肌肉与关节的连接位置及关节结构参数对关节旋转角度的影响,并把类人关节和人类关节进行了比较. 结果表明,Mckibben肌肉的收缩率和关节结构参数对关节旋转角有较大影响,关节内侧的Mckibben肌肉与关节的适中连接位置可使关节角达到极大值.     

推力大行程气动柔性驱动器及其特性

由于Mckibben气动肌肉难以满足推力和大行程输出的要求,该文研究开发了一种新型推力大行程气动柔性驱动器。利用扁平弹性管的螺旋叠加结构实现了柔性驱动器的大行程及推力驱动,利用中心轴导向和加强网筋裹覆技术以提高驱动器直线运动重复精度与工作寿命,建立了该驱动器驱动力模型,对该柔性驱动器工作特性的试验研究结果表明:驱动器输出推力随供气压力增大而增大,随工作长度增大而减小。当供气压力为0.3 MPa时,被测驱动器最大驱动推力为320 N,最大伸长变形率达120%以上。     

人工神经网络确定和优化桩基持力层

引入人工神经网络（ANN）到新的桩基设计辅助系统中，提高利用人工智能进行桩基设计的能力，确定和优化桩基持力层，对ANN在桩基辅助设计中的应用进行有益的尝试．详细介绍了它的建模方法，结合工程实例，对ANN在上海地区常规土层条件下桩基持力层中的应用进行计算和分析，并对需要进一步研究的问题给出了建议．     

Digital Model of Human Lower Extremity Musculoskeletal System Based on CT ＆ MRI

A new method to reconstruct a comparativily complete nmscle model of the human lower limb from CT and MRI data is presented. Topological structure of more than fourteen muscles is built and coordinatas of origin and insertion points are given, Based on this model, straight-line model and centroid-line muscle model are acquired. Muscle force prediction is discussed according to the model reconstructed, and a multi-objective optimization method is put forward for evaluating muscle forces of the human lower extremity.     

板料拉深成形过程中摩擦系数的确定

针对板料拉深成形过程中摩擦系数较难确定的客观情况,提出一种基于人工神经网络的能够快速识别摩擦系数的方法,在概述解析法确定摩擦系数的基础上,建立了识别摩擦系数的人工神经网络模型,用拉深试验机测取的摩擦系数、压边力、拉深力和凸模行程组成样本对其训练,实现了对摩擦系数的快速识别,从而就可以根据摩擦系数的波动,适时调整控制参数,以最佳的工艺参数来完成板料的整个拉深成形过程。实验结果表明,利用人工神经网络能够快速准确地识别出板材拉深成形过程中的摩擦系数。     

限位装置对桩基础高墩摇摆反应的影响

基础摇摆隔震会显著增大高墩顶的位移,摇摆隔震装置中设抗拉钢筋或钢铰线可以减少墩顶位移。提出了限位装置的模拟方法,完善了桩基础高墩摇摆隔震的分析模型。基于某铁路高墩桥梁,输入3条强震记录,采用非线性时程分析方法进行了限位装置的影响分析。讨论了限位装置初始间隙及屈服力的变化对墩顶位移与墩底弯矩的影响规律。结果表明,限位装置减小墩顶位移的同时会增大墩底弯矩,墩顶位移受限位装置初始间隙的影响较大,墩底弯矩受限位装置初始间隙的影响较小,桩基础高墩的摇摆反应受限位装置屈服力的影响较大。     

Low Ca2+ impedes cross-bridge detachment in chemically skinned Taenia coli

Muscle force is generated by cycling cross-bridges between actin and myosin filaments. In smooth muscle, cyclic attachment and detachment of cross-bridges is thought to be induced by a Ca2+- and calmodulin-dependent myosin light chain kinase which phosphorylates myosin. The relaxation that occurs after Ca2+ removal is usually ascribed to dephosphorylation of myosin by a phosphatase as non-phosphorylated myosin is unable to form force-generating criss-bridges. Recently, Dillon et al. claimed, however, that dephosphorylation of attached cross-bridges may impede cross-bridge detachment, thus forming so-called 'latch bridges'. Here we present evidence that after a Ca2+- and calmodulin-induced contraction of chemically skinned guinea pig Taenia coli, the rapid removal of Ca2+ impedes the detachment of the myosin cross-bridges from the actin filament; force can then be maintained without energy consumption. The extremely slowly detaching cross-bridges which maintain the force after Ca2+ removal may indeed correspond to the 'latch bridges' mentioned above.     

基于弹性理论的块体冲击力和冲击能测算

针对冲击力计算模型无法准确地将接触力与局部变形联系起来的问题,进行了块体冲击的理论计算和实验研究,以提高落石的冲击力和冲击能的计算精度,进而对防护网进行优化设计。将弹性网视作弹性膜,引入狄拉克函数划分“单向均匀拉伸区”和“双向均匀拉伸区”,通过伽辽金法推导出了落石冲击力和冲击能的计算公式,最后对施加不同预拉力的弹性网进行冲击实验。将弹性网的变形量代入上述公式计算冲击力和冲击能,分析误差产生的原因。并提出修正系数对结果进行修正,修正后的冲击力、冲击能最大误差为2.8%、3.9%。与现有的落石冲击力和冲击能测算方法相比,所提测算方法更为简化,可用于模型试验中测算落石的冲击力和冲击能,为落石防护的优化设计提供基本依据。     

基于人工物理法的多智能体协同控制

 对多智能体的协同控制和队形重构技术进行研究,采用人工物理法完成多智能体的队形建立与队形保持。人工物理法是一种分布式的控制方法,对传感器信息和通信的依赖程度较低,并可以很好地移植到大规模系统中。人工物理法通过设定虚拟的物理力,完成机器人速度和方向信息的解算,并用这些信息进行实时控制。同时为保证在障碍物区域内的智能体避障,采用沿墙跟踪策略,设计双输入、单输出的模糊控制器实现智能体的避障。为克服多模态运动的转换瞬态,利用四点平滑抑制模态转换瞬态。通过传感器探测外界环境,获得相关环境信息并确定障碍物的位置,由此依据判决条件完成多智能体控制的模态转换,进行队形重构。通过复杂环境中的数学仿真及多智能体协同控制的实验验证,表明该系统具有良好的鲁棒性和适应性。     

Software process modeling with UML in development of medical insurance MIS

This paper describes how to use the Unified Modeling Language (UML) to modeling software processes in medical insurance MIS, and compares UML Modeling method with classic PO (Process-Oriented) Modeling method. It indicates that the whole performance of application system model described by UML is much better than the one described by PO.