智能身心反馈放松椅 一、初始状态尺寸：沙发尺寸cm：高105 宽94 长103。 二、沙发整体组合材质：电动控制系统，靠背可进行100度-170意调节，腿部可进行90度-170度任意调节。 颜色：米白加果绿。净重：55KG。开合次数：5万次开合测试，无故障。 沙发组合材质：                                                                                                                                  1、高规格加粗木方做骨架2、加密字簧+进口牛皮筋+中软海棉+无纺布+坐架布3、坐垫使用高密度海绵，靠背、扶手内胆填充3A公仔棉4、晨光龙机械架 三、体感系统配置： 控制器一台：播放控制音量、振动大小调节，上下曲切换，播放模式等。 功率放大器一台:播放模式：TF卡、蓝牙、3.5MM音频输入；3.5MM音频输出至耳机，接收控制器输入信号，音频输出至喇叭，并提取音频中的10-150赫兹低频经放大输出至换能器。 低音频体感振动换能器6个：8欧10瓦；沙发内置。 四、RV反馈放松训练系统V2.0是一款基于心率变异性和新生物反馈技术的“双心”健康管理系统。它根据对人体心率变异性及其频域特征的分析来确定人的生理和心理状态，并通过调节人体自主神经系统内的和谐与平衡，达到增强心理调节能力、提高生理健康水平的目的。 该系统采用红外光电传感器获取心率变异信号，通过USB接口与电脑相连接。用户可在电脑上看到自主平衡前后其心率变化、输送比的变化，并可反复训练，以达到消除紧张、疲劳、焦虑和提升个人表现的目的。该系统结合了生物反馈的新成果和技巧，添加了丰富多彩的训练项目和放松引导来辅助训练，用户可以通过轻松有趣的互动体验过程来调节自己的身心协调状态。 五、硬件系统：（四核、8GB内存、128G固态硬盘、21.5寸液晶显示器） 六、移动台车：材质abs，尺寸：550mm*500mm*850mm

一、所属类别 基础、教学科研类实验设备类；实习实训设备及配套等。 二、相关专利技术 CN202010106007.7    履带车底盘、全地形履带车及全地形行走方法 CN202011613628.0    机器人运动控制方法、装置、控制器及存储介质 CN202111261356.7    双足机器人的运动轨迹规划方法、装置、设备及介质 CN202110232263.5    开关机的控制电路及方法 CN202110232355.3    机器人动作模仿方法、装置、设备及存储介质 CN202011501534.4    一种舵机的补偿控制方法及舵机补偿电路 CN202110574796.1    机器人的偏差信息确定方法、装置、处理设备及介质 CN202011644180.9    机器人抗扰动控制方法、装置、电子设备及存储介质 CN202110311455.5    双足机器人控制方法、装置以及双足机器人 CN202011611800.9    质心轨迹的获取方法、装置、机器人及存储介质 三、基本情况 （一）应用对象 应用于机械类、自动化类、电子信息类、计算机类等相关专业人才培养，适用场景包括实验实训、教学科研及竞赛等，方案以人才培养为目标和课程建设为核心，基于机器人载体，提升人工智能与机器人技术教学科研水平。 （二）核心优势 核心产品为双足人形机器人，该系列机器人获得“小型双足人形机器人步态算法”创新纪录，“高韧性强扭矩复合材料舵机”打破国外技术封锁，核心零部件实现国产化。 其中Aelos小型双足机器人载STM32、Raspberry Pi-4B双运算系统，支持二次深度开发，支持多语言开发环境，满足高校对于编程开发、人工智能应用学习等需求，助力高校在机器人系统结构、步态规划、运动控制、算法开发、场景应用等方面的实践学习。 Aelos小型双足机器人 Roban中型双足机器人基于ROS应用平台，搭载深度摄像头，嵌入V-SLAM视觉算法，可以通过导航技术进行建图，实现自主路径规划和步态规划，涉及运动控制、计算机视觉、图像处理、运动规划等多领域课程，能够较好地满足相关专业实验实训、研究开发、参加竞赛等需求。 Roban中型双足机器人 （三）商业模式 公司与高校在复合型人才培养、专业建设、课程建设、科研合作、师资培训、实训室搭建等方面开展深入合作，相关产品被用于各类学校的实际教学、实践、实训。推广路径通过各类研讨会、展会、大赛和专业渠道商进行拓展。 四、推广情况 （一）应用案例 1.清华大学 与清华大学电子系合作共建《智能机器人设计实践》专业限选课，基于人形机器人载体，学习机器人结构原理，图像识别，路径规划，AI芯片等内容。合作入选中国高等教育学会“校企合作双百计划”典型案例。 2.哈尔滨工业大学 与哈工大开展人才联合培养全面合作，双方在开发校企联合课程、共建联合实验室、共建校外实习实践基地、共同筹办BOTEC智能机器人技术挑战赛等方面进行合作，并入选中国高等教育学会“校企合作双百计划”典型案例。 3.南方科技大学 与南科大机器人研究院共建的机器人联合研究中心，在机器人关键核心技术攻关、专业课程建设、人才联合培养等领域开展合作。双方共建的基地被广东省教育厅认定为广东省联合培养研究生示范基地。 （二）应用成效 解决了高校人工智能机器人方向的实验实训、教学科研、参加竞赛等需求，有助于打造高水平、专业化的实践科研条件。年均支撑高校开展教学科研项目不少于1项，科技竞赛不少于2项，协助申报产学合作协同育人项目等。 （三）推广计划 高校新增人工智能等新专业成为热门，传统工科专业也面临课程改革要求，因此，通过开展智能机器人设备的应用与实践，推动相关专业人才的培养与发展，已是大势所趋。推广模式包括课程案例展示、以赛促教、举办研讨会等。

近日，上海英晖科技有限公司正式宣布，其自主研发的E30M6203-5G无线远程终端全面上市。这款产品专为解决工程机械行业长期存在的无线透传难题而生，旨在突破移动机械在数据交互、远程控制等方面的时空限制，推动行业迈向智能化、数字化新时代。

近年来已经建立了基于故障字典，模糊理论，专家系统，神经网络，支持向量机，信息融合，小波分析，粒子群等各种技术的不同故障诊断方法，并在模拟电路的实际检验中取得了良好的效果。然而，电路从正常到故障之间存在中间过渡状态，怎样定义这个中间状态以及其对电路有怎样的影响，如何准确描述这种影响，通过查阅文献，到目前为止还没有一种合理的方法能够解决这个问题。

本发明公开了一种基于选择性隐朴素贝叶斯分类器的网络故障 诊断方法，包括：(1)从网络历史数据库中获取历史数据，包括症状变 量集以及故障类变量集；(2)构建选择性隐朴素贝叶斯分类器预测模型， 根据症状变量集中的每个症状变量确定对应的最相关症状变量集合； (3)所述选择性隐朴素贝叶斯分类器通过训练历史数据自动学习到分类 器参数；(4)进行故障诊断时，对测试数据利用上述选择性隐朴素贝叶 斯分类器进行估计得到对应最终的故障诊断结果。通过执行本发明中的网络故障诊断方法，有效解决了现有网络故障诊断中运算复杂度高、 网络诊断结果偏差大的问题，显著提高了网络诊断的准确性，在进一 步降低运算复杂度的同时，能够保持较好的学习能力及容错特性。

 本系统利用工业无线传感器网络构建无线、分布式机械设备故障诊断和监测系统，对工业现场运转设备的工作状态进行监测，部署的工业无线传感器网络既充当在线状态监测系统，也承担通信网络的功能，最后作为具有推理学习能力的决策网，是集感知、通信、识别、诊断、决策为一体的综合预测性维护平台。   作为一种独立的控制网络，本系统包含低功耗传感器节点、执行器节点、汇聚网管等硬件设备及专家知识库、规则匹配数据库、历史数据库、人机交互界面等软件平台，能够有效弥补有线诊断系统在应用中布

干燥综合征（Sjögren’s Syndrome，SS）是一种以侵及泪腺和唾液腺等外分泌腺为特征的全身性自身免疫疾病。该病最常见的临床表现为眼干、口干，并可累及肺、肾脏、淋巴系统、血管及肝脏等器官。此病无明显的地区分布差异，可发生于任何年龄，以40-60岁，特别是绝经后的女性居多，男女之比为1:9。在我国的患病率为0.77%，在老年人群中的患病率高达4%，全国有近800万患者。 目前在临床上应用的SS特异性自身抗体，如SSA、SSB抗体，存在敏感性低，易漏诊的弊端，不能满足临床需求。本团队经过多年研究发现了可以用于干燥综合征诊断的血清学特异性抗原—AM3RP，根据该抗原的抗原表位合成的变构肽可以特异性的识别干燥综合征患者血清中的特异性抗体—抗AM3RP抗体。抗AM3RP抗体在原发性干燥综合征（pSS）具有很高的敏感性和特异性，其中，IgG型抗AM3RP抗体在pSS患者中的敏感性为84.6%，特异性为92.2%；IgA型抗AM3RP抗体在pSS患者中的敏感性为和特异性分别为46%和87%。基于目前SS在我国患者数量庞大，又缺乏相应的特异性诊断价值高的生物学标志物，本项目临床应用前景广阔。

本发明公开了一种基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其包括以下步骤：(1)将振动位移传感器及振动速度传感器设置在旋转机械上，利用所述振动位移传感器及所述振动速度传感器采集所述旋转机械的振动信号；(2)对采集到的所述振动信号进行多尺度小波分解，以得到小波灰度图；(3)按照预先训练过的卷积神经网络的输入形式，对所述小波灰度图进行预处理；(4)将预处理后的所述小波灰度图输入到所述卷积神经网络，所述卷积神经网络对接收到的所述小波灰度图进行分析诊断，以得到所述旋转机械的故障诊断结果。

本发明涉及一种基于小波变换与混合注意力机制的轴承故障诊断方法，具体包括：利用传感器获取轴承振动信号，得到原始故障数据；对原始故障数据依次进行小波变换、加入高斯噪声、分块采样；并为采样后的数据生成类别标签和位置标签；基于混合注意力机制、残差结构、可学习卷积构建故障诊断模型；将采样后的故障数据划分为训练集和测试集，作为模型的输入数据进行训练，实时监控训练结果进行参数优化，同时将故障诊断结果可视化；在多种噪声条件下与现有模型进行对比实验，检验模型性能。本发明所提出方法解决了传统轴承故障诊断方法在多变噪声条件下故障识别率较低的问题。