本文针对的下肢外骨骼主要面向康复医疗场景。医疗康复场景下最重要的一点就是保障患者在康复训练时的安全,本文针对该问题,研究了面向外骨骼机器人的安全监控系统。针对安全问题,本文将安全监控的重点工作放在了外骨骼机器人运行过程中可能出现的故障问题上。设计了一种可以自动进行特征提取与数据融合的端到端的故障诊断模型,实现对外骨骼运行过程中的状态监测,判断当前机器的运行状态是否正常,如果出现问题,则可以定位故障发生位置。论文的主要工作如下:(1)论文首先设计了安全监控系统的软件架构。研究了其监控功能,设计了外骨骼训练数据与系统平台的数据交互方法,为后文的研究内容提供了数据采集和计算的平台;在此基础上设计了故障状态监测功能的实现流程,并对外骨骼在实际使用过程中存在的故障问题进行了分析,确定了安全监控系统需要针对的问题:运动控制系统故障分析,最后采集和构造了故障数据集;(2)针对传统故障模型提升诊断精度,需要对传感器进行数据融合与特征提取的问题进行分析。针对外骨骼的多传感器数据融合方法进行了探索,研究并分析了三种传统数据融合方案在外骨骼故障数据上的应用方法,并对其实验结果进行了分析。得出结论:传统故障诊断模型诊断精度的提升极其依赖人工特征提取与数据融合方案的选择,但是人工操作较为复杂,且提取特征会存在冗余和无效的情况,造成计算资源的浪费;(3)改进传统方案中存在的问题:1.传统方案只关注当前时刻的数据,但外骨骼故障问题的发生是时序性的,只针对单个时刻进行研究,会出现其监测数据表现与其他某种状态下的数据表现接近,导致诊断精度较低;2.传统方案诊断精度的提升极其依赖人工的特征提取与数据融合方案的选择,其操作流程复杂,特征会存在冗余和无效的情况。本文引入了基于卷积和时序神经网络的方法。利用一维卷积神经网络提取传感器数值特征,利用时序神经网络提取时序关联特征。最终设计的模型可以自动进行特征提取和数据融合,简化数据融合和特征提取的流程,节省人工操作的复杂度,实现端到端的混合故障诊断。实验验证,本文提出的方法在输入数据最简单的情况下,取得了最高的诊断精度。