[发明专利]一种基于粒子群优化BP神经网络的多维力传感器标定解耦方法

说明书

一种基于粒子群优化BP神经网络的多维力传感器修正解耦方法，使用PSO粒子群算法全局搜索最优的特性对BP网络进行优化，避免BP算法在学习中陷入局部最优的弊端，捕捉转换通道的标定数据的映射关系，使解耦模型具有良好的收敛性和适应性，使得多维力传感器具有较好的测量精度。本发明通过建立神经网络模型，突破各维度力或力矩多耦合、高度非线性关系的限制，提高多维力传感器的解耦能力，提高了多维力传感器的实用性；并利用粒子群算法全局搜索最优的特性对BP网络进行改进优化，避免BP算法在学习中陷入局部最优的弊端，使模型具有良好的收敛性和适应性，具有较好的泛化能力；提出的多维力传感器解耦方法与传统的方法相比，具有较好的解耦精度，解耦性能更好。

技术领域

本发明涉及多维力传感器标定解耦方法领域，特别涉及一种基于粒子群优化BP神经网络的多维力传感器标定解耦方法。

背景技术

随着时代的发展，单维力传感器已经不能满足日常生产与研究的测量要求，因此多维力传感器越来越受到工程应用的青睐。多维力传感器指的是一种能够同时测量两个方向以上力及力矩分量的力传感器，在笛卡尔坐标系中力和力矩可以各自分解为三个分量，多维力最完整的形式是六维力或六维力矩传感器，能够同时测量三个力分量和三个力矩分量的传感器，被广泛应用于大型工程机械和智能机器人的机械臂以及车辆轮胎力的测量。

然而，由于多维力传感器一体化的弹性体结构以及制作加工工艺上的误差，使得传感器在不同维度方向的转换通道上，存在着不可避免的耦合，即维间耦合，这严重影响了传感器的测量精度，不符合实际的测量要求，因此对传感器进行解耦非常重要。传统的方法使用基于最小二乘法的解耦方法，该方法计算过程中数值精度不高、鲁棒性较差、易产生产生局部最优解，近年来神经网络因为其强大的非线性拟合能力在风电预测、电路系统分析、噪声控制等取得较好的效果，本发明提出了一种基于粒子群优化BP神经网络的多维力传感器修正解耦方法，使用PSO(粒子群算法)全局搜索最优的特性对BP网络进行优化，避免BP算法在学习中陷入局部最优的弊端，捕捉转换通道的标定数据的映射关系，使解耦模型具有良好的收敛性和适应性，使得多维力传感器具有较好的测量精度。

发明内容

为了解决上述存在问题。本发明提供一种基于粒子群优化BP神经网络的多维力传感器标定解耦方法，使用PSO(粒子群算法)全局搜索最优的特性对BP网络进行优化，避免BP算法在学习中陷入局部最优的弊端，捕捉转换通道的标定数据的映射关系，使解耦模型具有良好的收敛性和适应性，使得多维力传感器具有较好的测量精度。

本发明一种基于粒子群优化BP神经网络的多维力传感器标定解耦方法，具体步骤如下；

1)采集多维力传感器的标定数据；

将传感器和载荷加载器安装在标定支架台上，载荷加载器使用不同标准重量的重物给传感器施加压力和扭矩，每次加载可以精确获得各个维度载荷值，施加荷载后传感器内部发生形变，并经信号放大电路产生相应的差分电压信号，分别对应相应维度分量的电压信号，数据采集卡收集各路的电压信号，经A/D转换后将相应分量的数据采集到工控机的上位机；

根据传感器的测量范围，在各个维度分成若干个等间距测量点，且平均分布在测量范围；多次调整重物的大小和作用力距离加载出不同测量点组合的载荷，并记录对应的六维电压信号，将采集的数据作为训练样本集；