[发明专利]解耦方法、装置、电子设备及存储介质

说明书

本申请提供的一种解耦方法、装置、电子设备及存储介质，通过预先建立目标神经网络模型，在获取到多维力传感器的电信号后，将电信号输入至目标神经网络模型，从而可以确定确定所述多维力传感器中各个维度的力信息，能够提高多维力传感器的解耦精度。

技术领域

本申请涉及传感器技术领域，特别地涉及一种解耦方法、装置、电子设备及存储介质。

背景技术

六维力传感器在智能机器人、重载制造装备、航空航天等领域都有着广泛的应用，并且对这些领域的发展起着关键性的作用。在设计、加工、制造、安装、工作等过程中，由于工艺技术条件的限制和工作环境的动态变化，维间信号不同程度的耦合会极大地影响六维力传感器的检测精度，也约束了六维力传感器在高、精、尖领域的应用与发展。

目前,针对六维力传感器解耦算法的研究主要集中在静态解耦方面,例如基于线性标定和基于最小二乘线性拟合解耦算法，静态解耦在一定程度上可以降低维间耦合误差，但很难降到5％以下，无法满足实际测量工作对传感器高检测精度的要求。并且六维力传感器工作时大多处于动态测量环境下，有效降低六维力传感器在动态测量时发生的维间耦合对提高传感器精度有着重要的意义。

发明内容

针对上述相关技术中的问题本申请提供一种解耦方法、装置、电子设备及存储介质，能够提高多维力传感器的解耦精度。

本申请提供了一种解耦方法，包括：

获取多维力传感器的电信号；

将所述电信号输出至预先建立的目标神经网络模型中，确定所述多维力传感器中各个维度的力信息。

在一些实施例中，所述方法还包括：

获取训练样本集，其中，所述训练样本集中的每个训练样本包括：多维力传感器的电信号及所述多维力传感器的电信号对应的各个维度的加载力，其中，所述各个维度的加载力和对应的多维力传感器的电信号是基于加载实验获得的；

将各个训练样本的多维力传感器的电信号为重构神经网络的输入，各个训练样本的多维力传感器的电信号对应的各个维度的加载力为所述重构神经网络模型的输出进行训练；

在所述训练后的重构神经网络模型达到停止训练条件的情况下，将训练后的重构神经网络模型确定为所述目标神经网络模型。

在一些实施例中，所述方法还包括：

获取初始神经网络模型，其中，所述初始神经网络模型包括：网络输入与输出之间的映射关系，所述网络输入与输出之间的映射关系包括多个参数；

基于粒子群算法对所述各个参数进行寻优，得到各个参数的最优参数；

基于所述最优参数更新所述网络输入与输出之间的映射关系以得到所述重构神经网络模型。

在一些实施例中，所述基于粒子群算法对所述各个参数进行寻优，得到各个参数的最优参数，包括：

对所述参数进行初始化，并确定参数的自适应函数；

将所述参数确定为粒子群算法的粒子；

初始化各个粒子的速度和位置，基于所述自适应函数确定各个粒子的当前个体最优位置和当前全局最优位置；

基于当前个体最优位置和当前全局最优位置更新各个粒子的速度和位置；

计算各个粒子更新后的速度和位置对应的个体最优位置和全局最优位置；

在各个粒子更新后的速度和位置对应的损失函数值小于设定值的情况下，基于各个粒子更新后的速度和位置对应的个体最优位置和全局最优位置确定各个粒子的最优参数。

在一些实施例中，所述基于当前个体最优位置和当前全局最优位置更新所述粒子的初始速度和初始位置，包括：