[发明专利]一种基于MonteCarlo模拟的力传感器动态校准方法

摘要

本发明公开了一种基于Monte Carlo模拟的力传感器动态校准方法，本发明通过建立力传感器惯性质量、外加配重质量与激励响应之间的模型；利用伪随机数生成技术，分别对力传感器模型中的配重质量、加速度和电压进行样本空间的全域模拟；根据区间判断准则，筛选出满足预设精度的有效样本；根据有效样本的概率估计出被校准力传感器的惯性质量和灵敏度，实现力传感器的动态校准。本发明能够对模型参数未知的力传感器进行动态校准和关键参数的估计，节省力传感器动态校准的周期，避免重复测量过程的误差累积，有效地提高力传感器的校准精度。基于上述一种基于Monte Carlo模拟的力传感器动态校准方法更满足力传感器动态校准的实际需要。

主权项

一种基于Monte Carlo模拟的力传感器动态校准方法，其特征在于，该方法具体包括以下步骤：步骤一：被校准力传感器初始参数的设置将力传感器初始灵敏度设置为出厂时的静态灵敏度；设置初始惯性质量设置Monte Carlo模拟的样本量N，设置样本的最大配重质量M；设置力传感器灵敏度的允许最大偏差δ；设置加速度和电压的测量不确定度σ；步骤二：被校准力传感器输出电压Ui(t)的测量将被校准力传感器安装在正弦激振台的输出端，通过二维精密微动平台调整双频激光干涉仪的位置和方向，使激光输出轴对准被校准力传感器的输出端的中心；将不同质量的外加配重Mi安装在传感器的输出端，其中1≤i≤N；启动正弦激振台以一定的频率起振；利用双频激光干涉仪实时测量配重质量的激振加速度ai(t)，同时测控平台通过数据采集卡记录被校准力传感器的输出电压Ui(t)；步骤三：动态校准的Monte Carlo模型的建立根据牛顿第二定律，对力传感器进行重复外加配重，建立惯性质量与传感器输出之间的关系，即(me+Mi)ai(t)＝Ui(t)/Sd(t)    (1)其中，Mi为第i次外加配重的质量；ai(t)为t时刻的加速度；Ui(t)为对应t时刻力传感器的输出电压；Sd(t)为力传感器在动态测量过程中的灵敏度；令传递系数ki(t)＝Ui(t)/ai(t)，则配重模型可以简化为ki(t)＝(me+Mi)Sd(t)   (2)在测量过程中，配重质量Mi和传递系数ki(t)均为惯性质量me的随机变量；其中配重质量服从区间为(0,M)的均匀分布；传递系数ki(t)作为加速度a(t)和电压U(t)的测量结果，服从标准正态分布；二者的概率密度函数分别为f(Mi)=1Mf(ki(t))2=1πσ2exp(-k22σ)---(3)]]>对式(3)进行离散逆变换，分别抽样出配重质量Mi和传递系数ki(t)的样本，即Mi=M·R1ki(t)=σ-2lnR2cos(2π·R3)---(4)]]>根据式(4)，将配重模型进一步变换为σ-2lnR2cos(2π·R3)=(me+M·R1)Sd(t)---(5)]]>其中，R1、R2和R3分别为区间(0,1)内的随机数；步骤四：有效模拟值的区间判断从随机变量{Mi,ki(t)}的样本量N中，分别对R1、R2和R3进行伪随机数生成，当模拟值满足区间判断准则Sd(0)(t)-δ≤σ-2lnR2cos(2π·R3)M·R1≤Sd(0)(t)+δ---(6)]]>时，则有效样本量N′加1，即N′(n+1)＝N′(n)+1；否则，保持原有效样本量不变；对变量经过N次模拟随机生成之后，在配重区间(0,M)内形成梯形区域；模拟的随机点落入该区域内的概率与其面积之间满足其中，为有效样本出现的概率，且A梯形为梯形的面积；A矩形为矩形的面积；步骤五：力传感器校准参数的输出对式(7)整理得m^e=hM=(2P^-1)M2(1-P^)---(8)]]>将最大配重质量M和N次模拟的概率代入式(8)，求出惯性质量；将代入式(2)，求出力传感器的灵敏度即S^d(t)=ki(t)(m^e+Mi)---(9)]]>步骤六：校准结束。