[go: up one dir, main page]

CN114707399B - 一种六维力传感器的解耦方法 - Google Patents

一种六维力传感器的解耦方法 Download PDF

Info

Publication number
CN114707399B
CN114707399B CN202210194336.0A CN202210194336A CN114707399B CN 114707399 B CN114707399 B CN 114707399B CN 202210194336 A CN202210194336 A CN 202210194336A CN 114707399 B CN114707399 B CN 114707399B
Authority
CN
China
Prior art keywords
parameter
kernel function
force sensor
penalty
dimensional force
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210194336.0A
Other languages
English (en)
Other versions
CN114707399A (zh
Inventor
傅建中
叶江浩
胡松钰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210194336.0A priority Critical patent/CN114707399B/zh
Publication of CN114707399A publication Critical patent/CN114707399A/zh
Application granted granted Critical
Publication of CN114707399B publication Critical patent/CN114707399B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G01L5/16—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring several components of force
    • G01L5/161—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring several components of force using variations in ohmic resistance
    • G01L5/1627—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring several components of force using variations in ohmic resistance of strain gauges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Nonlinear Science (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Force Measurement Appropriate To Specific Purposes (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种六维力传感器的解耦方法，针对支持向量回归机的回归精度很大程度上取决于惩罚参数C和核函数参数g的缺点，本发明方法设计了一种基于logistic混沌映射改进的麻雀搜索算法优化的支持向量回归机算法，支持向量回归机的惩罚参数C和核函数参数g进行优化，再将优化后的参数代入支持向量回归机进行训练，训练完成后的模型即可用于预测解耦。本发明方法解决了支持向量回归机参数优化的问题，减小误差，实现六维力传感器精度的提升。

Description

一种六维力传感器的解耦方法
技术领域
本发明涉及传感器技术领域，尤其涉及一种六维力传感器的解耦方法。
背景技术
六维力传感器是一种可以测量X，Y，Z三个方向上的力和力矩的传感器。主要应用在力及力-位控制场合。它可以为机器人控制提供力感信息，是智能机器人重要的传感器，可检测机器人有关部件，比如手腕、手指所受外力及力矩，可控制手腕移动，伺服控制，准确完成作业。
六维力传感器按照测量原理可分为应变式，电容式，压电式，光电式和压阻式。其中电阻式六维力传感器是发展最早，技术最成熟且目前应用最广泛的一种类型。电阻应变式六维力传感器是指在弹性体上粘贴金属应变片，利用力和力矩的作用，弹性体发生微弱形变，带动金属应变片发生弯曲，使之阻值发生变化，通过测量该阻值变化的情况，即可获得六维力传感器所受到的力和力矩信息。
应变片一般粘贴在弹性体梁的四周，而由于弹性体的设计原理，无可避免的会带来六维力信号的维间耦合。即单独施加一维力的情况下，六维电信号都会产生输出。因此需要解耦算法来对六维力传感器的输出进行解耦，消除维间干扰，提高传感器的测量精度。
常用的解耦方法有用最小二乘法求标定矩阵，基于BP神经网络的解耦等。而六维力传感器往往不是线性系统，具有非线性，用最小二乘法容易带来较大误差。而用BP神经网络存在容易陷入局部极小值的问题。
发明内容
针对现有技术不足，针对支持向量回归机的回归精度很大程度上取决于惩罚参数C和核函数参数g的缺点，本发明提出了一种六维力传感器的解耦方法。
为实现上述技术目的，本发明的技术方案为：
一种六维力传感器的解耦方法，具体包括以下步骤：
S1，对六维力传感器进行标定实验，将电信号作为输入数据，将实际施加给六维力传感器的力或者力矩值作为输出数据；
S2，通过logistic混沌映射方法对惩罚参数C和核函数参数g进行初始化，将输入数据、输出数据和初始生成的惩罚参数C和核函数参数g代入支持向量回归机，计算其适应度值，并排序，将最优适应度值对应的惩罚参数C和核函数参数g作为优化后的惩罚参数C和核函数参数g；
S3，将步骤S2得到的惩罚参数C和核函数参数g代入到支持向量回归机进行训练，得到六维力传感器一维的模型；
S4，重复步骤S2～S3六次，得到六个六维力传感器一维的模型；每次将六维力传感器采集的电信号作为输入，分别传入这六个模型，即得六维力传感器所受到的六维力和力矩值，完成解耦。
进一步地，所述输出数据分为六组，分别为x轴上的力TFx，y轴上的力TFy，z轴上的力TFz，x轴上的力矩TMx，y轴上的力矩TMy，z轴上的力矩TMz。
进一步地，所述步骤S2具体包括以下子步骤：
S201，通过logistic混沌映射方法对惩罚参数C和核函数参数g进行种群初始化设置；
S202，用logistic混沌映射对惩罚参数C和核函数参数g进行初始化，生成n组惩罚参数C和核函数参数g；
S203，将步骤S1得到的输入数据和输出数据、步骤S202生成的惩罚参数C和核函数参数g代入支持向量回归机计算均方误差，将均方误差作为适应度值，得到n组适应度值；将n组适应度值以及对应的惩罚参数C和核函数参数g进行排序，获得第一最优适应度值；
S204，若第一最优适应度值达到阈值，则将对应的惩罚参数C和核函数参数g作为优化后的惩罚参数C和核函数参数g；若第一最优适应度值未达到阈值，则根据麻雀优化算法按比例将n组惩罚参数C和核函数参数g划分为发现者、加入者和警戒者，分别进行优化；将步骤S205优化后的惩罚参数C和核函数参数g、步骤S1得到的输入数据和输出数据代入支持向量回归机计算适应度值，并进行排序，得到第二最优适应度值；直至达到最大迭代次数后，或者第二最优适应度值达到阈值后，得到优化后的惩罚参数C和核函数参数g。
进一步地，所述步骤S202具体为：首先随机生成一组惩罚参数C和核函数参数g，再用logistic混沌映射方法生成其他组参数，公式如下：
Xn+1＝uXn(1-Xn)n＝1,2,3……
其中，Xn是第n组惩罚参数C和核函数参数g，Xn+1是第n+1组惩罚参数C和核函数参数g，u是迭代系数。
进一步地，发现者的优化更新如下式所示：
其中，表示种群中第t+1代中第i个个体的第d维位置，为(0，1]中的均匀随机数，Q为一个标准正态分布随机数。R2为(0，1]中的均匀随机数，R为警戒阈值，itermax为最大迭代次数。
进一步地，加入者的优化更新如下式所示：
其中，xw为当前种族中麻雀的最差位置，xb为当前种族中麻雀的最佳位置，D为种群的总维数，n为种群的个数。
进一步地，警戒者的优化更新如下式所示：
其中，β为符合标准正态分布的随机数，K为[-1,1]的均匀随机数，ε为较小的数防止分母唯一，fw为最差位置麻雀的适应度值，fi为第i个位置麻雀的适应度值，fg为最优位置麻雀的适应度值。
进一步地，所述六维力传感器一维的模型即为六维力传感器测得的电信号与实际所受到的一维力/力矩的对应关系。
本发明的有益效果为：本发明提出了一种六维力传感器的解耦方法为一种基于logistic混沌映射改进的麻雀搜索算法优化的支持向量回归机算法，可以有效的寻找到支持向量回归机的最优参数，提高六维力传感器的测量精度，减小误差。
附图说明
图1是六维力传感器弹性体图；
图2是本发明方法的流程图；
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
为了更好的理解上述技术方案，下面将结合附图以及具体实施的实施方式，对本发明的六维力传感器的解耦方法进行更详细的说明。在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
本发明提出了一种六维力传感器的解耦方法，通过一种基于logistic混沌映射改进的麻雀搜索算法优化的支持向量回归机算法实现。在六维力传感器的解耦中，需要用到六个支持向量回归机，将六维力传感器受到力和力矩后的六个电信号输出作为支持向量回归机的输入，六维力传感器实际受到的力和力矩(Fx，Fy，Fz，Mx，My，Mz)的每一维分别作为支持向量回归机的输出。在每个支持向量回归机中，都需要用到改进的麻雀搜索算法来优化支持向量回归机中的C和g参数，用优化完成后的C和g参数来代入支持向量回归机进行训练，训练完成后的模型即可用于预测解耦。即在支持向量回归机中输入六维力电信号后，即可对力和力矩信号进行预测输出。该算法是基于已经完成标定实验，采集完六维力传感器输入与输出的数据。
六维力传感器的基本原理如下所述：
图1为六维力传感器的弹性体图，该部分主要为弹性体1和应变片2，应变片总共有12片，分别分布于弹性体1三根梁的上下左右四个位置。上下以及左右的应变片两两组成电桥，输出一个电压信号，即12个应变片总共组成六组电桥，输出6个微弱的电压信号U0。
这6个电压信号U0经信号滤波放大后输出，即6个电压信号Un，这6个电压信号Un互相耦合，因此需要利用解耦算法对其消除耦合影响，从而输出六维力和力矩数据，即Fx，Fy，Fz，Mx，My，Mz。
为了获得解耦算法中所需要用到的数据，还需要对六维力传感器进行标定，获得实际六维力和力矩数据和六维电信号数据，在这里对标定实验进行简单的描述：
假定Fx，Fy的测量范围为0-100N，Fz的测量范围为0-150N，Mx，My的测量范围为0-7Nm，Mz的测量范围为0-10Nm。将六维力传感器固定于所设计好的标定装置上，分别对其施加三个方向上的力和力矩，即Fx，Fy，Fz，Mx，My，Mz，采集六维力传感器的六个输出电信号。以力Fx为例，施加力的范围为-100至100N，每隔5N采集一组数据。再对其同时施加Fx和Fy，以及同时施加Mx，My，采集六维力传感器的六个输出电信号。
在获得所有数据后，即可用解耦算法对其进行解耦，寻找输入数据和输出数据之间的关系。
在发明设计的算法中，支持向量回归机采用的是LIBSVM，具体为一种简单，易于使用的SVM(支持向量机)模式识别与回归的软件包。
在软件包中，只需要会用包里的两个函数即可，这两个函数分别为模型训练函数model＝libsvmtrain(TS，TSX，cmd)以及预测函数[predict，accuracy，values]＝libsvmpredict(TS’，TSX’，model)。其中TS为训练样本的标签，TSX为训练样本的特征，cmd为训练的参数，TS’为测试样本的标签，TSX’为测试样本的特征，model为训练模型，predict为预测值，accuracy为一个3x 1的数组，表示分类的正确率、回归的均方根误差、回归的平方相关系数，values表示了一个矩阵，包含决策的值或者概率估计。
将所有输入以及输出数据代入模型训练函数libsvmtrain中，即可得到该输入与输出之间的对应模型，再将模型和要预测的输入数据放入预测函数libsvmpredict中，即可得到预测对的输出。
在训练参数cmd中，主要参数有惩罚参数C以及核函数参数g。其中C是惩罚系数，即对误差的宽容度，C越高，说明越不能容忍出现误差，容易过拟合，C越小，越容易欠拟合，C过大或者过小，都会导致泛化能力变差，因此需要取一个合适的值。g是支持向量机选择RBF函数作为核函数后，该函数自带的一个参数。它决定了数据映射到新的特征空间后的分布，g越大，支持向量越少，g越小，支持向量越多，支持向量的个数会影响到训练与预测的速度。
因此支持向量回归机中，C和g的参数很大程度上决定了其回归的精度。因此就需要对这两个参数进行优化，这就需要用到基于logistic混沌映射改进的麻雀搜索算法。那么在下面就对本发明提出的方法进行详细说明。
本发明提出一种六维力传感器的解耦方法，具体包括如下步骤：
(1)对标定过程中采集的数据进行处理，分为输入数据和输出数据。
在所述的步骤(1)中，对采集的数据进行处理，具体步骤如下：
将标定所采集的数据分为输入数据和输出数据，输入数据为采集到的六维力传感器在受力或者力矩时的电信号输出，输出数据为实际施加给六维力传感器的力或者力矩值。其中，输出数据分为六组，分别为TFx，TFy，TFz，TMx，TMy，TMz，每个支持向量回归机用到1组输出，即六维力传感器的1维输出。并对所有数据进行归一化处理。
(2)用logistic混沌映射改进的麻雀搜索算法对惩罚参数C和核函数参g进行优化。
在所述的步骤(2)中，用logistic混沌映射改进的麻雀搜索算法对惩罚参数C以及核函数参数g进行优化，具体步骤如下：
(2.1)对改进的麻雀搜索算法的参数进行设置。首先是优化参数的个数，在本文中需要对支持向量回归机的惩罚参数C和核函数参数g进行优化，因此优化参数个数Dim为2。其次是优化参数的上下限，在本算法中，设置惩罚参数C的范围为[0，5]，核函数参数g的范围为[0，5]，那么参数的下限ll＝[0，0]，参数的上限ul＝[5，5]。最后设置麻雀的数量P为20，最大迭代次数MAXI为30。设置预警值WV为0.6，发现者的比例DR为0.7，跟随者的比例FR为0.3，意识到有危险麻雀的比例DS为0.2。
(2.2)用logistic混沌映射对种群进行初始化，生成20行，2列的矩阵PS，每一行的两个数代表在范围内随机生成的惩罚参数C和核函数参数g，20行代表有20组惩罚参数C和核函数参数g。首先随机生成一组惩罚参数C和核函数参数g，再用logistic混沌映射公式生成其他组参数：
Xn+1＝uXn(1-Xn)n＝1,2,3……
其中，Xn是第n组惩罚参数C和核函数参数g，Xn+1是第n+1组惩罚参数C和核函数参数g，u是迭代系数。
当u＝4时，种群处于完全混沌的状态，因此此处u取4。20组数据通过该公式不断迭代确定后，种群初始化完成。
(2.3)计算初始适应度矩阵Fitness，将步骤(1)得到的输入数据和输出数据、矩阵PS每一行生成的惩罚参数C和核函数参数g代入支持向量回归机计算均方误差(mse)，将mse作为适应度值。得到20组适应度值，组成适应度矩阵Fitness。对矩阵PS每一行的参数都计算完适应度值后，对该20个适应度值进行排序，获得初始种群中的第一最优适应度值和最差适应度值。并将矩阵PS的每一行，按照适应度值的优劣进行排序。
(2.4)若第一最优适应度值达到阈值，则将对应的惩罚参数C和核函数参数g作为优化后的惩罚参数C和核函数参数g；若第一最优适应度值未达到阈值，接下来进行开始迭代。根据改进的麻雀优化算法，将矩阵PS的前70％行的数据作为发现者，更新发现者的位置，将剩下的30％行的数据作为跟随者，更新跟随者的位置。取PS中随机20％的数据，作为警戒者，更新警戒者的位置。在这里需要注意控制数据的边界，当数据超出ll和ul时，需要将数据设置在边界位置。数据处理完成后，即为新的矩阵PS。再对矩阵PS的每一行数据惩罚参数C和核函数参数g代入支持向量回归机求适应度值，并进行排序，得到第二最优适应度值。当迭代达到最大迭代次数后，或者第二最优适应度值达到所设置的精度后，即完成惩罚参数C和核函数参数g的优化。
其中，麻雀中发现者的位置更新公式如下所示：
其中，表示种群中第t+1代中第i个个体的第d维位置，为(0，1]中的均匀随机数，Q为一个标准正态分布随机数。R2为(0，1]中的均匀随机数，R为警戒阈值，取值范围为[0.5,1]，itermax为最大迭代次数。
加入者的位置更新如下所示：
其中，xw为当前种族中麻雀的最差位置，xb为当前种族中麻雀的最佳位置，D为种群的总维数，n为种群的个数。从公式可以看出，当i>n/2时，其值为一个标准正态分布随机数与一个以自然对数为底数的指数函数的积，当种群收敛时其取值符合标准正态分布随机数(其值会收敛于0)。若i<＝n/2时，其取值为当前最优的麻雀的位置加上该麻雀与最优位置每一维距离随机加减后，将总和均分到每一维上。该过程可以描述为在当前最优位置附近随机找一个位置，且每一维距最优位置的方差将会变得更小，即不会出现在某一维上与最优位置相差较大，而其他位置相差较小。(其值收敛于最优位置)。
在麻雀觅食的同时他们中的部分会负责警戒，当危险靠近时，他们会放弃当前的食物，即无论该麻雀是发现者还是跟随者，都将放弃当前的食物而移动到一个新的位置。每代将从种群中随机选择SD个个体进行预警行为。其位置更新公式如下：
其中β为符合标准正态分布的随机数，K为[-1,1]的均匀随机数，ε为较小的数防止分母唯一，fw为最差位置麻雀的适应度值，fi为第i个位置麻雀的适应度值，fg为最优位置麻雀的适应度值。从公式(3)中可以看出，如果该预警的麻雀处于当前的最优位置时，它会逃离到自身附近的一个位置，具体有多近取决于自身距离最差位置与自身位置食物与最差食物的差别的比值；如果该麻雀不是处于最优位置的那一只，它将逃到当前最优位置附近。(其值收敛于最优位置)。
(3)将优化后的参数C和g代入支持向量回归机进行训练，训练完成后的模型即为六维力传感器一维的模型。
所述六维力传感器一维的模型即六维力传感器测得的电信号与实际所受到的一维力/力矩的对应关系。
(4)对上述过程重复6次，得到6个模型。每次将六维力传感器的输出电信号作为输入信号，分别传入这六个模型，得到的六个结果即为六维力传感器所受到的六维力和力矩值。
本发明实施例中，六维力传感器的误差分为两种，I类误差以及II类误差。所述I类误差指的是，实际施加在传感器上的力或者力矩的值与理想情况下施加的力或者力矩的值的偏离程度，其公式为：
所述II类误差指的是施加在该方向上的力或者力矩值会对其他方向上产生干扰，该误差的公式为：
式中，F理想指的是理想情况下传感器在该方向上受到的力或者力矩，F实际指的是实际情况下传感器在该方向上经过解耦输出的力或者力矩，F干扰指的是施加在该方向上的力或者力矩值对其他方向产生的干扰输出，Fmax是其他方向上的量程值。
在实验中，仅对单独施加的最大六维力/力矩进行测量比较。可将解耦后数据求得的最大I类误差和最大II类误差作为解耦算法解耦后，六维力传感器的I类误差和II类误差。
基于最小二乘法对标定数据的解耦结果如下表1所示，可求得I类误差为5.18％％，II类误差为2.52％％。
表1
基于BP神经网络的解耦算法对标定数据的解耦结果如下表2所示，可求得I类误差为0.539％，II类误差为0.899％。
表2
本发明通过基于logistic混沌映射改进的麻雀搜索算法优化的支持向量回归机算法对六维力传感器标定数据的解耦效果如下表3所示，可求得I类误差为0.325％，II类误差为0.03％。
表3
比较三种算法得到的I类误差以及II类误差，可以明显看出，基本发明方法的解耦效果最佳。并且，相较于BP神经网络，本发明方法的I类误差减小了39.7％，II类误差减小了96.7％。
因此，本发明提出的六维力传感器的解耦方法，通过基于logistic混沌映射改进的麻雀优化算法优化的支持向量回归机算法实现对六维力传感器的标定，可以很好的解决六维力传感器信号之间耦合的问题，提高测量精度。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (8)

1.一种六维力传感器的解耦方法，其特征在于，具体包括以下步骤：
S1，对六维力传感器进行标定实验，将电信号作为输入数据，将实际施加给六维力传感器的力或者力矩值作为输出数据；
S2，通过logistic混沌映射方法对惩罚参数C和核函数参数g进行初始化，将输入数据、输出数据和初始生成的惩罚参数C和核函数参数g代入支持向量回归机，计算其适应度值，并排序，将最优适应度值对应的惩罚参数C和核函数参数g作为优化后的惩罚参数C和核函数参数g；
S3，将步骤S2得到的惩罚参数C和核函数参数g代入到支持向量回归机进行训练，得到六维力传感器一维的模型；
S4，重复步骤S2～S3六次，得到六个六维力传感器一维的模型；每次将六维力传感器采集的电信号作为输入，分别传入这六个模型，即得六维力传感器所受到的六维力和力矩值，完成解耦。
2.根据权利要求1所述的六维力传感器的解耦方法，其特征在于，所述输出数据分为六组，分别为x轴上的力TFx，y轴上的力TFy，z轴上的力TFz，x轴上的力矩TMx，y轴上的力矩TMy，z轴上的力矩TMz。
3.根据权利要求1所述的六维力传感器的解耦方法，其特征在于，所述步骤S2具体包括以下子步骤：
S201，通过logistic混沌映射方法对惩罚参数C和核函数参数g进行种群初始化设置；
S202，用logistic混沌映射对惩罚参数C和核函数参数g进行初始化，生成n组惩罚参数C和核函数参数g；
S203，将步骤S1得到的输入数据和输出数据、步骤S202生成的惩罚参数C和核函数参数g代入支持向量回归机计算均方误差，将均方误差作为适应度值，得到n组适应度值；将n组适应度值以及对应的惩罚参数C和核函数参数g进行排序，获得第一最优适应度值；
S204，若第一最优适应度值达到阈值，则将对应的惩罚参数C和核函数参数g作为优化后的惩罚参数C和核函数参数g；若第一最优适应度值未达到阈值，则根据麻雀优化算法按比例将n组惩罚参数C和核函数参数g划分为发现者、加入者和警戒者，分别进行优化；将步骤S205优化后的惩罚参数C和核函数参数g、步骤S1得到的输入数据和输出数据代入支持向量回归机计算适应度值，并进行排序，得到第二最优适应度值；直至达到最大迭代次数后，或者第二最优适应度值达到阈值后，得到优化后的惩罚参数C和核函数参数g。
4.根据权利要求3所述的六维力传感器的解耦方法，其特征在于，所述步骤S202具体为：首先随机生成一组惩罚参数C和核函数参数g，再用logistic混沌映射方法生成其他组参数，公式如下：
Xn+1＝uXn(1-Xn)n＝1,2,3……
其中，Xn是第n组惩罚参数C和核函数参数g，Xn+1是第n+1组惩罚参数C和核函数参数g，u是迭代系数。
5.根据权利要求3所述的六维力传感器的解耦方法，其特征在于，发现者的优化更新如下式所示：
其中，表示种群中第t+1代中第i个个体的第d维位置，为(0，1]中的均匀随机数，Q为一个标准正态分布随机数；R2为(0，1]中的均匀随机数，R为警戒阈值，itermax为最大迭代次数。
6.根据权利要求3所述的六维力传感器的解耦方法，其特征在于，加入者的优化更新如下式所示：
其中，xw为当前种族中麻雀的最差位置，xb为当前种族中麻雀的最佳位置，D为种群的总维数，n为种群的个数。
7.根据权利要求3所述的六维力传感器的解耦方法，其特征在于，警戒者的优化更新如下式所示：
其中，β为符合标准正态分布的随机数，K为[-1,1]的均匀随机数，ε为较小的数防止分母唯一，fw为最差位置麻雀的适应度值，fi为第i个位置麻雀的适应度值，fg为最优位置麻雀的适应度值。
8.根据权利要求1所述的六维力传感器的解耦方法，其特征在于，所述六维力传感器一维的模型即为六维力传感器测得的电信号与实际所受到的一维力/力矩的对应关系。
CN202210194336.0A 2022-03-01 2022-03-01 一种六维力传感器的解耦方法 Active CN114707399B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210194336.0A CN114707399B (zh) 2022-03-01 2022-03-01 一种六维力传感器的解耦方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210194336.0A CN114707399B (zh) 2022-03-01 2022-03-01 一种六维力传感器的解耦方法

Publications (2)

Publication Number Publication Date
CN114707399A CN114707399A (zh) 2022-07-05
CN114707399B true CN114707399B (zh) 2024-09-20

Family

ID=82167071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210194336.0A Active CN114707399B (zh) 2022-03-01 2022-03-01 一种六维力传感器的解耦方法

Country Status (1)

Country Link
CN (1) CN114707399B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115371731B (zh) * 2022-08-17 2024-11-12 中国电力科学研究院有限公司 多参数传感器、多参数传感器信号解耦方法及解耦装置
CN116439692B (zh) * 2023-05-04 2023-09-12 来邦科技股份公司 一种穿戴式设备的跌倒报警检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111096878A (zh) * 2018-10-29 2020-05-05 纬创资通股份有限公司 具有判断使用意图的助行器及其操作方法
CN113033074A (zh) * 2021-02-25 2021-06-25 中国石油天然气集团有限公司 策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104057290B (zh) * 2014-06-24 2016-09-14 中国科学院自动化研究所 一种基于视觉和力反馈控制的机器人装配方法与系统
CN113820062B (zh) * 2021-09-30 2022-07-12 浙江大学 六维力传感器的温度补偿方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111096878A (zh) * 2018-10-29 2020-05-05 纬创资通股份有限公司 具有判断使用意图的助行器及其操作方法
CN113033074A (zh) * 2021-02-25 2021-06-25 中国石油天然气集团有限公司 策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备

Also Published As

Publication number Publication date
CN114707399A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN114707399B (zh) 一种六维力传感器的解耦方法
CN114661169B (zh) 基于视觉的触觉测量方法、装置、设备及存储介质
Liang et al. Novel decoupling algorithm based on parallel voltage extreme learning machine (PV-ELM) for six-axis F/M sensors
JP4970408B2 (ja) 物体特性のロバストな推定を用いる適応型運転者支援システム
CN111461187B (zh) 一种建筑物沉降智能检测系统
CN110766132B (zh) 一种基于物联网的果园产量智能预测系统
CN110580021A (zh) 一种基于现场总线的粮仓环境安全智能监测系统
CN111444947B (zh) 一种桥梁沉降智能检测系统
CN113268935B (zh) 一种基于阵列式柔性触觉传感器的解耦分析方法
CN111507425A (zh) 基于气囊阵列触觉感知的模式识别方法及系统
He et al. Soft sensor development for the key variables of complex chemical processes using a novel robust bagging nonlinear model integrating improved extreme learning machine with partial least square
CN106204620A (zh) 一种基于微视觉的触觉三维力检测方法
CN111638034B (zh) 基于深度学习的应变天平温度梯度误差补偿方法及系统
CN111474094A (zh) 一种粉尘浓度智能化检测系统
Oh et al. Force/torque sensor calibration method by using deep-learning
CN110705105A (zh) 一种机器人逆动力学模型的建模方法及系统
CN119301533A (zh) 通过可解释的时间序列分类来监测多轴机器
CN110110785B (zh) 一种快件物流过程状态检测分类方法
CN116242393A (zh) 一种导航传感器缓变故障智能主动容错方法
CN104678989B (zh) 一种噪声环境下提高故障可诊断性的状态感知优化方法
KR102238472B1 (ko) 오차 보정 방법 및 센서 시스템
CN117350096A (zh) 一种粒子群优化算法驱动下载荷性能评价的多类型传感器布局优化方法
CN116502526A (zh) 基于改进pso-grnn神经网络称重传感器故障诊断方法
Li et al. A novel deep learning-based spatio-temporal model for prediction of pose residual errors in optical processing hybrid robot
Yang et al. GGT-SNN: Graph learning and Gaussian prior integrated spiking graph neural network for event-driven tactile object recognition

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant