[发明专利]一种强轴间耦合的多维力传感器标定方法及系统

权利要求书

1.一种强轴间耦合的多维力传感器标定方法，其特征在于，该方法包括以下步骤：

步骤一，采集待标定强轴间耦合的多维力传感器在整个测量范围内的感知信号和对应的力信号，进而进行滤波处理后得到训练集；同时，构建待标定强轴间耦合的多维力传感器的FNN神经网络；

步骤二，采用训练集对所述FNN神经网络进行训练，同时采用蚁群算法对所述FNN神经网络进行优化，以得到所述FNN神经网络的最优权重和偏置；

步骤三，基于待标定强轴间耦合的多维力传感器的感知信号及优化后的FNN神经网络对待标定强轴间耦合的多维力传感器进行标定。

2.如权利要求1所述的强轴间耦合的多维力传感器标定方法，其特征在于：采用三维动态扫描法扫描传感器的整个测量范围，以步进的方式对传感器施加压力和切向力，从而采集传感器整个测量范围的感知信号和对应的载荷；对采集到的传感器的感知信号和对应的力信号进行同步处理及滤波处理，将滤波后的传感器信号和对应的力信号作为训练集，训练集可以表示为Tset＝(T1,T2,T3,F1,F2,F3)，其中T1,T2,T3为经过滤波后的传感器信号，F1，F2，F3为经过滤波后对应的力信号。

3.如权利要求1所述的强轴间耦合的多维力传感器标定方法，其特征在于：FNN神经网络包括输入层、隐藏层及输出层。

4.如权利要求3所述的强轴间耦合的多维力传感器标定方法，其特征在于：FNN神经网络的激活函数用于将输入信号转化为输出信号，决定各层权重。

5.如权利要求3所述的强轴间耦合的多维力传感器标定方法，其特征在于：FNN神经网络的训练函数用来调节神经元之间权重参数的函数；隐藏层层数在1层至多层按需选择，隐藏层节点数按改进节点计算公式和L＝log₂n确定，其中m为输入层节点数，n为输出层节点数，c为1～10之间的常数。

6.如权利要求3所述的强轴间耦合的多维力传感器标定方法，其特征在于：神经网络第i层第j个节点的值为其中i大于2，w(i,j)和b(i,j)分别为各连接层的权值和偏置。

7.如权利要求1所述的强轴间耦合的多维力传感器标定方法，其特征在于：蚂蚁数量根据问题的复杂度和规模在10～100选取；信息素挥发系数按改进计算公式h＝1/(a·n)确定，n为输出层个数，a为2～5之间的常数；信息素增加系数控制信息素的增量，影响着蚂蚁在搜索过程中的选择倾向，由公式Δτ＝Q/L_k确定，其中Q为蚂蚁每次释放的信息素总量，L_k为第k只蚂蚁的路径长度；启发式因子由公式确定，其中为两个节点间的距离。

8.如权利要求7所述的强轴间耦合的多维力传感器标定方法，其特征在于：首先初始化一个蚂蚁群体，其包含若干只蚂蚁，每只蚂蚁对应一个FNN网络的权值和偏置的解，然后每只蚂蚁根据当前权值和偏置的解计算出其对应的预测结果，并根据预测结果计算出每个解的适应度值，并通过适应度值来计算每个解被选中的概率，在计算出各个解的概率后，每只蚂蚁根据当前解的概率来选择下一个解进行搜索，每只蚂蚁在寻找新解的过程中，会在其所经过的路径上释放信息素，以表示当前解的优越程度，在搜索结束后，根据蚂蚁所选择的解的质量更新信息素，每个蚂蚁根据信息素和启发式因子选择下一个神经元的位置；接下来，蚂蚁根据选择的位置更新自己的位置和方向，以便在下一轮的迭代中再次选择神经元，在更新完每个蚂蚁的位置和方向后，并根据目标函数值更新信息素；当达到预设的迭代次数或目标函数的值收敛时，停止算法，最终输出蚁群算法的最优解，即FNN的最优权重和偏置。

9.如权利要求1-8任一项所述的强轴间耦合的多维力传感器标定方法，其特征在于：FNN神经网络的全局参数包括初始权重、偏置，且均预先置为趋近于0的随机数值；其中，标定精度大于2％即标定合格，否则更新蚁群算法参数，重新优化FNN神经网络后进行标定，直至标定精度满足要求。

10.一种强轴间耦合的多维力传感器标定系统，其特征在于：所述标定系统包括存储器及处理器，所述存储器储存有计算机程序，所述处理器执行所述计算机程序时执行权利要求1-9任一项所述的强轴间耦合的多维力传感器标定方法。