[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

说明书

本发明属于传感器标定相关技术领域，其公开了一种强轴间耦合的多维力传感器标定方法及系统，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。本发明提高了模型的预测精度和泛化能力。

技术领域

本发明属于传感器标定相关技术领域，更具体地，涉及一种强轴间耦合的多维力传感器标定方法及系统。

背景技术

传统的力传感器存在体积大、刚性、比较笨重的问题，难以适应人体肌骨系统生物力学特征测量，不能满足在曲面、柔性面等复杂面内进行力测量的使用要求。柔性传感器由于其柔韧性好、体积小、共形能力强等优点，已经广泛用于人体运动测量、康复医疗、外骨骼控制等领域。但目前柔性力传感器发展面临传感维度低的难题，而在临床应用等领域，又急需实时监测多维接触力，例如，对于偏瘫患者，传统的正压力监测难以完全表征行走推进力，三维力尤其是足底切向力对于偏瘫步态的表征十分重要。而限制柔性多维力传感器发展的一重要因素就是柔性传感器的柔性体变形的非线性，这将导致柔性多维力传感器各轴的响应会存在相互干扰，这种传感器信号轴间耦合现象的存在将导致传感器测量的力值出现误差，严重影响了测试结果的准确性和可靠性。因此，研究强轴间耦合的力传感器进行标定的技术已成为该领域研究的热点。

传统的力传感器标定方法主要是采用静态和动态加载的方法，但这些方法无法有效地解决强轴间耦合的问题。近年来，学者们针对这一问题进行了深入的研究，并提出了一系列新的标定方法。其中，一些方法基于模型，使用复杂的算法进行标定；另一些方法基于传感器内部的特征，如压阻力传感器的电阻值、电容传感器的电容值等进行标定。这些方法的主要优点是高精度和可重复性，但它们的标定过程需要耗费大量时间和成本，并且难以应对现场复杂的环境条件。强轴间耦合的多维力传感器标定的主要难点在于如何准确地测量耦合效应，即测量在轴向受力时由于强轴间相互作用产生的力和力矩的交叉作用。这是一个非常复杂的问题，需要考虑多种因素，如传感器结构、材料、制造工艺和温度等因素的影响。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种强轴间耦合的多维力传感器标定方法及系统，采用蚁群算法来优化FNN神经网络模型的权重和偏置，从而提高模型的预测精度和泛化能力，对FNN神经网络模型进行全局优化，避免局部最优解的出现，从而使得模型的预测精度更加准确。此外，还使得模型具有较强的鲁棒性，在处理高纬度的数据时不容易受到初始值的影响，从而解决多维力传感器标定过程中各轴的耦合干扰问题。

为实现上述目的，按照本发明的一个方面，提供了一种强轴间耦合的多维力传感器标定方法，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。

进一步地，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。