CN111256905A - 一种噪声环境下多维力传感器的解耦方法 - Google Patents

一种噪声环境下多维力传感器的解耦方法 Download PDF

Info

Publication number
CN111256905A
CN111256905A CN202010092492.7A CN202010092492A CN111256905A CN 111256905 A CN111256905 A CN 111256905A CN 202010092492 A CN202010092492 A CN 202010092492A CN 111256905 A CN111256905 A CN 111256905A
Authority
CN
China
Prior art keywords
noise
model
sensor
dnn
force sensor
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.)
Granted
Application number
CN202010092492.7A
Other languages
English (en)
Other versions
CN111256905B (zh
Inventor
杨忠
宋爱国
徐宝国
余振中
田小敏
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.)
Jinling Institute of Technology
Original Assignee
Jinling Institute of Technology
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 Jinling Institute of Technology filed Critical Jinling Institute of Technology
Priority to CN202010092492.7A priority Critical patent/CN111256905B/zh
Publication of CN111256905A publication Critical patent/CN111256905A/zh
Application granted granted Critical
Publication of CN111256905B publication Critical patent/CN111256905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L25/00—Testing or calibrating of apparatus for measuring force, torque, work, mechanical power, or mechanical efficiency
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Force Measurement Appropriate To Specific Purposes (AREA)

Abstract

一种噪声环境下多维力传感器的解耦方法。该方法包括以下步骤：步骤1，通过信号调理电路和采集系统获取传感器输出电压U与标准砝码重量(力)F相对应的标定数据；步骤2，将步骤1中获得的标定数据添加噪声，其中信噪比控制在20～30dB之间；步骤3，将步骤2中生成的多组噪声样本顺序依次拼接，同时进行归一化处理，形成新的数据样本；步骤4，将步骤3中获取的样本输入到深度神经网络(DNN)中进行训练，并判断是否达到模型收敛的条件，若达到条件，跳转至步骤4，否则继续执行步骤2；步骤5，模型训练结束，并将训练得到的模型嵌入传感器采集系统，最终应用于实际工业现场。本发明提高了传感器在噪声环境下的鲁棒性，具有良好的实际应用价值。

Description

一种噪声环境下多维力传感器的解耦方法
技术领域
本发明涉及多维力传感器数据采集领域，特别是涉及一种噪声环境下多维力传感器的解耦方法。
背景技术
多维力传感器广泛应用于机器人手指、手爪研究；机器人外科手术研究；指力研究；牙齿研究；力反馈；刹车检测；精密装配、切削；复原研究；整形外科研究；产品测试；触觉反馈；示教学习。行业覆盖了机器人、汽车制造、自动化流水线装配、生物力学、航空航天、轻纺工业等领域。多维力传感器的存在的耦合误差影响了其检测精度，同时也限制了其在高精度测量与控制领域的应用。
目前来看，优化传感器结构和增强解耦算法是提高多维力传感器精度的两大有效途径，但多维力传感器结构受到诸如机械加工误差，应变片贴片位置等因素影响，给精度的提高带来了一定的不确定性。从现阶段来看，在算法层面上校正传感器的耦合误差有着成本低廉，可行性高等优点，这也受到了大量学者的追捧。实际多维力传感器大多工作于噪声环境下，而这些噪声对传感器采集的数据会产生影响，由此可见，增强传感器在噪声环境下的鲁棒性对提高传感器精度有着重要的意义。
国内涉及多维力传感器解耦方法的专利有“基于遗传算法的多维力传感器标定实验数据拟合方法”(201610232792.4)，通过推导传感器耦合误差理论模型的系数求解公式，而后利用遗传算法在MATLAB软件上进行全局最优解的确定，从而解决数据拟合问题，但该专利中的遗传算法求得的最优解可能是局部最优而非全局最优，导致拟合误差增大。国家发明专利“一种多维力传感器动态解耦方法”(201910160583.7)，该方法首先对传感器进行动态测试，而后对输出信号进行动态补偿，最后将经过补偿后的信号带入解耦模型中以实现解耦，但是该方法中并没有考虑到实际工业环境下嘈杂的噪声对传感器采集数据的影响，在实际应用中可能存在一定的局限性。由此可见，设计一个具有良好鲁棒性的多维力传感器是非常有必要的。
发明内容
为解决上述问题，本发明结合改进后的深度神经网络，提出了一种噪声环境下多维力传感器的解耦方法。为尽可能的降低环境噪声对传感器采集的数据的影响，本发明通过对采集到的标定数据进行加噪处理以模拟真实环境噪声干扰，同时将多组加噪后的数据首尾依次拼接增加数据的维度，避免了模型因训练样本维度过低而造成的过拟合，同时增强了模型对不同噪声的适应性。最终将训练好的模型嵌入传感器采集系统中，增强多维力传感器在噪声环境下数据采集的鲁棒性。为达此目的，本发明提供一种噪声环境下多维力传感器的解耦方法，具体步骤如下，其特征在于：
步骤1，通过信号调理电路和采集系统获取传感器输出电压U与标准砝码重量(力)F相对应的标定数据；
步骤2，将步骤1中获得的标定数据添加噪声，其中信噪比控制在20～30dB之间；
步骤3，将步骤2中生成的多组噪声样本顺序依次拼接，同时进行归一化处理，形成新的数据样本；
步骤4，将步骤3中获取的样本输入到深度神经网络(DNN)中进行训练，并判断是否达到模型收敛的条件，若达到条件，跳转至步骤4，否则继续执行步骤2；
步骤5，模型训练结束，并将训练得到的模型嵌入传感器采集系统，最终应用于实际工业现场。
进一步，步骤1中传感器输出电压U与力F在简化模型中满足：
Figure BDA0002384168640000021
式中，C为权重系数矩阵，b为偏重系数矩阵。上式可简化为UC+b＝F,对实际应用来说，U与F之间的映射模型更加复杂。
进一步，步骤2中获得加噪数据的过程可以表示为：
Uprocess＝Unoise+U
式中，U为原始电压数据，Unoise为高斯白噪声数据，Uprocess表示加噪后得到的数据。
信噪比的定义如下：
Figure BDA0002384168640000022
式中，Ps表示信号的功率，Pn表示噪声的功率。
进一步，步骤3中样本数据的归一化处理至[0,1]可以表示为：
Figure BDA0002384168640000023
式中，Unor为归一化后的数据，min和max分别表示最小值和最大值。
进一步，步骤4中DNN训练过程的具体步骤为：
步骤4.1，根据DNN的输出Fo和输入U对应的实际值F，求得DNN的损失函数，本发明采用均方根误差损失函数，其表达式如下：
Figure BDA0002384168640000031
式中，N表示训练样本总数，k表示力传感器的采集维数。
步骤4.2，利用梯度下降法反向修正DNN的各连接层之间的权重系数W：
Figure BDA0002384168640000032
式中，α为模型的学习率。
步骤4.3，利用梯度下降法反向修正DNN的各连接层之间的偏置系数b：
Figure BDA0002384168640000033
步骤4.4，如果损失函数E小于e-4或得到迭代终止次数，则认为模型训练完成，否则继续执行步骤4。
本发明一种噪声环境下多维力传感器的解耦方法，有益效果：本发明的技术效果在于：
1.本发明通过合理的对标定数据添加合适的高斯白噪声，有效的模拟了多维力传感器在噪声环境下所采集数据的受到的干扰；
2.本发明将多组加噪后的数据首尾依次拼接增加数据的维度，避免了模型因训练样本维度过低而造成的过拟合，同时增强了模型对不同噪声的适应性；
3.本发明在传统的DNN基础上加以改进，较传统的最小二乘法能更加准确的构建多维力传感器输出电压U与力F之间的映射模型，同时很好的提高了模型在噪声环境下的鲁棒性。
附图说明
图1为本发明的流程图；
图2为本发明改进后的DNN模型网络结构图；
图3为将传感器采集到的数据输入DNN中得到的损失函数随迭代次数变化的曲线。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提出了一种噪声环境下多维力传感器的解耦方法，旨在增强多维力传感器在噪声环境下的鲁棒性，提高数据采集的精度。图1为本发明的流程图。下面结合流程图对本发明的步骤作详细介绍。
步骤1，通过信号调理电路和采集系统获取传感器输出电压U与标准砝码重量(力)F相对应的标定数据；
步骤1中传感器输出电压U与力F在简化模型中满足：
Figure BDA0002384168640000041
式中，C为权重系数矩阵，b为偏重系数矩阵。上式可简化为UC+b＝F,对实际应用来说，U与F之间的映射模型更加复杂。
步骤2，将步骤1中获得的标定数据添加噪声，其中信噪比控制在20～30dB之间；
步骤2中获得加噪数据的过程可以表示为：
Uprocess＝Unoise+U
式中，U为原始电压数据，Unoise为高斯白噪声数据，Uprocess表示加噪后得到的数据。
信噪比的定义如下：
Figure BDA0002384168640000042
式中，Ps表示信号的功率，Pn表示噪声的功率。
步骤3，将步骤2中生成的多组噪声样本顺序依次拼接，同时进行归一化处理，形成新的数据样本；
步骤3中样本数据的归一化处理至[0,1]可以表示为：
Figure BDA0002384168640000043
式中，Unor为归一化后的数据，min和max分别表示最小值和最大值。
步骤4，将步骤3中获取的样本输入到深度神经网络(DNN)中进行训练，并判断是否达到模型收敛的条件，若达到条件，跳转至步骤4，否则继续执行步骤2；
步骤4中DNN训练过程的具体步骤为：
步骤4.1，根据DNN的输出Fo和输入U对应的实际值F，求得DNN的损失函数，本发明采用均方根误差损失函数，其表达式如下：
Figure BDA0002384168640000044
式中，N表示训练样本总数，k表示力传感器的采集维数。
步骤4.2，利用梯度下降法反向修正DNN的各连接层之间的权重系数W：
Figure BDA0002384168640000045
式中，α为模型的学习率。
步骤4.3，利用梯度下降法反向修正DNN的各连接层之间的偏置系数b：
Figure BDA0002384168640000046
步骤4.4，如果损失函数E小于e-4或得到迭代终止次数，则认为模型训练完成，否则继续执行步骤4。
步骤5，模型训练结束，并将训练得到的模型嵌入传感器采集系统，最终应用于实际工业现场。
图2为本发明改进后的DNN模型网络结构图。该结构图中可简化为四大层：输入层、加噪处理层、隐含层(1和2)和输出层，其中的加噪处理层使用高斯白噪声生成4个加噪样本，而后依次将加噪样本拼接作为新的样本输入到隐含层中，最后利用均方根误差损失函数和梯度下降法完成对模型的训练。该模型能够很好的在噪声环境下对传感器采集到的数据进行解耦，其中的加噪处理层有效的模拟了多维力传感器在噪声环境下受到的干扰；同时通过增加DNN训练样本维度的方式，在一定程度上解决了因样本维度过低而造成的模型过拟合问题，提高了模型的泛化性。
图3为将传感器采集到的标定数据输入DNN中得到的损失函数随迭代次数变化的曲线。可以看出，损失函数随着迭代次数的增加逐渐降低直至收敛，这也验证了本文所提的模型在实际应用中是可行的有效的。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (5)

1.一种噪声环境下多维力传感器的解耦方法，具体步骤如下，其特征在于：
步骤1，通过信号调理电路和采集系统获取传感器输出电压U与标准砝码重量(力)F相对应的标定数据；
步骤2，将步骤1中获得的标定数据添加噪声，其中信噪比控制在20～30dB之间；
步骤3，将步骤2中生成的多组噪声样本顺序依次拼接，同时进行归一化处理，形成新的数据样本；
步骤4，将步骤3中获取的样本输入到深度神经网络(DNN)中进行训练，并判断是否达到模型收敛的条件，若达到条件，跳转至步骤4，否则继续执行步骤2；
步骤5，模型训练结束，并将训练得到的模型嵌入传感器采集系统，最终应用于实际工业现场。
2.根据权利要求1所述的一种噪声环境下多维力传感器的解耦方法，其特征在于：步骤1中传感器输出电压U与力F在简化模型中满足：
Figure FDA0002384168630000011
式中，C为权重系数矩阵，b为偏重系数矩阵。上式可简化为UC+b＝F,对实际应用来说，U与F之间的映射模型更加复杂。
3.根据权利要求1所述的一种噪声环境下多维力传感器的解耦方法，其特征在于：步骤2中获得加噪数据的过程可以表示为：
Uprocess＝Unoise+U
式中，U为原始电压数据，Unoise为高斯白噪声数据，Uprocess表示加噪后得到的数据。
信噪比的定义如下：
Figure FDA0002384168630000012
式中，Ps表示信号的功率，Pn表示噪声的功率。
4.根据权利要求1所述的一种噪声环境下多维力传感器的解耦方法，其特征在于：步骤3中样本数据的归一化处理至[0,1]可以表示为：
Figure FDA0002384168630000013
式中，Unor为归一化后的数据，min和max分别表示最小值和最大值。
5.根据权利要求1所述的一种噪声环境下多维力传感器的解耦方法，其特征在于：步骤4中DNN训练过程的具体步骤为：
步骤4.1，根据DNN的输出Fo和输入U对应的实际值F，求得DNN的损失函数，本发明采用均方根误差损失函数，其表达式如下：
Figure FDA0002384168630000021
式中，N表示训练样本总数，k表示力传感器的采集维数。
步骤4.2，利用梯度下降法反向修正DNN的各连接层之间的权重系数W：
Figure FDA0002384168630000022
式中，α为模型的学习率。
步骤4.3，利用梯度下降法反向修正DNN的各连接层之间的偏置系数b：
Figure FDA0002384168630000023
步骤4.4，如果损失函数E小于e-4或得到迭代终止次数，则认为模型训练完成，否则继续执行步骤4。
CN202010092492.7A 2020-02-14 2020-02-14 一种噪声环境下多维力传感器的解耦方法 Active CN111256905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010092492.7A CN111256905B (zh) 2020-02-14 2020-02-14 一种噪声环境下多维力传感器的解耦方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010092492.7A CN111256905B (zh) 2020-02-14 2020-02-14 一种噪声环境下多维力传感器的解耦方法

Publications (2)

Publication Number Publication Date
CN111256905A true CN111256905A (zh) 2020-06-09
CN111256905B CN111256905B (zh) 2020-09-18

Family

ID=70943298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010092492.7A Active CN111256905B (zh) 2020-02-14 2020-02-14 一种噪声环境下多维力传感器的解耦方法

Country Status (1)

Country Link
CN (1) CN111256905B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113188715A (zh) * 2021-03-17 2021-07-30 重庆大学 基于机器学习的多维力传感器静态校准数据处理方法
WO2022023174A1 (de) * 2020-07-28 2022-02-03 Robert Bosch Gmbh Verfahren und vorrichtung zum kalibrieren und betreiben eines sensorbauteils mithilfe maschineller lernverfahren

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120020042A1 (en) * 2010-07-21 2012-01-26 International Business Machines Corporation Noise suppressor for semiconductor packages
CN102496176A (zh) * 2011-11-14 2012-06-13 中国科学院合肥物质科学研究院 一种基于力信息的钢笔书法表达方法
CN102721491A (zh) * 2012-06-20 2012-10-10 西南交通大学 一种测力轮对连续测量方法
CN103335754A (zh) * 2013-06-19 2013-10-02 合肥工业大学 全柔性三维力触觉传感器
CN103454029A (zh) * 2013-09-03 2013-12-18 东南大学 基于卡尔曼滤波与多次采集的多维力线性解耦方法
CN105784250A (zh) * 2016-04-20 2016-07-20 电子科技大学 一种三维动态磨削力检测装置及其解耦算法
CN106920243A (zh) * 2017-03-09 2017-07-04 桂林电子科技大学 改进的全卷积神经网络的陶瓷材质件序列图像分割方法
CN107341145A (zh) * 2017-06-21 2017-11-10 华中科技大学 一种基于深度学习的用户情感分析方法
CN107378944A (zh) * 2017-06-20 2017-11-24 东南大学 一种基于主成分分析法的多维表面肌电信号假手控制方法
CN109682526A (zh) * 2019-03-04 2019-04-26 合肥工业大学 一种多维力传感器的动态解耦方法
CN110367239A (zh) * 2019-08-26 2019-10-25 华北电力大学（保定） 一种基于物联网的输电线路鸟害防治方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120020042A1 (en) * 2010-07-21 2012-01-26 International Business Machines Corporation Noise suppressor for semiconductor packages
CN102496176A (zh) * 2011-11-14 2012-06-13 中国科学院合肥物质科学研究院 一种基于力信息的钢笔书法表达方法
CN102721491A (zh) * 2012-06-20 2012-10-10 西南交通大学 一种测力轮对连续测量方法
CN103335754A (zh) * 2013-06-19 2013-10-02 合肥工业大学 全柔性三维力触觉传感器
CN103454029A (zh) * 2013-09-03 2013-12-18 东南大学 基于卡尔曼滤波与多次采集的多维力线性解耦方法
CN105784250A (zh) * 2016-04-20 2016-07-20 电子科技大学 一种三维动态磨削力检测装置及其解耦算法
CN106920243A (zh) * 2017-03-09 2017-07-04 桂林电子科技大学 改进的全卷积神经网络的陶瓷材质件序列图像分割方法
CN107378944A (zh) * 2017-06-20 2017-11-24 东南大学 一种基于主成分分析法的多维表面肌电信号假手控制方法
CN107341145A (zh) * 2017-06-21 2017-11-10 华中科技大学 一种基于深度学习的用户情感分析方法
CN109682526A (zh) * 2019-03-04 2019-04-26 合肥工业大学 一种多维力传感器的动态解耦方法
CN110367239A (zh) * 2019-08-26 2019-10-25 华北电力大学（保定） 一种基于物联网的输电线路鸟害防治方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022023174A1 (de) * 2020-07-28 2022-02-03 Robert Bosch Gmbh Verfahren und vorrichtung zum kalibrieren und betreiben eines sensorbauteils mithilfe maschineller lernverfahren
CN113188715A (zh) * 2021-03-17 2021-07-30 重庆大学 基于机器学习的多维力传感器静态校准数据处理方法

Also Published As

Publication number Publication date
CN111256905B (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
CN111256905B (zh) 一种噪声环境下多维力传感器的解耦方法
CN111539132B (zh) 一种基于卷积神经网络的动载荷时域识别方法
CN104657955B (zh) 基于核函数的数字图像相关方法的位移场迭代平滑方法
TW200630833A (en) Method and device using intelligent theory to design heat dissipation opening of computer housing
CN111272334A (zh) 一种基于粒子群优化bp神经网络的多维力传感器标定解耦方法
CN111368466B (zh) 一种基于频响函数参数修正的机械振动预测方法
CN113268935B (zh) 一种基于阵列式柔性触觉传感器的解耦分析方法
Liang et al. Novel decoupling algorithm based on parallel voltage extreme learning machine (PV-ELM) for six-axis F/M sensors
Varziri et al. Kinematic calibration of a wire-actuated parallel robot
Yang et al. Highly-accurate manipulator calibration via extended Kalman filter-incorporated residual neural network
CN113343559B (zh) 迭代重加权最小二乘法极限学习机响应面可靠性分析方法
CN113799137A (zh) 一种基于神经网络的移动加工机器人快速视觉定位方法
CN111256906B (zh) 基于堆栈稀疏自编码的多维力传感器的解耦方法
Yang et al. Mechanical modeling and optimal model-based design of a soft pneumatic actuator
Yu et al. Research on gravity compensation of robot arm based on model learning
CN113188715A (zh) 基于机器学习的多维力传感器静态校准数据处理方法
CN110824570B (zh) 一种三轴磁传感器的本体磁性校正方法
CN112528548A (zh) 一种自适应深度耦合卷积自编码多模态数据融合方法
CN114993604B (zh) 一种基于深度学习的风洞天平静态校测方法
Sun et al. An online calibration method for six-dimensional force/torque sensor based on shape from motion combined with complex algorithm
CN116383574A (zh) 一种基于高阶微分器的仿人上肢机器人逆运动学求解方法
CN114791334A (zh) 一种压力传感器的标定简化方法
CN113405511B (zh) 一种基于ipde算法的关节式坐标测量机标定方法
CN115206455A (zh) 基于深度神经网络的稀土元素组分含量预测方法及系统
CN113569467A (zh) 一种基于宽度学习的高炉风口回旋区温度软测量建模方法

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