CN111380649A - 基于pso优化lssvm的车用多维力传感器解耦方法 - Google Patents

基于pso优化lssvm的车用多维力传感器解耦方法 Download PDF

Info

Publication number
CN111380649A
CN111380649A CN202010237319.1A CN202010237319A CN111380649A CN 111380649 A CN111380649 A CN 111380649A CN 202010237319 A CN202010237319 A CN 202010237319A CN 111380649 A CN111380649 A CN 111380649A
Authority
CN
China
Prior art keywords
force sensor
dimensional force
decoupling
model
pso
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.)
Pending
Application number
CN202010237319.1A
Other languages
English (en)
Inventor
杨忠
宋爱国
徐宝国
田小敏
余振中
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 CN202010237319.1A priority Critical patent/CN111380649A/zh
Publication of CN111380649A publication Critical patent/CN111380649A/zh
Pending legal-status Critical Current

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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明基于PSO优化LSSVM的车用多维力传感器解耦方法，Step1：采集车用多维力传感器的标定数据，Step2：搭建车用多维力传感器解耦的最小二乘支持向量机模型，Step3：PSO算法优化训练获得最优车用多维力传感器解耦模型，本发明建立最小二乘支持向量机解耦模型，并使用PSO(粒子群算法)全局搜索最优的特性优化最小二乘支持向量机的参数，使最小二乘支持向量机解耦模型具有良好的收敛性和适应性，使得多维力传感器具有较好的测量精度，以符合实际应用需求。

Description

基于PSO优化LSSVM的车用多维力传感器解耦方法
技术领域
本发明涉及多维力传感器相关方法领域，特别涉及基于PSO优化 LSSVM的车用多维力传感器解耦方法。
背景技术
汽车实际行驶过程中，车轮受到六维力(侧向力、垂直力、纵向力、侧倾力矩、横摆力矩、扭矩)的作用，这些力对汽车行驶状态的监测以及车辆控制有着重要的重要。传统方法使用各方向上的单维力测量传感器，轴向尺寸较大，安装所需空间较多，不能够满足车轮多维力测量的要求，因此汽车车轮多维力传感器(Wheel Force Transducer)在汽车上的应用越来越广泛。车轮多维力传感器采用轮辐式结构与轮鼓与轮辆直接联接的弹性体，轮辐随车轮一起转动，车轮所受的各维载荷使弹性梁发生拉压和扭弯变形，通过测量点的选择及应变片布片和组桥，使各桥路输出直接对应各维载荷，从而实现多维力的测量。然而，由于车用多维力传感器一体化的弹性体结构以及制作加工工艺上的误差，使得传感器在不同维度方向的转换通道上，存在着不可避免的耦合，即维间耦合，这严重影响了传感器的测量精度，因此对车用多维力传感器进行解耦非常重要。基于最小二乘法的解耦方法在可以很好地解决线性解耦问题，但该方法在计算非线性解耦过程中，常常会出现数值精度不高、鲁棒性较差、易产生局部最优解等问题。基于神经网络的方法需要大量的标定样本进行训练，否则难以达到满意的解耦精度。
发明内容
为了解决以上问题，本发明提供基于PSO优化LSSVM的车用多维力传感器解耦方法，建立最小二乘支持向量机解耦模型，并使用PSO(粒子群算法)全局搜索最优的特性优化最小二乘支持向量机的参数，使最小二乘支持向量机解耦模型具有良好的收敛性和适应性，使得多维力传感器具有较好的测量精度，以符合实际应用需求。为达此目的：
本发明基于PSO优化LSSVM的车用多维力传感器解耦方法，具体步骤如下；
Step1：采集车用多维力传感器的标定数据；
将车用多维力传感器和载荷加载器安装在标定总支架台上，载荷加载器给传感器施加不同维度的压力和扭矩，每次加载可以精确获得各个维度载荷值并记录，施加荷载后传感器内部弹性体发生形变，并经信号放大电路产生相应的差分电压信号，分别对应六个维度分量的电压信号，多信号数据采集卡收集各路的电压信号，经A/D转换后将六分量的数据上传到标定平台的上位机，记录对应的六维电压信号，将采集的数据作为原始样本集，原始样本集可表示为Π＝(XU,YF)，其中，
Figure RE-GDA0002479035830000021
对应于每次加载传感器各路产生的电压信号，作为车用多维力传感器标定解耦网络模型的输入量，YF＝(Fx,Fy,Fz,Mx,My,Mz)对应于每次加载在传感器各个维度的实际载荷量，作为车用多维力传感器标定解耦网络模型的输出量；
Step2：搭建车用多维力传感器解耦的最小二乘支持向量机模型；
由在力解耦之前需要将力和力矩数据(Fx,Fy,Fz,Mx,My,Mz)进行归一化处理，得到归一化的数据
Figure RE-GDA0002479035830000022
分别表示6 个力/力矩归一化处理后的值，即
Figure RE-GDA0002479035830000023
其中，
Figure RE-GDA0002479035830000024
为力/力矩归一化后的值；yi为第i个力/力矩的原始值，ymax，ymin分别为yi中的最大值和最小值；
则归一化的力和力矩数据组成的样本数据集
Figure RE-GDA0002479035830000025
其中xi为输入向量，表示第i个样本的电压信号向量
Figure RE-GDA0002479035830000026
yi为输出向量，表示第i个样本归一化后的加载载荷向量
Figure RE-GDA0002479035830000027
l为样本个数；
建立基于最小二乘支持向量机车用多维力传感器的解耦模型为
Figure RE-GDA0002479035830000028
其中，w为可调权值向量，
Figure RE-GDA0002479035830000029
为转换函数，b为偏置量；
基于统计理论，最小二乘支持向量机模型通过以下目标数极小化确定回归函数：
Figure RE-GDA0002479035830000031
Figure RE-GDA0002479035830000032
其中，γ为正则化参数，ei为误差，上式代入拉式乘子，可得；
Figure RE-GDA0002479035830000033
为求解该式，对该式各变量进行偏导并赋值导数为0，
Figure RE-GDA0002479035830000034
消去w和e，可求解出λi和b。则此时解耦模型为
Figure RE-GDA0002479035830000037
其中K(xi,x)为核函数，选取核函数为径向基函数，表达式为
Figure RE-GDA0002479035830000035
将力/力矩和电压信号代入，则最终建立的基于最小二乘支持向量机车用多维力传感器的解耦模型为
Figure RE-GDA0002479035830000036
Step3：PSO算法优化训练获得最优车用多维力传感器解耦模型；
在Step2建立的基于最小二乘支持向量机车用多维力传感器的解耦模型中，σ和γ的数值大小对模型的精度有重大影响，采取粒子群算法去优化模型中的σ和γ；
Step4：基于最优多维力传感器解耦模型测试
在建立了最优的PSO-最小二乘支持向量机车用多维力传感器解耦模型后，实时采集车用多维力传感器的各路电源信号，通过PSO-最小二乘支持向量机模型计算得出相应的
Figure RE-GDA0002479035830000041
再由反归一化获得最终的多维力结果(Fx,Fy,Fz,Mx,My,Mz)。
作为本发明进一步改进，所述PSO算法为是一种进化计算技术，基本思想是通过群体中个体之间的协作和信息共享来寻找最优解，具体步骤如下；
首先采用实数编码方式，在创建的每个个体为2维的向量个体；
选取种群大小和迭代次数，确定位置边界[Xmin,Xmax]和速度边界[Vmin,Vmax]，随机初始化群体中每个粒子的位置和速度，以粒子作为σ和γ结合样本集进行训练，计算适应度值
Figure RE-GDA0002479035830000042
其中，l为训练样本数量，
Figure RE-GDA0002479035830000043
为第i个样本的第j个力维度输出期望值，
Figure RE-GDA0002479035830000044
为第i个样本的第j个力维度输出实际值；
同时，得出个体最优位置Pp和群体最优位置Pg以及它们对应的个体极值和群体极值，更新粒子速度Vi,k+1＝wVi,k+c1r1(Pp,k-Xi,k)+c2r2(Pg,k-Xi,k)，其中Vi,k+1为第k次迭代中第i个粒子的速度，c1、c2分别为加速因子，r1、r2为0-1之间的随机数，若计算的值超出速度范围[Vmin,Vmax]则用边界值代替，更新粒子位置 Xi,k+1＝Xi,k+Vi,k+1，其中，Xi,k+1为第k次迭代中第i个粒子的位置，若计算的值超出速度范围[Xmin,Xmax]则用边界值代替，重新计算适应度值后，更新极值对应的例子位置，若误差达到精度要求则结束PSO寻优，得出寻优后的最优粒子位置作为优化后的车用多维力传感器的解耦模型的σ和γ，并结合样本集进行训练，得出最优的PSO-最小二乘支持向量机车用多维力传感器解耦模型。
本申请基于PSO优化LSSVM的车用多维力传感器解耦方法，具体优点如下：
1)通过建立最小二乘支持向量机模型，突破各维度力或力矩多耦合、高度非线性关系的限制，提高多维力传感器的解耦能力，增强了多维力传感器的实用性；另一方面，本发明对标定样本集的大小并不敏感，可适应小标定样本集。
2)本方法利用粒子群算法全局搜索最优的特性对最小二乘支持向量机模型进行改进优化，使模型具有良好的收敛性和适应性，具有较好的泛化能力；
3)本发明提出的多维力传感器解耦方法与传统的方法相比具有，具有较好的解耦精度，解耦性能更好。
附图说明
图1本发明基于PSO优化最小二乘支持向量机的车用多维力传感器标定解耦方法示意图；
图2本发明基于PSO优化最小二乘支持向量机的车用多维力传感器解耦最优模型的训练算法示意图。
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：
本发明提供基于PSO优化LSSVM的车用多维力传感器解耦方法，建立最小二乘支持向量机解耦模型，并使用PSO(粒子群算法)全局搜索最优的特性优化最小二乘支持向量机的参数，使最小二乘支持向量机解耦模型具有良好的收敛性和适应性，使得多维力传感器具有较好的测量精度，以符合实际应用需求。
作为本发明一种实施例，其中基于PSO优化最小二乘支持向量机的车用多维力传感器标定解耦方法示意图，图2本发明基于PSO优化最小二乘支持向量机的车用多维力传感器解耦最优模型的训练算法示意图。
Step1：采集车用多维力传感器的标定数据；
将车用多维力传感器和载荷加载器安装在标定总支架台上，载荷加载器给传感器施加不同维度的压力和扭矩，每次加载可以精确获得各个维度载荷值并记录。施加荷载后传感器内部弹性体发生形变，并经信号放大电路产生相应的差分电压信号，分别对应六个维度分量的电压信号。多信号数据采集卡收集各路的电压信号，经A/D转换后将六分量的数据上传到标定平台的上位机。
根据传感器的测量范围，在各个维度分成若干个等间距测量点(平均分布在测量范围)，多次调整各个维度载荷施加的大小和组合，并记录对应的六维电压信号，将采集的数据作为原始样本集。原始样本集可表示为∏＝(XU,YF)，其中，
Figure RE-GDA0002479035830000061
对应于每次加载传感器各路产生的电压信号，作为车用多维力传感器标定解耦网络模型的输入量，YF＝(Fx,Fy,Fz,Mx,My,Mz)对应于每次加载在传感器各个维度的实际载荷量，作为车用多维力传感器标定解耦网络模型的输出量。
Step2：搭建车用多维力传感器解耦的最小二乘支持向量机模型；
由于三个方向力的大小和三个方向力矩的大小往往相差多个数量级，因而在力解耦之前需要将力和力矩数据(Fx,Fy,Fz,Mx,My,Mz)进行归一化处理。采用最大最小值归一化法，得到归一化的数据
Figure RE-GDA0002479035830000062
Figure RE-GDA0002479035830000063
分别表示6个力/力矩归一化处理后的值，即
Figure RE-GDA0002479035830000064
其中，
Figure RE-GDA0002479035830000065
为力/力矩归一化后的值；yi为第i个力/力矩的原始值， ymax，ymin分别为yi中的最大值和最小值。则归一化的力和力矩数据组成的样本数据集
Figure RE-GDA0002479035830000066
其中xi为输入向量，表示第i个样本的电压信号向量
Figure RE-GDA0002479035830000067
yi为输出向量，表示第i个样本归一化后的加载载荷向量
Figure RE-GDA0002479035830000068
l为样本个数。
建立基于最小二乘支持向量机车用多维力传感器的解耦模型为
Figure RE-GDA0002479035830000069
其中，w为可调权值向量，
Figure RE-GDA00024790358300000610
为转换函数，b为偏置量。
基于统计理论，最小二乘支持向量机模型通过以下目标数极小化确定回归函数：
Figure RE-GDA00024790358300000611
Figure RE-GDA00024790358300000612
其中，γ为正则化参数，ei为误差。上式代入拉式乘子，可得
Figure RE-GDA0002479035830000071
为求解该式，对该式各变量进行偏导并赋值导数为0，
Figure RE-GDA0002479035830000072
消去w和e，可求解出λi和b。则此时解耦模型为
Figure RE-GDA0002479035830000073
其中K(xi,x)为核函数，本发明选取核函数为径向基函数，表达式为
Figure RE-GDA0002479035830000074
σ为核参数。将力/力矩和电压信号代入，则最终建立的基于最小二乘支持向量机车用多维力传感器的解耦模型为
Figure RE-GDA0002479035830000075
Step3：PSO算法优化训练获得最优车用多维力传感器解耦模型；
在Step2建立的基于最小二乘支持向量机车用多维力传感器的解耦模型中，核参数σ和正则化参数γ的数值大小对模型的精度有重大影响，本发明采取粒子群算法(PSO算法)去优化模型中的σ和γ。所述PSO算法为是一种进化计算技术(evolutionarycomputation)，源于对鸟群捕食的行为研究，其基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。首先采用实数编码方式，在创建的每个个体为2维的向量个体。选取种群大小为20，迭代次数为50。确定位置边界[Xmin,Xmax]和速度边界[Vmin,Vmax]，随机初始化群体中每个粒子的位置和速度。以粒子作为σ和γ结合样本集进行训练，计算适应度值
Figure RE-GDA0002479035830000081
其中，l为训练样本数量，
Figure RE-GDA0002479035830000082
为第i个样本的第j 个力维度输出期望值，
Figure RE-GDA0002479035830000083
为第i个样本的第j个力维度输出实际值。同时，得出个体最优位置Pp和群体最优位置Pg以及它们对应的个体极值和群体极值。更新粒子速度Vi,k+1＝wVi,k+c1r1(Pp,k-Xi,k)+c2r2(Pg,k-Xi,k)，其中Vi,k+1为第k 次迭代中第i个粒子的速度，c1、c2分别为加速因子，r1、r2为0-1之间的随机数，若计算的值超出速度范围[Vmin,Vmax]则用边界值代替。更新粒子位置Xi,k+1＝Xi,k+Vi,k+1，其中，Xi,k+1为第k次迭代中第i个粒子的位置，若计算的值超出速度范围[Xmin,Xmax]则用边界值代替。重新计算适应度值后，更新极值对应的例子位置，若误差达到精度要求则结束PSO寻优，得出寻优后的最优粒子位置作为优化后的车用多维力传感器的解耦模型的σ和γ，并结合样本集进行训练，得出最优的PSO-最小二乘支持向量机车用多维力传感器解耦模型。整个模型算法基于MATLAB平台编写程序，并在该平台上载入样本数据训练和测试。
Step4：基于最优多维力传感器解耦模型测试
在建立了最优的PSO-最小二乘支持向量机车用多维力传感器解耦模型后，实时采集车用多维力传感器的各路电源信号，通过PSO-最小二乘支持向量机模型计算得出相应的
Figure RE-GDA0002479035830000084
再由反归一化获得最终的多维力结果(Fx,Fy,Fz,Mx,My,Mz)。
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 (2)

1.基于PSO优化LSSVM的车用多维力传感器解耦方法，具体步骤如下，其特征在于；
Step1：采集车用多维力传感器的标定数据；
将车用多维力传感器和载荷加载器安装在标定总支架台上，载荷加载器给传感器施加不同维度的压力和扭矩，每次加载可以精确获得各个维度载荷值并记录，施加荷载后传感器内部弹性体发生形变，并经信号放大电路产生相应的差分电压信号，分别对应六个维度分量的电压信号，多信号数据采集卡收集各路的电压信号，经A/D转换后将六分量的数据上传到标定平台的上位机，记录对应的六维电压信号，将采集的数据作为原始样本集，原始样本集可表示为∏＝(XU,YF)，其中，
Figure RE-FDA0002479035820000011
对应于每次加载传感器各路产生的电压信号，作为车用多维力传感器标定解耦网络模型的输入量，YF＝(Fx,Fy,Fz,Mx,My,Mz)对应于每次加载在传感器各个维度的实际载荷量，作为车用多维力传感器标定解耦网络模型的输出量；
Step2：搭建车用多维力传感器解耦的最小二乘支持向量机模型；
由在力解耦之前需要将力和力矩数据(Fx,Fy,Fz,Mx,My,Mz)进行归一化处理，得到归一化的数据
Figure RE-FDA0002479035820000012
Figure RE-FDA0002479035820000013
分别表示6个力/力矩归一化处理后的值，即
Figure RE-FDA0002479035820000014
其中，
Figure RE-FDA0002479035820000015
为力/力矩归一化后的值；yi为第i个力/力矩的原始值，ymax，ymin分别为yi中的最大值和最小值；
则归一化的力和力矩数据组成的样本数据集
Figure RE-FDA0002479035820000016
其中xi为输入向量，表示第i个样本的电压信号向量Xi U，yi为输出向量，表示第i个样本归一化后的加载载荷向量
Figure RE-FDA0002479035820000017
l为样本个数；
建立基于最小二乘支持向量机车用多维力传感器的解耦模型为
Figure RE-FDA0002479035820000018
其中，w为可调权值向量，
Figure RE-FDA0002479035820000019
为转换函数，b为偏置量；
基于统计理论，最小二乘支持向量机模型通过以下目标数极小化确定回归函数：
Figure RE-FDA00024790358200000110
Figure RE-FDA00024790358200000111
其中，γ为正则化参数，ei为误差，上式代入拉式乘子，可得；
Figure RE-FDA0002479035820000021
为求解该式，对该式各变量进行偏导并赋值导数为0，
Figure RE-FDA0002479035820000022
消去w和e，可求解出λi和b。则此时解耦模型为
Figure RE-FDA0002479035820000023
其中K(xi,x)为核函数，选取核函数为径向基函数，表达式为
Figure RE-FDA0002479035820000024
将力/力矩和电压信号代入，则最终建立的基于最小二乘支持向量机车用多维力传感器的解耦模型为
Figure RE-FDA0002479035820000025
Step3：PSO算法优化训练获得最优车用多维力传感器解耦模型；
在Step2建立的基于最小二乘支持向量机车用多维力传感器的解耦模型中，σ和γ的数值大小对模型的精度有重大影响，采取粒子群算法去优化模型中的σ和γ；
Step4：基于最优多维力传感器解耦模型测试
在建立了最优的PSO-最小二乘支持向量机车用多维力传感器解耦模型后，实时采集车用多维力传感器的各路电源信号，通过PSO-最小二乘支持向量机模型计算得出相应的
Figure RE-FDA0002479035820000026
再由反归一化获得最终的多维力结果(Fx,Fy,Fz,Mx,My,Mz)。
2.根据权利要求1所述的基于PSO优化LSSVM的车用多维力传感器解耦方法，其特征在于：所述PSO算法为是一种进化计算技术，基本思想是通过群体中个体之间的协作和信息共享来寻找最优解，具体步骤如下；
首先采用实数编码方式，在创建的每个个体为2维的向量个体；
选取种群大小和迭代次数，确定位置边界[Xmin,Xmax]和速度边界[Vmin,Vmax]，随机初始化群体中每个粒子的位置和速度，以粒子作为σ和γ结合样本集进行训练，计算适应度值
Figure RE-FDA0002479035820000031
其中，l为训练样本数量，
Figure RE-FDA0002479035820000032
为第i个样本的第j个力维度输出期望值，
Figure RE-FDA0002479035820000033
为第i个样本的第j个力维度输出实际值；
同时，得出个体最优位置Pp和群体最优位置Pg以及它们对应的个体极值和群体极值，更新粒子速度Vi,k+1＝wVi,k+c1r1(Pp,k-Xi,k)+c2r2(Pg,k-Xi,k)，其中Vi,k+1为第k次迭代中第i个粒子的速度，c1、c2分别为加速因子，r1、r2为0-1之间的随机数，若计算的值超出速度范围[Vmin,Vmax]则用边界值代替，更新粒子位置Xi,k+1＝Xi,k+Vi,k+1，其中，Xi,k+1为第k次迭代中第i个粒子的位置，若计算的值超出速度范围[Xmin,Xmax]则用边界值代替，重新计算适应度值后，更新极值对应的例子位置，若误差达到精度要求则结束PSO寻优，得出寻优后的最优粒子位置作为优化后的车用多维力传感器的解耦模型的σ和γ，并结合样本集进行训练，得出最优的PSO-最小二乘支持向量机车用多维力传感器解耦模型。
CN202010237319.1A 2020-03-30 2020-03-30 基于pso优化lssvm的车用多维力传感器解耦方法 Pending CN111380649A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010237319.1A CN111380649A (zh) 2020-03-30 2020-03-30 基于pso优化lssvm的车用多维力传感器解耦方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010237319.1A CN111380649A (zh) 2020-03-30 2020-03-30 基于pso优化lssvm的车用多维力传感器解耦方法

Publications (1)

Publication Number Publication Date
CN111380649A true CN111380649A (zh) 2020-07-07

Family

ID=71215628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010237319.1A Pending CN111380649A (zh) 2020-03-30 2020-03-30 基于pso优化lssvm的车用多维力传感器解耦方法

Country Status (1)

Country Link
CN (1) CN111380649A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949212A (zh) * 2021-04-12 2021-06-11 合肥工业大学 一种压力传感器温度补偿方法和计算机可读存储介质
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4094192A (en) * 1976-09-20 1978-06-13 The Charles Stark Draper Laboratory, Inc. Method and apparatus for six degree of freedom force sensing
CN101226094A (zh) * 2008-01-30 2008-07-23 中国科学院合肥物质科学研究院 一种用于六维力传感器标定装置的标定方法
CN102297745A (zh) * 2011-05-18 2011-12-28 上海理工大学 基于gm(0，2)模型的多维力传感器的静态解耦方法
CN104931160A (zh) * 2015-06-26 2015-09-23 中国科学院重庆绿色智能技术研究院 一种六维力传感器解耦及误差计算方法
CN105651457A (zh) * 2016-04-14 2016-06-08 东南大学 基于遗传算法的多维力传感器标定实验数据拟合方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4094192A (en) * 1976-09-20 1978-06-13 The Charles Stark Draper Laboratory, Inc. Method and apparatus for six degree of freedom force sensing
CN101226094A (zh) * 2008-01-30 2008-07-23 中国科学院合肥物质科学研究院 一种用于六维力传感器标定装置的标定方法
CN102297745A (zh) * 2011-05-18 2011-12-28 上海理工大学 基于gm(0，2)模型的多维力传感器的静态解耦方法
CN104931160A (zh) * 2015-06-26 2015-09-23 中国科学院重庆绿色智能技术研究院 一种六维力传感器解耦及误差计算方法
CN105651457A (zh) * 2016-04-14 2016-06-08 东南大学 基于遗传算法的多维力传感器标定实验数据拟合方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙永军: "空间机械臂六维力力矩传感器及其在线标定的研究", 《中国博士学位论文全文数据库 信息科技辑》 *
张景柱: "多维力传感器的LS-SVM 动态逆解耦建模", 《无线电工程》 *

Cited By (3)

* 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
CN112949212A (zh) * 2021-04-12 2021-06-11 合肥工业大学 一种压力传感器温度补偿方法和计算机可读存储介质
CN112949212B (zh) * 2021-04-12 2022-09-27 合肥工业大学 一种压力传感器温度补偿方法和计算机可读存储介质

Similar Documents

Publication Publication Date Title
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
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
CN111380649A (zh) 基于pso优化lssvm的车用多维力传感器解耦方法
CN113570057B (zh) 一种基于模型训练的车辆轮心垂向位移测量方法和装置
CN112650146B (zh) 一种数控机床多工况下故障诊断优化方法、系统及设备
CN112132102B (zh) 一种深度神经网络结合人工蜂群优化的智能故障诊断方法
CN113188794B (zh) 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
CN113268935A (zh) 一种基于阵列式柔性触觉传感器的解耦分析方法
CN108846200B (zh) 一种基于迭代法的准静态桥梁影响线识别方法
CN113537319B (zh) 一种针对类型化模型的风洞天平终身学习校准方法及系统
CN113203464A (zh) 一种动态车载称重系统的传感器故障检测方法
CN110807285B (zh) 一种工程运输车车架疲劳分析方法、系统及装置
CN115128300A (zh) 传感器优化布置下的结构动态载荷/参数联合识别方法
CN116412995A (zh) 一种分区间确定风洞应变天平测量不确定度的方法
CN114118174A (zh) 一种滚动轴承故障诊断方法及系统
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
CN116432352A (zh) 一种基于数字孪生的航空发动机主轴轴承故障诊断方法
CN114993604B (zh) 一种基于深度学习的风洞天平静态校测方法
CN113532717A (zh) 测量车辆的路面输入载荷的系统及方法
CN114417681B (zh) 基于动态决策和神经网络的二维结构变形监测方法及装置
CN116861765A (zh) 一种基于数字孪生和dbn的滚动轴承故障诊断方法及系统
CN115526276A (zh) 一种具有鲁棒性的风洞天平校准载荷预测方法
CN111090959A (zh) 车辆载荷谱获取方法和系统
CN112179550B (zh) 一种四支点压电测力仪的优化布置方法
CN107587955A (zh) 基于深信度网络的火箭发动机推力偏移量的标定方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200707

RJ01 Rejection of invention patent application after publication