一种基于迁移学习的多维力传感器解耦方法

本发明属于传感器，具体涉及一种基于迁移学习的多维力传感器解耦方法。

背景技术：

1、随着时代的发展，单维力传感器已经不能满足日常生产与研究的测量要求，因此多维力传感器越来越受到工程应用的青睐。多维力传感器指的是一种能够同时测量两个方向以上力及力矩分量的力传感器，在笛卡尔坐标系中力和力矩可以各自分解为三个分量，多维力最完整的形式是六维力或六维力矩传感器，能够同时测量三个力分量和三个力矩分量的传感器，被广泛应用于大型工程机械和智能机器人的机械臂。

2、然而，由于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，不符合实际的测量要求，因此对传感器进行解耦非常重要。传统解耦方法是通过解耦原理下的单轴标定数据对传感器进行线性解耦，然而传感器受结构设计、制造工艺等诸多因素影响会存在解耦不完全、解耦矩阵病态等问题，而且还面临着其它偶然误差的干扰。而机器学习不用了解传感器测量系统的内部耦合原理，只需通过与六轴载荷相对应的电压信号数据集进行训练，就能够构建起多维载荷之间的耦合关系来实现解耦。神经网络算法则因其具有较强的泛化能力成为目前流行的非线性解耦算法，然而这种基于梯度下降的迭代算法易在学习过程中陷入局部最优解。且训练机器学习模型通常需要大量的数据来取得良好的解耦性能，但通过传感器标定实验获取大量标定数据的方法成本较高。

技术实现思路

1、本发明的目的在于解决现有技术的问题，并提出一种基于迁移学习的多维力传感器解耦方法，旨在为神经网络提供最优的初始权重和偏置，加速神经网络的训练速度，避免神经网络在学习中陷入局部最优，使解耦模型具有良好的收敛性和鲁棒性，同时减少对标定数据的依赖，降低传感器的标定成本。

2、为了达到上述目的，本发明提供的技术方案为：

3、一种基于迁移学习的多维力传感器解耦方法，包括：

4、通过对多维力传感器进行静态标定构建标定数据集xexperiment；

5、通过数值分析和模拟方法构建预训练数据集xpre；

6、对预训练数据集xpre进行归一化处理，以归一化处理后的预训练数据集xpre为源数据集，利用基于迁移学习机制的神经网络进行预训练，得到预训练模型及所有的网络参数；

7、固定浅层的网络参数，采用归一化处理后的标定数据集xexperiment分别微调最后一层、两层……n层网络层，计算微调之后得到的多个模型的解耦精度，选择解耦精度最高的模型作为多维力传感器解耦模型，所述浅层指除重新训练的网络层之外的网络层；

8、利用多维力传感器解耦模型对多维力传感器采集的数据进行解耦处理。

9、进一步的，所述通过对多维力传感器进行静态标定构建标定数据集xexperiment，包括：

10、将多维力传感器和加载帽安装在标定支架台上，根据多维力传感器在各个维度的量程范围，将每个维度分成若干个等间距的测量点，各个维度上的测量点定量增加载荷至满量程，再定量减少至最小载荷，重复若干次取平均值，数据采集卡收集各个维度的电压信号，经a/d转换后将多分量的数据上传到上位机，记录对应的多维电压信号，得到标定数据集xexperiment＝[fexperiment uexperiment]，其中fexperiment中包含每次加载在多维力传感器各个维度的实际载荷量，uexperiment中包含每次加载时多维力传感器各个维度产生的电压信号。

11、进一步的，所述通过数值分析和模拟方法构建预训练数据集xpre，包括：

12、通过最小二乘法对多维力传感器进行解耦计算，得到标定矩阵；

13、利用拉丁超立方采样获取多维力数据fls，由标定矩阵逆向解算出相对应的多个维度的电压信号uls，构建预训练数据集xpre＝xls＝[fls uls]。

14、进一步的，所述通过数值分析和模拟方法构建预训练数据集xpre，包括：

15、在仿真软件中建立多维力传感器模型，通过编程语言与仿真软件的联合仿真在多维力传感器量程内随机生成载荷ffem并依次加载、提交计算、提取得到多维力传感器相应的多维电压信号ufem，构建预训练数据集xpre＝xfem＝[ffem ufem]。

16、进一步的，所述以归一化处理后的预训练数据集xpre为源数据集，利用基于迁移学习机制的神经网络进行预训练，包括：

17、采用一个包含n+2层全连接层的全连接bp神经网络模型对归一化处理后的预训练数据集xpre进行训练，其中第一层作为输入层，最后一层作为输出层，其他层为隐藏层，n为隐藏层的层数，全连接层的第i层的输出用公式表示如下：

18、x(i)＝a(i)(ω(i)x(i-1)+b(i))

19、其中，i∈[2,n+2]，l(i)表示全连接层的第i层的神经元数量，x(i-1)∈rl(i-1)表示全连接层的第i层的输入向量，x(i)∈rl(i)表示全连接层的第i层的输出向量，ω(i)∈rl(i)×l(i-1)表示全连接层的第i层的权重向量，a(i)表示全连接层的第i层的激活函数，b(i)∈rl(i)表示全连接层的第i层的偏置项；隐藏层第一层的输入为x(1)＝upre，upre为预训练数据集中包含的电压信号，输出层的输出为x(n+2)＝fpre，fpre为预训练数据集中包含的载荷。

20、本发明与现有技术相比，其显著优点为：首先通过标定矩阵或有限元仿真生成大量数据去预训练神经网络模型，然后通过迁移学习策略用高保真的标定实验数据来微调神经网络模型参数，使解耦模型具有良好的收敛性和鲁棒性。通过冻结浅层的网络参数，仅微调校准层的参数，以达到增强深度神经网络的泛化能力和训练效率的目的。

技术特征：

1.一种基于迁移学习的多维力传感器解耦方法，其特征在于，所述基于迁移学习的多维力传感器解耦方法，包括：

2.根据权利要求1所述的基于迁移学习的多维力传感器解耦方法，其特征在于，所述通过对多维力传感器进行静态标定构建标定数据集xexperiment，包括：

3.根据权利要求1所述的基于迁移学习的多维力传感器解耦方法，其特征在于，所述通过数值分析和模拟方法构建预训练数据集xpre，包括：

4.根据权利要求1所述的基于迁移学习的多维力传感器解耦方法，其特征在于，所述通过数值分析和模拟方法构建预训练数据集xpre，包括：

5.根据权利要求1所述的基于迁移学习的多维力传感器解耦方法，其特征在于，所述以归一化处理后的预训练数据集xpre为源数据集，利用基于迁移学习机制的神经网络进行预训练，包括：

技术总结本发明属于传感器技术领域，具体涉及一种基于迁移学习的多维力传感器解耦方法。本发明包括：通过静态标定构建标定数据集；通过数值分析和模拟方法构建预训练数据集；以预训练数据集为源数据集，利用基于迁移学习机制的神经网络进行预训练，得到预训练模型及所有的网络参数；固定浅层的网络参数，使用标定数据集为目标数据集微调最后若干层网络层，获得最后若干层网络层的新的网络参数，得到多维力传感器解耦模型；利用多维力传感器解耦模型对多维力传感器采集的数据进行解耦处理。本发明加速了神经网络的训练速度，避免神经网络在学习中陷入局部最优，使解耦模型具有良好的收敛性和鲁棒性，同时减少对标定数据的依赖，降低传感器的标定成本。技术研发人员：许杨剑,王一键,陈星,阮洪势,鞠晓喆受保护的技术使用者：浙江工业大学技术研发日：技术公布日：2024/9/2