基于径向基函数神经网络的压电式六维力传感器解耦算法

针对四点支撑结构的压电式六维力传感器线性度差,维间耦合严重的问题,提出了基于径向基函数(RBF)神经网络的解耦算法。分析了耦合产生的主要原因,建立了RBF神经网络模型。通过对六维力传感器进行标定实验获取解耦所需的实验数据,并对实验数据进行处理。然后采用RBF神经网络优化传感器输出系统的多维非线性解耦算法,解耦出传感器的输入输出映射关系,得到解耦后的传感器输出数据。对传感器解耦后的数据分析表明:采用RBF神经网络的解耦算法得到的最大Ⅰ类误差和Ⅱ类误差分别为1.29%、1.56%。结果显示:采用RBF神经网络的解耦算法,能够更加有效地减小传感器的Ⅰ类误差和Ⅱ类误差,满足了传感器两类误差指标均低于2%的要求。该算法有效地提高了传感器的测量精度,基本解决了传感器解耦困难的难题,     

混合递阶遗传算法优化小波神经网络模型的研究

本文提出了一种混合递阶遗传算法用于优化小波神经网络模型,并通过对这种神经网络模型的优化仿真,证明了该法在解决多输入多输出的非线性逼近及缓解多输入多输出的"维数灾"问题上的有效性.     

双层预紧式六维力传感器及其静态标定

针对基于传统Stewart结构六维力传感器在解耦、刚度等方面性能的不足,设计并研制一种双层预紧式六维力传感器,并对其进行静态标定试验研究.所设计的六维力传感器采用球窝锥头式球面副代替传统球副,有效地减小了球副的摩擦力矩,另外测量分支只承受压力,消除了力在换向时对接触球面的冲击,提高了整体刚度.基于螺旋理论推导出传感器所施加外力与测量分支轴向力之间的映射关系,进而说明预紧式六维力传感器的测量原理.采用最小二乘线性化标定方法对传感器进行静态解耦和测量误差分析,推导出传感器的标定矩阵和误差矩阵.研制出双层预紧式六维力传感器样机,并进行静态标定试验.经过标定试验,该传感器各方向最大非线性度误差低于满量程的1.17％,最大耦合误差低于满量程的1.82％.试验结果表明双层预紧式六维力传感器具有很高的测量精度,可用于工业生产中对六维力测量要求较高的场合.     

使用混合递阶遗传算法训练径向基神经网络

递阶遗传算法是一种能够同时训练RBF神经网络的结构和参数的有效算法,但收敛速度较慢.这里在分析了RBF网络固有特性的基础上,提出用混合递阶遗传算法是对其进行训练,即对输出层采用最小二乘法,对隐层采用递阶遗传算法,并使用优化后的RBF网络对青霉素生产过程进行了建模,证明其有效性.     

基于小波神经网络的轧机接轴扭振状态识别研究

构造了一种新的适合于轧机扭振状态辨识的混合递阶遗传算法优化小波神经网络模型,实际轧钢现场测试数据输入构造的混合递阶遗传小波神经网络扭振状态识别模型,对网络模型进行训练,从而实现现代高速轧制条件下轧机主传动系统不同工况条件下的扭振状态的学习和自适应判断,结果验证了该辨识模型的可靠性.     

正交并联六维力传感器结构性能及参数优化

对正交并联六维力传感器进行了静力学分析及结构参数优化。提出了具有部分解耦性的正交并联六维力传感器结构,基于螺旋理论分析了六维外力与测量分支作用反力的映射关系,并针对并联六维力传感器测量分支量程难以确定、结构易扰动等问题,提出一种分支受力稳定、量程较短的多目标优化方法。以卫生陶瓷曲面打磨作业工况为例,确定了正交并联六维力传感器的测量分支量程,验证了该优化方法的可行性。     

基于ReLU函数的胎路接触三向力传感器解耦方法北大核心CSCD

针对轮胎路面接触三向力传感器维间耦合解耦困难的问题,提出基于线性整流函数(rectified linear unit, ReLU)神经网络的解耦算法。以三向力传感器作为研究对象,首先进行单轴加载的静态标定试验,并分析3个方向下单轴加载的耦合力,然后应用基于线性整流函数神经网络解耦算法以及传统的解耦算法对试验数据进行数值解耦。分析比较试验数据,所提算法得到的最大Ⅰ类误差、Ⅱ类误差分别为0.91%、0.87%,而传统算法最大Ⅰ类误差、Ⅱ类误差分别为3.08%、11.95%,进一步提高了三向力传感器的测量精度。     

基于神经网络的多维力传感器静态解耦的研究

提出了基于人工神经网络进行多维力传感器静态解耦的方法。维间耦合是制约多维力传感器测量精度的主要因素，为克服传统线性解耦方法的局限性，利用BP神经网络的强非线性逼近能力研究了多维力传感器的非线性静态解耦。以研制的微型5维指尖力／力矩传感器为对象进行了解耦实验，结果表明，与基于最小二乘的线性解耦方法相比，提高了解耦精度。     

基于BP神经网络的三维力传感器静态标定方法研究

三维力传感器作为测力平台的核心元件,其测量精度直接影响测力平台的使用效果,而维间耦合问题是影响精度的主要方面。文章首先讨论了三维力传感器传统的静态标定方法在消除耦合误差方面的应用,并在方法缺陷分析的基础上,提出了新的三维力解耦方法——基于BP神经网络的解耦方法,继而对两种方法进行误差分析,验证了神经网络方法在多维力传感器解耦中的可行性和优越性。     

基于结构变形的大型并联六维力传感器精度研究

为了研究结构变形对大型六维力传感器精度的影响,基于螺旋理论及影响系数方法,并借助位姿解建立了考虑结构整体变形条件下Stewart平台六维力传感器测量误差模型,推导出并联六维力传感器测量的Ⅰ,Ⅱ类误差表达式,分析了在不同外载下,六维力传感器Ⅰ,Ⅱ类误差,总结了结构变形和平台自重对传感器测量精度的影响规律,为具有普通球形铰链大型Stewart平台六维力传感器标定方案的选择和精度的改善提供了理论基础.     

基于Stewart结构六维大力传感器的性能分析及结构优化

针对基于Stewart结构新型六维大力传感器在结构设计时存在诸多性能指标难以均衡的问题,对传感器的结构几何参数与其性能的关系进行了分析。依据基于Stewart结构六维大力传感器的测量原理,建立了传感器测量精度与一阶静力影响系数矩阵条件数的关系模型。通过分析力及力矩一阶静力影响系数矩阵和力及力矩柔度矩阵,揭示了传感器的各向同性指标、灵敏度及其各向同性指标与其结构参数之间的相互关系。并通过图谱优化方法和遗传算法对新型六维大力传感器的结构参数进行了优化。其分析结果将为六维大力传感器的结构设计提供有效的参考。     

基于SSA-ELM的双层十字梁结构光纤布拉格光栅传感器三维力解耦

针对三维力传感器维间耦合干扰严重的问题,以双层十字梁结构光纤布拉格光栅三维力传感器为研究对象,提出了基于麻雀搜索算法优化极限学习机(Sparrow Search Algorithm–Extreme Learning Machine,SSA-ELM)的解耦算法.首先,研究了光纤布拉格光栅的传感及测力原理,揭示该三维力传感...     

正交并联六轴力传感器耦合误差测量模型及实验分析

为解决并联六轴力传感器量程提升受限问题,设计了一种正交构型并联六轴力传感器。正交并联六轴力传感器是基于并联六轴力传感器的一种构型上的改进,具有承载能力强、解耦性能良好的优势,但同时该力传感器的耦合误差输出具有自身的特点。考虑该力传感器测量分支间摩擦以及正交结构自身特点引起的耦合误差输出,建立了正交并联六轴力传感器耦合误差测量模型。基于所建立的测量模型,通过数值算例分析探讨了传感器设计参数与两种耦合误差输出之间的影响关系,据此研制了一种正交并联六轴力传感器。最后对传感器样机进行了实验,得到其误差分布及检验测量精度。实验所得传感器各维力/力矩在各方向误差分别为0.43%/0.31%,0.18%/0.68%,0.80%/1.28%。     

轴向等距分布式外科手术多维力传感器设计

为了精确采集手术机器人的多维作用力,提出了一种轴向等距分布式多维力测量传感器及其解耦方案,根据三条光纤布拉格光栅(FBG)的受力情况通过最小二乘法进行初步解耦,鉴于多种外部因素所造成的传感器输入与输出数据的非线性关系,基于前馈神经网络实现传感器的最终解耦。实验结果表明,所提出的传感器测量精度较高,解耦方法切实有效,能够准确测量手术过程中工具杆的受力情况。     

基于遗传小波神经网络的多传感器信息融合技术的研究

依据小波函数的非线性逼近能力和神经网络的自学习特性,提出一种小波神经网络。为使小波神经网络具有更高的学习精度和更快的收敛速度。利用遗传算法对小波神经网络权阈值的优化,设计了遗传小波神经网络。将该网络用于多传感器信息融合设计了遗传小波神经网络多传感器信息融合系统。压力传感器数据融合系统的仿真表明该方法能有效的提高传感器的输出准确度,消除非目标参量对传感器输出结果的影响,此系统还可用于其他多传感器信息融合系统,具有实际应用价值。系统设计实现简单,适合工程应用。     

Measurement method of six-axis load sharing based on the Stewart platform

In this paper, a measurement method of six-axis load sharing based on the Stewart platform is presented. The force Jacobin matrix of the Stewart platform, the solution of forward kinematics of the Stewart platform and the deep beam element stiffness matrices were combined in the decoupling algorithm. The FEM model was established, and the results of FEM analysis agreed well with the calculation results from proposed method, which proves the effectiveness of the method of six-axis load sharing. Moreover, a six-axis heavy force sensor based on the Stewart platform was demonstrated in order to investigate the reasonability and validity of the six-axis load sharing model. And the experiment results verified the feasibility of the method.     

齿轮箱复合故障信号的非线性盲源分离算法研究

针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离（Nonlinear Blind Source Separation, NBSS）算法。该算法先利用反向传播（Back Propagation, BP）神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析（Independent Component Analysis, ICA）;然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化（Particle Swarm Optimization, PSO）算法的核独立成分分析（Kernel ICA, KICA）相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。     

基于遗传算法优化小波神经网络数控机床热误差建模

数控机床的热误差已经成为影响其加工精度的一个关键因素,为最大限度提高数控机床热误差补偿的精度和效率,结合遗传算法自适应全局优化搜索能力和小波神经网络良好的时频局部特性的优点,提出一种基于遗传算法优化小波神经网络的机床热误差补偿模型。以某型号五轴摆动卧式加工中心为试验对象,以机床温度变量和热误差为数据输入样本,建立小波神经网络模型热误差预测模型,然后用遗传算法优化小波神经网络权值、阈值,最终建立热误差预测模型。通过与传统人工神经网络和普通小波神经网络进行对比分析及试验论证表明,该补偿模型具有精度高、抗扰动能力和鲁棒性强等优点,有望在实际加工场合的数控机床的热误差预测和补偿研究中得到更大的推广应用。