多维力/力矩传感器静态解耦的研究

多维力 /力矩传感器的静态耦合是影响其测量精度的主要因素之一。在研究基于最小二乘理论的多维力传感器静态线性解耦方法的同时 ,提出了一种基于 BP神经网络的静态非线性解耦方法。以 HIT灵巧手的微型五维指尖力 /力矩传感器为对象进行了实验 ,结果表明 ,基于神经网络的非线性解耦方法可以明显地提高传感器的测量精度     

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。     

运动-力解耦的多维轮力传感器研究

介绍了一种具有运动-力解耦功能的多维车轮力传感器。基于车轮力传感器的特殊安装与实用环境的测量误差,在常规轮力传感器力-力维间解耦与测量的基础上,引入运动测量技术与校正方法,提出了一种联合的解耦方法,能够对运动场下传感器测量的旋转耦合误差和惯性耦合误差进行补偿,同时还兼顾初值误差校准,进一步提高了车轮力的测量精度和稳定性,即实现运动-力解耦。     

机械解耦自标定并联六维力传感器设计及仿真

针对传统多维力传感器研制后均需繁冗的加载标定这一现状,提出了多维力传感器“自标定”设计理念,通过钢球滚动机械解耦,设计了一种弱耦合全压向力自标定正交并联六维力传感器结构。论证了该六维力传感器的滚动解耦原理,分析了其自标定原理。基于螺旋理论建立了该六维力传感器理想数学模型,计算得到其一阶静力影响系数矩阵。考虑分支弹性变形,基于高次超静定结构力学求解原理,对该六维力传感器进行了受力分析与仿真计算,结合数值算例论证了其自标定特性,从而为该新型六维力传感器的研制奠定基础。     

多维力传感器迭代动态解耦方法

在多维力传感器不变性动态解耦方法的基础上,提出了迭代动态解耦方法,可以获得更好的解耦效果,可以解决强耦合问题。仿真和机器人腕力传感器动态解耦的结果证明了该方法的有效性。     

自标定重载并联四维测力台测量机理与标定试验

面向航空航天领域对重载大测力面积多维测力台研发的迫切需要,为克服现有多维力传感器研制后均需繁冗的加载标定,采用提出的多维力传感器“自标定”设计理念,通过构建机械解耦测力分支并辅以并联正交分布结构,提出一种新型弱耦合自标定重载并联正交四维测力台构型。基于滚动摩阻理论分析与论证其解耦测量机理与自标定原理。在此基础上,设计并研制了该自标定重载并联四维测力台及其标定加载系统,标定试验结果表明,该四维测力台最大测量误差为0.62%,最大耦合误差为0.56%,论证了其解耦及自标定特性,从而为该自标定重载并联四维测力台的实际应用奠定基础,也为研制大量程重载并联多维力传感器提供了新思路。     

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,     

多维车轮力传感器静态解耦的研究

传感器的静态耦合是制约多维车轮力传感器（WFT）测量精度的一个主要因素，WFT的耦合主要为线性耦合。针对标定WFT时不能施加单维力的情况，用迭代法实现了线性解耦。时WFT的耦合率矩阵进行了计算，并进行了耦合分析。对汽车道路试验数据进行了解耦，并与不解耦的结果进行了对比。结果表明：经线性解耦后，WFT的耦合误差基本被消除，测量精度得到了提高。     

基于模糊推理的多维传感器解耦算法研究

本文根据模糊知识的基本原理,利用模糊逻辑推理建立多维传感器模型,并进行多维传感器的解耦计算,从而大大降低了多维传感器通道间的耦合,最后进行了仿真计算,结果表明这种方法的解耦效果良好,而且易于在计算机上实现。     

大量程柔性铰六维力传感器静态解耦的研究

为提高大量程六维力传感器的测量精度,提出了一种新型的六维力传感器非线性静态解耦方法,该方法结合混合递阶遗传算法和小波神经网络的优点,采用递阶遗传算法与最小二乘法分别对小波神经网络隐层结构参数以及输出层权值进行优化,再将优化后的小波神经网络模型用于六维力传感器非线性解耦.建立了基于混合递阶遗传算法和优化小波神经网络的六维力传感器非线性解耦模型,设计了基于混合递阶遗传算法的小波神经网络结构及参数优化算法,给出了六维力传感器非线性解耦的具体实现流程.以最新研制的6-UPUR大量程柔性铰六维力传感器为对象进行实验,结果表明,采用该方法六维力传感器的Ⅰ类误差和Ⅱ类误差分别为1.25％和2.59％,比采用BP和RBF神经网络方法的测量精度高.     

基于遗传神经网络的机器人腕力传感器动态建模与补偿方法

介绍用于MotomamV3X机器人上的新型多维腕力传感器,比较遗传算法与人工神经网络的特点,将遗传算法的交叉和变异操作进行改进,提出一种融合改进遗传算法(Genetic algorithm, GA)的函数连接型人工神经网络(Functional link artificial neural network, FLANN),并将其用于所介绍的新型机器人腕力传感器动态建模与动态性能补偿中。介绍动态建模与动态补偿原理及改进遗传神经网络算法,给出该传感器的动态模型和动态补偿模型。该方法利用腕力传感器的动态标定数据,采用改进遗传神经网络搜索和优化模型参数,保留了遗传算法的全局搜索能力和FLANN结构简单,鲁棒性好,且具备自学习能力的特点,克服了FLANN容易陷入局部极小的缺陷,具有快的网络训练速度及高的动态建模精度。理论分析和试验结果都证实了所提出的动态建模与动态补偿方法的有效性。     

基于神经网络的光纤布拉格光栅触觉信号解耦研究

针对应用于电子皮肤的柔性光纤布拉格光栅触觉传感器的输出信号是施加载荷位置、大小等信息的非线性、多维耦合问题,在对光纤布拉格光栅触觉传感阵列进行力学有限元仿真的基础上,提出了将误差逆传播神经网络和径向基函数神经网络应用于仿真和实验的触觉信号解耦方法。对实验数据的神经网络解耦结果表明,相对于误差逆传播神经网络,径向基函数神经网络具有更强的抗噪声能力,能够更好地逼近含有噪声的触觉多维非线性实验数据之间的映射关系。经径向基函数神经网络解耦后,传感器阵列的空间分辨率为5 mm,对压力位置和大小感知的最小相对误差为3.00%和4.82%。本文的研究成果对开展电子皮肤柔性触觉传感器的研究和推广具有一定的实用价值。     

多维测力仪扰力解耦算法研究

多维测力仪各向力之间的干扰是影响测量精度的主要决定因素之一。从测力仪标定数据处理分析的角度,提出了一种基于测力仪标定线性回归直线方程的解耦算法,并用Matlab进行解耦运算。研究结果表明:采用解耦算法,可有效地减小多维测力仪各向之间的扰力误差,提高测力仪的测量精度。     

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...