胎-路接触三向力传感器解耦模型确定方法技术

本发明专利技术提供一种胎

【技术实现步骤摘要】
胎
‑
路接触三向力传感器解耦模型确定方法


[0001]本专利技术涉及解耦
，尤其涉及一种胎
‑
路接触三向力传感器解耦模型确定方法。

技术介绍

[0002]由于胎
‑
路接触三向力测量系统的传感器的机械加工精度、结构设计原理等因素影响，可能出现传感器维间耦合现象，即力信号与应变桥的输出信号之间存在着较强的耦合作用，使传感器系统的整体测量精度受到影响，要提高胎
‑
路接触三向力测量系统的测量精度，降低维间耦合至关重要。
[0003]目前，降低维间耦合的方法主要有基于耦合误差建模的静态解耦算法、径向基函数(RBF，Radial basis function)神经网络的解耦算法等。由于传感器实际输出量并不是纯线性的，所以采用静态解耦算法即线性解耦虽然能够一定程度上减少传感器的干扰误差，但是解耦效果并不理想；而径向基函数(RBF)神经网络遍历所有样本点时，如果样本点出现噪声，会使其泛化能力下降。
[0004]因此，如何提升解耦准确性、稳定性，从而显著提升胎
‑
路三向力传感器测量系统的测量精度，成为亟需解决的问题。

技术实现思路

[0005]本专利技术提供一种胎
‑
路接触三向力传感器解耦模型确定方法，用以解决现有技术中对检测装置线性度的依赖度较高，解耦结果不准确、效果不稳定，可能导致解耦结果梯度爆炸及梯度消失等问题的缺陷，实现提高解耦准确性、稳定性，从而显著提升胎
‑
路三向力传感器测量系统的测量精度。
[0006]本专利技术提供一种胎
‑
路接触三向力传感器解耦模型确定方法，包括：
[0007]建立胎
‑
路接触三向力传感器解耦模型的人工神经网络结构，所述人工神经网络结构包括输入层、隐藏层和输出层，所述输入层和所述隐藏层的激活函数为ReLU激活函数；
[0008]采用Adam学习率自适应的优化算法，基于优化参数，调整所述人工神经网络结构的参数，获得优化后的胎
‑
路接触三向力传感器解耦模型，其中，所述优化参数包括以下至少一项：步长、矩估计的指数衰减速率、用于数值稳定的小常数、和下降梯度；
[0009]采用批量更新方法，基于训练数据，迭代更新所述胎
‑
路接触三向力传感器解耦模型的参数，直至损失函数MSE的值持续递减，获得用于在胎
‑
路接触三向力的实际测量中解耦的胎
‑
路接触三向力传感器解耦模型，其中，所述训练数据包括胎
‑
路接触三向力传感器的三个方向分别对应的输入载荷量，所述三个方向分别对应的输入载荷量分别对应各自的期望输出电信号。
[0010]根据本专利技术提供的一种胎
‑
路接触三向力传感器解耦模型确定方法，所述采用批量更新方法，基于训练数据，迭代更新所述胎
‑
路接触三向力传感器解耦模型的参数，直至损失函数MSE的值持续递减，获得用于在胎
‑
路接触三向力的实际测量中解耦的胎
‑
路接触
三向力传感器解耦模型，包括：
[0011]执行多次参数更新过程，获得多个参数更新过程中分别获得的MSE值，在确定MSE的值持续递减的情况下，停止执行参数更新过程，基于最后一次执行的参数更新过程中更新的胎
‑
路接触三向力传感器解耦模型，确定所述用于在胎
‑
路接触三向力的实际测量中解耦的胎
‑
路接触三向力传感器解耦模型；
[0012]其中，所述参数更新过程包括：从训练集中三个方向的训练数据中各选择n个输入载荷量，并在三个方向分别进行单轴加载，检测输出电信号数据，根据所述输出电信号数据和所述输入载荷量分别对应的期望输出电信号，获取MSE值。
[0013]根据本专利技术提供的一种胎
‑
路接触三向力传感器解耦模型确定方法，所述基于最后一次执行的参数更新过程中更新的胎
‑
路接触三向力传感器解耦模型，确定所述用于在胎
‑
路接触三向力的实际测量中解耦的胎
‑
路接触三向力传感器解耦模型，包括：
[0014]将验证集中的三个方向的输出电信号数据，输入到最后一次执行的参数更新过程中更新的胎
‑
路接触三向力传感器解耦模型中，获得最后一次执行的参数更新过程中更新的胎
‑
路接触三向力传感器解耦模型输出的三个方向上的输入载荷；
[0015]在验证胎
‑
路接触三向力传感器解耦模型输出的三个方向上的输入载荷与所述三个方向的输出电信号数据对应的实际载荷一致的情况下，将所述最后一次执行的参数更新过程中更新的胎
‑
路接触三向力传感器解耦模型，作为所述用于在胎
‑
路接触三向力的实际测量中解耦的胎
‑
路接触三向力传感器解耦模型。
[0016]根据本专利技术提供的一种胎
‑
路接触三向力传感器解耦模型确定方法，所述方法还包括：
[0017]将胎
‑
路接触三向力测量系统采集到的输出电信号输入到用于在胎
‑
路接触三向力的实际测量中解耦的胎
‑
路接触三向力传感器解耦模型中，获得所述用于在胎
‑
路接触三向力的实际测量中解耦的胎
‑
路接触三向力传感器解耦模型输出的所述三个方向的输入载荷值。
[0018]根据本专利技术提供的一种胎
‑
路接触三向力传感器解耦模型确定方法，所述方法还包括：
[0019]对胎
‑
路接触三向力传感器进行静态标定，获得静态标定结果；所述静态标定结果用于表征胎
‑
路接触三向力传感器的标定系数矩阵。
[0020]根据本专利技术提供的一种胎
‑
路接触三向力传感器解耦模型确定方法，所述隐藏层分为5层，每层隐藏层分别包含的神经元数量依次为40、160、640、160、40。
[0021]本专利技术还提供一种胎
‑
路接触三向力传感器解耦模型确定装置，包括：
[0022]建立模块，用于建立胎
‑
路接触三向力传感器解耦模型的人工神经网络结构，所述人工神经网络结构包括输入层、隐藏层和输出层，所述输入层和所述隐藏层的激活函数为ReLU激活函数；
[0023]第一获取模块，用于采用Adam学习率自适应的优化算法，基于优化参数，调整所述人工神经网络结构的参数，获得优化后的胎
‑
路接触三向力传感器解耦模型，其中，所述优化参数包括以下至少一项：步长、矩估计的指数衰减速率、用于数值稳定的小常数、和下降梯度；
[0024]第二获取模块，用于采用批量更新方法，基于训练数据，迭代更新所述胎
‑
路接触
...

【技术保护点】

【技术特征摘要】
1.一种胎
‑
路接触三向力传感器解耦模型确定方法，其特征在于，包括：建立胎
‑
路接触三向力传感器解耦模型的人工神经网络结构，所述人工神经网络结构包括输入层、隐藏层和输出层，所述输入层和所述隐藏层的激活函数为ReLU激活函数；采用Adam学习率自适应的优化算法，基于优化参数，调整所述人工神经网络结构的参数，获得优化后的胎
‑
路接触三向力传感器解耦模型，其中，所述优化参数包括以下至少一项：步长、矩估计的指数衰减速率、用于数值稳定的小常数、和下降梯度；采用批量更新方法，基于训练数据，迭代更新所述胎
‑
路接触三向力传感器解耦模型的参数，直至损失函数MSE的值持续递减，获得用于在胎
‑
路接触三向力的实际测量中解耦的胎
‑
路接触三向力传感器解耦模型，其中，所述训练数据包括胎
‑
路接触三向力传感器的三个方向分别对应的输入载荷量，所述三个方向分别对应的输入载荷量分别对应各自的期望输出电信号。2.根据权利要求1所述的胎
‑
路接触三向力传感器解耦模型确定方法，其特征在于，所述采用批量更新方法，基于训练数据，迭代更新所述胎
‑
路接触三向力传感器解耦模型的参数，直至损失函数MSE的值持续递减，获得用于在胎
‑
路接触三向力的实际测量中解耦的胎
‑
路接触三向力传感器解耦模型，包括：执行多次参数更新过程，获得多个参数更新过程中分别获得的MSE值，在确定MSE的值持续递减的情况下，停止执行参数更新过程，基于最后一次执行的参数更新过程中更新的胎
‑
路接触三向力传感器解耦模型，确定所述用于在胎
‑
路接触三向力的实际测量中解耦的胎
‑
路接触三向力传感器解耦模型；其中，所述参数更新过程包括：从训练集中三个方向的训练数据中各选择n个输入载荷量，并在三个方向分别进行单轴加载，检测输出电信号数据，根据所述输出电信号数据和所述输入载荷量分别对应的期望输出电信号，获取MSE值。3.根据权利要求2所述的胎
‑
路接触三向力传感器解耦模型确定方法，其特征在于，所述基于最后一次执行的参数更新过程中更新的胎
‑
路接触三向力传感器解耦模型，确定所述用于在胎
‑
路接触三向力的实际测量中解耦的胎
‑
路接触三向力传感器解耦模型，包括：将验证集中的三个方向的输出电信号数据，输入到最后一次执行的参数更新过程中更新的胎
‑
路接触三向力传感器解耦模型中，获得最后一次执行的参数更新过程中更新的胎
‑
路接触三向力传感器解耦模型输出的三个方向上的输入载荷；在验证胎
‑
路接触三向力传感器解耦模型输出的三个方向上的输入载荷与所述三个方向的输出电信号数据对应的实际载荷一致的情况下，将所述最后一次执行的参数更新过程中更新的胎
‑
路接触三向力传感器解耦模型，作为所述用...

【专利技术属性】
技术研发人员：谢震宇，关佳希，徐志成，周兴林，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：