【技术实现步骤摘要】
本专利技术涉及示踪粒子姿态信息测量和运动轨迹测量，尤其涉及一种非侵入式示踪粒子运动状态估计方法。
技术介绍
1、惯性测量单元（inertial measurement unit，简称imu）是一种包含加速度计和陀螺仪的电子装置，用于测量物体在空间中的运动状态。通常情况下，一个imu会包含三轴加速度计和三轴陀螺仪，能够捕捉到物体运动中的线性和角动力学特征，可用于测量物体在三维空间中的加速度和角向速度。因此在机器人、导航和姿态估计等领域有着广泛的应用。
2、电容层析成像技术（electrical capacitance tomography，简称ect）是一种通过检测电容变化来对物体内部结构进行成像的技术。它通常由一个电容传感器网格组成，能够探测到物体内部的电容变化。通过对电容传感器测量到的电容变化数据进行处理，就可以生成物体内部的电容分布图，从而对物体的内部结构进行成像。电容层析成像技术具有无损检测、非破坏性、快速、灵敏度高等优点，广泛应用于工业检测、医学成像以及矿物干法分选等领域。
3、现有的颗粒运动监测方案包括基于光学、电磁、辐射等的外部测量方案和使用硬杆、悬绳等连接示踪颗粒球的侵入式监测方案。外部测量方案往往只能监测测量设备表面或测量设备截面上颗粒运动行为，无法三维地反映颗粒在整个测量设备中的运动情况，且对颗粒性质（如透光性、电磁性质等）要求较高。而使用硬杆等方案不可避免地增加了额外的构件，对设备的正常运行可能存在干扰，且硬杆和悬绳限制了颗粒的自由运动范围，无法真实地反映颗粒在设备中的运动情况。>
4、现有的非侵入式方案主要有两种：层析成像和惯性测量。层析成像可以测量颗粒的空间位置和速度，但无法测量颗粒的受力、转动和朝向等信息。惯性测量单元可以检测颗粒的加速度、转动和朝向，但无法测量颗粒的速度和位置。另一方面，两种技术均存在一定的系统误差，单独以一种方法难以实现高精度轨迹推算。
技术实现思路
1、鉴于上述的分析，本专利技术实施例旨在提供一种非侵入式示踪粒子运动状态估计方法，用以解决现有测量方案无法真实全面地对颗粒的位置、速度和朝向做高精度估算的问题。
2、本专利技术实施例提供了一种非侵入式示踪粒子运动状态估计方法，包括：同时利用无线惯性测量单元和电容层析成像装置对示踪粒子的运动状态进行测量；采集当前时刻无线惯性测量单元输出的imu状态向量、电容层析成像装置输出的ect状态向量；将imu状态向量和ect状态向量输入反向传播神经网络bpnn，得到当前时刻精化后的状态向量；
3、基于当前时刻imu状态向量和精化后的状态向量构造卡尔曼滤波的状态向量，利用状态转移方程预测下一时刻的状态向量；基于下一时刻无线惯性测量单元输出的imu状态向量、电容层析成像装置输出的ect状态向量构造观测向量，基于观测向量、观测方程以及卡尔曼增益对下一时刻的状态向量进行更新，得到更新后的状态向量，根据更新后的状态向量得到粒子的运动状态；所述运动状态包括位置、姿态和速度。
4、进一步的，精化后的状态向量包括线向位移、角向位移；imu状态向量包括线向加速度、角向速度；
5、所述基于imu状态向量和精化后的状态向量构造卡尔曼滤波的状态向量包括：
6、将精化后的角向位移转化为四元数，利用imu状态向量中的线向加速度计算得到线向速度；利用精化后的线向位移和角向位移转化的四元数，以及imu状态向量中的线向加速度计算得到的线向速度作为状态向量中的各元素，构造卡尔曼滤波的状态向量。
7、进一步的，构造观测方程，包括：
8、；
9、其中为状态转移方程当前时刻的输出，h为观测矩阵,为观测系统噪声。
10、进一步的，观测矩阵h为imu所在的东北天坐标系转化为电容层析成像装置所在的东北天坐标系的变换矩阵。
11、进一步的，所述反向传播神经网络bpnn包括输入层、h个隐藏层、输出层；输入层的输入向量设置为imu和ect获取到的线向加速度、角向速度、线向速度和线向位移以及时间t；输出层的输出向量包括精化后的线向位移和角向位移。
12、进一步的，反向传播神经网络bpnn的损失函数为：
13、，
14、当小于给定阈值时，得到训练好的反向神经网络bpnn；
15、，
16、其中，为神经网络bpnn输出的线向位移，为ect状态向量中的线向位移，为ect状态向量中的线向速度，为imu状态向量中的线向加速度，为imu状态向量中的角向速度，为bpnn神经网络输出的精化后的角向位移。
17、进一步的，每个隐藏层都包括通用矩阵乘、批归一化层和relu激活函数；通用矩阵乘用于优化神经网络中的卷积运算，减少时间和空间复杂度；通用矩阵乘中得到权重参数,其中o表示该隐藏层的输出数据，表示该隐藏层的输入数据；批归一化层用于将该隐藏层输出的数据转化为正态分布；relu激活函数用于对批归一化层的输出进行非线性映射。
18、进一步的，第一个隐藏层神经元个数设置为n1，第二至第h个隐藏层中神经元个数按照原则设置，其中h=1,2,3......,h-1。
19、进一步的，状态转移方程为：
20、，
21、其中，为imu获得的k时刻的线向加速度，为k-1时刻反向传播神经网络bpnn输出的精化的线向位移；为k-1时刻反向传播神经网络bpnn输出的精化的角向位移的四元数；为根据k-1时刻imu获得的线向加速度计算得到的线向速度，为陀螺仪输出的角向速度张量经磁力计矫正后得到的结果，为所设置的系统噪声，i为单位矩阵，δt表示k时刻和k-1时刻的时间差。
22、进一步的，imu状态向量还包括欧拉角对应的四元数；由ect状态向量中的线向位移、线向速度、电容层析成像装置东北天坐标系下欧拉角对应的四元数组成的观测向量zk为：
23、 ，
24、其中，为ect状态向量中的第k时刻的线向位移，为ect状态向量中第k时刻的线向速度，为由imu状态向量中欧拉角对应的四元数转换到电容层析成像装置ect的东北天坐标系下的第k时刻的欧拉角对应的四元数，j=0,1,2,3。
25、与现有技术相比，本专利技术至少可实现如下有益效果之一：
26、1、本专利技术将惯性测量技术与电容层析成像技术相结合，实现了对颗粒系统中的示踪粒子的运动行为的非侵入在线测量。该方法实现了非侵入式的示踪粒子的位移、速度、朝向的实时测量和解算。
27、2、利用电容层析成像装置实现了对无线惯性测量单元的实时追踪，相比于单纯采用无线惯性测量单元输出数据增加了线向位移和线向速度。基于bpnn神经网络做出预测得到精化后的线向位移、角向位移，精化后的线向位移、角向位移相比电容层析成像装置和无线惯性测量单元的测量精度有了较大提升。再基于精化后的线向位移、角向位移和由无线惯性测量单元获得的线向加速度计算得到线向速度构造卡尔曼滤波的状态向量，由无线惯性测量单元本文档来自技高网...
【技术保护点】
1.一种非侵入式示踪粒子运动状态估计方法，其特征在于，
2.根据权利要求1所述的运动状态估计方法，其特征在于，精化后的状态向量包括线向位移、角向位移；IMU状态向量包括线向加速度、角向速度；
3.根据权利要求1所述的运动状态估计方法，其特征在于，构造观测方程，包括：
4.根据权利要求3所述的运动状态估计方法，其特征在于，观测矩阵h为IMU所在的东北天坐标系转化为电容层析成像装置所在的东北天坐标系的变换矩阵。
5.根据权利要求4所述的运动状态估计方法，其特征在于，所述反向传播神经网络BPNN包括输入层、H个隐藏层、输出层；输入层的输入向量设置为IMU和ECT获取到的线向加速度、角向速度、线向速度和线向位移以及时间t；输出层的输出向量包括精化后的线向位移和角向位移。
6.根据权利要求5所述的运动状态估计方法，其特征在于，反向传播神经网络BPNN的损失函数为：
7.根据权利要求5所述的运动状态估计方法，其特征在于，
8.根据权利要求7所述的运动状态估计方法，其特征在于，第一个隐藏层神经元个数设置为N1，
9.根据权利要求5所述的运动状态估计方法，其特征在于，状态转移方程为：
10.根据权利要求6所述的运动状态估计方法，其特征在于，IMU状态向量还包括欧拉角对应的四元数；由ECT状态向量中的线向位移、线向速度、电容层析成像装置东北天坐标系下欧拉角对应的四元数组成的观测向量zk为：
...【技术特征摘要】
1.一种非侵入式示踪粒子运动状态估计方法，其特征在于，
2.根据权利要求1所述的运动状态估计方法，其特征在于，精化后的状态向量包括线向位移、角向位移；imu状态向量包括线向加速度、角向速度；
3.根据权利要求1所述的运动状态估计方法，其特征在于，构造观测方程，包括：
4.根据权利要求3所述的运动状态估计方法，其特征在于，观测矩阵h为imu所在的东北天坐标系转化为电容层析成像装置所在的东北天坐标系的变换矩阵。
5.根据权利要求4所述的运动状态估计方法，其特征在于，所述反向传播神经网络bpnn包括输入层、h个隐藏层、输出层；输入层的输入向量设置为imu和ect获取到的线向加速度、角向速度、线向速度和线向位移以及时间t；输出层的输出向量包括精...
【专利技术属性】
技术研发人员：乔金鹏，王蔚，王砚泽，段晨龙，杨金硕，康超，潘淼，黄龙，杨涛，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。