一种基于阵列式柔性触觉传感器的解耦分析方法

摘要

一种基于阵列式柔性触觉传感器的解耦分析方法。通过对柔性触觉传感器阵列在单点受力时各触觉点之间的耦合关系进行分析，利用线性神经网络算法得出受力点和周围触觉点的受力权重比，从而推算出传感器的整体受力情况，以提高阵列式触觉传感器的测量精度。首先，对传感器的某一触觉点进行标定实验，采集该触觉点和围绕该触觉点的8个触觉点信息，构建施加压力与各触觉点输出力的线性关系方程；然后基于线性神经网络模型求解出耦合关系矩阵；最后根据解耦关系，得出传感器在使用过程中具体受力数值大小。本发明提出了基于阵列式柔性触觉传感器的解耦分析方法，减小了由于触觉点之间的耦合关系带来的测量误差，从而提高了传感器的整体测量精度。

说明书

技术领域

本发明涉及阵列式触觉传感器各触觉单元之间的耦合关系矫正领域，特别是涉及一种基于阵列式柔性触觉传感器的解耦分析方法。通过对受力时受力点和其周围的触觉单元的输出信号进行分析，引入线性神经网络模型动态解耦，减小触觉单元之间的耦合误差，从而提高了传感器的整体测量精度。

背景技术

阵列式触觉传感器在使用过程中会存在多个触觉单元相互干扰的问题，尤其是柔性阵列式触觉传感器，因其制作材料硬度偏低，在使用过程中，各触觉单元会存在耦合效应。当对其中一个触觉单元施加压力时，围绕该触觉单元周围的触觉点，尤其是位于该触觉单元左上、上、右上、左、右、左下、下和右下8个位置的触觉点也会因为受到干扰，而产生相应的输出信号。因此，只通过采集受力点的输出信号无法得出传感器所受压力的精确值。各触觉单元之间需要使用相关算法进行解耦，以保证传感器的测量精度。

对传感器进行标定实验，可得到施加压力与各相关触觉单元输出压力的线性方程。对于标定矩阵的计算，一般采用克拉默法则、最小二乘法、线性祌经网络等优化算法。其中，人工神经网络是一种通过模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。线性神经网络是最简单的神经网络模型，它的激活函数是线性传递函数purelin。计算线性神经元的输出公式如下：

当输出y等于0的时候，可以画出它们的分界线。位于分界线上面的输入向量能够产生大于0的网络输出，位于分界线下面的输入向量能产生小于0的网络输出。

线性神经网络采取的学习规则是Widrow-Hoff学习规则，又称为最小均方误差(LMS)学习算法，它基于负梯度下降的原则来减小网络的训练误差，可以用来调整网络的权值和偏置。LMS算法步骤有(1)定义参数和变量；(2)初始化；(3)输入样本，计算实际输出和误差；(4)调整权值向量；(5)判断是否收敛。合适的学习率是决定收敛的关键。只要学习率η满足

本发明即提供一种基于阵列式柔性触觉传感器的解耦分析方法，通过对各触觉单元之间的耦合性进行解耦，以降低由于触觉单元之间的相互干扰而带来的耦合误差。

发明内容

为了解决上述问题，本发明提供一种基于阵列式柔性触觉传感器的解耦分析方法，能够通过对传感器各触觉单元之间的关系进行解耦，从而减小触觉单元之间的耦合误差，提高了传感器的整体测量精度。

本发明提供一种基于阵列式柔性触觉传感器的解耦分析方法，具体步骤如下，其特征在于：

步骤1)对阵列式柔性触觉传感器的一个触觉点进行标定实验，采集该触觉点以及围绕该触觉点的8个触觉点的输出信号，构建施加压力与各触觉点输出力的线性关系方程；

输入与输出线性方程构建，即对阵列式触觉传感器的某一个触觉点进行标定实验，记录下该触觉点以及其周围8个触觉点的输出压力信号，构建输入压力与9个触觉点的输出压力信号之间的线性关系方程，具体如下：

①将触觉传感器的某一触觉点施加在标定装置的探针之下，记录初始状态下该触觉点以及其周围8个触觉点的输出压力信号；

②将柔性触觉传感器的量程范围等分为n，5≤n≤20个间隔点,对该触觉点从小到大依次加载压力，并记录下此时施加的压力大小和9个触觉点输出的压力信号，直到该触觉点达到满量程，再从大到小依次卸载压力并记录，一共重复标定三次；

③施加压力与各触觉单元输出值的线性关系可用方程表示为：F＝UC，其中F＝[F

步骤2)选择合适的参数构建线性神经网络模型；

线性神经网路模型的构建，即为在求解传感器输入与输出线性关系构建一个算法模型，用于耦合关系矩阵的求解，建立的线性神经网络为net＝newlin(P,S,ID,LR)，其中，P是输入元素的最小最大矩阵；S代表输出层神经元个数；ID表示输入延迟向量，默认为0；LR表示学习速度，默认为0.01；

步骤3)再基于线性神经网络优化算法，求解出各触觉点之间的耦合关系矩阵；

耦合关系矩阵求解，即将输入输出矩阵进行归一化后，代入神经网络模型，对模型进行训练，从而对各触觉单元的耦合关系进行解耦，得到耦合关系矩阵，使用Matlab中归一化函数对各触觉单元的数据进行处理，建立三层结构的神经网络，调用线性激活函数purelin，选用标定好的6n组数据对线性神经网络模型进行训练[nettr]＝train(net,U,F)，得到训练后的权值向量矩阵，即耦合关系矩阵C；

步骤4)最后将解耦结果回带入线性关系方程，传感器解耦后进行压力输出。

传感器解耦后压力输出，即基于上述构建的线性神经网络模型，在传感器使用过程中，可实时根据传感器各触觉单元的输出压力值，解耦传感器所受到力的大小和测量误差，选用标定好的n组数据作为测试样本，利用训练好的线性神经网络模型对测试样本解耦，与测试原数据进行对比，求得测量误差，在传感器受力时，实时采集各触觉单元的输出压力值代入线性神经网络模型，解耦后的值为传感器的整体受力大小，误差在一定范围内。

作为本发明进一步改进，步骤1)中围绕该触觉点的8个触觉点分别位于触觉点左上、上、右上、左、右、左下、下和右下位置。

本发明的有益效果为：创新性的提出了基于阵列式柔性触觉传感器的解耦分析方法，通过对触觉点与围绕该触觉点周围的八个触觉单元进行耦合关系分析，减小了由于触觉点之间的耦合关系带来的测量误差，从而提高了传感器的整体测量精度。线性神经网络模型的引入减轻了计算复杂度，提高了分析精度。

附图说明

图1是本发明提供的方法流程框图；

图2是本发明提供的方4*6阵列的柔性压阻式触觉传感器；

图3是本发明提供的标定装置。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提供一种基于阵列式柔性触觉传感器的解耦分析方法，能够通过对传感器各触觉单元之间的关系进行解耦，从而减小触觉单元之间的耦合误差，提高了传感器的整体测量精度。

本发明的主要思想是：通过构建柔性触觉传感器阵列在单点受力时该受力点及其周围点的输出与输入压力的关系方程，利用合适的线性神经网络模型，求解传感器阵列各触觉点之间的耦合关系矩阵，从而推算出传感器的整体受力情况，减小由于触觉点之间的耦合关系带来的测量误差。

如图1所示，一种基于阵列式柔性触觉传感器的解耦分析方法流程框图，包括输入与输出线性方程构建、线性神经网路模型构建、耦合关系矩阵求解、传感器解耦后压力输出。先对阵列式柔性触觉传感器的一个触觉点进行标定实验，采集该触觉点以及围绕该触觉点(即位于触觉点左上、上、右上、左、右、左下、下和右下位置)的8个触觉点的输出信号，构建施加压力与各触觉点输出力的线性关系方程；然后选择合适的参数构建线性神经网络模型；再基于线性神经网络优化算法，求解出各触觉点之间的耦合关系矩阵；最后将解耦结果回带入线性关系方程，保证在传感器受力时输出精度更高的测量结果，降低触觉传感器各阵列点之间的耦合误差。

如图2所示，为4*6阵列的柔性压阻式触觉传感器，每个触觉单元为边长2mm的正方形。所述输入与输出线性方程构建，即对阵列式触觉传感器的某一个触觉点进行标定实验，记录下该触觉点以及其周围8个触觉点的输出压力信号，构建输入压力与9个触觉点的输出压力信号之间的线性关系方程。以该传感器为例，选取第二行第三个点作为标定点，对其进行标定实验，标定装置为如图3所示。具体实验步骤如下：

①将触觉传感器的某一触觉点施加在标定装置的探针之下，记录初始状态下该触觉点以及其周围8个触觉点的输出压力信号；

②将柔性触觉传感器的量程范围等分为n(5≤n≤20)个间隔点,对该触觉点从小到大依次加载压力，并记录下此时施加的压力大小和9个触觉点输出的压力信号，直到该触觉点达到满量程，再从大到小依次卸载压力并记录，一共重复标定三次；

③施加压力与各触觉单元输出值的线性关系可用方程表示为：F＝UC，其中F＝[F

所述线性神经网路模型的构建，即为在求解传感器输入与输出线性关系构建一个算法模型，用于耦合关系矩阵的求解。建立的线性神经网络为net＝newlin(P,S,ID,LR)，其中，P是输入元素的最小最大矩阵；S代表输出层神经元个数；ID表示输入延迟向量，默认为0；LR表示学习速度，默认为0.01。

所述耦合关系矩阵求解，即将输入输出矩阵进行归一化后，代入神经网络模型，对模型进行训练，从而对各触觉单元的耦合关系进行解耦，得到耦合关系矩阵。使用Matlab中归一化函数premnmx对各触觉单元的数据进行处理。具体语句为[pn,minp,maxp,tn,mint,maxt]＝premnmx(p,t)。其中pn为p矩阵按行归一化后的矩阵；minp，maxp为p矩阵每一行的最小值，最大值；tn为t矩阵按行归一化后的矩阵；mint，maxt：t矩阵每一行的最小值，最大值。之后建立三层结构的神经网络，调用线性激活函数purelin。选用标定好的120组数据对线性神经网络模型进行训练[nettr]＝train(net,U,F)，得到训练后的权值向量矩阵，即耦合关系矩阵C。

所述传感器解耦后压力输出，即基于上述构建的线性神经网络模型，在传感器使用过程中，可实时根据传感器各触觉单元的输出压力值，解耦传感器所受到力的大小和测量误差。选用标定好的20组数据作为测试样本，利用训练好的线性神经网络模型对测试样本解耦，与测试原数据进行对比，求得测量误差。在传感器受力时，实时采集各触觉单元的输出压力值代入线性神经网络模型，解耦后的值为传感器的整体受力大小，误差在一定范围内。

以上所述，仅是本发明的较佳实施例之一，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。