基于柔性阵列式触觉传感器的三维力解耦方法与流程

本发明属于三维力解耦技术领域，涉及一种基于柔性阵列式触觉传感器的三维力解耦方法。

背景技术：

对机械手进行受力检测，是机械手在进行软抓取的过程顺利进行的基础，检测三维方向的力可充分的反应物体的受力信息，当前机械手在实现软抓取的过程中传感器和三维力解耦算法方面还存在复杂度过高，解耦精度不足等缺点。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于柔性阵列式触觉传感器的三维力解耦方法，利用对触觉传感器施加不同方向的力采集到的数据，通过对使用基于天牛须搜索算法优化的bp神经网络模型，精准的对力进行三维解耦。

为达到上述目的，本发明提供如下技术方案：

一种基于柔性阵列式触觉传感器的三维力解耦方法，包括以下步骤：

s1：利用阵列式触觉传感器采集沿不同方向的受力的数据；

s2：将采集到的不同方向的压力数据作为触觉传感器的受力数据，根据力的角度对力值进行分解，再将分解到的沿x，y，z三个方向的分力数据输入到基于天牛须的优化的神经网络中进行训练构建三维力解耦模型；

s3：将实时采集到的触觉传感器受力数据输入到三维力解耦模型中进行三维力的解耦，得出触觉传感器在x,y,z三个方向上的受力情况。

进一步，步骤s1包括以下步骤：

s101：将触觉传感器与单片机连接，单片机连接至上位机；

s102：开启上位机内的上位机程序，选择连接参数；

s103：上位机向单片机发送采集指令；

s104：单片机采集数据并进行滤波去噪，将数据发送至上位机；

s105：上位机程序校验数据并存储，继续发送采集指令。

进一步，步骤s2包括以下步骤：

s201：确定bp神经网络的结构为：输入层m个神经元，隐含层n个神经元，输出层s个神经元；则天牛须算法的搜索空间维度为k＝m*n+n*s+n+s；

s202：初始化天牛参数，x表示天牛质心坐标，xl表示天牛左须坐标，xr表示天牛右须坐标，d0表示两须之间的距离，dir表示右须指向左须的向量，初始状态下，天牛的初始位置为

x＝rands(k,1)；

s203：步长因子step用于控制天牛的搜索能力，初始状态下，步长设置得较大，使其有较大的搜索区域且不陷入局部最优解；

step＝c*d0

其中c为常数；

s204：dir是右须指向左须的向量，为随机的，因此创建天牛须朝向的随机向量：

dir＝ranks(k,1)

对dir进行归一化处理

s205：天牛左右须的坐标为

s206：确定适应度函数fitness

其中t为上位机值作为bp神经网络输入得到的结果值，y为实际值，n为t中元素的个数；

s207：分别将天牛左右须坐标作为bp神经网络的参数初始值，对数据进行训练，根据适应度函数更新天牛的位置；

如果fitness(xl)<fitness(xr)

x＝x+step*dir

如果fitness(xl)>fitness(xr)

x＝x-step*dir

天牛位置更新结束后，将天牛位置x保存在bestx中；

s208：更新步长

step＝step*eta；

s209：使用步骤s206得到的x从步骤s204继续迭代；

s210：迭代停止条件，若适应度函数值小于0.001或迭代进行到100次，则停止迭代，否则，继续迭代；

s211：算法停止迭代时候，bestx的值就是得到的最优解，即bp神经网络的初始权值和阈值，将bestx的值代入bp神经网络中进行二次训练，最终得到三维力解耦的值。

进一步，根据上位机采集到的传感器的电信号数据使用基于天牛须优化的bp神经网络算法得到沿x,y,z三个方向的分力值。

进一步，所述单片机与所述上位机通过usb连接。

进一步，所述阵列式触觉传感器为石墨烯阵列式压力传感器。

本发明的有益效果在于：在数据采集上，本发明通过使用4×4阵列式触觉传感器进行数据采集，采集是数据更加丰富；在算法处理上，本发明利用基于天牛须搜索算法优化的bp神经网络进行处理，避免了bp神经网络的局部最优等缺陷。使得触觉传感器在三维力解耦在实时性和准确率上有了良好的改善。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明数据采集系统数据交互框图；

图2为对触觉传感器施加上、下、左、右四个方向的力之后上位机的显示示意图；

图3为触觉传感器初始化设置的坐标方向示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明提供了一种利用阵列式触觉传感器来对其所受力进行三维解耦的方法，通过柔性阵列式触觉传感器来采集沿不同的方向施加的力值数据，以采集到的传感器阵列点的数据作为模型的输入数据，再根据力的角度对力值进行分解作为输出数据对模型进行训练构建三维力模型，然后对利用天牛须搜索算法优化的bp神经网络模型进行测试，最后将实时采集到的传感器数据值输入到三维力解耦模型中进行三维力解耦，得出x,y,z三个方向的力值，实现对力的三维解耦。

其中，阵列式触觉传感器可根据实际情况的需要进行定制。

训练和构建三维力解耦模型包括对基于天牛须搜索算法优化的bp神经网络模型的训练。

在训练和构建三维力解耦模型时，首先对施加不同方向力的时候传感器数据进行采集，然后根据力的角度使用平行四边形法则对力进行解耦，作为结果集，以便对神经网络进行训练和测试，并将数据集按照一定的比例划分为训练数据集和测试数据集。

训练使用天牛须搜索算法优化的bp神经网络模型，将训练数据集和测试数据集分别转换成向量，并进行归一化处理。将训练数据集输入到模型，对模型进行训练，然后利用测试数据集对训练好的解耦模型进行测试。通过多次试验得到最终模型，使得三维力解耦模型的准确率更高。

将得到的三维力解耦模型应用到实时解耦系统中，实现力的三维解耦。

在实际应用中，根据实际的需要的尺寸大小定制阵列式触觉传感器，阵列式触觉传感器感知所受到的不同方向的力值，阵列式触觉传感器与数据采集stm32单片机连接，单片机与计算机的上位机程序通过usb连接，上位机程序发送指令控制单片机采集压力分布数据，即单片机不同方向的压力的数据，并对采集到的数据进行滤波去噪，然后将数据按照协议格式传输到计算机中的上位机程序，计算机对数据进行预处理，把得到的数据输入到训练好的三维力解耦模型，对力进行三维解耦。数据交互框图如图1所示。

该方法具体包括以下步骤：

s1：利用阵列式触觉传感器采集沿不同方向的受力的数据；

s101：将触觉传感器与stm32单片机连接，stm32单片机通过usb连接至计算机；

s102：开启计算机上的上位机程序，选择连接接参数，上位机连接单片机；

s103：上位机向单片机发送采集指令；

s104：单片机采集数据并进行滤波去噪，并按照usb通信协议将数据发送至上位机；

s105：上位机程序校验数据并存储，继续发送采集指令。

对触觉传感器施加上、下、左、右四个方向的力之后上位机的显示如图2所示。

s2：将采集到的不同方向的压力数据作为触觉传感器的受力数据，将受到的力沿设定的x,y,z三个方向进行分解，如图3所示，再将分解到的三维力数据输入到基于天牛须的优化的神经网络中进行训练构建三维力解耦模型；

故障决策具体包括如下步骤：

1、读取数据集；

2、按照一定比例将数据集划分为训练数据集和测试数据集；

3、将数据集转换成向量，并进行归一化处理；

4、建立基于天牛须搜索算法优化的bp神经网络模型；

5、将训练数据集输入算法模型，对算法模型进行训练；

6、对解耦模型进行测试；

7、进行多次测试实验，使准确率尽可能最高；

8、采集力数据，输入解耦模型对力进行解耦；

9、得出解耦结果。

其中，部分预测结果如表1所示：

表1

解耦结果.

s201：确定bp神经网络的结构为：输入层m个神经元，隐含层n个神经元，输出层s个神经元。则天牛须算法的搜索空间维度为k＝m*n+n*s+n+s；

s202：初始化天牛参数。x表示天牛质心坐标，xl表示天牛左须坐标，xr表示天牛右须坐标，d0表示两须之间的距离，dir表示右须指向左须的向量，初始状态下，天牛的初始位置为

x＝rands(k,1)

s203：步长因子step用来控制天牛的搜索能力，初始状态下，步长可以设置的相对大一些，使其有较大的搜索区域且不陷入局部最优解。

step＝c*d0

其中c为常数

s204：dir是右须指向左须的向量，也是随机的，因此创建天牛须朝向的随机向量

dir＝ranks(k,1)

对dir进行归一化处理

s205：天牛左右须的坐标为

s206：确定适应度函数fitness

t为上位机值作为bp神经网络输入得到的结果值，y为实际值n为t中元素的个数

s207：分别将天牛左右须坐标作为bp神经网络的参数初始值，对数据进行训练，根据适应度函数更新天牛的位置

如果fitness(xl)<fitness(xr)

x＝x+step*dir

如果fitness(xl)>fitness(xr)

x＝x-step*dir

天牛位置更新结束后，将天牛位置x保存在bestx中

s208：更新步长

step＝step*eta

s209：使用第s206得到的x从第s204继续迭代

s210：迭代停止条件，若适应度函数值小于0.001或迭代进行到100次，则停止迭代，否则，继续迭代

s211：算法停止迭代时候，bestx的值就是得到的最优解，即bp神经网络的初始权值和阈值，将bestx的值代入bp神经网络中进行二次训练，最终得到三维力解耦的值

s3：将实时采集到的触觉传感器受力数据输入到三维力解耦模型中进行三维力的解耦，得出触觉传感器在x，y，z三个方向上的受力情况。

通过采用上述技术方案，在数据采集上，本发明通过使用石墨烯阵列式压力传感器，传感器更加灵敏，采集到的数据更加丰富全面，在算法处理上，本发明利用天牛须搜索算法优化的bp神经网络对触觉传感器受到的力进行解耦，避免了bp神经网络的局部最优等缺陷。使得辊轮组的故障诊断在实时性和准确率上有了良好的改善。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。