低噪声宽频带高动态范围的加速度传感器实现方法及系统

1.本发明涉及加速度传感器领域，具体涉及一种低噪声宽频带高动态范围的加速度传感器实现方法及系统。


背景技术：

2.随着科技的进步，工业生产制造领域已基本实现自动化、智能化，与此同时，精密器件加工的工艺要求不断提高，因此，在精密制造与检测环节，任何细微的振动都不容忽视。
3.工业机器人手臂的一个工作进程由若干个动作组成，不同的动作有着不同的振动特征，这种不可控振动总体上具有范围大(10ng～g)、频带宽(1～500hz)的特点，细微振动的精准检测是对其进行抑制或补偿的前向条件，因此，迫切期望一种加速度传感器同时具备低噪声、宽频带和高动态范围的特点。由于加速度传感器的噪声指标、带宽指标和动态范围指标相互制衡，压电式、光电式、谐振式、电容式等常规加速度传感器均无法满足需求；利用数据融合思想的复合加速度传感器，将不同量程的加速度传感器进行通道轮询采集与数据融合，在扩大了动态范围最大程度上保证了精度，但此办法势必限制着单通道采样速率，不满足宽频带的要求。


技术实现要素：

4.本发明的目的在于提供一种低噪声宽频带高动态范围的加速度传感器实现方法及系统。
5.实现本发明目的的技术解决方案为：一种低噪声宽频带高动态范围的加速度传感器实现方法，包括如下步骤：
6.步骤1，基于同址同姿且动态范围互补的3加速度计组，采集3个通道的加速度数据进行数据融合，对融合后的加速度数据进行预处理，通过时间序列滑动窗口生成事件样本，并提取样本特征向量；
7.步骤2，标注事件样本组织训练数据集，训练机器学习分类预测模型，将特征向量映射分类预测信息；
8.步骤3，根据分类预测信息进行加速度传感器的数据通道决策，在通道切换区内完成加速度传感器通道切换，在通道切换的固定时间内进行加速度数据滤波，至此获得低噪声宽频带高动态范围的加速度数据输出。
9.一种低噪声宽频带高动态范围的加速度传感器实现系统，其特征在于，执行所述的低噪声宽频带高动态范围的加速度传感器实现方法。
10.本发明与现有技术相比，其显著优点在于：1)采用加速度传感器通道切换的方法，相比与现有的传感器通道数据融合方法，可实现更宽频带、更高的精度，同时具有大动态范围；2)采用机器学习算法辅助预测通道切换，充分发挥工业机器人手臂动作序列程序化的特点，最大程度上保证了通道切换的实时性和数据的连续性；3)采用自适应通道决策方案，
引入序列匹配预测项和自适应项，将预测信息与观测信息有机融合，确保通道切换决策信息的可靠性，同时将数据通道切换限定在通道切换区内执行，提升对通道决策信息的容错，确保加速度数据的正确性。
附图说明
11.图1为本发明低噪声宽频带高动态范围加速度传感器实现方法的流程图。
12.图2为本发明数据通道切换区和振动等级参考点的示意图。
具体实施方式
13.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
14.低噪声宽频带高动态范围的加速度传感器实现方法的流程，如图1所示，主要包括多通道低噪声加速度传感器组、mcu数据信息处理与控制模块和外部辅助模型训练三个部分，mcu通过加速度传感器组获取大动态范围加速度数据，依据数据包含的特征进行分类预测，最终在进入通道切换区时，完成数据通道的切换，此方法具体包括以下步骤：
15.步骤1融合加速度计数据，构建特征向量
16.工业机器人手臂在进行生产制造时，末端振动的加速度可跨越8个数量级，因此需要获取大动态范围的加速度数据，以确保提取过程动作的可辨识特征，本发明采用轮询方式，采集3通道加数据并融合获得大动态范围加速度数据，然后对加速度数据进行去异常值、补缺失值预处理，通过时间序列滑动窗口生成事件样本，进行事件样本的特征提取，利用相关性分析等技术手段进行特征降维，得到特征向量。
17.所述步骤1包含以下3个子步骤：
18.步骤11：轮询采集并融合3个加速度传感器通道的数据。应当理解，融合的加速度数据仅用于构建事件样本，对精度要求较低，因此本发明的实施方式中，采用了基于阈值分割的均值数据融合滤波，该方法融合效率较高，但具体数据融合方法不限于此。均值数据融合滤波的具体表示如式(1)：
[0019][0020]
式中，a
out
为融合后的加速度数据，a
chi
为第通道的加速度数据，tli和thi分别为第i通道加速度传感器有效动态范围的下限和上限。
[0021]
步骤12：加速度数据预处理。本发明的实施方式在数据预处理阶段，利用实时滑窗四分位数检验法检测异常值，利用三次样条插值函数f
θ
(x)补全时间维度的缺失点或替换异常值，然后通过滑动窗口在时间序列数据上进行滑动采样，得到事件样本；
[0022]
实时滑窗四分位数检验法，要求实时滑窗宽度不小于4，具体方法为：查找上四分
位数uq和下四分位数lq，计算iqr＝uq-lq,定义大于uq+1.5iqr和小于lq-1.5iqr的数据为异常数据；
[0023]
三次样条填充值的表示如式(2)，式中f
θ
(x)为三次样条插值函数，t
miss
为时间维度上的数据缺失点。
[0024]
p(t
miss
)＝f
θ
(t
miss
)
ꢀꢀꢀꢀꢀ
式(2)
[0025]
步骤13：进行事件样本特征提取，主要包括统计特征、频域特征和能量特征等，但不限于此；进一步的，基于相关性分析等手段对已有特征降维与选择，组建特征向量；
[0026]
步骤2基于机器人手臂的过程动作对事件样本进行标注以组织训练数据集，训练分类预测模型，实时进行分类预测
[0027]
工业机器人手臂依照固定的工序流程动作，结合手臂末端机械振动的特征区分工序进程中的可辨识动作，建立动作类别空间m，基于该类别空间生成二维标签组[ay(l,l)]n，其中ay为第y个标签，l表示机器人手臂的动作类别(l∈m)，l表示当前动作的振动等级(即动态范围预切换阈值)，本发明的实施方式采用同址同姿3通道加速度传感器，因此，振动等级l∈(l1,l2,l3)的设置详见图2；通过此二维标签组标注事件样本，将标注值作为特征向量的附加维度，得到训练集其中n为训练样本数，f为特征维数，x
ab
为第a个样本的第b维特征，ya为第a个样本的标签；搭建机器学习算法工程框架并训练分类预测模型，本发明推荐采用高实时性的svm或knn算法，但不仅限于此；训练得到分类预测模型，实时通过步骤1的特征向量映射得到分类预测信息p(l,l)；
[0028]
步骤3基于分类预测信息进行加速度数据的通道决策与切换，输出最终加速度数据
[0029]
实时辨识步骤2的分类预测信息进行数据通道决策，引入工序过程动作序列组辅助决策；
[0030]
工序过程动作序列空间s的表示如式(3)，
[0031]
{s＝[lo,l
p
…
lq]}n∈s
ꢀꢀꢀꢀꢀ
式(3)
[0032]
其中，lo,l
p
,lq∈m
o,p,q＝0,1,2
…
，表示机器人手臂的任一动作类别，n为动作序列的个数。
[0033]
自适应数据通道决策算法的表示如式(4)，
[0034][0035]
式中，d
i+1
为第i+1帧离散化决策信息，d
i+1
不为零即视为有效决策，i表示第i个决策过程，lc为第i个决策过程中分类预测信息包含的振动等级信息，m代表匹配序列个数；函数sign(x)的表示如式(5)，用于决策信息的离散化映射；
[0036][0037]
式(4)中的为序列匹配预测项，函数sigmoid(x)的表示如式(6)，用于将动作序列匹配指数映射到0和1之间；
[0038][0039]
为动作序列匹配指数，其中，p
ij
是在第i个决策过程中，由第j个匹配序列sj解算出的匹配因子，p
ij
的解算过程如式(7)，match
ij
是第i个决策过程中与序列sj匹配的动作个数，考察范围lc至l
c-f
，l
c-f
代表第i-f个决策过程的动作，若i-f＜0默认动作匹配。l
ij
是第i个决策过程中，第j个匹配序列sj中下一个动作对应振动等级，函数f(x)的表示如式(8)，用于区分基于序列匹配振动等级信息l
ij
与预测信息lc相符性，若相符，正向增长分类预测的可信度，反之降低可信度。至此解算出序列匹配预测项；
[0040][0041][0042]
式(4)中的cig(a
mix
)为自适应项，ci为第i个决策过程的自适应因子，限定在0到1之间，其迭代公式如式(9)，δ是迭代更新的步长，函数h(a
min
,a
chi
)的表示如式(10)，用来确定迭代更新的方向，其中，a
mix
和a
chi
分别为融合加速度和当前通道i的加速度，εi为当前数据通道i绝对误差的典型值；
[0043]ci+1
＝[ci+δ
×
h(a
mix
,a
chi
)]∈(0,1)
ꢀꢀꢀꢀꢀ
式(9)
[0044][0045]
自适应项cig(a
mix
)中的g(x)函数表示如式(11)，当加速度传感器数据通道需要切换时，根据预切换的振动等级lc(动态范围预切换阈值)、当前振动等级li、融合加速度数值|a
mix
|的大小关系，解算出自适应调节因子g。至此进而解算出自适应项。
[0046][0047]
数据通道切换机可嵌入mcu实现软切换，也可以采用硬切换，通道切换机将根据通道切换决策d
i+1
，在进入数据通道切换区间时进行通道切换，数据通道切换的逻辑表达如式(12)，通道切换区的示意图如图2所示。
[0048][0049]
在切换过程中利用一阶卡尔曼滤波算法等数字信号处理技术，使得在通道切换瞬间加速度数据的平滑过度，至此，可测得低噪声宽频带高动态范围的加速度数据。
[0050]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0051]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术范围的限制。应当指出的是，对于本领域的普通技术人员来说，
在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。