一种基于PINN方法与多任务学习的多维力传感器解耦方法

本发明属于控制工程和传感器，具体涉及一种基于pinn方法与多任务学习的多维力传感器解耦方法。

背景技术：

1、目前多维力传感器广泛应用于基于力触觉的类人机器人、汽车、航空航天、等领域。应用于不同领域拥有不同结构类型的多维力传感器的研究从未间断，从传感器弹性体结构优化到法兰和壳体的封装工艺以及敏感元件选型和粘贴工艺，再到解耦算法和标定装置的个性化设计都是研发难点。相对于单轴传感器，多维力传感器由于耦合效应的存在使其精度存在明显的缺陷。而面对如今工业界，航空航天航海领域对多维力传感器的使用场景提出的新的需求，微型化/重型化，集成智能化，仿生化，包括传感器的动态响应都是多维力传感器面临的挑战和机遇。

2、此外对于传感器本身也存在以下几类问题：比如耦合问题：多维力传感器中的力和力矩往往存在耦合关系，即不同维度之间相互影响。施加力矩可能会影响到力的测量结果，而测量到的力也可能受到力矩的干扰。因此，如何准确地解耦力和力矩成为一个重要的挑战；在实际应用中，多维力传感器还经常面临复杂的环境条件，例如背景噪声、非线性系统以及物体的形变和刚度变化等。这些因素可能会导致传感器数据的不准确性和不稳定性，增加了解耦算法的复杂性和挑战性；得到数据后，多维力传感器产生的原始数据往往包含噪声和干扰；在标定和测量过程中加载系统又存在难以避免的偏载现象。在解耦算法中，需要进行有效的数据预处理，包括滤波、去噪和数据校准等。如何选择适当的数据预处理方法，并在预处理过程中保持力和力矩的准确度也是一个需要解决的问题；并且这一系列问题在解耦过程中彼此间均会相互产生进一步的影响。

3、总而言之，多维力传感器的高适用性解耦一直是困扰工程界的一大难题，而物理模型解耦和数学模型解耦均存在极大的限制，近年来基于机器学习的解耦方法也通常将其当作黑盒子进行粗暴的解耦尝试。而随着工业的发展制造业技术的不断提高，对高精度、高稳定性、高适用性的多维力传感器解耦方法的需求也在迫切增加。

4、综上，目前仍然缺乏一种综合性解决方案，能够同时应对各个领域的挑战，从而实现对多维力传感器解耦各方面问题的全面解决。

技术实现思路

1、本发明针对现有技术的不足，提供了一种基于pinn方法与多任务学习的多维力传感器解耦方法，实现对多维力传感器的高精度、高环境适用性解耦。

2、本发明采用的技术方案如下：

3、一种基于pinn方法与多任务学习的多维力传感器解耦方法，包括以下步骤：

4、1)通过加载平台进行单轴实验获得多维力传感器应变片的电信号数据；

5、2)对步骤1)采集的数据进行归一化处理；

6、3)利用pinn方法，结合步骤2)处理后的所述加载平台的单轴实验数据，对多任务学习解耦模型进行标定；在该步骤中，利用基于pinn方法得到的最优解耦矩阵对多任务学习解耦模型中的部分固定参数进行标定，具体是将得到的最优解耦矩阵与模型训练过程中得到的最优解耦矩阵进行替换，然后再进行解耦；该步骤的目的是补偿实验加载平台中的系统误差。误差来源包括多维力传感器装配误差与加载平台误差；此步骤中的pinn方法，在不同加载系统中需要重新进行训练。

7、4)对所述加载平台进行复杂组合工况的加载实验获得多维力传感器应变片的电信号数据，并基于标定后的多任务学习解耦模型对归一化处理后的电信号数据进行解耦得到载荷信息。

8、上述技术方案中，进一步地，所述多任务学习解耦模型的构建过程为：

9、根据传感器变形体结构建立数学模型；基于所述数学模型构建神经网络解耦结构，所述神经网络解耦结构为多任务学习共享层；分别在所述神经网络解耦结构的输入部分和输出部分加入多任务学习非共享层输入模块和多任务学习非共享层输出模块，并根据任务类型设置通道数量；

10、所述多任务学习解耦模型的训练过程为：

11、(1)数据采集：针对多组不同工况，通过有限元仿真获取传感器载荷与应变片的应变数据；通过实验获得传感器载荷信息和应变片的电信号数据；其中所述实验包括单轴加载实验、和复杂组合工况或复杂环境下的加载实验等。

12、(2)对步骤(1)采集的数据进行归一化处理；

13、(3)基于数学模型，根据最小二乘法和步骤(2)处理后的有限元仿真数据求解理论解耦矩阵cfem；

14、(4)采用pinn方法，结合步骤(2)处理后的单轴加载实验数据对理论解耦矩阵cfem进行优化，得到最优解耦矩阵cpinn。该最优解耦矩阵能够排除标定实验过程中的系统误差干扰，足以满足正常的多维力传感器解耦需求。

15、(5)基于最优解耦矩阵中元素初步优化神经网络解耦结构；

16、(6)通过步骤(2)处理后的复杂组合工况或复杂环境下的加载实验数据进一步优化所述神经网络解耦结构及其参数、以及多任务学习非共享层输入模块结构及其参数和多任务学习非共享层输出模块结构及其参数，得到训练好的多任务学习解耦模型。该多任务学习解耦模型可针对性提升对复杂组合工况的高适应性解耦。

17、进一步地，所述步骤3)中，利用pinn方法，结合步骤2)处理后的所述加载平台的单轴实验数据，对多任务学习解耦模型进行标定；具体方法为：

18、(1)通过有限元仿真获取传感器载荷与应变片的应变数据；

19、(2)对步骤(1)采集的数据进行归一化处理；

20、(3)基于所述加载平台对应的数学模型，根据最小二乘法和步骤(2)所得有限元仿真数据求解理论解耦矩阵；

21、(4)采用pinn方法，结合步骤2)处理后的所述加载平台的单轴实验数据对理论解耦矩阵进行优化，得到最优解耦矩阵；

22、(5)利用所述最优解耦矩阵与所述多任务学习解耦模型中的最优解耦矩阵进行替换。

23、进一步地，所述归一化处理用于将数据转换为特定的范围或标准化形式，从而消除不同特征之间的量纲差异。

24、进一步地，所述步骤(3)中，基于数学模型，根据最小二乘法和步骤(2)所得数据求解解耦矩阵，所述解耦矩阵cfem具体为：

25、cfem＝ffemxfemt(xfemxfemt)-1

26、其中：

27、

28、

29、其中，fx、fy、fz、mx、my、mz分别为x方向的轴力、y方向的轴力、z方向上的轴力、x方向的力矩、y方向的力矩、z方向上的力矩，x1、x2、x3、x4、x5、x6分别为根据fx、fy、fz、mx、my、mz六个应变敏感方向单轴加载时传感器变形体变形敏感位置得到的对应应变片的电信号组合，k1、k2、k3、k4、k5、k6均为常数，采用最小二乘法拟合得到；s1、s2、s3...

30、s16分别为通过有限元仿真得到的16个应变片对应位置的应变。

31、进一步地，所述步骤(4)中，采用pinn方法，结合步骤(2)处理后的单轴实验数据对理论解耦矩阵cfem进行优化，得到最优解耦矩阵cpinn；采用公式表示如下：

32、cpinn＝λ1·λ2·λ3·cfem·d-1

33、d·fexpt＝λ1·λ2·λ3cfem·xexpt

34、

35、其中，fexpt和xexpt分别为加载实验中的载荷信息与电信信号信息；cfem为步骤(3)所得理论解耦矩阵；d表示旋转矩阵r的组合，可以对载荷方向进行旋转；r为3×3的旋转矩阵，表示载荷的偏转；λ1、λ2、λ3表示大小为6×6、6×n、n×m、m×6的修正系数矩阵；n和m分别表示中间矩阵的行列数量，为待求参数。利用物理约束神经网络(pinn)方法优化理论解耦矩阵。该过程不需要复杂的加载工况，只需单次或少次单轴加载即可。

36、进一步地，pinn方法的损失函数由两部分组成：

37、loss＝α1lossphysics+α2lossdata

38、其中，loss是总损失，α1、α2是权衡物理约束项lossphysics和数据拟合项lossdata的超参数，用于调整两部分损失在整体损失中的重要性。

39、数据拟合项lossdata：用于确保解耦矩阵能够准确地逼近观测数据，具体表示为：

40、lossdata＝||d·fexpt-λ1·λ2·λ3cfem·xexpt||2

41、物理约束项lossphysics：在多维力传感器的常见误差分析中，偏载是误差的主要来源且不易补偿，因此将偏载单独作为一个补偿系数进行优化；由于d为旋转矩阵r的组合，故其也满足旋转矩阵的性质，因此用旋转矩阵的正交性作为物理约束项，具体表示为：

42、lossphysics＝||i-dtd||2

43、其中，i为单位矩阵。

44、因此，本发明通过pinn方法求解修正系数矩阵d、λ1、λ2、λ3，即可得到最优解耦矩阵cpinn。

45、进一步地，在所述多任务学习模型的训练过程中，多任务学习非共享层输入模块和多任务学习非共享层输出模块的参数独立于多任务学习共享层，且多任务学习非共享层输入模块和多任务学习非共享层输出模块的各通道的参数在训练过程中受各自损失函数约束又同时受总损失函数所约束。

46、本发明还提供一种基于pinn方法与多任务学习的多维力传感器解耦装置，该装置包括数据采集模块、数据归一化处理模块、pinn优化模块和多任务学习解耦模块。

47、所述数据采集模块用于在加载平台进行加载实验时采集应变片的电信号数据。

48、所述数据归一化处理模块，用于对所述数据采集模块采集的数据进行归一化处理，目的是将数据转换为特定的范围或标准化形式，从而消除不同特征之间的量纲差异。同时这也可以避免特征值的过大过小而一起的不稳定性，从而加快模型的收敛速度和优化过程。

49、所述pinn优化模块用于进行对所述多任务学习解耦模块中的部分固定参数进行标定，具体是通过预加载计算加载系统中的最优解耦矩阵，对多任务学习解耦模块中的最优解耦矩阵参数进行替换实现的。因为传感器装配过程、实验加载过程中存在各种可能的误差，标定后的pinn优化模块可以补偿加载系统中存在的误差，满足大部分工业传感器解耦需求。

50、所述多任务学习解耦模块包括多任务学习非共享层输入模块、神经网络解耦结构以及多任务学习非共享层输出模块。所述神经网络解耦结构用于对所述多任务学习非共享层输入模块处理后的数据信号进行解耦，得到载荷信息。所述神经网络解耦结构为多任务学习共享层，作为具有解耦功能的核心神经网络结构，用于实现解耦过程。在模型的训练过程中，基于解耦矩阵中的元素优化神经网络解耦结构，且该模块各通道共用一套神经网络模型参数。多任务学习解耦模块主要用于针对性提升对复杂组合工况/环境的高适应性解耦。

51、所述多任务学习非共享层输入模块用于对归一化处理后的多组不同工况下的数据信号进行处理。所述多任务学习非共享层输入模块，相较于传统机器学习解耦方法，可以同时输入多组不同工况下的数据信号，每组信号分别通过各自输入通道进入多任务学习共享层(即神经网络解耦结构)再流出各自输出通道，各通道拥有独立的模型参数。在模型的训练过程中，先训练各通道的参数，然后在此基础上进一步优化该模块的神经网络结构。

52、所述多任务学习非共享层输出模块用于对所述神经网络解耦结构解耦后的载荷信息进行处理并输出，得到最终的载荷信息。所述多任务学习非共享层输出模块，从多任务学习共享层流出的数据会各自分别进入对应输出通道，各通道拥有独立的模型参数。在模型的训练过程中，先训练各通道的参数，然后在此基础上进一步优化该模块神经网络结构。

53、进一步地，在所述多任务学习非共享层输入模块和多任务学习非共享层输出模块中，其功能是对神经网络解耦结构向前或向后加深拓展，区别在于这两个模块参数独立于共享层，各通道在机器学习过程中独自训练。最终所有通道数据在受各自目标函数约束优化的基础上又同时受总目标函数所约束。

54、该方法通过在多个任务上共同训练模型中所指代工况不局限于工程环境、加载类型组合、标定或实验误差源组合等形式。

55、本发明提供的上述技术方案至少具有以下有益效果：

56、本发明提出了一种基于pinn方法与多任务学习的多维力传感器解耦方法，基于pinn方法与多任务学习解耦模型实现，可以在神经网络解耦方法优势的基础上，补偿系统误差，提高模型的泛化能力。通过在多个任务上共同训练模型，可以减少过拟合的风险，使模型更具有鲁棒性，并且综合性的提高各种载荷类型下的解耦精度，与现有技术相比，具有如下重要进步：

57、1)提出了一种针对传感器物理变形特征及其数学模型定制神经网格结构的神经网络构建方法，提高了六维力传感器神经网络解耦模型(即多任务学习解耦模型)的构建效率与准确性。六维力传感器的高适用性解耦一直是困扰工程界的一大难题，而物理模型解耦和数学模型解耦均存在极大的限制，近年来基于机器学习的解耦方法也通常将其当作黑盒子进行粗暴的解耦尝试，因此本发明基于传感器变形特性及其数学模型设计神经网络结构这一方法，具有重要的工程价值。

58、2)该方法通过在多个任务上共同训练模型，可以使同一传感器在不同工况下进行标定，实现单一传感器对多工况场景的适用。

59、3)同时该方法通过在多个任务上共同训练模型，多工况数据标定还可以进一步综合提高解耦精度，提升解耦方法的鲁棒性与泛化性。

60、4)该方法通过在多个任务上共同训练模型，可以避免单一工况下标定过程中的过拟合风险，进一步提高解耦方法的可靠性。

61、5)该方法通过在多个任务上共同训练模型，即使只针对单一工况标定，也可以通过将数据分组学习，加快整个模型训练过程的同时提高解耦精度。

62、6)将最小二乘法与pinn方法作为多任务学习解耦方法的一部分，在进行多任务学习训练之前进行预解耦，将所得最优理论解耦矩阵作为多任务学习神经网络的初始参数，极大提高训练速度的同时，提升解耦精度。

63、7)本发明首次提出，在模型训练与解耦过程中通过所述pinn方法分别得到的两个最优解耦矩阵，用于排除模型训练加载实验与解耦实验过程中的环境误差干扰，保证后续多任务学习方法所得参数均为多维力传感器对复杂组合工况的适应性参数。进一步排除环境干扰，提升解耦精度。