[发明专利]基于机器学习的多维力传感器静态校准数据处理方法

说明书

本发明提供基于机器学习的多维力传感器静态校准数据处理方法，包括：S1:构建学习模型、数据偏差模型、以及用于评估学习模型中函数关系精准度的训练模型；S2:对所述学习模型输入校准电压值集合，以生成模拟输出量，所述模拟输出量包括输出力以及输出力矩中的至少一种；S3:将学习模型生成的模拟输出量导入数据偏差模型，通过数据偏差模型使模拟输出量分别与相应的校准量进行比较，以获取数据偏差；S4:将所述数据偏差输入训练模型，通过训练模型生成参数更新量；S5:将所述参数更新量导入学习模型，使学习模型进行函数关系的调整；重复S2:S5以上步骤，直到所述学习模型中函数关系达到预设的拟合程度。本发明有效提高了静态校准的效率以及精度。

技术领域

本发明涉及基于机器学习的多维力传感器静态校准数据处理方法。

背景技术

模拟风场是进行空气动力学研究与飞行器研制的最基本的试验设备。测力试验是模拟风场实验中最基本的实验项目。多维力传感器是测力试验中最重要的测量装置，用于测量作用在模型上的空气动力载荷(力和力矩)的大小、方向与作用点。多维力传感器在进行模拟风场试验前需要静态校准，多维力传感器校准就是模拟多维力传感器的实际工作状态对多维力传感器进行标定，得出多维力传感器的测量精度，鉴定多维力传感器的性能，为多维力传感器的后期测试数据提供必要的技术依据。

多维力传感器由弹性元件、应变计与测量电路(测量电桥)组成。模拟风场测力实验时，多维力传感器承受作用在模型上的载荷，并且把它传递到支撑系统上。弹性元件在空气动力载荷作用下产生变形，其应变与外力大小成正比。粘贴在弹性元件表面的应变计也同时产生变形，使其电阻值发生变化，有一个增量，这个电阻增量由应变计组成的惠斯顿全桥测量电路把它转换成电压增量，该电压增量值与多维力传感器所承受的空气动力载荷值成正比。将电压信号通过A/D转换后，输入到计算机上进行处理，即可得到作用在模型上的力与力矩。

多维力传感器校准是多维力传感器研制过程的最重要环节，校准装置和方法对多维力传感器校准效率和未来使用测量精准度有重要影响。对于一台新设计或重新粘贴应变计的多维力传感器来说，静校尤为重要，但是静校的过程中要考虑环境温度、加温装置，实验舱，加载系统，数据采集系统等因素，过程复杂且需要有丰富经验的调校经验，因而效率有待进一步提高。

有鉴于此，本发明人专门设计了基于机器学习的多维力传感器静态校准数据处理方法，本案由此产生。

发明内容

为了解决上述问题，本发明的技术方案如下：

基于机器学习的多维力传感器静态校准数据处理方法，包括：

S1:构建学习模型、数据偏差模型、以及用于评估学习模型中函数关系精准度的训练模型；

S2:对学习模型输入校准电压值集合，以生成模拟输出量，模拟输出量包括输出力以及输出力矩中的至少一种；

S3:将学习模型生成的模拟输出量导入数据偏差模型，通过数据偏差模型使模拟输出量分别与相应的校准量进行比较，以获取数据偏差；

S4:将数据偏差输入训练模型，通过训练模型生成参数更新量；

S5:将参数更新量导入学习模型，使学习模型进行函数关系的调整；

S6:重复S2-S5，直到学习模型中函数关系达到预设的拟合程度。

在一些实施例中，构建学习模型包括：基于神经网络的输入层、隐藏层以及输出层构建学习模型，输入层用于输入校准电压值集合，隐藏层用于处理校准电压值集合，并生成相应的输出力、输出力矩至输出层。

在一些实施例中，基于神经网络的输入层、隐藏层以及输出层构建学习模型包括：将校准电压值集合设为六分量的校准电压值集合并导入至输入层；通过隐藏层实现校准电压值到输出力以及输出力矩的映射。