[发明专利]胎-路接触三向力传感器解耦模型确定方法

说明书

本发明提供一种胎‑路接触三向力传感器解耦模型确定方法包括建立胎‑路接触三向力传感器解耦模型的人工神经网络结构，包括输入层隐藏层和输出层输入层和隐藏层激活函数为ReLU；采用Adam学习率自适应优化算法基于优化参数调整人工神经网络结构参数获得优化后胎‑路接触三向力传感器解耦模型优化参数包括以下至少一项：步长矩估计指数衰减速率用于数值稳定小常数和下降梯度采用批量更新方法基于训练数据迭代更新胎‑路接触三向力传感器解耦模型参数直至损失函数MSE值持续递减获得用于实际测量中解耦胎‑路接触三向力传感器解耦模型训练数据包括胎‑路接触三向力传感器三个方向分别对应输入载荷量分别对应各自期望输出电信号。

技术领域

本发明涉及解耦技术领域，尤其涉及一种胎-路接触三向力传感器解耦模型确定方法。

背景技术

由于胎-路接触三向力测量系统的传感器的机械加工精度、结构设计原理等因素影响，可能出现传感器维间耦合现象，即力信号与应变桥的输出信号之间存在着较强的耦合作用，使传感器系统的整体测量精度受到影响，要提高胎-路接触三向力测量系统的测量精度，降低维间耦合至关重要。

目前，降低维间耦合的方法主要有基于耦合误差建模的静态解耦算法、径向基函数(RBF，Radial basis function)神经网络的解耦算法等。由于传感器实际输出量并不是纯线性的，所以采用静态解耦算法即线性解耦虽然能够一定程度上减少传感器的干扰误差，但是解耦效果并不理想；而径向基函数(RBF)神经网络遍历所有样本点时，如果样本点出现噪声，会使其泛化能力下降。

因此，如何提升解耦准确性、稳定性，从而显著提升胎-路三向力传感器测量系统的测量精度，成为亟需解决的问题。

发明内容

本发明提供一种胎-路接触三向力传感器解耦模型确定方法，用以解决现有技术中对检测装置线性度的依赖度较高，解耦结果不准确、效果不稳定，可能导致解耦结果梯度爆炸及梯度消失等问题的缺陷，实现提高解耦准确性、稳定性，从而显著提升胎-路三向力传感器测量系统的测量精度。

本发明提供一种胎-路接触三向力传感器解耦模型确定方法，包括：

建立胎-路接触三向力传感器解耦模型的人工神经网络结构，所述人工神经网络结构包括输入层、隐藏层和输出层，所述输入层和所述隐藏层的激活函数为ReLU激活函数；

采用Adam学习率自适应的优化算法，基于优化参数，调整所述人工神经网络结构的参数，获得优化后的胎-路接触三向力传感器解耦模型，其中，所述优化参数包括以下至少一项：步长、矩估计的指数衰减速率、用于数值稳定的小常数、和下降梯度；

采用批量更新方法，基于训练数据，迭代更新所述胎-路接触三向力传感器解耦模型的参数，直至损失函数MSE的值持续递减，获得用于在胎-路接触三向力的实际测量中解耦的胎-路接触三向力传感器解耦模型，其中，所述训练数据包括胎-路接触三向力传感器的三个方向分别对应的输入载荷量，所述三个方向分别对应的输入载荷量分别对应各自的期望输出电信号。

根据本发明提供的一种胎-路接触三向力传感器解耦模型确定方法，所述采用批量更新方法，基于训练数据，迭代更新所述胎-路接触三向力传感器解耦模型的参数，直至损失函数MSE的值持续递减，获得用于在胎-路接触三向力的实际测量中解耦的胎-路接触三向力传感器解耦模型，包括：

执行多次参数更新过程，获得多个参数更新过程中分别获得的MSE值，在确定MSE的值持续递减的情况下，停止执行参数更新过程，基于最后一次执行的参数更新过程中更新的胎-路接触三向力传感器解耦模型，确定所述用于在胎-路接触三向力的实际测量中解耦的胎-路接触三向力传感器解耦模型；

其中，所述参数更新过程包括：从训练集中三个方向的训练数据中各选择n个输入载荷量，并在三个方向分别进行单轴加载，检测输出电信号数据，根据所述输出电信号数据和所述输入载荷量分别对应的期望输出电信号，获取MSE值。