基于PSO优化LSSVM的车用多维力传感器解耦方法与流程

本发明涉及多维力传感器相关方法领域，特别涉及基于pso优化lssvm的车用多维力传感器解耦方法。

背景技术：

汽车实际行驶过程中，车轮受到六维力(侧向力、垂直力、纵向力、侧倾力矩、横摆力矩、扭矩)的作用，这些力对汽车行驶状态的监测以及车辆控制有着重要的重要。传统方法使用各方向上的单维力测量传感器，轴向尺寸较大，安装所需空间较多，不能够满足车轮多维力测量的要求，因此汽车车轮多维力传感器(wheelforcetransducer)在汽车上的应用越来越广泛。车轮多维力传感器采用轮辐式结构与轮鼓与轮辆直接联接的弹性体，轮辐随车轮一起转动，车轮所受的各维载荷使弹性梁发生拉压和扭弯变形，通过测量点的选择及应变片布片和组桥，使各桥路输出直接对应各维载荷，从而实现多维力的测量。然而，由于车用多维力传感器一体化的弹性体结构以及制作加工工艺上的误差，使得传感器在不同维度方向的转换通道上，存在着不可避免的耦合，即维间耦合，这严重影响了传感器的测量精度，因此对车用多维力传感器进行解耦非常重要。基于最小二乘法的解耦方法在可以很好地解决线性解耦问题，但该方法在计算非线性解耦过程中，常常会出现数值精度不高、鲁棒性较差、易产生局部最优解等问题。基于神经网络的方法需要大量的标定样本进行训练，否则难以达到满意的解耦精度。

技术实现要素：

为了解决以上问题，本发明提供基于pso优化lssvm的车用多维力传感器解耦方法，建立最小二乘支持向量机解耦模型，并使用pso(粒子群算法)全局搜索最优的特性优化最小二乘支持向量机的参数，使最小二乘支持向量机解耦模型具有良好的收敛性和适应性，使得多维力传感器具有较好的测量精度，以符合实际应用需求。为达此目的：

本发明基于pso优化lssvm的车用多维力传感器解耦方法，具体步骤如下；

step1：采集车用多维力传感器的标定数据；

将车用多维力传感器和载荷加载器安装在标定总支架台上，载荷加载器给传感器施加不同维度的压力和扭矩，每次加载可以精确获得各个维度载荷值并记录，施加荷载后传感器内部弹性体发生形变，并经信号放大电路产生相应的差分电压信号，分别对应六个维度分量的电压信号，多信号数据采集卡收集各路的电压信号，经a/d转换后将六分量的数据上传到标定平台的上位机，记录对应的六维电压信号，将采集的数据作为原始样本集，原始样本集可表示为π＝(x^u,y^f)，其中，对应于每次加载传感器各路产生的电压信号，作为车用多维力传感器标定解耦网络模型的输入量，y^f＝(fx,fy,fz,mx,my,mz)对应于每次加载在传感器各个维度的实际载荷量，作为车用多维力传感器标定解耦网络模型的输出量；

step2：搭建车用多维力传感器解耦的最小二乘支持向量机模型；

由在力解耦之前需要将力和力矩数据(fx,fy,fz,mx,my,mz)进行归一化处理，得到归一化的数据分别表示6个力/力矩归一化处理后的值，即

其中，为力/力矩归一化后的值；yi为第i个力/力矩的原始值，ymax，ymin分别为yi中的最大值和最小值；

则归一化的力和力矩数据组成的样本数据集其中xi为输入向量，表示第i个样本的电压信号向量yi为输出向量，表示第i个样本归一化后的加载载荷向量l为样本个数；

建立基于最小二乘支持向量机车用多维力传感器的解耦模型为

其中，w为可调权值向量，为转换函数，b为偏置量；

基于统计理论，最小二乘支持向量机模型通过以下目标数极小化确定回归函数：

其中，γ为正则化参数，ei为误差，上式代入拉式乘子，可得；

为求解该式，对该式各变量进行偏导并赋值导数为0，

消去w和e，可求解出λi和b。则此时解耦模型为

其中k(xi,x)为核函数，选取核函数为径向基函数，表达式为

将力/力矩和电压信号代入，则最终建立的基于最小二乘支持向量机车用多维力传感器的解耦模型为

step3：pso算法优化训练获得最优车用多维力传感器解耦模型；

在step2建立的基于最小二乘支持向量机车用多维力传感器的解耦模型中，σ和γ的数值大小对模型的精度有重大影响，采取粒子群算法去优化模型中的σ和γ；

step4：基于最优多维力传感器解耦模型测试

在建立了最优的pso-最小二乘支持向量机车用多维力传感器解耦模型后，实时采集车用多维力传感器的各路电源信号，通过pso-最小二乘支持向量机模型计算得出相应的再由反归一化获得最终的多维力结果(fx,fy,fz,mx,my,mz)。

作为本发明进一步改进，所述pso算法为是一种进化计算技术，基本思想是通过群体中个体之间的协作和信息共享来寻找最优解，具体步骤如下；

首先采用实数编码方式，在创建的每个个体为2维的向量个体；

选取种群大小和迭代次数，确定位置边界[xmin,xmax]和速度边界[vmin,vmax]，随机初始化群体中每个粒子的位置和速度，以粒子作为σ和γ结合样本集进行训练，计算适应度值其中，l为训练样本数量，为第i个样本的第j个力维度输出期望值，为第i个样本的第j个力维度输出实际值；

同时，得出个体最优位置pp和群体最优位置pg以及它们对应的个体极值和群体极值，更新粒子速度vi,k+1＝wvi,k+c1r1(pp,k-xi,k)+c2r2(pg,k-xi,k)，其中vi,k+1为第k次迭代中第i个粒子的速度，c1、c2分别为加速因子，r1、r2为0-1之间的随机数，若计算的值超出速度范围[vmin,vmax]则用边界值代替，更新粒子位置xi,k+1＝xi,k+vi,k+1，其中，xi,k+1为第k次迭代中第i个粒子的位置，若计算的值超出速度范围[xmin,xmax]则用边界值代替，重新计算适应度值后，更新极值对应的例子位置，若误差达到精度要求则结束pso寻优，得出寻优后的最优粒子位置作为优化后的车用多维力传感器的解耦模型的σ和γ，并结合样本集进行训练，得出最优的pso-最小二乘支持向量机车用多维力传感器解耦模型。

本申请基于pso优化lssvm的车用多维力传感器解耦方法，具体优点如下：

1)通过建立最小二乘支持向量机模型，突破各维度力或力矩多耦合、高度非线性关系的限制，提高多维力传感器的解耦能力，增强了多维力传感器的实用性；另一方面，本发明对标定样本集的大小并不敏感，可适应小标定样本集。

2)本方法利用粒子群算法全局搜索最优的特性对最小二乘支持向量机模型进行改进优化，使模型具有良好的收敛性和适应性，具有较好的泛化能力；

3)本发明提出的多维力传感器解耦方法与传统的方法相比具有，具有较好的解耦精度，解耦性能更好。

附图说明

图1本发明基于pso优化最小二乘支持向量机的车用多维力传感器标定解耦方法示意图；

图2本发明基于pso优化最小二乘支持向量机的车用多维力传感器解耦最优模型的训练算法示意图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提供基于pso优化lssvm的车用多维力传感器解耦方法，建立最小二乘支持向量机解耦模型，并使用pso(粒子群算法)全局搜索最优的特性优化最小二乘支持向量机的参数，使最小二乘支持向量机解耦模型具有良好的收敛性和适应性，使得多维力传感器具有较好的测量精度，以符合实际应用需求。

作为本发明一种实施例，其中基于pso优化最小二乘支持向量机的车用多维力传感器标定解耦方法示意图，图2本发明基于pso优化最小二乘支持向量机的车用多维力传感器解耦最优模型的训练算法示意图。

step1：采集车用多维力传感器的标定数据；

将车用多维力传感器和载荷加载器安装在标定总支架台上，载荷加载器给传感器施加不同维度的压力和扭矩，每次加载可以精确获得各个维度载荷值并记录。施加荷载后传感器内部弹性体发生形变，并经信号放大电路产生相应的差分电压信号，分别对应六个维度分量的电压信号。多信号数据采集卡收集各路的电压信号，经a/d转换后将六分量的数据上传到标定平台的上位机。

根据传感器的测量范围，在各个维度分成若干个等间距测量点(平均分布在测量范围)，多次调整各个维度载荷施加的大小和组合，并记录对应的六维电压信号，将采集的数据作为原始样本集。原始样本集可表示为∏＝(x^u,y^f)，其中，对应于每次加载传感器各路产生的电压信号，作为车用多维力传感器标定解耦网络模型的输入量，y^f＝(fx,fy,fz,mx,my,mz)对应于每次加载在传感器各个维度的实际载荷量，作为车用多维力传感器标定解耦网络模型的输出量。

step2：搭建车用多维力传感器解耦的最小二乘支持向量机模型；

由于三个方向力的大小和三个方向力矩的大小往往相差多个数量级，因而在力解耦之前需要将力和力矩数据(fx,fy,fz,mx,my,mz)进行归一化处理。采用最大最小值归一化法，得到归一化的数据分别表示6个力/力矩归一化处理后的值，即

其中，为力/力矩归一化后的值；yi为第i个力/力矩的原始值，ymax，ymin分别为yi中的最大值和最小值。则归一化的力和力矩数据组成的样本数据集其中xi为输入向量，表示第i个样本的电压信号向量yi为输出向量，表示第i个样本归一化后的加载载荷向量l为样本个数。

建立基于最小二乘支持向量机车用多维力传感器的解耦模型为

其中，w为可调权值向量，为转换函数，b为偏置量。

基于统计理论，最小二乘支持向量机模型通过以下目标数极小化确定回归函数：

其中，γ为正则化参数，ei为误差。上式代入拉式乘子，可得

为求解该式，对该式各变量进行偏导并赋值导数为0，

消去w和e，可求解出λi和b。则此时解耦模型为

其中k(xi,x)为核函数，本发明选取核函数为径向基函数，表达式为σ为核参数。将力/力矩和电压信号代入，则最终建立的基于最小二乘支持向量机车用多维力传感器的解耦模型为

step3：pso算法优化训练获得最优车用多维力传感器解耦模型；

在step2建立的基于最小二乘支持向量机车用多维力传感器的解耦模型中，核参数σ和正则化参数γ的数值大小对模型的精度有重大影响，本发明采取粒子群算法(pso算法)去优化模型中的σ和γ。所述pso算法为是一种进化计算技术(evolutionarycomputation)，源于对鸟群捕食的行为研究，其基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。首先采用实数编码方式，在创建的每个个体为2维的向量个体。选取种群大小为20，迭代次数为50。确定位置边界[xmin,xmax]和速度边界[vmin,vmax]，随机初始化群体中每个粒子的位置和速度。以粒子作为σ和γ结合样本集进行训练，计算适应度值其中，l为训练样本数量，为第i个样本的第j个力维度输出期望值，为第i个样本的第j个力维度输出实际值。同时，得出个体最优位置pp和群体最优位置pg以及它们对应的个体极值和群体极值。更新粒子速度vi,k+1＝wvi,k+c1r1(pp,k-xi,k)+c2r2(pg,k-xi,k)，其中vi,k+1为第k次迭代中第i个粒子的速度，c1、c2分别为加速因子，r1、r2为0-1之间的随机数，若计算的值超出速度范围[vmin,vmax]则用边界值代替。更新粒子位置xi,k+1＝xi,k+vi,k+1，其中，xi,k+1为第k次迭代中第i个粒子的位置，若计算的值超出速度范围[xmin,xmax]则用边界值代替。重新计算适应度值后，更新极值对应的例子位置，若误差达到精度要求则结束pso寻优，得出寻优后的最优粒子位置作为优化后的车用多维力传感器的解耦模型的σ和γ，并结合样本集进行训练，得出最优的pso-最小二乘支持向量机车用多维力传感器解耦模型。整个模型算法基于matlab平台编写程序，并在该平台上载入样本数据训练和测试。

step4：基于最优多维力传感器解耦模型测试

在建立了最优的pso-最小二乘支持向量机车用多维力传感器解耦模型后，实时采集车用多维力传感器的各路电源信号，通过pso-最小二乘支持向量机模型计算得出相应的再由反归一化获得最终的多维力结果(fx,fy,fz,mx,my,mz)。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。