朱文超,許德章,方 濤

(安徽工程大學(xué)機(jī)械與汽車工程學(xué)院,安徽蕪湖241000)

分層優(yōu)化PF在六維力傳感器下E型膜中的應(yīng)用

朱文超,許德章,方 濤

(安徽工程大學(xué)機(jī)械與汽車工程學(xué)院,安徽蕪湖241000)

針對(duì)動(dòng)載環(huán)境下,噪聲污染導(dǎo)致六維力傳感器測(cè)量精度急劇下降的問(wèn)題,提出一種具有分層優(yōu)化步驟的改進(jìn)粒子濾波算法。以雙E型彈性體六維力傳感器下E型膜為研究對(duì)象,根據(jù)正弦激勵(lì)力響應(yīng)和應(yīng)變的關(guān)系,建立非線性系統(tǒng)模型。在粒子濾波的框架下,將樣本集按權(quán)值的蛻化程度分層,引入野草繁殖算法,將最新的觀測(cè)信息融入高權(quán)值子集?；赥hompson-Taylor算法,通過(guò)聚合重采樣將高、低權(quán)值粒子隨機(jī)組合,產(chǎn)生中權(quán)值粒子集。將優(yōu)化后的粒子濾波算法在六維力傳感器動(dòng)態(tài)測(cè)試系統(tǒng)中進(jìn)行仿真研究,結(jié)果表明,該算法能以更小的估計(jì)誤差貼近真實(shí)后驗(yàn)概率密度,在保持實(shí)時(shí)性的同時(shí),有效地提高六維力傳感器的測(cè)量精度。

雙E型彈性體;六維力傳感器;下E型膜;粒子濾波;野草繁殖算法;Thompson-Taylor算法

1 概述

電阻應(yīng)變片式六維力傳感器的測(cè)量原理是彈性體表面應(yīng)變轉(zhuǎn)換為應(yīng)變片阻值的變化,通過(guò)惠斯頓電橋輸出便于測(cè)量的電信號(hào)。雙E型彈性體六維力傳感器采用組合梁結(jié)構(gòu)來(lái)探測(cè)空間6個(gè)方向的力和力矩。但由于電阻應(yīng)變片熱噪聲、放大電路以及電路周圍的電磁干擾源等原因,導(dǎo)致原始信號(hào)在傳輸、轉(zhuǎn)換、采集過(guò)程中不可避免地混入噪聲信號(hào),嚴(yán)重影響了傳感器的測(cè)量精度和分辨率[1]。再加上電橋輸出信號(hào)弱,放大電路放大倍數(shù)高,有用信號(hào)很容易被噪聲信號(hào)淹沒(méi),故有效地濾除隨機(jī)干擾和測(cè)量噪聲對(duì)傳感器課題的研究至關(guān)重要。

借助有用信號(hào)的規(guī)律性、噪聲信號(hào)隨機(jī)性特征,運(yùn)用統(tǒng)計(jì)學(xué)最優(yōu)估計(jì)理論,濾除噪聲信號(hào)是現(xiàn)代信號(hào)處理技術(shù)研究的熱點(diǎn)之一[2]。國(guó)內(nèi)外專家試圖運(yùn)用粒子濾波適用性廣泛、多模態(tài)處理能力強(qiáng)的特點(diǎn),解決強(qiáng)非線性動(dòng)態(tài)系統(tǒng)的狀態(tài)估計(jì)問(wèn)題。文獻(xiàn)[3-4]針對(duì)移動(dòng)機(jī)器人的運(yùn)動(dòng)控制及無(wú)人機(jī)組合導(dǎo)航問(wèn)題,橫向?qū)Ρ攘朔蔷€性卡爾曼濾波與粒子濾波的性能。結(jié)果顯示,對(duì)于強(qiáng)非線性系統(tǒng)模型來(lái)說(shuō),當(dāng)粒子數(shù)目達(dá)到閾值時(shí),粒子濾波的估計(jì)精度要遠(yuǎn)高于非線性卡爾曼濾波。但隨著時(shí)間的增加,粒子蛻化與貧化問(wèn)題可能導(dǎo)致濾波精度大幅度降低,甚至出現(xiàn)發(fā)散現(xiàn)象。文獻(xiàn)[5-6]分別利用擴(kuò)展卡爾曼粒子濾波算法與自適應(yīng)Unscented粒子算法構(gòu)造重要性密度函數(shù),提高了算法的估計(jì)精度,減小了權(quán)值蛻化速度,并將其應(yīng)用到編隊(duì)衛(wèi)星相對(duì)軌道的確定以及紅外弱小目標(biāo)跟蹤問(wèn)題中,獲得了較好的估計(jì)效果。然而上述2種算法均遵循傳統(tǒng)重采樣原則,經(jīng)過(guò)多次迭代后樣本多樣性的喪失仍無(wú)法避免。文獻(xiàn)[7]對(duì)重采樣后的每一個(gè)粒子施以MCMC移動(dòng),歷經(jīng)足夠的轉(zhuǎn)移步數(shù)后構(gòu)建的Markov鏈確保了重采樣后的粒子均能異步收斂到貝葉斯后驗(yàn)。但收斂過(guò)程需要較長(zhǎng)的燒穿時(shí)間,不能保證力傳感器能夠?qū)崟r(shí)、高精度完成作業(yè)。為了有效地解決粒子高效性和多樣性之間存在的矛盾,提高算法的實(shí)時(shí)性,本文在粒子濾波的基礎(chǔ)上,提出具有分層優(yōu)化步驟的粒子重采樣方案。根據(jù)權(quán)值蛻化程度,將樣本集分層;借鑒野草繁殖思想,將新息量測(cè)值融入高權(quán)值子集;基于Thompson-Taylor算法,通過(guò)聚合重采樣將高、低權(quán)值粒子隨機(jī)組合獲得中權(quán)值集,將低權(quán)值信息融入新粒子集。

2 系統(tǒng)模型

2.1 雙E型彈性體六維力傳感器的結(jié)構(gòu)

本文以雙E型彈性體六維力傳感器為研究對(duì)象,其結(jié)構(gòu)如圖1所示。傳感器主要由外傳力環(huán)1、內(nèi)傳力環(huán)2、薄矩形板3、上E型膜4、中心支柱5、下E型膜6和底座7組成。其中,傳感器底座與下轉(zhuǎn)接板剛性連接;上下E型膜與中心支柱相連;上E膜周圍設(shè)置內(nèi)傳力環(huán),并通過(guò)矩形薄板連接外傳力環(huán)。上E型膜用于檢測(cè)MX,MY方向力矩;下E型膜用來(lái)檢測(cè)FX,FY方向的力(切向力)和FZ方向的力(法向力),下E型膜受力分析如圖2所示;矩形梁用來(lái)檢測(cè)MZ方向的力矩。傳感器材料采用LY12,其彈性模量為72 GPa,密度為2 700 kg/m3,泊松比為0.33。

圖1 雙E型彈性體六維力傳感器結(jié)構(gòu)

圖2 下E型膜受力分析

2.2 非線性系統(tǒng)模型

當(dāng)傳感器受法向力FZ作用時(shí),外力垂直加載在上傳力環(huán)螺孔上,通過(guò)中心傳力環(huán)傳遞到下E型膜。其受力情況以及電阻應(yīng)變片布置位置如圖3所示。由于薄板所受橫向載荷繞Z軸對(duì)稱,則其彈性曲面也繞Z軸對(duì)稱。因此分析時(shí)可認(rèn)為下E型膜只發(fā)生垂直方向的位移。定義下E型膜的邊界條件為外邊界固定、內(nèi)邊界自由,且在內(nèi)邊界受到正弦激勵(lì)力P(r,φ,t)=Ksinωtδ(r-ri)作用。

基于模態(tài)疊加理論,結(jié)合零初始條件,下E型膜對(duì)正弦激勵(lì)力的響應(yīng)可按極坐標(biāo)系下的主振型函數(shù)與反映其運(yùn)動(dòng)規(guī)律的時(shí)間函數(shù)展開(kāi)為如下無(wú)窮級(jí)數(shù)[8]:

其中,ωj為j階固有頻率;Wj(r,φ)為圓環(huán)薄板的主振型函數(shù);Jn,Yn為第一、二類貝塞爾函數(shù);In,Kn為第一、二類虛宗量貝塞爾函數(shù);固有頻率系數(shù):

其中,ω為激振頻率;為單位面積質(zhì)量。文獻(xiàn)[9]給出待定系數(shù)Dj1～Dj4,D′j1～D′j4的矩形齊次線性方程組,結(jié)合固有頻率系數(shù)λ,可獲得最終解答。

仔細(xì)審視法向力FZ主應(yīng)變片的分布位置后,不難發(fā)現(xiàn)應(yīng)變片的中心軸與薄板的徑向軸重合;圓環(huán)薄板受激勵(lì)力作用產(chǎn)生軸對(duì)稱彎曲變形,其表面的徑向應(yīng)變將轉(zhuǎn)化為電阻應(yīng)變片的軸向應(yīng)變。圓環(huán)薄板的徑向應(yīng)變信息是構(gòu)建系統(tǒng)量測(cè)方程的重要因素之一。

運(yùn)用Kirchhoff彈性薄板小撓度彎曲理論,結(jié)合圓環(huán)薄板的撓度表達(dá)式,進(jìn)而獲得圓環(huán)薄板的徑向應(yīng)變:

根據(jù)零初始條件下,下E型膜對(duì)正弦激勵(lì)力的響應(yīng)wr,φ(t)與徑向應(yīng)變?chǔ)舝,φ(t)之間關(guān)系,六維力傳感器下E型膜非線性離散時(shí)間系統(tǒng)狀態(tài)方程的一般形式可以表示為:

根據(jù)惠斯頓電橋原理可知,輸出電壓信號(hào)與信號(hào)檢測(cè)位置處4枚應(yīng)變片的阻值變化趨勢(shì)有關(guān)。量測(cè)方程由電阻應(yīng)變片的應(yīng)變信息與輸出電壓信號(hào)的關(guān)系所決定。非線性離散時(shí)間量測(cè)方程的一般形式可以表示為:

其中,V(k+1)是均值為0,方差為Rσ的高斯白噪聲序列。

3 粒子濾波

3.1 基本粒子濾波

在實(shí)際應(yīng)用過(guò)程中,粒子濾波在經(jīng)過(guò)若干次迭代后會(huì)出現(xiàn)蛻化現(xiàn)象。 局部重采樣[11-12](Partial Resampling,PR)可以有效地防止蛻化問(wèn)題,提高粒子濾波的性能。其基本思想是將粒子按權(quán)值大小分為高、中、低3種權(quán)值的粒子,在進(jìn)行重采樣時(shí),低權(quán)值粒子被直接舍棄,中權(quán)值粒子權(quán)值不變,高權(quán)值粒子被多次復(fù)制,雖然局部重采樣只對(duì)部分粒子進(jìn)行運(yùn)算,提高了計(jì)算速度,但其只保留了高、中權(quán)值粒子信息,舍棄了低權(quán)值粒子信息。所以仍存在粒子貧化問(wèn)題,不能保證粒子的多樣性。

3.2 分層優(yōu)化粒子濾波算法

Thompson-Taylor算法[13]是一種新穎的生成隨機(jī)樣本的方法,它既不過(guò)分依賴樣本的狀態(tài)空間分布,也不需要進(jìn)行高斯近似,而是通過(guò)隨機(jī)數(shù)的方法對(duì)樣本集中某個(gè)樣本最近鄰的m個(gè)樣本進(jìn)行平滑操作進(jìn)而生成新的樣本。

Step 2 對(duì)高權(quán)值樣本集進(jìn)行野草繁殖。

Step 3 通過(guò)Thompson-Taylor算法產(chǎn)生新的粒子集。

(2)產(chǎn)生均勻分布的隨機(jī)數(shù)集合:

其中,m為平滑參數(shù),其值為暫存域中需要優(yōu)化的粒子數(shù),即m=N-M。

3.3 復(fù)雜度計(jì)算

假設(shè)粒子與閾值比較的計(jì)算量為c1,高斯采樣的計(jì)算量為c2,計(jì)算適應(yīng)度函數(shù)的計(jì)算量為c3,高權(quán)值樣本集粒子排序的計(jì)算量為c4,暫存域粒子加權(quán)平均的計(jì)算量為c5,產(chǎn)生均勻分布隨機(jī)數(shù)的計(jì)算量為c6,產(chǎn)生中權(quán)值粒子的計(jì)算量為c7。以單位粒子的所需計(jì)算量為度量單位,對(duì)于LOPF算法,Step1劃分高低權(quán)值子集需要計(jì)算量Nc1;Step2高斯采樣產(chǎn)生子代粒子需要計(jì)算量Mc3+Lc2,優(yōu)化高權(quán)值子集需要計(jì)算量(M+L)(c3+c4);Step3暫存域中所有粒子加權(quán)平均需要進(jìn)行Nc5次乘法,產(chǎn)生N個(gè)隨機(jī)數(shù)所需計(jì)算量為Nc6;最終產(chǎn)生中權(quán)值子集的產(chǎn)生所需進(jìn)行Nc7次乘法。綜上所述,k時(shí)刻LOPF的計(jì)算復(fù)雜度可以表示為:

其中,L為產(chǎn)生的所有子代粒子數(shù)。

以上運(yùn)算過(guò)程中忽略了部分實(shí)數(shù)加法的計(jì)算量。由式(13)可知,對(duì)于k時(shí)刻,分層優(yōu)化粒子濾波算法與基本粒子濾波以及局部重采樣粒子濾波算法[15]相比,計(jì)算復(fù)雜度并未明顯增加,均為O(N)。

4 六維力傳感器下E型膜濾波實(shí)例

4.1 六維力傳感器動(dòng)態(tài)測(cè)試系統(tǒng)

如圖3所示,六維力傳感器動(dòng)態(tài)測(cè)試系統(tǒng)主要由數(shù)據(jù)分析PC機(jī)、動(dòng)態(tài)標(biāo)定實(shí)驗(yàn)臺(tái)、虛擬儀器NIPXI-1042Q、控制器PXI-8196、板卡 PXI-4461、放大電路和壓電陶瓷驅(qū)動(dòng)模塊等部分組成。測(cè)試系統(tǒng)的工作原理如下:將雙E型彈性體六維力傳感器(圖4所示)固定在動(dòng)態(tài)標(biāo)定試驗(yàn)臺(tái)上,選擇壓電陶瓷驅(qū)動(dòng)模式,產(chǎn)生幅頻可調(diào)的正弦激勵(lì)力信號(hào);通過(guò)信號(hào)轉(zhuǎn)接板加載在傳感器上,輸出的六路信號(hào)經(jīng)過(guò)放大電路增幅和緩沖后被虛擬儀器的數(shù)據(jù)采集模塊(板卡PXI-4661)高速采集;利用信號(hào)調(diào)理模塊(控制器PXI-8196)對(duì)采集數(shù)據(jù)進(jìn)行實(shí)時(shí)處理,并將其導(dǎo)入PC機(jī)中的LabView平臺(tái)進(jìn)行分析。

圖3 六維力傳感器動(dòng)態(tài)測(cè)試系統(tǒng)

圖4 雙E型彈性體六維力傳感器

4.2 信號(hào)濾波

4.2.1 模型簡(jiǎn)化

仔細(xì)分析下E型膜非線性離散時(shí)間系統(tǒng)狀態(tài)方程的一般形式,不難發(fā)現(xiàn),隨著狀態(tài)方程階數(shù)的增加,系統(tǒng)干擾項(xiàng)及控制項(xiàng)相應(yīng)的增加。過(guò)多的系統(tǒng)參數(shù)項(xiàng)會(huì)同時(shí)影響濾波器的運(yùn)行時(shí)間和濾波精度,降低力傳感器的實(shí)時(shí)性和高效性。為了更好驗(yàn)證改進(jìn)粒子濾波算法的性能,將下E膜系統(tǒng)量測(cè)方程進(jìn)行簡(jiǎn)化,取其二階系統(tǒng)模型進(jìn)行研究,即:

結(jié)合下E型膜前兩階主振型函數(shù)與電阻應(yīng)變片的貼片位置,可以獲得應(yīng)變片k+1時(shí)刻應(yīng)變之間的關(guān)系,即εr,x1(k+1)=εr,x4(k+1);εr,x2(k+1)=εr,x3(k+1),從而將下E型膜離散時(shí)間量測(cè)方程簡(jiǎn)化為:

其中,R為應(yīng)變片的初始阻值;Ks為應(yīng)變片靈敏系數(shù);c為應(yīng)變函數(shù)εr,k(x3)與εr,k(x1)的幅值比。

考察下E型膜的結(jié)構(gòu)尺寸,其內(nèi)徑為50 mm,外徑為100 mm,板厚h為2 mm;4枚電阻應(yīng)變片質(zhì)心的位置參數(shù)分別為rx1,rx4=40 mm;rx2,rx3=20 mm;φx1,φx2=π/4;φx3,φx4=5π/4;取收斂系數(shù)A=0.05;a=0.05;B=0.5;應(yīng)變片靈敏系數(shù)Ks=1.4,初始阻值R=50 Ω;正弦激勵(lì)力的幅值K=20;激振頻率ω=200 Hz;根據(jù)下E型膜前兩階主振型相應(yīng)的參數(shù)(表1所示)求得幅值比c=3.900 9,固有頻率系數(shù)λ1=99.396 6,λ2=184.648 0,結(jié)合電阻應(yīng)變片X1的相關(guān)信息,獲得簡(jiǎn)化的二階系統(tǒng)量測(cè)數(shù)學(xué)模型:

表1 固有頻率與振型振幅函數(shù)

舍棄式(16)的后4個(gè)小系數(shù)項(xiàng),作為系統(tǒng)干擾進(jìn)行處理;將剩下的余弦函數(shù)項(xiàng)視為系統(tǒng)控制項(xiàng),則最終下E型膜的二階系統(tǒng)模型可以表達(dá)為:

其中,W(k)是均值為0,方差為0.001的高斯白噪聲序列。

4.2.2 信號(hào)濾波

設(shè)置采樣周期T為0.05 s,首先在空載狀態(tài)下,采集傳感器輸出的六路時(shí)域數(shù)據(jù),統(tǒng)計(jì)其規(guī)律,獲得測(cè)量噪聲V(k+1)方差值Rσ。接著將正弦激勵(lì)力P(t)=20sin(200·t),作為Fz方向的動(dòng)載荷,加載在傳感器上(如圖3所示),獲得下E型膜動(dòng)態(tài)輸出信號(hào)的時(shí)域數(shù)據(jù)集。取粒子數(shù)目N=200,高權(quán)值子集高斯采樣所產(chǎn)生的子代數(shù)為0～3。隨機(jī)從時(shí)域數(shù)據(jù)集中取出50個(gè)量測(cè)值,依次利用的局部重采樣粒子濾波算法(PRPF)、擴(kuò)展卡爾曼粒子濾波(EKPF)以及基于分層優(yōu)化粒子濾波算法(LOPF)進(jìn)行50個(gè)時(shí)刻的Monte Carlo仿真。狀態(tài)估計(jì)曲線與絕對(duì)誤差曲線如圖5、圖6所示,采樣時(shí)間間隔為0.05 s。EKPF的濾波精度與PRPF相比,略有提升。然而LOPF算法的系統(tǒng)狀態(tài)估計(jì)更接近于真實(shí)值(曲線的相似程度高),其濾波絕對(duì)誤差更小,估計(jì)精度更高。所以本文的LOPF算法在濾波效果上明顯優(yōu)于PRPF與EKPF算法。

圖5 3種濾波算法的系統(tǒng)狀態(tài)估計(jì)

圖6 3種濾波算法的估計(jì)誤差

通過(guò)11次實(shí)驗(yàn)評(píng)價(jià)3種濾波器狀態(tài)估計(jì)均方誤差MSE的性能,并記錄3種算法的平均運(yùn)行時(shí)間。如圖7與表2所示。LOPF算法的狀態(tài)估計(jì)均方誤差要明顯低于PRPF與EKPF算法,估計(jì)誤差的波動(dòng)小,能更準(zhǔn)確地估計(jì)上E型膜非線性系統(tǒng)的狀態(tài)。從表2可以看出,雖然EKPF與LOPF在迭代過(guò)程中同時(shí)融入了觀測(cè)值,但后者的計(jì)算耗時(shí)明顯少于前者。與PRPF相比,LOPF算法的平均運(yùn)行時(shí)間并沒(méi)有明顯增加。故本文算法在提高六維力傳感器量測(cè)精度的同時(shí),可以保持其實(shí)時(shí)性。

圖7 3種濾波器狀態(tài)估計(jì)均方誤差

表2 3種濾波方法的MSE與計(jì)算耗時(shí)比較

5 結(jié)束語(yǔ)

本文提出一種具有分層優(yōu)化步驟的改進(jìn)重采樣粒子濾波算法。該算法在粒子濾波的基礎(chǔ)上,將野草繁殖思想和Thompson-Taylor算法有機(jī)地結(jié)合起來(lái)。根據(jù)正弦激勵(lì)力響應(yīng)和應(yīng)變的關(guān)系,得到下E型膜非線性系統(tǒng)模型。通過(guò)野草繁殖法將最新的觀測(cè)信息融入高權(quán)值子集,并保證其產(chǎn)生的子代仍分布在高似然區(qū)域附近?；赥hompson-Taylor算法,通過(guò)聚合重采樣將低權(quán)值粒子信息融入中權(quán)值粒子集,在保證粒子高效性的基礎(chǔ)上,實(shí)現(xiàn)了粒子集合的多樣性。理論分析和實(shí)驗(yàn)結(jié)果表明,LOPF算法在解決粒子退化問(wèn)題的同時(shí),較好地避免了粒子匱乏,提高了樣本的多樣性。該算法的濾波精度及穩(wěn)定性明顯優(yōu)于PRPF與EKPF。由于其計(jì)算耗時(shí)較少,估計(jì)精度較高,因此可以保證六維力傳感器實(shí)時(shí)、高精度地完成作業(yè)。

[1] 梁康橋.特殊應(yīng)用的多維力/力矩傳感器研究與應(yīng)用[D].合肥:中國(guó)科學(xué)技術(shù)大學(xué),2009.

[2] Gao J B,Harris C J.Some Remarks on Kalman Filters for the Multi-sensor Fusion[J].Information Fusion, 2002,7(3):191-201.

[3] Rigatos G G.Nonlinear Kalman Filters and Particle Filters for Integrated Navigation of Unmanned Aerial Vehicles[J].Robotics and Autonomous Systems,2012, 60(2):978-995.

[4] Rigatos G G.Extended Kalman and Particle Filtering for Sensor Fusion in Motion Control of Mobile Robots[J]. Mathematics and Computers in Simulation,2010,81 (3):590-607.

[5] 張劍鋒,曾國(guó)強(qiáng).擴(kuò)展卡爾曼粒子濾波在編隊(duì)衛(wèi)星相對(duì)軌道確定中的應(yīng)用[J].航天控制,2010,28(4): 40-43.

[6] 康 莉,謝維信,黃敬雄.基于unscented粒子濾波的紅外弱小目標(biāo)跟蹤[J].系統(tǒng)工程與電子技術(shù),2007,29 (1):1-4.

[7] 周 航,葉俊勇.運(yùn)用聚類方法的分層采樣粒子濾波算法[J].計(jì)算機(jī)應(yīng)用,2013,33(1):69-71.

[8] 徐芝綸.彈性力學(xué)(下冊(cè))[M].北京:知識(shí)產(chǎn)權(quán)出版社,2011.

[9] 汪志紅.電阻應(yīng)變片式六維力傳感器彈性體力學(xué)特性的研究[D].蕪湖:安徽工程大學(xué),2013.

[10] Arulampalam S,Maskell S R,Gordon N J.A Tutorial on ParticleFiltersforOn-line Nonlinear/Non-Gaussian Bayesian Tracking[J].IEEE Transactions on Signal Processing,2002,50(2):174-188.

[11] 胡士強(qiáng),敬忠良.粒子濾波原理及原理[M].北京:科學(xué)出版社,2010.

[12] Ryan A,Hedrick J K.Particle Filter Based Informationtheoretic Active Sensing[J].Robotics and Autonomous Systems,2010,58(2):574-584.

[13] 常天慶,李 勇,劉忠仁,等.一種改進(jìn)的重采樣的粒子濾波算法[J].計(jì)算機(jī)應(yīng)用研究,2013,30(3): 748-750.

[14] 陳 歡,周永權(quán),趙光偉,等.基于混沌序列的多種群入侵雜草算法[J].計(jì)算機(jī)應(yīng)用,2012,32(7): 1958-1961.

[15] Ghirmai T,Bugallo M F,Miguez J,et al.A Sequential MonteCarloMethodforAdaptiveBlindTimeing Estimation and Data Detection[J].IEEE Transactions on Signal Processing,2005,53(8):2855-2865.

編輯 顧逸斐

Application of Hierarchical Optimal Particle Filtering in Lower E-type Membrane of Six-axis Force Sensor

ZHU Wen-chao,XU De-zhang,FANG Tao
(College of Mechanical and Automotive Engineering,Anhui Polytechnic University,Wuhu 241000,China)

The measurement accuracy of the sensor which works on the environment of the dynamic load can be seriously affected by the pollution of noise signal.A new improved particle filtering which owns hierarchical optimal steps is proposed.This algorithm takes the rectangular thin plate of dual-E elastic body six-axis force sensor as the research object.The nonlinear state-space model based on the relationship between the response of sinusoidal excitation force and the strain is established.According to degenerate level,the sample sets can be divided into two parts.Based on the weeds breeding algorithm,the new measurement can be transferred to high likelihood region.Based on the Thompson-Taylor algorithm,the new particles set produced by random combinations of particles are achieved through polymerization resample of transferred particles.Simulation results indicate that the new algorithm can adjoin the real posterior probability density with smaller estimated error.It can effectively enhance the measurement accuracy of six-axis force sensor and maintain the real-time performance.

dual-E-type elastic body;six-axis force sensor;lower E-type membrane;particle filtering;weeds breeding algorithm;Thompson-Taylor algorithm

1000-3428(2014)09-0257-06

A

TP18

10.3969/j.issn.1000-3428.2014.09.052

國(guó)家自然科學(xué)基金資助項(xiàng)目(51175001);安徽省自然科學(xué)基金資助項(xiàng)目(11040606m144)。

朱文超(1989-),男,碩士研究生,主研方向:機(jī)器人信息感知;許德章,教授、博士;方 濤,碩士研究生。

2013-08-20

2013-10-15E-mail:zhuwenchao5102951@126.com