为克服
现有技术的不足,本发明的目的在于:提供一种新的步行器精密测力系统标定方 法,降低多维
应力之间的非线性静态耦合干扰,提高步行器受载力的测量精度。本发明采用 的技术方案是:一种
基于径向基函数神经网络的步行器精密测力系统标定方法,借助于下列 结构实现:步行器框架上设置有应变片电桥,应变片电桥的输出经放大滤波
电路、AD转换 器输入到计算机,由计算机进行
数据采集和人工神经网络模型标定,包括下列步骤:
系统初始化:使用一套可对步行器
手柄单侧施加定向负载的多轴框架进行标定,框架内 包含一个用以减少摩擦损失的滑车系统,标定数据采集过程中,已知大小的负载会沿着各力 学分量的方向借助多轴框架逐步施加到步行器手柄上,同时记录下与该负载对应的导联应变 片电桥
输出电压值作为后续标定训练和误差校验样本,加载过程至少重复3次,同一加载点 取输出电压的平均值;
根据公式:a1=radbas(w1×U+b1),F=purelin(w2×a1+b2),
确定神经网络模型,其中,隐含层传递函数为高斯函数radbas,
输出层的传递函数为线 性函数purelin,网络输入向量U的维数为12,隐含层有120个神经元,输出层有6个神经元, a1表示隐含层输出向量,w1表示隐含层神经元的权值向量,w2为输出层神经元权值向量, b1为隐含层神经元的
阈值向量,b2为输出层神经元的阈值向量,网络输入向量U形成隐含 层神经元的权值向量w1,隐含层神经元的权值向量w1与隐含层神经元的阈值向量b1经加 权求和形成隐含层输入向量n1,隐含层输出向量a1形成输出层神经元权值向量w2,输出层 神经元权值向量w2与输出层神经元的阈值向量b2经加权求和形成输出层输入向量n2,输出 层的输出为输出向量F。
所述的隐含层神经元的权值向量w1、隐含层神经元的阈值向量b1各为对应的120个, 输出层神经元权值向量w2与输出层神经元的阈值向量b2各为对应的6个。
所述的电桥具体的安装
位置是依照对步行器框架进行的结构力学
有限元分析结果来决 定,电桥都是被安排在相关力学分量作用下的框架相对最大形变位置,其中,设置有分别对 应于x向的两个分量,分别对应于y向的两个分量,分别对应于z向的两个分量,再根据所 测力学分量所引发弯距方向的不同,电桥粘贴位置还对应于梁管的相应
变形侧面。
本发明可以带来以下效果:
本发明采用了神经网络模型方法,提出了一种新的步行器精密测力系统标定方法,降低 多维应力之间的非线性静态耦合干扰,提高步行器受载力的测量精度。本发明可为步行器助 行康复训练效果的准确监控和评估提供帮助,并获得可观的社会效益和经济效益。
附图说明
图1本发明系统结构示意图。
图2步行器精密测力系统设置。
图3RBF网络用于步行器精密测力系统标定的模型。
人工神经网络的基本思想是从
仿生学角度模拟人脑神经系统的运作方式,通过大量、简 单的神经元对连续或断续的输入作状态映射而进行信息处理。神经网络能够不需要先验统计 模型而根据输入网络的数据样本构建出任意的非线性映射关系,而任何一种非线性映射都可 以用一个三层
前馈神经网络来实现。RBF神经网络是一种特殊的三层前馈网络,它以径向基 函数作为隐层单元的“基”,具有非线性可分的模式空间映射到线性可分
状态空间的特性。
本发明提供了一种可用于步行器精密测力系统标定的径向基函数(Radial Basis Function,RBF)人工神经网络模型,以测力系统12导联应变片电桥输出电压作为网络输入 向量,6个负载分量力作为网络输出向量,并通过目标误差下的绝对误差和对比确定出神经 网络训练的最优参数。该方法与传统的线性标定方法相比能够有效减小非线性静态耦合影响, 提高步行器受载力的测量精度并大大降低了干扰误差,未来有望为步行器助行康复训练效果 的准确监控和评估提供帮助。
下面结合附图和
实施例进一步详细说明本发明。
图1为本发明系统结构示意图。该系统以步行器精密测力系统为
基础,使用者在步行器 助行过程中所施加的HRV会首先通过安装在步行器上的传感器件转化为电压信号。应力应变 片电桥的电压信号经隔离放大、
模数转换后进入计算机中进行处理储存。信号的电压输出范 围大致在±3伏的范围内。系统的
采样率可通过计算机调整。
本系统所用敏感元件是日本Tokyo Sokki研究所生产的350Ω,FLA-2系列应力应变片。 从长期
稳定性考虑,应变片粘贴采用的是环
氧类,而非氰基
丙烯酸盐类
粘合剂。应变片采用 弯曲模式。步行器精密测力系统在测量过程中,要求系统测得总共六个力学未知量,即步行 器每只手柄各x,y,z三个方向分量(左手柄:Flx,Fly,Flz;右手柄:Frx,Fry,Frz), 因此需要在一架标准两轮步行器两侧框架梁各安装六套应力应变片电桥(见图2)。电桥具体 的安装位置是由对步行器框架进行的结构力学有限元分析结果决定的。由于步行器框架在不 同方向分量力作用下会产生不同的形变效果,电桥都是被安排在相关力学分量作用下的框架 相对最大形变位置以取得最可靠的结果。其中,B-1和B-2、B-7和B-8分别对应于x向的两 个分量,B-3和B-4、B-5和B-6分别对应于y向的两个分量,B-9和B-10、B-11和B-12分 别对应于z向的两个分量。另外,根据所测力学分量所引发弯距方向的不同,电桥粘贴位置 还需对应于梁管的相应变形侧面。
本发明要点在于步行器多轴框架的数据采集,RBF网络各层神经元数,扩展系数的确定 等技术环节。
1、步行器多轴框架的数据采集:
本发明使用一套可对步行器手柄单侧施加定向负载的多轴框架进行标定,框架内包含一 个用以减少摩擦损失的滑车系统。标定数据采集过程中,已知大小的负载会沿着各力学分量 的方向借助多轴框架逐步施加到步行器手柄上,同时记录下与该负载对应的12导联应变片电 桥输出电压值作为后续标定训练和误差校验样本。施加负载的量程选择在x向10kg、y向10kg 和z向40kg。加载过程至少重复3次,同一加载点取输出电压的平均值。
系统的初始化测量对于准确获取标定结果是十分必要的。由于受到
温度,湿度等外界环 境变量的影响,应力应变片电桥的输出即使在空载时也不会维持一个固定值。因此在每次正 式测试之前,必须要进行系统初始化,得到当时当地空载的系统输出值。在后续进行数据处 理过程中,正式测量值要减去空载值以消除环境影响,正确反映行走过程中力的变化。
实验总共采集了193组应变片电桥输出数据和对应施加力向量的数据,其中随机选取120 组作为RBF神经网络训练样本,其余73组作为测试样本。
2、RBF网络模型参数的确定:
(1)各层神经元数的确定
对于步行器精密测量系统而言,由12导联应变片电桥输出电压值所组成的列向量可作为 神经网络模型的输入向量,将对应的施加已知负载6个等效分量力所组成的列向量作为神经 网络模型的输出向量。RBF网络中各层具有不同数量的神经元,输入和输出层神经元个数由 所描述向量的维数决定,即神经网络
输入层单元数是12,输出层单元数是6。
为研究由RBF网络自适应确定的隐层神经元数与输入层样本数的关系,选取了3组训练 样本作为学习样本对神经网络进行训练,结果如表1所示。
由表1结果可知,对于不同的扩展系数spread,确定的隐层单元数均小于并接近样本 数.因此,可以直接选用训练样本数120作为最大隐层单元数。
表1不同样本数和扩展系数下的自适应隐层单元数
(2)扩展系数的确定
扩展系数Spread是径向基网络的一个重要参数,即网络的分布
密度,默认是1。我们设 定0.5,0.74,0.75,0.76,1几个值,当目标误差分别设定为1e-1,1e-2,1e-3,1e-4时,进 行训练和测试径向基网络,表2列出了测试样本的绝对误差总和结果对比。
由表2结果可得,在相同条件下密度函数值spread越大,函数的逼近能力越强,函数的 拟合就越平滑,输出误差和均方误差都减小,但是过大(过小)就意味着需要更多的神经元 以适应函数的快速(缓慢)变化,这样使得网络的性能降低。当目标误差取1e-3,扩展系数 取0.75时,输出绝对误差总和为最小(278.4854),是逼近效果最好的一组输出。
表2不同目标误差和扩展系数下的绝对误差总和
图3为本发明确定的用于步行器精密测力系统标定的RBF神经网络模型。其中,隐含层 传递函数为高斯函数radbas,输出层的传递函数为线性函数purelin。网络输入向量U的维 数为12,隐含层有120个神经元,输出层有6个神经元。网络中最开始,中间和最末三个长 方形图文框分别表示输入层,隐含层和输出层。a1表示隐含层输出向量,w1表示隐含层神 经元的权值向量,w2为输出层神经元权值向量,b1为隐含层神经元的阈值向量,b2为输出 层神经元的阈值向量,n1表示隐含层输入向量,n2表示输出层输入向量,F为输出向量,圆 圈内的加号表示加权求和。
本发明的有益效果:
为了考查本发明在传感器标定技术方面的可靠性和可行性,通过神经网络方法标定训练 后进行了相关的误差校验实验,其中包括系统的精度、互扰误差检验。
1精度检验:
系统的精度检验是运用多轴框架和一系列标准重量来进行的。HRV单方向分量力被施加 到步行器手柄上。x,y和z向量程范围分别是10,10和40kg,在某单向分量力作用量程Ffull 范围内,加载力与输出向量对应主方向输出值的最大差值记为dmax,单向力精度误差el可 用以下公式表示:
表3给出的是系统精度误差值,最大的精度误差出现在Frz分量力方向上,为4.33%, 最小的精度误差出现在Flx分量力方向上,为1.55%。
2、互扰检验:
当某单向分量力被施加到步行器手柄上时,以测得的
电信号输出值作为神经网络的输入, 经训练好的网络测试,在其它5个分量方向上都可以计算出相应的伪输出力。互扰误差就可 以按照以下公式来计算:
这里Fi是系统在i方向上的伪输出,Fj是施加在j方向上的测试分量。
表4给出的是系统交互干扰值,最大的交互干扰出现在施加Frx分量力时对Fly分量力 的干扰,为6.52%,其次为施加Fry分量力时对Frz分量力的干扰,为4.45%。
研究中对比了分别采用传统线性方法和RBF网络方法标定后进行误差计算的结果,RBF 网络标定后的最大单向力精度误差为4.33%,略低于线性标定的8.45%;最大互扰为6.52%, 要远小于线性标定的19.96%。如前所述,多传感系统标定的实质是寻求其加载值空间到输出 值空间的函数映射关系,而RBF神经网络实现了一种有效的数据驱动型非线性映射模型,可 构建任意的非线性映射关系,因此对于因系统中多维力维间耦合和塑性结构非线性所带来的 互扰也就比线性方法具有更好的抑制作用。可望为步行器精密测力系统对康复训练的准确监 控和效果评估提供帮助。
表3RBF神经网络标定方法的单向力精度误差
表4RBF神经网络标定方法的互扰误差
本发明提出一种新的步行器精密测力系统标定技术,该项发明利用RBF神经网络进行非 线性标定,可有效提高步行器测量精度,可为步行器助行康复训练效果的准确监控和评估提 供帮助,并获得可观的社会效益和经济效益。