"基于过程神经网络的六维力传感器动态解耦研究"
本文主要研究基于过程神经网络的六维力传感器动态解耦方法。六维力传感器是工业机器人工作过程中的重要辅助部件，常用于机器人自动焊接、打磨等有力反馈的场合。然而，现有的六维力传感器大多采用弹性梁结构并且都是先制造后标定，其结构和制造工艺必然使六维力传感器存在维间耦合。
学者们从结构设计和解耦算法两方面着手研究，结构上先后提出了横梁、竖梁、复合梁、筒式和双E型膜等形式。解耦算法主要集中在静态解耦方面，例如基于线性标定和基于最小二乘线性拟合的解耦算法都是将六维力传感器看成线性系统。在动态解耦方面，文献[2]提出不变性动态解耦方法和迭代解耦方法，从本质上揭示了多维力传感器输入输出之间的动态耦合关系。
但是，这些方法都是在二阶数学模型下提出的，对于三阶或三阶以上的数学模型，建模精度要求高，计算量大，尤其在强耦合情况下，解耦误差大，工程实现复杂。
本文提出了一种基于过程神经网络的六维力传感器解耦方法，过程神经网络的输入和权值都可以是连续函数，利用过程神经网络自动提取六维力传感器输入函数的曲线形态和幅值特征，为简化计算过程引入函数正交基，对输入函数和网络权函数进行同一组正交基展开，试图通过过程神经网络训练求出六维力传感器输入输出耦合关系，实现动态解耦。
过程神经网络是在人工神经网络基础上提出的。它的输入输出都可以是时变过程或时变函数， 可描述输出对于输入在时间轴上的累积效应或聚合结果。这种特性为解决泛函逼近和泛函寻优等问题提供了一种新的方法。
单个过程神经元由加权、聚合和激励3部分组成，其输出函数之间的函数关系为：y = / ( ( 见⑴ ㊉ x (o ) ③ 耵 •）- 0)。过程神经网络由若干个过程神经元组成，用来解决多输人多输出时变系统的系统辨识、过程控制及优化等。
实验结果表明，过程神经网络在六维力传感器动态解耦中应用效果良好，为动态解耦提供了一种新方法。
