论文部分内容阅读
PVDF压电薄膜传感器是一种新型的高分子聚合物型柔性换能材料,可加工成为高效可靠、低成本的振动传感器、加速度计或动态开关等。但由于PVDF压电薄膜传感器本身存在迟滞非线性特性,使PVDF压电薄膜传感器的瞬态位置响应速度慢,可控性差,在应用中控制难,而不同制作工艺、不同大小、不同厚度的传感器性能相差都较大,使得控制系统选择需要的传感器往往耗时很长。因此,本文针对目前缺少对智能材料PVDF的智能分拣方法,通过实验测得其迟滞特征,并根据其特征数据来研究迟滞时间序列数据的降维,以及对特征数据聚类,实现智能材料的准确分拣,为控制系统的设计节省了时间且减少了设计复杂度,提高了控制准确度。1)根据不同压电薄膜的不同迟滞特征,设计了压电薄膜的迟滞特性采集实验。实验选取了三种不同厚度的压电薄膜,并且分别采集了不同输入信号和其对应的压电薄膜应变电压的输出数据,首先对采集的压电薄膜迟滞信号进行巴特沃兹滤波并进行了单周期分割。2)针对压电薄膜的数据具有多元,维数高等特点,本文提出了基于张量分解的降维方法,首先对压电薄膜迟滞数据转换为张量型数据,然后对其在张量空间进行多线性主成分分析(MPCA:Multilinear Principle Component Analysis)降维,最后将PCA、KPCA和MPCA降维后的数据分别用K-means聚类通过聚类评价指标对不同的降维结果进行评价,且使用另外两组多元、高维数据集(多周期性时间序列数据集和压电陶瓷数据集)验证该方法的有效性,经过实验表明基于张量空间的MPCA降维后数据的聚类效果比PCA和KPCA降维后的聚类结果高10%以上。3)对于K-means针对传统的基于向量样本的欧式距离,本文提出了一种基于矩阵距离的K-means聚类方法,该方法将降维后迟滞数据转化为矩阵形式(二阶矩阵),然后分别计算各个矩阵样本数据的各个迟滞环与聚类中心迟滞环数据距离的平均值作为K-means聚类的距离,将此方法用在降维后的特征数据集进行不同压电薄膜的划分,并将该方法应用到另外两组多元、高维数据集(多周期性时间序列数据集和压电陶瓷数据集)验证该方法的有效性,实验结果表明,采用基于矩阵K-means聚类方法比基于向量K-means聚类方法的聚类结果优。4)针对K-means聚类对初始值敏感的问题,本文提出了一种基于半余弦差异度的初始值确定方法,该方法首先找到最大余弦差异值的两个点作为两个聚类中心点,然后找到与最大余弦差异值的一半距离最小的点为第三个聚类中心,以此类推直到找到所有的聚类中心;将此方法用在降维后的特征数据集进行不同压电薄膜的划分,且同样将该方法应用到另外两组多元、高维数据集(多周期性时间序列数据集和压电陶瓷数据集)验证该方法的有效性,实验结果表明,采用基于半余弦差异度K-means聚类方法比采用随机聚类中心运行100次取均值的聚类结果好,且聚类效果稳定。