Diante do grave problema de interferência acoplada entre dimensões em sensores de força tridimensionais, foi proposta uma algoritmo de desacoplamento baseado no algoritmo de busca de pardal para otimizar a Máquina de Aprendizagem Extrema (Sparrow Search Algorithm–Extreme Learning Machine, SSA-ELM), tomando como objeto de estudo um sensor de força tridimensional com estrutura de viga cruzada em dupla camada e rede Bragg de fibra óptica. Primeiramente, foi estudado o princípio de detecção e medição de força da rede Bragg, revelando a relação de mapeamento entre o deslocamento do comprimento de onda do sensor e a força, e analisando suas características de acoplamento estrutural; em seguida, foi construído um sistema experimental de calibração para realizar experimentos de calibração; por fim, foi estabelecido um modelo de desacoplamento não linear com a Máquina de Aprendizagem Extrema, otimizando o modelo com o algoritmo de busca de pardal para obter os melhores pesos iniciais e limiares da rede, equilibrando a precisão e eficiência do desacoplamento, buscando a melhor combinação de parâmetros entre o número de nós da camada oculta e o número de iterações do SSA. O erro máximo de tipo I foi de 1,18%, o erro máximo de tipo II de 1,14%, e o tempo de treinamento do desacoplamento foi de 1,7786 s. Para verificar o efeito do desacoplamento, os resultados do algoritmo SSA-ELM foram comparados com o método dos mínimos quadrados e o algoritmo da Máquina de Aprendizagem Extrema. Os resultados experimentais mostram que o algoritmo SSA-ELM tem velocidade de treinamento rápida, pode construir mais efetivamente as relações de acoplamento interdimensionais das forças tridimensionais, reduzir os erros dos sensores do tipo I e II, e possui boa capacidade de desacoplamento não linear.

Rede Bragg de fibra óptica;Sensor de força tridimensional;Desacoplamento interdimensional;Máquina de Aprendizagem Extrema;Algoritmo de busca de pardal;Análise de erro