CN101813463A - 光栅莫尔条纹信号软细分方法 - Google Patents

Abstract

本发明提出一种采用微处理技术对光栅莫尔条纹信号进行软细分的方法，其总体方法是通过时空变换技术将空间域的信息变换到时间域进行处理，利用时间序列理论建模技术，通过软件对数据进行处理后，完成对时间量的精确预测，再利用高速微处理器技术返回到空间域，输出具有空间意义的时间脉冲，完成对光栅莫尔条纹信号的实时细分，并对细分误差进行实时修正。本发明用于对光栅莫尔条纹信号进行高倍数细分，以提高光栅测量系统的精度和分辨力。

Description

光栅莫尔条纹信号软细分方法

技术领域

本发明涉及一种精密位移测量传感器(包括角位移和直线位移)信号处理新方法。

背景技术

目前精密位移测量领域90％以上采用的是光栅技术，其测量基准采用的是按空间均分的周期性光栅刻线，通过对栅线的计数而得到位移量。精密测量要求能够测出1μm～0.1μm的直线量和1″～0.1″的角度量，这样的精度和分辨力单靠光栅传感器本身的精密刻线是难以实现的。因此，必须对传感器的原始莫尔条纹信号再做细分处理，采用细分的方法来提高测量系统的精度和分辨力。

现有的细分方法主要有光学细分法、机械细分法、电子学细分法和微处理器软件细分法等四大类。其中光学细分法和机械细分法已很少采用，电子学细分法和微处理器软件细分法具有较高的细分数、容易实现测量及数据处理的自动化和智能化、适用于动态测量等特点，得到了广泛运用。由于受光栅传感器的制造工艺以及照明光源、光栅间隙、光栅衍射、光电元件的特性、电源和环境温度等因素的影响，光电元件输出的信号都含有高次谐波、残余直流电平及直流电平漂移、两路信号幅度不一致、两路信号相位正交性不好等现象，这些因素直接影响现有的各种细分方法的精度及可靠性。现有的各种细分方法是建立在光栅输出的是纯净正弦波信号基础上，因此在细分前要尽可能地将前述影响细分性能的因素消除，或者通过软硬件进行误差数字补偿和修正。

发明内容

本发明提出一种光栅莫尔条纹信号软细分方法，该细分方法从原理上就与两路信号的正弦性、正交性和一致性等特性无关，可以对光栅莫尔条纹信号进行高倍数细分，提高光栅测量系统的精度和分辨力。

本发明解决其技术问题所采用的技术方案如下：

一种光栅莫尔条纹信号软细分方法，其总体方法是通过时空变换技术将空间域的信息变换到时间域进行处理，利用时间序列理论建模技术，通过软件对数据进行处理后，完成对时间量的精确预测，再利用高速微处理器技术返回到空间域，输出具有空间意义的时间脉冲，完成对光栅莫尔条纹信号的实时细分，并对细分误差进行实时修正。

本方法的具体实现过程如下：

①首先利用过零检测电路将光栅输出的正余弦信号整形为空间脉冲信号，再利用空间脉冲触发采样，记录当前的采样时刻值，得到一个空间序列。假设相邻两个空间脉冲代表的位移量为Δs，即光栅的一个栅距。

②假设光栅当前和过去的N+1个采样位置(从位置s_i-N至s_i)对应的时间值为t_i-N，t_i-N+1，...，t_i，如图1所示。其中N代表建模数据的个数。对时间值作用差分算子，得到第k个采样周期(从位置s_k至s_k+1)对应的时间差为：

Δt_k＝t_k+1-t_k    (1)

③对根据式(1)计算得到的时间差数据Δt_i-N，Δt_i-N+1，...，Δt_i-1建立自回归和滑动平均模型，利用时间序列理论，得到未来空间采样位移量Δs(从位置s_i+1至s_i+2)对应的时间差Δt_i+1(从时刻t_i+1至t_i+2)的预测值：

$\mathrm{\Δ}{\hat{t}}_{i+1}=L\left({\mathrm{\Δt}}_{i+1}\right|{\mathrm{\Δt}}_{i-1},{\mathrm{\Δ}}_{i-2},...,{\mathrm{\Δt}}_{i-N})=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{a}_j{\mathrm{\Δt}}_{i-j+1}---\left(2\right)$

其中，L代表最佳线性预测；a_j是模型系数，通过计算得到；j代表求和变量；p代表模型的阶数。时间预测方案示意图如图2所示，利用建立的模型对时间差进行预测，并在预测过程中利用自适应算法不断地根据预测误差值调整模型参数。

④在空间位置s_i+1信号到来(对应于时间上的t_i+1时刻)后，利用微处理器在根据式

(2)计算得到的预测值

时间内以硬件脉宽调制PWM方式输出增量式脉冲，脉冲个数的计算表达式为：

P_i+1＝Δs/Q-e_i    (3)

式中：Δs为光栅的一个栅距，Q为脉冲当量，e_i为t_i时刻(对应采样位置s_i)的细分误差(通过硬件计数电路直接采集得到)。

总体来说，本技术方案是利用时间脉冲实现对空间脉冲的实时细分，根据微处理器软件预测得到的时间值自动调整输出的细分脉冲数和频率，采用硬件脉宽调制方式输出细分脉冲信号。

本发明的有益效果是，利用软件对光栅未来移动一个栅距的时间量进行预测，然后根据预测的时间值自动调整输出的细分脉冲数和频率，信号以增量式脉冲形式输出。所需硬件简单，细分的性能与两路信号的正弦性、正交性和一致性等特性无关，细分功能主要由软件实现，对时间量的预测误差不会带来细分误差的累积。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明方法的工作示意图，其中图1A是光栅运动过程中时间一位置示意图，图1B是光栅运动过程中建模预测与细分示意图。

图2是时间预测方案示意图。

图3是本发明的一种具体实现方式的结构框图。

图4是ARM处理器CAP0中断服务流程图。

图5是ARM处理器EINT1中断服务流程图。

具体实施方式

以下结合具体的硬件和软件说明本发明方法的实现：

参见图3，采用高速ARM处理器LPC1769(U1)完成各种数据处理和实现细分算法。A、B两路正余弦信号分别与由电压比较器芯片LM211D(U2)构成的过零检测器FA、FB端相连，U2输出的A、B两路方波信号经过辨向电路后，其输出信号端D接ARM处理器LPC1769(U1)的P1.16脚。A路方波信号同时接LPC1769(U1)的CAP0.0脚和EINT1脚，并与CPLD芯片(U3)的信号锁存端Lock相连。两路细分后的脉冲信号分别从PWM1和PWM2端输出，PWM1、PWM2分别与CPLD芯片(U3)内部的计数与锁存电路的IA和IB端相连。CPLD芯片(U3)内部的计数与锁存电路的信号使能端En接ARM处理器LPC1769(U1)的P1.17脚，CPLD芯片(U3)的数据输出端D15～D0依次与ARM处理器LPC1769(U1)的P0.17～P0.2端相连。

下面以取N＝10，采用三阶自回归模型AR(3)进行预测为例详细说明本发明的实现过程(参见图4和图5)：

在U1的主程序中，置预测模型初值采样次数初值k＝0，采样标志Flag＝0，并设置CAP0的中断优先级高于EINT1中断，然后处于等待中断状态。整形后的A路光栅方波信号触发U1的CAP0中断和EINT1中断，优先响应CAP0中断。

当中断次数k＜10时，在U1的CAP0中断服务程序中，只进行采集t_k值的操作，在EINT1中断服务程序中，由于Flag＝0，不做任何操作就退出。

当中断次数k＝10时，在U1的CAP0中断服务程序中，按如下步骤进行操作：

①采集t₁₁值。

②计算：

Δt_k＝t_k+1-t_k，y_k＝Δt_k，k＝8，9，10    (4)

这里，y_k是为了计算方便设置的一个中间变量。

③利用模型的第10，9，8共三个数据，计算模型的第11个数据的预测值：

${\hat{y}}_{11}={\hat{a}}_1{y}_{10}+{\hat{a}}_2{y}_9+{\hat{a}}_3{y}_8,---\left(5\right)$

并赋值 $\mathrm{\Δ}{\hat{t}}_{11}={\hat{y}}_{11}.$

④置高P1.17信号，从P0.17～P0.2端口采集t₁₀时刻的细分误差e₁₀，并计算t₁₁时刻输出的细分脉冲数：

P₁₁＝Δs/Q-e₁₀    (6)

⑤按在

时间内输出P₁₁个细分脉冲信号设置PWM控制器。

⑥设置k＝11，标志Flag＝1后，开中断并返回。

当中断次数k＝11时，在U1的CAP0中断服务程序中，按如下步骤进行操作：

(I)启动PWM控制器输出细分脉冲信号

(II)赋值k＝12，采集t₁₂值。

(III)数据窗口右移，赋值t_j＝t_j+1，j＝1，2，...，11。

(IV)依次执行前述②～⑥同样的操作。

当置Flag＝1后，在U1的EINT1中断服务程序中，按如下步骤进行操作：

(I)计算：

Δt_k＝t_k+1-t_k，y_k＝Δt_k，k＝1，2，...，10    (7)

(II)计算样本自协方差函数的估计：

${\widehat{\mathrm{\γ}}}_k=\frac{1}{N}\underset{j=1}{\overset{N-k}{\mathrm{\Σ}}}{y}_j{y}_{j+k},k=\mathrm{0,1},...,3---\left(8\right)$

(III)利用：

$\left[\begin{array}{c}{\widehat{\mathrm{\γ}}}_1\\ {\widehat{\mathrm{\γ}}}_2\\ {\widehat{\mathrm{\γ}}}_3\end{array}\right]=\left[\begin{array}{ccc}{\widehat{\mathrm{\γ}}}_0& {\widehat{\mathrm{\γ}}}_1& {\widehat{\mathrm{\γ}}}_2\\ {\widehat{\mathrm{\γ}}}_1& {\widehat{\mathrm{\γ}}}_0& {\widehat{\mathrm{\γ}}}_1\\ {\widehat{\mathrm{\γ}}}_2& {\widehat{\mathrm{\γ}}}_1& {\widehat{\mathrm{\γ}}}_0\end{array}\right]\left[\begin{array}{c}{\hat{a}}_1\\ {\hat{a}}_2\\ {\hat{a}}_3\end{array}\right],---\left(9\right)$

计算模型系数

Claims (2)

1.一种光栅莫尔条纹信号软细分方法，其特征在于：所述方法是将光栅输出的正余弦信号整形为空间脉冲信号，利用空间脉冲触发微处理器采样，得到光栅每移动一个栅距的时间值，利用时间序列理论对采样得到的时间值进行建模，通过微处理器软件对光栅未来移动一个栅距的时间值进行预测，然后根据确定的脉冲当量，在预测时间内输出代表一个栅距的细分脉冲，并在输出当前细分脉冲信号时对前一次的细分误差进行修正，从而实现对光栅莫尔条纹信号的高倍数细分。

2.根据权利要求1所述的光栅莫尔条纹信号软细分方法，其特征在于所述细分方法的具体步骤如下：

(1)首先利用过零检测电路将光栅输出的正余弦信号整形为空间脉冲信号，再利用空间脉冲触发微处理器采样，记录当前的采样时刻值，得到一个空间序列，设相邻两个空间脉冲代表的位移量为Δs，即光栅的一个栅距；

(2)假设光栅当前和过去的N+1个采样位置即从位置s_i-N至s_i对应的时间值为t_i-N，t_i-N+1，...，t_i，其中N代表建模数据的个数，对时间值作用差分算子，得到第k个采样周期即从位置s_k至s_k+1对应的时间差为：

Δt_k＝t_k+1-t_k                (1)

(3)对根据式(1)计算得到的时间差数据Δt_i-N，Δt_i-N+1，...，Δt_i-1建立自回归和滑动平均模型，得到未来空间采样位移量Δs，即从位置s_i+1至s_i+2对应的时间差Δt_i+1的预测值：

$\mathrm{\Δ}{\hat{t}}_{i+1}=L\left({\mathrm{\Δt}}_{i+1}\right|{\mathrm{\Δt}}_{i-1},{\mathrm{\Δt}}_{i-2},...,{\mathrm{\Δt}}_{i-N})=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{a}_j{\mathrm{\Δt}}_{i-j+1}---\left(2\right)$

其中，L代表最佳线性预测；a_j是模型系数，通过计算得到；j代表求和变量；p代表模型的阶数；

(4)在空间位置s_i+1信号即对应于时间上的t_i+1时刻到来后，利用微处理器在根据式(2)计算得到的预测值

时间内均匀输出增量式细分脉冲，脉冲个数的计算表达式为：

P_i+1＝Δs/Q-e_i                   (3)

式中：Δs为光栅的一个栅距，Q为脉冲当量，e_i为t_i时刻即对应采样位置s_i的细分误差，其通过硬件计数电路直接采集得到。

Images