CN111199774B - 一种三坐标设备位置校准方法 - Google Patents
一种三坐标设备位置校准方法 Download PDFInfo
- Publication number
- CN111199774B CN111199774B CN201911390858.2A CN201911390858A CN111199774B CN 111199774 B CN111199774 B CN 111199774B CN 201911390858 A CN201911390858 A CN 201911390858A CN 111199774 B CN111199774 B CN 111199774B
- Authority
- CN
- China
- Prior art keywords
- control
- population
- value
- axis
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 230000002068 genetic effect Effects 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 52
- 238000009499 grossing Methods 0.000 claims description 34
- 210000000349 chromosome Anatomy 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 20
- 230000035772 mutation Effects 0.000 claims description 14
- 108090000623 proteins and genes Proteins 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000013011 mating Effects 0.000 description 2
- 108010063499 Sigma Factor Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Biotechnology (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Analytical Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Physiology (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种三坐标设备位置校准方法，在非参数回归的基础上，采用改进遗传算法优化网络参数，以误差样本数据为后验条件，执行非参数估计，依据最大概率原则计算对应输入位置条件下的网络的输出，即对应输入条件下的位置误差，通过遗传算法更新，找到最优网络结构，实现误差的精确预测与修正。该方法以径向基网络为基础，采用改进遗传算法进行网络参数优化，具有良好的非线性逼近性能，训练更为方便，计算精度较高，计算速度较快，满足误差修正高精度和实时性要求。
Description
技术领域
本发明涉及一种三坐标设备位置校准方法，属于位置校准技术领域。
背景技术
PID控制时最早发展起来的经典控制策略，用于过程的控制。由于其原理简单，技术成熟，在实际应用中比较容易调整，在工业控制中得到的广泛的应用。随着控制系统的发展，PID控制设备应用越来越广泛，应用的系统越来越复杂、规模也越来越大，对系统的控制精度要求也越来越高。
在实际运用中，由于设备存在安装误差和控制误差，在使用过程中，用户按照使用需要向控制设备下发相应的位置控制参数，因为上述误差的存在，系统实际的位置与用户要求的位置会存在一定的误差，当误差超过一定的量级后，就会影响到系统的使用。
对于标校系统，会导致雷达设备的标校结果存在较大的测角精度误差，从而影响后期雷达设备的系统修正和设计工作，使得雷达设备无法达到相应的使用指标要求。
对于一般工业上使用的PID控制系统，较大的位置控制误差对导致设备在使用过程中，定点不准，如机械手臂的控制，使得后续整个工作无法正常进行，甚至带来危险。
由于误差存在一定的随机特性，并且和设备控制的三轴位置密切相关，且位置之间还存在误差的相互耦合，因此无法采用一个准确的模型来表征设备的位置误差信息。如何修正PID控制系统的位置误差成为一个难以解决的问题。现有技术随数据误差进行建模，虽然可以将误差降低一个量级，但是对于高精度的控制系统来说，这个量级的误差仍然不满足使用要求。
采用确定的模型对被控设备的控制误差修正后，误差有了明显的减小，但是对于高精度的控制系统来说，这个量级的误差仍然不满足使用要求。因此，迫切需要要种高精度的误差修正算法来实现控制位置误差的补偿。
神经网络作为一种新的计算智能方法，在参数计算、误差分析、数据预测等领域都具有巨大的优势，其计算精度高、计算速度快，在工程中各方面都有广泛的应用。本发明中针对误差校准的问题，采用广义回归神经网络结构解决此问题。然而，在采用广义回归神经网络解决实际工程问题时，不同的平滑因子对网络输出结果影响很大，但是又无法准确获得，针对这些特点，本发明中采用改进遗传算法结合广义回归神经网络的结构，采用改进遗传算法实现平滑因子的最优估计，得到最优网络结构，从而实现误差参数的实时精确校准。
发明内容
本发明所要解决的技术问题是克服现有技术的误差大不满足使用要求的缺陷，提供一种三坐标设备位置校准方法。
为解决上述技术问题，本发明提供一种三坐标设备位置校准方法，其特征在于，
获取三坐标设备的各轴上测试使用的每个样本点控制值、预处理后的实际测试控制值，确定每个样本点的控制误差值；
初始化预先构建的广义回归神经网络的平滑因子，所述广义回归神经网络的输入层中心为样本点控制值，输入层的期望输出参数为控制误差值；
另外选取一组新的测试数据作为测试样本，将测试样本控制点控制值输入到所述预先构建的广义回归神经网络，输出所有测试样本点的预测误差值；
根据所有测试样本点的预测误差值，采用改进遗传算法优化平滑因子，根据优化过程确定最优平滑因子，根据最优平滑因子确定最优广义回归神经网络结构；
获取实验数据控制值，输入到所述最优广义回归神经网络结构中，输出最优预测误差值，将该值加入到实验数据控制值中，确定校准后的控制值，实现对设备误差的精确修正。
进一步的，所述预处理的过程为：
对于输入的实际测试控制值中，进行数据预处理时，将超过实际测试控制值误差序列方差的10倍以上的点作为异常点剔除。
进一步的，所述广义回归神经网络的输入层中心为样本点控制值，期望输出参数为控制误差值的表达形式为：
其中，P为对应各个样本点的三个轴向的控制值，xi，yi，zi为分别为第i个样本x轴、y轴和z轴的控制量，T为对应于P矩阵中各个样本点的三轴控制误差值，exi，eyi，ezi为第i个样本值的三轴误差对应值，i表示需要预测的第i个控制值的下标，i＝1,2，…，M，M为样本点总个数。
进一步的，所述平滑因子的初始化的计算公式为：
σ＝(σx+σy+σz)/3
其中，σ为平滑因子，σx、σy、σz分别为三坐标设备的x轴、y轴和z轴的统计方差，分别为x轴、y轴和z轴的控制值均值。
进一步的，所述预测误差值的计算过程为：
另外选取一组新的测试数据作为测试样本；
计算径向基层输出：
对于每一个测试数据的控制点[xni yni zni]，按照下列公式计算径向基层的输出
其中，j表示网络中第j个网络中心的下边，即P矩阵的第j行数据；
计算加和层的输出：
加和成共有上下两层，上层的输出计算公式为:
下层的输出计算公式为:
计算输出层的输出：
根据加和层的输出，计算网络的最终输出，得到测试数据第i个控制点的预测误差值：
其中，enxi、enyi、enzi分别表示为测试数据第i个控制点对应的预测误差值，eps＝2×10-16；
重复上述过程，计算出所有测试数据控制点的预测误差值。
进一步的，确定最优平滑因子的过程为：
S1、构建优化目标函数f(σ)：
其中，N为测试数据点的数目；
设置改进遗传算法求解需要的参数，包括最大遗传的代数、种群大小、个体长度、代沟概率、交叉概率、变异概率、遗传迭代的次数；
采用二进制编码方法，种群采用生成随机数的方法生成每一个个体的染色体的值，通过编码函数将初始化的种群转换成十进制的数；
S2、将目标函数作为适应度计算函数，通过排序函数对种群的个体的适应度大小进行排序；
S3、选择操作从种群中以给定的代沟概率选择优良的个体组成新的种群，以繁殖得到下一代个体，所述代沟概率采用轮盘赌选择算法，由下式计算得到
其中，pj为代沟概率，Fj为个体j的适应度；
S4、从种群中随机选择两个个体，根据交叉概率进行染色体交叉；
S5、交叉后的种群中染色体的每一个基因，根据变异概率对基因进行变异；
S6、根据上述过程确定新种群一，将新种群一转换成新的平滑因子；
S7、判断遗传的迭代次数是否满足给定的遗传迭代的次数，若不满足则根据S2获得的平滑因子重新计算新种群一中个体的适应度，并根据步骤S3-S6。再次确定平滑因子；若满足则输出该平滑因子为最优平滑因子。
进一步的，所述交叉的过程为：
对于每个染色体，生成0～1之间的随机数，如果该值小于指定的交叉概率，则选定的染色体进行交叉，否则染色体不参与交叉，直接复制到新的种群中。
进一步的，所述变异的过程为：
对于交叉后的种群中染色体的每一个基因，生成0～1之间的随机数，如果该值小于指定的变异概率，则选定的基因进行变异，产生新的染色体，否则直接复制到新的种群中。
本发明所达到的有益效果：
发明采用广义回归神经网络，在非参数回归的基础上，以误差样本数据为后验条件，执行非参数估计，依据最大概率原则计算对应输入位置条件下的网络的输出，即对应输入条件下的位置误差。
该方法以径向基网络为基础，具有良好的非线性逼近性能，能够精确的逼近目标点的位置。同时该网络无需训练，也不像BP神经网络一样具备反馈之路，网络一旦建立之后，无需训练即可使用，计算速度极快，能够满足控制系统的误差修正高精度和实时性要求。
附图说明
图1是本发明的流程示意图；
图2是广义回归神经网络结构示意图。
图3是测试误差随进化代数变化示意图
图4是采用本发明的方法x轴误差修正对比图
图5是采用本发明的方法y轴误差修正对比图
图6是采用本发明的方法z轴误差修正对比图
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
本发明提供的一种三坐标设备位置校准方法由以上步骤构成，各个步骤的具体实现如下：
(1)载入测试数据
将测试使用的控制数据，得到的误差数据输入网络，构建网络输入层。其中，输入层网络的输入层数目等于采样点的数目。根据输入的控制参数与测试得到的实际测试值，计算控制误差。假定输入的控制值为(x0,y0,z0)，测试得到的位置为(x'0,y'0,z'0)，则各轴上的控制误差如下：
(2)数据预处理
对于输入的测试数据中，对数据明显的异常点进行剔除。在本发明中，异常点的判断标准为超过测试数据误差序列方差的10倍以上的点为异常点，该点可能是由于观测错误或者记录错误造成的，需要预先剔除，以防一场数据影响模型的优化。
(3)构建网络层
构建网络，每一个样本点控制值作为网络输入层中心，对应误差值作为期望输出参量，即
其中，xi，yi，zi为三轴控制量，exi，eyi，ezi为三轴的误差对应值。
(4)初始化平滑因子σ
平滑因子根据使用的需要设置，或者根据上一步骤中输入的P数据方差来计算，计算公式如下：
σ＝(σx+σy+σz)/3
其中，为控制值的均值。在人为设定时，若平滑因子取值越大，输出值越接近于所有数据的均值，若平滑因子越小，则对于样本值，预测值与其非常接近，即当需要预测的点在训练样本中时，算得的预测值与样本中的期望输出非常相近，但对于新的输入，预测效果则会变差，使网络失去预测能力，即产生所谓的过学习现象。
(5)计算径向基层输出
另外选取一组新的测试数据作为测试样本；
对于每一个需要预测的控制点[xni yni zni]，按照下列公式计算径向基层的输出
其中，i表示需要预测的第i个控制值的下标，j表示网络中第j个网络中心的下边，即步骤(1)中P矩阵的第j行数据。
(5)计算加和层的输出
加和成共有上下两层，对于每一个预测输入的控制变量[xni yni zni]，上层的输出计算公式为
下层的输出计算公式为
(6)计算输出层的输出
根据加和层的输出，计算网络的最终输出，最终输出
其中，eps＝2×10-16，为了避免分母为零而附加的一个极小值。
对测试样本所有的控制点计算依次重复(4)～(6)的步骤，计算出所有控制点的误差值。
(7)构建优化目标函数
优化目标函数根据测试样本所有控制点的误差计算得到。目标函数如下：
(8)求解优化参数设置
设置求解需要的参数，主要包括如下参数：最大遗传的代数、种群的大小、个体的长度、代沟的概率、交叉的概率、变异的概率、遗传迭代的次数。
(9)初始化种群
遗传算法在一个给定的初始化种群中进行迭代搜索。本发明中，采用二进制编码方法，生成种群采用生成随机数的方法生成每一个染色体的值，通过编码函数将初始化的种群转换成十进制的数。
(10)适应度计算
编写适应度计算函数。评估函数根据问题的优化目标来确定。在本发明中，由于求解的问题是目标函数最小值对应的参数，因此将目标函数作为适应度计算函数，其值越小则适应度越好，通过排序函数对个种群的适应度大小进行排序。
(11)选择、交叉、变异
选择操作从旧的群体中以给定的代沟概率选择优良的个体组成新的种群，以繁殖得到下一代个体，个体被选中的概率由适应度得到，适应度越大，被选中的概率也越大。本发明中选择操作采用轮盘赌选择算法，个体被选中的概率由下式计算得到
其中Fj为个体j的适应度，由上一步计算得到，N为种群个体的数目。
交叉操作是从种群中随机选择两个个体，每个染色体是否交叉由给定的交叉概率决定。其过程是：对于每个染色体，生成0～1之间的随机数，如果该值小于指定的交叉概率，则选定的染色体进行交叉，否则染色体不参与交叉，直接复制到新的种群中，交叉操作如下所示
每两个个体按交叉概率进行交叉，进过各自的部分基因交换，产生两个新的子代。其具体操作时随机产生一个有效的交配位置，染色体交换位于交配位置后的所以基因。
变异操作是交叉后的新种群中染色体的每一个基因，根据变异概率判定该基因是否变异。其过程是：生成0～1之间的随机数，如果该值小于指定的变异概率，则选定的基因进行变异，产生新的染色体，变异操作如下：
(12)生成新的种群
完成以上操作后，得到新的种群，转入步骤(4)中，重新计算生成的新种群的适应度，将生成的新种群按适应度的大小插入到旧的种群中，并更新最优染色体。
计算新生成种群中个体的适应度，根据适应度将新的个体与旧的种群进行重组，得到新的种群。
如果遗传代数小于最大遗传代数，转到步骤(5)，将新种群转换成平滑因子，带入网络结构中，重新计算种群适应度，直至满足给定的遗传代数。
(13)确定最优网络结构
优化计算完成后，得到最优平滑因子，根据最优平滑因子确定最优网络结构。
(14)位置误差校准
将实验数据控制值代入到最优网络结构中，计算得到预测误差值，将该值加入到控制值中，形成新的控制参量，采用新的控制参量对系统进行控制，得到校准后的控制值。
图3～6中给出了采用本发明的方法进行三坐标设备位置校准的实际效果图。图3中给出了采用遗传算法优化构建网络的平滑因子参数，测试数据误差值随遗传代数变化示意图，由图中可知，采用遗传算法有效的降低了测试误差，通过优化过程完成了最有网络参数的估计，优化计算完成后，得到最优网络结构。
图4～6中采用最优网络结构，对某实际测试数据进行校准的结果，由图中可知，本次测试中计算了740个控制值的误差数据，并对误差数据进行校准，结合上述测试结果，并对比回归分析的误差图可知，采用本发明的位置误差校准方法，可以大大提高校准精度，所有的控制值误差均落在了0.1mm的范围内，满足控制高精度的要求。
仿真结果和实验结果都表明，采用本发明的估计算法，计算精度较高，而且计算时间较短，对以每一个测试点，能够在2ms内得到准确的结果，有效的解决的计算精度要求和实时性的要求。
本发明采用改进遗传算法结合广义回归神经网络，在非参数回归的基础上，采用改进遗传算法优化网络参数，以误差样本数据为后验条件，执行非参数估计，依据最大概率原则计算对应输入位置条件下的网络的输出，即对应输入条件下的位置误差，通过遗传算法更新，找到最优网络结构，实现误差的精确预测与修正。该方法以径向基网络为基础，采用改进遗传算法进行网络参数优化，具有良好的非线性逼近性能，训练更为方便，计算精度较高，计算速度较快，满足误差修正高精度和实时性要求。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种三坐标设备位置校准方法，其特征在于，
获取三坐标设备的各轴上测试使用的每个样本点控制值、预处理后的实际测试控制值，确定每个样本点的控制误差值；
初始化预先构建的广义回归神经网络的平滑因子，所述广义回归神经网络的输入层中心为样本点控制值，输入层的期望输出参数为控制误差值；
另外选取一组新的测试数据作为测试样本，将测试样本控制点控制值输入到所述预先构建的广义回归神经网络，输出所有测试样本点的预测误差值；
根据所有测试样本点的预测误差值，采用改进遗传算法优化平滑因子，根据优化过程确定最优平滑因子，根据最优平滑因子确定最优广义回归神经网络结构；
获取实验数据控制值，输入到所述最优广义回归神经网络结构中，输出最优预测误差值，将该最优预测误差值加入到实验数据控制值中，确定校准后的控制值，实现对设备误差的精确修正；
确定最优平滑因子的过程包括如下步骤：
S1、构建优化目标函数f(σ)：
其中，N为测试数据点的数目，eni为测试数据第i个控制点的预测误差值，enxi、enyi、enzi分别表示为测试数据第i个控制点x轴、y轴和z轴对应的预测误差值，σ为平滑因子；
设置改进遗传算法求解需要的参数，包括最大遗传的代数、种群大小、个体长度、代沟概率、交叉概率、变异概率、遗传迭代的次数；
采用二进制编码方法，种群采用生成随机数的方法生成每一个个体的染色体的值，通过编码函数将初始化的种群转换成十进制的数；
S2、将目标函数作为适应度计算函数，通过排序函数对种群的个体的适应度大小进行排序；
S3、选择操作从种群中以给定的代沟概率选择优良的个体组成新的种群，以繁殖得到下一代个体，所述代沟概率采用轮盘赌选择算法，由下式计算得到
其中，pj为代沟概率，Fj为个体j的适应度；
S4、从种群中随机选择两个个体，根据交叉概率进行染色体交叉；
S5、交叉后的种群中染色体的每一个基因，根据变异概率对基因进行变异；
S6、根据步骤S1-步骤S5的过程确定新种群一，将新种群一转换成新的平滑因子；
S7、判断遗传的迭代次数是否满足给定的遗传迭代的次数，若不满足则根据步骤S2获得的平滑因子重新计算新种群一中个体的适应度，并根据步骤S3-步骤S6，再次确定平滑因子；若满足则输出该平滑因子为最优平滑因子。
2.根据权利要求1所述的三坐标设备位置校准方法，其特征在于，所述预处理的过程为：
对于输入的实际测试控制值中，进行数据预处理时，将超过实际测试控制值误差序列方差的10倍以上的点作为异常点剔除。
3.根据权利要求1所述的三坐标设备位置校准方法，其特征在于，所述广义回归神经网络的输入层中心为样本点控制值，期望输出参数为控制误差值的表达形式为：
其中，P为对应各个样本点的三个轴向的控制值，xi，yi，zi为分别为第i个样本x轴、y轴和z轴的控制量，T为对应于P矩阵中各个样本点的三轴控制误差值，i表示需要预测的第i个控制值的下标，i＝1,2，…，M，M为样本点总个数。
4.根据权利要求3所述的三坐标设备位置校准方法，其特征在于，所述平滑因子的初始化的计算公式为：
σ＝(σx+σy+σz)/3
其中，σx、σy、σz分别为三坐标设备的x轴、y轴和z轴的统计方差，分别为x轴、y轴和z轴的控制值均值。
5.根据权利要求4所述的三坐标设备位置校准方法，其特征在于，所述预测误差值的计算过程为：
另外选取一组新的测试数据作为测试样本；
计算径向基层输出：
对于每一个测试数据的控制点[xni yni zni]，按照下列公式计算径向基层的输出
其中，j表示网络中第j个网络中心的下边，即P矩阵的第j行数据；
计算加和层的输出：
加和成共有上下两层，上层的输出计算公式为:
下层的输出计算公式为:
计算输出层的输出：
根据加和层的输出，计算网络的最终输出，得到测试数据第i个控制点的预测误差值：
其中，enxi、enyi、enzi分别表示为测试数据第i个控制点对应的预测误差值，eps＝2×10-16；
重复预测误差值的计算过程，计算出所有测试数据控制点的预测误差值。
6.根据权利要求1所述的三坐标设备位置校准方法，其特征在于，所述交叉的过程为：
对于每个染色体，生成0～1之间的随机数，如果该随机数小于指定的交叉概率，则选定的染色体进行交叉，否则染色体不参与交叉，直接复制到新的种群中。
7.根据权利要求1所述的三坐标设备位置校准方法，其特征在于，所述变异的过程为：
对于交叉后的种群中染色体的每一个基因，生成0～1之间的随机数，如果该随机数小于指定的变异概率，则选定的基因进行变异，产生新的染色体，否则直接复制到新的种群中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911390858.2A CN111199774B (zh) | 2019-12-30 | 2019-12-30 | 一种三坐标设备位置校准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911390858.2A CN111199774B (zh) | 2019-12-30 | 2019-12-30 | 一种三坐标设备位置校准方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111199774A CN111199774A (zh) | 2020-05-26 |
| CN111199774B true CN111199774B (zh) | 2024-02-13 |
Family
ID=70747029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911390858.2A Active CN111199774B (zh) | 2019-12-30 | 2019-12-30 | 一种三坐标设备位置校准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111199774B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103048949A (zh) * | 2012-12-22 | 2013-04-17 | 西安交通大学 | 一种数控机床伺服系统摩擦误差补偿方法 |
| CN107480377A (zh) * | 2017-05-16 | 2017-12-15 | 安徽工业大学 | 基于混合建模的三坐标测量机测头预行程误差预测方法 |
| CN109813225A (zh) * | 2019-03-20 | 2019-05-28 | 安徽工业大学 | 一种柔性臂坐标测量机空间误差补偿方法 |
| CN110187393A (zh) * | 2019-05-28 | 2019-08-30 | 吉林大学 | 一种基于广义回归神经网络的航磁补偿方法 |
-
2019
- 2019-12-30 CN CN201911390858.2A patent/CN111199774B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103048949A (zh) * | 2012-12-22 | 2013-04-17 | 西安交通大学 | 一种数控机床伺服系统摩擦误差补偿方法 |
| CN107480377A (zh) * | 2017-05-16 | 2017-12-15 | 安徽工业大学 | 基于混合建模的三坐标测量机测头预行程误差预测方法 |
| CN109813225A (zh) * | 2019-03-20 | 2019-05-28 | 安徽工业大学 | 一种柔性臂坐标测量机空间误差补偿方法 |
| CN110187393A (zh) * | 2019-05-28 | 2019-08-30 | 吉林大学 | 一种基于广义回归神经网络的航磁补偿方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111199774A (zh) | 2020-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107621269B (zh) | 光纤陀螺温度漂移误差补偿方法 | |
| CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
| CN108520325B (zh) | 一种基于多变环境下加速退化数据的集成寿命预测方法 | |
| CN112926265A (zh) | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 | |
| CN111158237B (zh) | 基于神经网络的工业炉炉温多步预测控制方法 | |
| CN111190211B (zh) | 一种gps失效位置预测定位方法 | |
| CN112818595A (zh) | 一种火电厂蒸发区的数字孪生模型数据的修正方法及系统 | |
| CN111967183A (zh) | 一种配电网台区线损的计算方法和系统 | |
| CN111415010A (zh) | 一种基于贝叶斯神经网络的风电机组参数辨识方法 | |
| CN112464567A (zh) | 基于变分同化框架的智能资料同化方法 | |
| CN112215412B (zh) | 溶解氧预测方法及装置 | |
| CN116451556A (zh) | 一种混凝土坝变形观测量统计模型构建方法 | |
| CN112091950A (zh) | 基于混合遗传模拟退火算法的机器人运动学参数辨识方法 | |
| CN114819178A (zh) | 一种铁路施工进度指标预测和在线更新方法 | |
| CN111199774B (zh) | 一种三坐标设备位置校准方法 | |
| CN117335425A (zh) | 一种基于ga-bp神经网络的潮流计算方法 | |
| CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
| CN114004008A (zh) | 一种基于神经网络和遗传算法的飞机装配线资源配置优化方法 | |
| CN110909492A (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
| CN114117917B (zh) | 一种多目标优化的舰船磁偶极子阵列建模方法 | |
| CN115600492A (zh) | 一种激光切割工艺设计方法及系统 | |
| CN116300401A (zh) | 一种基于遗传算法优化模糊pid的温度控制方法 | |
| CN113935556B (zh) | 一种基于dna遗传算法的温度传感器优化布置方法 | |
| CN115018137A (zh) | 基于强化学习的水环境模型参数率定方法 | |
| CN111080160B (zh) | 包含偏好辅助决策因子优选的交互式多准则决策方法、装置及计算机设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |