CN112985467A - 用于确定运动学变量的编码器设备和方法 - Google Patents

用于确定运动学变量的编码器设备和方法 Download PDF

Info

Publication number
CN112985467A
CN112985467A CN202011487244.9A CN202011487244A CN112985467A CN 112985467 A CN112985467 A CN 112985467A CN 202011487244 A CN202011487244 A CN 202011487244A CN 112985467 A CN112985467 A CN 112985467A
Authority
CN
China
Prior art keywords
encoder device
scanning
encoder
evaluation
kinematic variables
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.)
Granted
Application number
CN202011487244.9A
Other languages
English (en)
Other versions
CN112985467B (zh
Inventor
西蒙·布鲁格
克里斯蒂安·塞尔梅尔
大卫·霍普
多米尼克·托梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sick AG
Original Assignee
Sick Stegmann GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sick Stegmann GmbH filed Critical Sick Stegmann GmbH
Publication of CN112985467A publication Critical patent/CN112985467A/zh
Application granted granted Critical
Publication of CN112985467B publication Critical patent/CN112985467B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/003—Kinematic accelerometers, i.e. measuring acceleration in relation to an external reference frame, e.g. Ferratis accelerometers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/12—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/12—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means
    • G01D5/14—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage
    • G01D5/142—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage using Hall-effect devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
    • G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
    • G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
    • G01D5/347—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells using displacement encoding scales
    • G01D5/34776—Absolute encoders with analogue or digital scales
    • G01D5/34792—Absolute encoders with analogue or digital scales with only digital scales or both digital and incremental scales
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/02—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses
    • G01P15/08—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
    • G01P21/02—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
    • G01P3/42—Devices characterised by the use of electric or magnetic means
    • G01P3/44—Devices characterised by the use of electric or magnetic means for measuring angular speed
    • G01P3/48—Devices characterised by the use of electric or magnetic means for measuring angular speed by measuring frequency of generated current or voltage
    • G01P3/481—Devices characterised by the use of electric or magnetic means for measuring angular speed by measuring frequency of generated current or voltage of pulse signals
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
    • G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
    • G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
    • G01D5/347—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells using displacement encoding scales
    • G01D5/3473—Circular or rotary encoders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Transmission And Conversion Of Sensor Element Output (AREA)
  • Measurement Of Length, Angles, Or The Like Using Electric Or Magnetic Means (AREA)

Abstract

本申请涉及用于确定运动学变量的编码器设备和方法。给出了用于确定第一对象相对于第二对象的移动的运动学变量的编码器设备(10)，其中编码器设备(10)具有：与第一对象连接的实体量具(14)；与第二对象连接的至少一个扫描单元(18)，其用于通过检测实体量具(14)来产生至少一个扫描信号；以及控制和评估单元(24)，其被配置用于根据扫描信号确定运动学变量。在此，控制和评估单元(24)还被配置用于通过用机器学习的方法评估扫描信号来确定运动学变量，其中利用多个扫描信号和相关的运动学变量对评估进行训练。

Description

用于确定运动学变量的编码器设备和方法
本发明涉及根据权利要求1或15的主题的用于确定运动学变量(kinematische
Figure BDA0002839674720000011
)的编码器设备和方法。
编码器设备(Gebervorrichtung)分为线性系统和旋转系统。线性编码器确定在一个轴线上的位移。反过来，旋转编码器(Drehgeber)、旋转角度传感器或编码器用于检测(例如，驱动元件的轴的)旋转角或角位置。在此，分别扫描沿着线性轴线安装或安装在轴上以一起旋转的实体量具
Figure BDA0002839674720000012
实体量具通过相对移动在扫描传感器中产生强度调制。通常，存在多于一个被扫描的码道(Codespur)。因此，正弦/余弦编码器被广泛使用，其提供具有与位置相关的正弦曲线或余弦曲线的两个模拟输出信号。这些信号的相位和周期数分别以90°偏移代表所寻求的位置。
针对基本的传感器原理使用各种技术。光学旋转编码器使用具有用作代码的开口或反射标记的码盘(Codescheibe)，这些光学旋转编码器调制光发射器的信号，使得以透射或反射方式布置的光接收器接收位置信号。该原理也可以转移到线性编码器。例如，在磁性编码器中，当被编码的永磁体移动经过时，利用霍尔传感器探测磁场的变化。其他众所周知的系统使用实体量具和例如电感式、电容式或根据其他调制和扫描原理工作的扫描。
至少对于较高的精确度要求而言，编码器设备须考虑各种由环境决定的影响和机械影响。为此，需要复杂的校准和调整，此外这些校准和调整要求详细的系统知识。由于对测量的效果并不总是足够已知的，因此即使利用校准，通常也不能实现全面校正。
传统的评估基于数学相关性的利用，例如在正弦/余弦码道的情况下的反正切函数。然而，根据编码并不易于推导和评估这些相关性。具体地，仍然需要一个复杂的系统架构来对例如绝对轨道、增量轨道的各种部分信息进行获取、组合、内插、校正等类似更多操作。
因此，本发明的任务在于改进对编码器设备的评估。
该任务通过根据权利要求1或15的用于确定运动学变量的编码器设备和方法来实现。根据实施方式，编码器设备可以确定线性移动或旋转移动的运动学变量。在后一种情况下，编码器设备也被称为旋转编码器、旋转角度传感器或编码器，在伺服电机中使用时也被称为电机反馈系统。优选地，运动学变量包括纵向位置或角位置，但是也可以是速度和/或加速度，无论是作为补充的附加测量变量、作为可替代的测量变量、还是作为用于更精确的位置确定的辅助变量。
实体量具与对象连接，并且用于通过检测处于相对移动的实体量具来产生至少一个扫描信号的扫描单元与另一个对象连接。实体量具具有表征相应位置的结构或编码。在此，可以实现一个或更多个绝对轨道和/或增量轨道。至少一个扫描单元随着相对移动从实体量具产生至少一个扫描信号。通过扫描多个轨道和/或以纵向偏移或角偏移进行扫描来产生多个扫描信号。为此，设置了多个扫描单元，或者一个扫描单元承担多个或所有扫描。实体量具的结构或编码反映在相应的扫描信号中。扫描单元的传感器原理和实体量具的相关特性可以是光学的、磁性的、电感的或电容的，或者还可以基于另一种物理基础。
控制和评估单元：根据至少一个扫描信号确定运动学变量。优选地，控制和评估单元是编码器设备的一部分，在某种意义上说是置于编码器设备中的单元。然而，也可以设想在外部提供计算容量或存储容量，特别是从所连接的控制器、任何类型的计算机或者网络(特别是云)提供计算容量或存储容量。
本发明基于以下基本思想，即借助于机器学习的方法来确定运动学变量。为此，利用机器学习的方法对扫描信号进行评估。利用多个扫描信号对评估进行训练，为这些扫描信号分别预先设定相关的运动学变量。在模拟的训练数据中，合适的运动学变量作为预给定参数是已知的，否则例如用另一个传感器对运动学变量进行测量。这种类型的传感器可以是非常高品质的并因此是精确的，使用复杂的测量原理，或者给出诸如校准目标等的辅助手段。所有这些仅在训练期间需要，因此与实际的编码器设备及其后续操作相比，边界条件(例如，成本和结构空间)起次要作用。
本发明的优点在于，实现了对于编码器设备的灵活的并且可在许多应用情况中使用的评估。评估在不需要深入的系统知识的情况下工作。通过机器学习考虑容差，不需要额外的校准或调整。同时，增强了抵抗任意影响的稳健性，这些影响与系统本身一样，不必全面理解和掌握。在此，通过有针对地选择对应的训练数据，可以预备对特定影响的评估。通过外部的计算容量和存储容量来支持或接管训练，编码器设备本身可以保持构造得相对简单且成本低廉。
优选地，控制和评估单元具有深度神经网络。具有多个隐藏层的人工神经网络被称为深度神经网络。深度神经网络的功能是特别强的，是可进行良好地训练的，并且能够以小测量误差实现运动学变量的可靠确定。作为深度神经网络的替代，简单的神经网络或者其他本身已知、但目前未用于编码器设备的机器学习的方法是可设想的，例如随机森林、K-Means及其他。
优选地，深度神经网络的架构具有至少部分预先设定的架构，特别是预先设定的数量的层和/或每层的神经元。通过预先设定架构，在训练期间仅寻找连接的权重，由此降低了复杂性。此外，通过关于待训练的具体编码器设备系列的先验知识，能够选择特别合适的架构，该架构根据标准(诸如，训练持续时间、所需训练数据集和训练重复的数量和精确度)来进行优化。可替代地，训练也可以包括对具体架构的确定。这通常会延长训练持续时间，但会导致更好的结果，尤其在不存在关于最佳架构的先验知识的情况下如此。
优选地，编码器设备具有传感器原理不同的多个扫描单元。这当然相应地适用于实体量具，该实体量具与扫描单元以合适的方式相互作用，并且例如具有用于光学扫描的光学轨道或用于霍尔传感器的磁性轨道。已经讨论了存在多个扫描单元或等效地存在可以产生多个扫描信号的一个扫描单元的方案。在这个实施方式中，涉及组合不同的传感器原理，例如光学扫描和磁性扫描。这扩展了特征空间，因此能够更稳健且更精确地确定运动学变量。此外，通过多样性提高了可靠性，并且这对于安全技术中的使用可以是特别有意义的。传统上，不同传感器原理的扫描信号通常必须以不同的方式进行评估。对于机器学习的方法而言，涉及附加的扫描信号，对于这些扫描信号，在训练和操作中优选地都不需要特殊的附加步骤。于是，更确切地说，附加信息由于多样性被隐含地利用。
优选地，针对直接产生速度信息和/或加速度信息的传感器原理来设计至少一个扫描单元。可替代地，这些运动学变量可以通过随时间推导位置信号来获得，但测量误差会增大，在某些情况下可能会急剧增大。因此，直接测量可以是更加精确的，并且在任何情况下均开拓新的特征空间。例如，通过扫描单元的电感式传感器原理获得速度。再次地，实体量具被设计成适合于相关扫描单元的传感器原理。例如，加速度的测量通过惯性原理(IMU，惯性测量单元(Inertial Measurement Unit))实现。
优选地，实体量具被配置用于产生非周期性模式。这涉及相关的测量路径，在这种情况下，旋转编码器中在360°后的不可避免的重复不被认为是周期性的。特别地，非周期性模式无法通过简单的数学相关性(例如，正弦或余弦或对应的矩形信号)描述，并且也不由规则的增量结构组成。利用机器学习还可以评估复杂的并且多维度的模式，利用分析方法很难或掌握这些模式。在某种意义上，实体量具或扫描的容差和不精确性(例如，边沿(Flanke)、波纹等)已经是非周期性模式。在传统的评估中，这只会导致额外的测量误差。优选地，机器学习的方法也使用这种类型的偏差，只要这些偏差至少部分是重复出现的。然而，优选地，实体量具被设计有非周期性模式。
优选地，运动学变量包括两个对象相对于彼此的旋转位置或平移偏移。获得这样的位置信息是编码器设备的典型任务，并且优选地被确定为所寻求的运动学变量或所寻求的运动学变量之一。根据是平移系统还是旋转系统得出旋转编码器或长度测量器或长度位置系统。
优选地，运动学变量包括速度和/或加速度。除了检测位置或代替位置，还检测这种运动学变量。因此，存在确定位置、速度和加速度，或者这些运动学变量的成对变量或单个变量的实施方式。通过推导和/或用合适的传感器原理直接测量来实现对速度或加速度的确定。可以设想的是，不将速度或加速度确定为单独的目标变量，而是对另一个目标变量进行合理性检验或更精确地检测，例如通过对速度进行积分来测量位置。
优选地，控制和评估单元被配置用于预先确定对运动学变量的粗略估计，特别地利用无机器学习的方法来预先确定。在这个实施方式中，用于确定运动学变量的实际评估预先通过机器学习的方法来限制，因此不太复杂。优选地，粗略估计使用无机器学习的常规手段，尽管前述利用机器学习的粗略估计也是可以设想的。随后，利用机器学习的方法来训练自身的粗略确定单元。可以从实体量具的至少一个单独的轨道或从至少一个轨道来进行粗略估计，该轨道也用于评估以精确地确定运动学变量。
优选地，控制和评估单元被配置用于训练阶段，在该训练阶段中，编码器设备置于位置分布、速度分布和/或加速度分布已知的各种已知的移动场景。通过这些移动场景获得扫描信号，对于这些扫描信号，相关的运动学变量是已知的，因此可以进行训练。移动场景应反映后续的操作条件，并且通过合适地设计和选择移动场景可以改进训练并缩短训练持续时间。
优选地，在环境条件和/或机械影响的变化下对评估进行训练，特别是温度、湿度、冲击载荷和/或振动的变化。由此，使得评估在操纵中对这种变化变得有稳健性。为此，与传统的评估不同，不需要从中推导出合适的补偿计算的特殊的模型或类似物。只要训练中的变化至少在某种程度上反映了后续的影响，那么机器学习的方法就会考虑到这一点。通过直接在后面的使用地点进行训练，条件以非常简单的方式变得有代表性。可替代地，还可以设想人工变化，无论是实际上通过加热和加湿或冲击，还是通过模拟加热影响和加湿影响以及移动，然而，其中后者又需要至少一定的系统知识。
优选地，移动是旋转移动，其中在偏心率、竖直跳动
Figure BDA0002839674720000051
和/或不同的旋转轴承(Drehlagerung)的变化下对评估进行训练。在旋转编码器的情况下存在特定的影响变量，其中最重要的以示例方式列出。轴承能够使两个对象相对于彼此旋转移动。由此，导致轴承(例如，所使用的滚珠轴承)本身的偏心率、竖直跳动和个性化特征的变化。评估也将借助于机器学习的方法来考虑这些影响，假设这些影响在训练中相应地变化。再次地，这可以通过具体装配的编码器设备的个性化训练来特别容易地实现。
优选地，控制和评估单元被预先设定部分训练的评估，该部分训练的评估针对一类的编码器设备进行训练。特别是上面提到的由环境(例如，温度、湿度、冲击或振动)导致的一般影响对彼此类似的编码器设备也有相似的影响。由此，可以以普遍方式进行至少一部分训练。该训练结果被上传到特定的编码器设备，例如相应地预设神经网络的权重。在某些情况下，编码器设备可以利用这种以普遍方式训练的机器学习的方法工作，而无需进一步训练。
优选地，控制和评估单元被配置用于对部分训练的评估进行个性化的再训练。有些影响并不是普遍性的，甚至在编码器设备的结构相同的情况下也并不是普遍性的。这种差异可以通过个性化训练来考虑。这可以在最后完成中发生，其中在训练范围内，通过高级传感器系统可以确保受控的条件和正确的运动学变量的精确预定值。也可以设想在装配位置中或后续应用情况的现场进行训练。
本发明的方法可以以类似的方式进行改进，并同时显示出类似的优点。这种有利特征是示例性的，但在从属于独立权利要求的从属权利要求中并非穷尽地描述。
附图说明
下面还示例性地基于实施方式并参考附图更详细地阐述本发明的其他特征和优点。在附图中：
图1示出了旋转编码器的示意图；
图2示出了用于纵向位置测量的编码器设备的示意图；
图3示出了旋转编码器的示例性扫描信号的图示；
图4示出了旋转编码器的多个扫描单元的多个叠加的扫描信号的图示；
图5示出了用于旋转编码器的神经网络的角度估计的图示；
图6示出了根据图5的角度估计的角度误差的图示；
图7示出了类似于图5的、现在神经网络的训练时间较长的角度估计的图示；
图8示出了根据图7的角度估计的角度误差的图示；
图9示出了神经网络的示意图；
图10示出了具有非预先确定的架构的神经网络的示意图；以及
图11示出了理想的扫描信号和真实的扫描信号的示意图。
图1示出了被设计成旋转编码器的编码器设备10的示意图。编码器设备10的功能是确定轴12的旋转移动的运动学变量，特别是其相应的旋转位置。在作为光学编码器的示出的实施方式中，编码器设备10具有与轴12一起旋转的码盘作为实体量具14，并且码道16位于实体量具14上。码道16可以是非常简单的，例如在规则的增量模式或齿轮的情况下，或者该码道16可以包含任何可设想的、甚至非常复杂的代码。
具有光源20和光接收器22的扫描单元18扫描码道16并产生相应的扫描信号。为了实现高测量精确度，扫描信号应具有尽可能高的分辨率，并且能够实现对多个步骤的区分。在实践中，通常设置多个扫描单元18，这些扫描单元以不同的角度偏移扫描多个码道16和/或相应的码道16。也可以一个扫描单元18就检测多个码道16，例如利用具有多个光接收元件的光接收器22。因此，可以以各种方式产生多个扫描信号，而不仅仅一个扫描信号。360°的机械旋转可以包括长度相同或不同的多个类似的周期。可替代地，为了更好的可区分性，无论是已经在单个码道内还是至少在其整体上，按扇区或在整个360°上都不设置重复的区段。
控制和评估单元24评估扫描信号，以确定轴12的旋转移动的期望的角信号和/或其他运动学变量。在输出端26提供角位置、角速度和/或角加速度。该评估通过利用机器学习的方法在扫描信号中进行模式识别来实现，该机器学习的方法以深度神经网络28为代表示出。机器学习的可替代的方法是可设想的，例如随机森林，但是进一步的描述以神经网络28为例来进行。
控制和评估单元24可以至少部分地在编码器设备10外实施，以便例如从所连接的计算机或从云获得附加的计算容量和存储容量。这特别地适用于针对神经网络28的特殊的数据和计算密集型训练阶段。
图1中编码器设备10的图示是非常示意性的。对本发明而言，扫描信号具体是如何产生的具有次要的意义。因此，图1中的扫描单元18的构型保持得非常简单，其例如也可能以透射光方法而不是入射光方法工作。另一个可替代的示例是具有扫描单元18的磁性的实体量具14，该扫描单元具有至少一个霍尔传感器。具有实体量具14和合适的扫描单元18的相应组合的其他物理测量原理是可行的，特别是电感式或电容式检测。在一个实施方式中，多种传感器原理相互组合，例如在具有相应的扫描单元18的一个或更多个实体量具14上有光学和磁性码道16。本发明包括绝对编码器设备10(例如，增量编码器设备)，并且编码器设备10可以具有任何接口和输出格式。
图2示出了编码器设备10的示意图，该编码器设备现在被配置用于线性移动而不是旋转移动。在这个实施方式中，实体量具14是长形的，并且扫描单元18在纵向延伸部的方向上平移地移动。因此，沿纵向方向的纵向位置和/或速度或加速度作为运动学变量被检测。码道16可以具有周期性，例如一米以后重复，或者至少在多个码道16的相互作用下可以在各处都是不同的。
在下文中，根据图1的旋转系统与根据图2的平移系统或线性系统之间不再进行区分。在每种情况下均产生扫描信号，该扫描信号通过机器学习的方法进行评估，以确定所寻求的运动学变量。
图3示出了被设计成旋转编码器的编码器设备10经过360°旋转的扫描信号。数据点的数量和幅度分辨率(例如，十位)的精确度越大，就可以越精确地确定角度，但是硬件和评估成本就越高。通过对应地设计实体量具14或码道16产生扫描信号，与简单的数学函数(如正弦或余弦)相比，该扫描信号不具有任何周期性重复，因此提供了尽可能多的推断出角度的依据。然而，扫描信号的具体曲线是纯示例性的。
图4示出了根据图3的扫描信号的角度彼此偏移的多个扫描信号的叠加。在相应的固定角度情况下的相应的扫描值可以得出相关角度的结论，其中这在扫描信号本身和相互偏移巧妙设计的情况下也是明确的。
现在，可以利用确定性评估以分析的方式来重建关联性或利用查找表来重建关联性。但这意味着检测数学相关性或建立查找表的成本。对于编码器设备10的每种构型，应为此分别考虑哪些分析方法或查找表提供了合适的解决方案。此外，评估还容易受到扫描信号的变化的影响，这些变化总是在实际操作中出现，并且影响并不是一目了然的，而且在任何情况下只能通过对编码器设备10的相应构型的深入检查来掌握。
因此，根据本发明，使用机器学习的方法，该机器学习的方法如已经阐述的以神经网络28为例来进行描述。对于神经网络28而言，利用什么样的传感器原理来产生扫描信号并且其曲线中的相应模式是否归因于设计、个性化编码器设备10与该设计的偏差或当前影响，是无关紧要的。更确切地，神经网络28将学习在训练期间提供给它的那些扫描信号，并且根据该样板在后续的操作中找到运动学变量。训练和评估的这种方式在同一系列或者甚至不同的结构方式的不同的编码器设备10上全部是可行的且有稳健性的。在此，相应的编码器设备10的个性化特征可以通过利用其扫描信号进行训练来进行非常好的考虑，并且也可以通过在装配位置现场的至少部分的训练将目标应用中的操作地点的影响包括在内。
图5示出了通过神经网络28对多个扫描信号的评估，即由神经网络28确定的角度与实际的角度的相互关系。图6示出了与理想的角度测量相比的相关的角度误差。神经网络28以50000次重复来进行学习。原则上，底层扫描信号对应于图4的信号，但是具体地使用了另一个示例性系统的扫描信号。
为了进行比较，图7和图8示出了神经网络28的评估和100000次重复的训练后的角度误差，其中角度范围被限制到250°。通过更长时间的训练，在图8中以比图6明显更精细的比例示出的角度误差非常显著地降低，并且示出了在训练持续时间中可以实现更高的测量精确度。
图9非常示意性地示出了深度神经网络28的示例架构，该深度神经网络具有输入层30、输出层32和多个(这里是两个)隐藏的中间层34。如图8中所示，利用这种具有较少的中间层34的预先设定的架构在分辨率为十位的扫描信号中通过100000次以上的训练重复可以达到大约1°的精确度。通过更好分辨率的扫描信号，例如二十位和更长时间的训练，还可以达到<1°(例如，120”)的精确度。
图10示出了另一个深度神经网络28，其中架构至少部分未固定。这可以作为训练的一部分出现，或者可以手动地找到优化的架构。利用这些措施可以再次改进通过神经网络28进行的评估。
编码器设备10通常确定角位置或纵向位置。可替代地或附加地，一些实施方式输出速度和/或加速度。这可以以分析的方式通过从神经网络28的位置信息进行推导来获得，或者神经网络本身输出速度和/或加速度。在这里，为了实现更好的测量结果，可以设想选择测量速度或加速度的传感器原理。例如，通过电感式传感器原理产生与速度成比例的信号。对于加速度的直接测量，也存在测量方法，例如惯性传感器(IMU，惯性测量单元)。多个传感器原理的组合是特别有利的，这些传感器原理一个测量位置，并且一个测量速度。
在另一个有利的实施方式中，在神经网络28的实际评估之前进行粗略估计。例如，利用经典的测量方法预先评估码道16，因此已经获得了粗略估计。随后，神经网络28再次评估该扫描信号和/或其他扫描信号，以改进粗略估计。在一个示例中，粗略估计基于数字扫描信号或分辨率为几个位的扫描信号，而神经网络28随后评估模拟扫描信号或以高位深度(hohe Bittiefe)采样的扫描信号。在另一个示例中，设置了多个码道16。粗略估计使用这些具有随机码(PRC，伪随机码(Pseudo Random Code))的码道16中的一个码道，并且神经网络28利用周期性或非周期性信号评估另一个码道16的扫描信号，或者利用随机码评估码道16的扫描信号的模拟版本。可以设想的是，神经网络28或包括另一个神经网络的另一个机器学习的方法执行粗略估计。
在实际使用中，编码器设备10暴露于多种环境影响中。对此包括环境条件(如温度和湿度)和机械影响(如冲击、振动或额外的力和扭矩)。这种影响可以在训练中考虑到。一种可能性是通过根据环境影响模拟来改变用于学习的扫描信号。在典型的应用情况(例如，在最终完成范围内或者甚至直接在后续的使用场所处)下，在环境影响改变的情况下的学习是可替代的或补充的过程。
在一个实施方式中，神经网络28利用这种影响因素已经在大量编码器设备10上进行了预训练。为此，训练一种类型的标准网络，该标准网络随后被上传作为起始点，而不是完全未经训练的神经网络28。随后优选地，对相应的编码器设备10进行个性化训练。因此，神经网络28在个性化训练中不以任意权重开始，而是以预训练的权重开始，从而已经实现了针对多样化的影响因素的改进的初始状态。在个性化训练中，编码器设备10优选地暴露于位置分布、速度分布和/或加速度分布特定的优化的运动场景中。在某些情况下，需要使用其他传感器来进行参考测量，以确定实际的运动学参数。可以使用来自个性化训练和操作的数据，以随着时间的推移进一步改进训练场景或标准网络，从而用于未来要学习的编码器设备10。
旋转探测器存在特殊的特性，如偏心率、竖直跳动或滚珠轴承特性。通过改变具有一系列(Bandbreite)这些特性的训练数据，必要时与由于环境影响而产生的变化相结合，来考虑这些特性。
图11示出了理想的扫描信号与实际的扫描信号的比较。实际的扫描信号在现实中永远不会对应于理想的扫描信号，而是会具有各种边沿、过渡、波纹等。对于传统的方法而言，这些偏差是不利的，因为它们会产生额外的误差。只要偏差至少部分是可再现的，那么这些偏差对于机器学习的方法而言仅代表其他结构，这些结构如同有意引入的结构一样同样有助于改进评估。

Claims (15)

1.一种用于确定第一对象相对于第二对象的运动的运动学变量的编码器设备(10)，其中，所述编码器设备(10)具有：与所述第一对象连接的实体量具(14)；与所述第二对象连接的至少一个扫描单元(18)，所述至少一个扫描单元用于通过检测所述实体量具(14)来产生至少一个扫描信号；以及控制和评估单元(24)，其被配置用于根据所述扫描信号确定所述运动学变量，
其中，
所述控制和评估单元(24)还被配置用于通过用机器学习的方法评估所述扫描信号来确定所述运动学变量，其中利用多个扫描信号和相关的运动学变量对所述评估进行训练。
2.根据权利要求1所述的编码器设备(10)，其中，所述控制和评估单元(24)具有深度神经网络(28)。
3.根据权利要求2所述的编码器设备(10)，其中，所述深度神经网络(28)的架构具有至少部分预先设定的架构，特别是预先设定的数量的层和/或每层的神经元。
4.根据前述权利要求中任一项所述的编码器设备(10)，所述编码器设备具有传感器原理不同的多个扫描单元(18)。
5.根据前述权利要求中任一项所述的编码器设备(10)，其中，至少一个扫描单元(18)针对直接产生速度信息和/或加速度信息的传感器原理进行配置。
6.根据前述权利要求中任一项所述的编码器设备(10)，其中，所述实体量具(14)被配置用于产生非周期性模式。
7.根据前述权利要求中任一项所述的编码器设备(10)，其中，所述运动学变量包括两个对象相对于彼此的旋转位置或平移偏移。
8.根据前述权利要求中任一项所述的编码器设备(10)，其中，所述运动学变量包括速度和/或加速度。
9.根据前述权利要求中任一项所述的编码器设备(10)，其中，所述控制和评估单元(24)被配置用于初步确定对所述运动学变量的粗略估计，特别地利用无机器学习的方法进行初步确定。
10.根据前述权利要求中任一项所述的编码器设备(10)，其中，所述控制和评估单元(24)被配置用于训练阶段，在所述训练阶段中，所述编码器设备(10)暴露于位置分布、速度分布和/或加速度分布已知的各种已知的移动场景。
11.根据前述权利要求中任一项所述的编码器设备(10)，其中，在环境条件和/或机械影响变化的情况下对所述评估进行训练，特别是在温度、湿度、冲击载荷和/或振动变化的情况下对所述评估进行训练。
12.根据前述权利要求中任一项所述的编码器设备(10)，其中所述移动是旋转移动，并且其中在偏心率、竖直跳动和/或不同的旋转轴承的变化下对所述评估进行训练。
13.根据前述权利要求中任一项所述的编码器设备(10)，其中，所述控制和评估单元(24)被预先设定部分训练的评估，所述部分训练的评估针对一类的编码器设备进行训练。
14.根据权利要求13所述的编码器设备(10)，其中，所述控制和评估单元(24)被配置用于单独地再训练所述部分训练的评估。
15.一种用于确定第一对象相对于第二对象的运动的运动学变量的方法，其中实体量具(14)与所述第一对象连接，并且至少一个扫描单元(18)与所述第二对象连接，所述至少一个扫描单元用于通过检测所述实体量具(14)来产生至少一个扫描信号，并且其中评估所述扫描信号从而确定所述运动学变量，
其中，
通过用所述机器学习的方法评估所述扫描信号来确定所述运动学变量，其中利用多个扫描信号和相关的运动学变量对所述评估进行训练。
CN202011487244.9A 2019-12-16 2020-12-16 用于确定运动学变量的编码器设备和方法 Active CN112985467B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP19216601.5 2019-12-16
EP19216601.5A EP3839443B1 (de) 2019-12-16 2019-12-16 Gebervorrichtung und verfahren zur bestimmung einer kinematischen grösse

Publications (2)

Publication Number Publication Date
CN112985467A true CN112985467A (zh) 2021-06-18
CN112985467B CN112985467B (zh) 2023-01-24

Family

ID=68917653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011487244.9A Active CN112985467B (zh) 2019-12-16 2020-12-16 用于确定运动学变量的编码器设备和方法

Country Status (3)

Country Link
US (1) US11698386B2 (zh)
EP (2) EP3998460B1 (zh)
CN (1) CN112985467B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022171994A1 (en) * 2021-02-09 2022-08-18 Renishaw Plc Rotary encoder

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102165285A (zh) * 2008-10-09 2011-08-24 约翰尼斯海登海恩博士股份有限公司 多匝旋转编码器
CN102506914A (zh) * 2011-11-04 2012-06-20 北京理工大学 一种光电编码器的误差补偿方法
CN104596451A (zh) * 2013-10-31 2015-05-06 约翰内斯·海德汉博士有限公司 位置测量装置
CN105043433A (zh) * 2015-08-28 2015-11-11 北京理工大学 一种基于神经网络的光电编码器快速补偿方法
GB201707274D0 (en) * 2017-05-05 2017-06-21 Bamford Excavators Ltd Training machine
CN108801302A (zh) * 2018-04-27 2018-11-13 广东工业大学 一种高精度双码道反射式旋转编码器
JP2019028515A (ja) * 2017-07-25 2019-02-21 ファナック株式会社 情報処理装置

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU658066B2 (en) * 1992-09-10 1995-03-30 Deere & Company Neural network based control system
DE4409892A1 (de) * 1994-03-23 1995-09-28 Bosch Gmbh Robert Sensor zur Erfassung des Lenkwinkels
DE19645605A1 (de) * 1996-11-06 1998-05-07 Heidenhain Gmbh Dr Johannes Positionsmeßeinrichtung und Verfahren zur Montage eines Abtastelementes einer Positionsmeßeinrichtung
DE102006042725A1 (de) 2006-09-12 2008-03-27 Austriamicrosystems Ag Anordnung und Verfahren zum Betrieb einer Anordnung zur Detektion einer Neigung eines beweglichen Körpers
GB201312484D0 (en) * 2013-07-12 2013-08-28 Trw Ltd Rotary encoder
US10190891B1 (en) * 2014-07-16 2019-01-29 Apple Inc. Optical encoder for detecting rotational and axial movement
KR102441844B1 (ko) * 2015-02-04 2022-09-08 삼성전자주식회사 회전체를 제어하기 위한 방법 및 그 전자 장치
ITUB20154999A1 (it) * 2015-10-30 2017-04-30 Camozzi Digital S R L Metodo di ottimizzazione del processo di lavorazione per una linea di produzione tessile e sistema
US10657444B2 (en) * 2017-03-09 2020-05-19 Thomas Danaher Harvey Devices and methods using machine learning to reduce resource usage in surveillance
JP6438512B2 (ja) * 2017-03-13 2018-12-12 ファナック株式会社 機械学習により補正した計測データでワークの取り出しを行うロボットシステム、計測データ処理装置および計測データ処理方法
JP6542839B2 (ja) * 2017-06-07 2019-07-10 ファナック株式会社 制御装置及び機械学習装置
JP6572265B2 (ja) * 2017-06-30 2019-09-04 ファナック株式会社 制御装置及び機械学習装置
US11170301B2 (en) * 2017-11-16 2021-11-09 Mitsubishi Electric Research Laboratories, Inc. Machine learning via double layer optimization
DE102017220788A1 (de) * 2017-11-21 2019-05-23 Robert Bosch Gmbh Verfahren zum Trainieren eines zentralen Künstlichen-Intelligenz-Moduls
US11409304B1 (en) * 2019-09-27 2022-08-09 Zoox, Inc. Supplementing top-down predictions with image features

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102165285A (zh) * 2008-10-09 2011-08-24 约翰尼斯海登海恩博士股份有限公司 多匝旋转编码器
CN102506914A (zh) * 2011-11-04 2012-06-20 北京理工大学 一种光电编码器的误差补偿方法
CN104596451A (zh) * 2013-10-31 2015-05-06 约翰内斯·海德汉博士有限公司 位置测量装置
CN105043433A (zh) * 2015-08-28 2015-11-11 北京理工大学 一种基于神经网络的光电编码器快速补偿方法
GB201707274D0 (en) * 2017-05-05 2017-06-21 Bamford Excavators Ltd Training machine
JP2019028515A (ja) * 2017-07-25 2019-02-21 ファナック株式会社 情報処理装置
CN108801302A (zh) * 2018-04-27 2018-11-13 广东工业大学 一种高精度双码道反射式旋转编码器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈洪月: "基于 PSO-BP 神经网络光电编码器误差补偿研究", 《传感技术学报》 *

Also Published As

Publication number Publication date
US11698386B2 (en) 2023-07-11
EP3839443A1 (de) 2021-06-23
EP3998460A1 (de) 2022-05-18
US20210182673A1 (en) 2021-06-17
EP3839443B1 (de) 2022-06-08
EP3998460B1 (de) 2023-01-25
CN112985467B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
JP3228333U (ja) ロータリエンコーダ
US7571552B2 (en) Scale reading apparatus
CN104303018B (zh) 用于借助于串联布置的多个磁场传感器非接触式测量位置的位移传感器
CN101387504B (zh) 位移感测方法和马达控制设备
RU2771014C1 (ru) Испытательное устройство, способ настройки испытательного процесса и способ испытания рулевого механизма
CN112985467B (zh) 用于确定运动学变量的编码器设备和方法
EP1828724B1 (en) Angular position, speed and direction encoding of a rotating member
CN105074406B (zh) 用于检测施加在轴上的转矩的方法
CN106029474B (zh) 根据指数信号的上升沿和下降沿确定动力转向系统的角参考位置的方法
CN101300463A (zh) 刻度尺和读取头系统
KR101006338B1 (ko) 회전 운동 또는 회전 각의 검출시 틸팅각을 결정하고보상하는 방법 및 회로 장치
US7400990B2 (en) Method for performing a function test of a position measuring system and position measuring system for executing the method
CN116892970B (zh) 基于时间戳寄存器评判磁编码器稳定性的方法及电机
CN117168530A (zh) 磁编码器的自校准方法、磁编码器及电机
CN108072388A (zh) 位置测量装置和用于运行位置测量装置的方法
CN115854927A (zh) 编码器刻线补偿方法、设备、绝对值编码器及存储介质
Miljkovic et al. Redundant and flexible pseudorandom optical rotary encoder
CN113063450B (zh) 编码器中传感器位置调整方法、装置、设备及存储介质
EP0433083A1 (en) Angular position measurement apparatus
KR101011348B1 (ko) 운동 또는 회전각 검출용 센서 장치의 틸팅각 보상 방법
CN108551282A (zh) 双通道旋转变压器解算校正方法、模块及电机控制系统
George et al. Signal Processing in LVDT for automatic calibration
US20230297814A1 (en) Method and Device for Calibrating and Operating a Sensor Component with the Aid of Machine Learning Methods
JPH06194111A (ja) 位置検出装置
Lima et al. Improving Incremental Encoder Measurement: Variable Acquisition Window and Quadrature Phase Compensation to Minimize Acquisition Errors

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220402

Address after: Saldekish, Germany

Applicant after: SICK AG

Address before: German donaneschingen

Applicant before: Sick Stegmann GmbH

CB02 Change of applicant information
CB02 Change of applicant information

Address after: Waldkirch Germany

Applicant after: SICK AG

Address before: Saldekish, Germany

Applicant before: SICK AG

GR01 Patent grant
GR01 Patent grant