CN117705164B - 一种光磁编码器误差补偿方法、系统及装置 - Google Patents
一种光磁编码器误差补偿方法、系统及装置 Download PDFInfo
- Publication number
- CN117705164B CN117705164B CN202410169698.3A CN202410169698A CN117705164B CN 117705164 B CN117705164 B CN 117705164B CN 202410169698 A CN202410169698 A CN 202410169698A CN 117705164 B CN117705164 B CN 117705164B
- Authority
- CN
- China
- Prior art keywords
- error compensation
- super
- model
- training
- parameter
- 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 62
- 238000012549 training Methods 0.000 claims abstract description 85
- 230000006870 function Effects 0.000 claims abstract description 51
- 238000005457 optimization Methods 0.000 claims abstract description 44
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 7
- 239000000203 mixture Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000001360 synchronised effect Effects 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Transmission And Conversion Of Sensor Element Output (AREA)
Abstract
本发明属于工业自动化用的光磁一体多圈绝对值编码器制造技术领域，尤其是指一种光磁编码器误差补偿方法、系统及装置，该方法包括：确定被优化的机器学习模型为XGBoost模型以及对应的训练数据集，筛选出待调整超参数集合以及确定超参数的取值范围；利用元特征提取器获取相似数据集的参数对贝叶斯优化进行初始化；选择TPE和EI作为贝叶斯优化模型的代理模型和采集函数，并结合早停法训练贝叶斯优化模型找出最优参数组合，并将所述最优参数组合加载到XGBoost模型中，得到误差补偿模型；通过误差补偿模型得到误差补偿拟合参数，将误差补偿拟合参数输入到光磁编码器中进行误差补偿。本发明满足了光磁编码器生产要求中的高精度和低成本的需求。
Description
技术领域
本发明涉及工业自动化用的光磁一体多圈绝对值编码器制造技术领域，尤其是指一种光磁编码器误差补偿方法、系统及装置。
背景技术
编码器是用来检测角度、位置、速度的传感器，在伺服系统中作为位置或者速度反馈。根据检测原理分为光电式和磁电式。根据刻度方法及信号输出形式，分为增量式、绝对式和混合式。光电编码器是一种通过光电转换将输出轴上的机械几何位移量转换成脉冲或者数字量的传感器，是目前应用最多的传感器。绝对式光电编码器通过多码道的光电码盘、光电接收器件及发射器件来获取转子的绝对位置，其特点是精度高，但随着精度的提高，光电码盘的码道数也呈指数增加，导致其体积增大。磁编码器通过磁感应器件、利用磁场的变化来产生和提供转子的绝对位置，其特点是体积小，但精度不高。随着现代电子技术的飞速发展，对微型传感器的需求越来越迫切，要求编码器逐步向智能化、集成化、高精度，特别是向小型化发展，体积和精度相互制约的问题急需解决。
由于目前编码器的安装调试大部分还是人工安装调整，必然存在安装调整误差，主要表现为：码盘和狭缝安装偏心、端面跳动和调零机构的调整误差等。对于高位编码器而言，其精度也取决于精码信号的细分误差，细分误差来自码盘精度、轴系跳（晃）动、光电信号质量、装调工艺、电路处理方案、PCB工艺、调试工具等各个环节。高精度编码器误差一般可以分为直流误差、幅值误差、相位误差、谐波误差、噪声误差和量化误差等。
对于编码器的非线性误差，现有技术中有用粒子群优化算法对误差反传（backpropagation，BP）神经网络进行优化，将优化后的网络用于误差训练的方法，但利用BP神经网络算法进行非线性误差拟合，容易出现局部极小值且存在过拟合的现象，会影响网络训练效果。还有采用径向基函数（radial basis function，RBF）神经网络提高基准编码器的精度，将神经网络的训练值用于补偿，但该RBF神经网络算法的非线性自适应滤波器对输出信号进行滤波，如果拟合中心点为样本中的数据，就不能反映正式样本的状况。因此，上述几种方法尚未能真正做到高精度的误差补偿方案。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中编码器误差补偿系统精度不高的问题。因此，本发明提供了一种光磁编码器误差补偿方法，根据光电和磁电两种检测原理，结合XGBoost误差补偿算法，在有效地缩小编码器的体积的同时，实现误差的自适应补偿和高精度的绝对位置信号输出，所述误差补偿方法包括以下步骤：
S1：收集多个光磁编码器的相关数据集、确定被优化的机器学习模型为XGBoost模型，筛选出待调整超参数集合以及确定超参数的取值范围；其中，所述相关数据集包括未标定和已标定的光磁编码器的实际角度数据和基准角度数据；
S2：基于所述待调整超参数集合，生成多组无性能指标的超参数集合，将每组无性能指标的超参数集合输入到使用不同相关数据集的XGBoost模型进行训练，得到多组性能指标，合并所述无性能指标的超参数集合和所述性能指标作为初始样本；
S3：基于所述初始样本，设计并训练元特征提取器，得到训练好的元特征提取器，利用训练好的元特征提取器提取所述相关数据集的元特征，得到k个最相似数据集和所述最相似数据集对应的最优超参数，利用所述最优超参数来初始化贝叶斯优化模型；
S4：通过所述贝叶斯优化模型训练出最优参数组合，并将所述最优参数组合加载到XGBoost模型中，基于待测光磁编码器实际测得的角度数据以及已标定的基准编码器的角度数据构成的训练数据集进行训练，得到误差补偿模型；
S5：通过所述误差补偿模型得到待测光磁编码器的实际角度数据和基准角度数据之间的误差补偿拟合参数，将所述误差补偿拟合参数输入到光磁编码器中进行误差补偿。
在本发明的一个实施例中，S3中，最相似数据集的获取方法为：通过所述元特征提取器生成所述相关数据集的元特征向量，计算所述元特征向量之间的斯皮尔曼相关系数，并对比所述斯皮尔曼相关系数来获取最相似数据集。
在本发明的一个实施例中，所述贝叶斯优化模型的训练方法包括：
采用自动早停策略对所述贝叶斯优化模型进行训练，随机选取多组最优超参数，记录每一组超参数的固定训练次数时的早期性能值和训练完成后的最终性能值，当一组超参数训练过程到达所述固定训练轮次时，计算其早期性能值并与其他组超参数的早期性能值进行比较：
若该组超参数高于其他组超参数，则继续训练，并且将该组超参数作为观测点更新代理模型，使用代理模型通过所述观测点对目标函数进行估计，通过最大化采集函数来确定下一个观测点，直到选出最佳观测点来逼近目标函数的最小值，根据所述最佳观测点确定最优参数组合；否则，训练提前终止。
在本发明的一个实施例中，所述代理模型通过所述观测点对目标函数进行估计包括根据设定的阈值对目标函数值进行概率分布：/>，其中，y表示目标函数值，/>表示设定的阈值，/>表示与最佳性能值相关的参数组合的高斯混合模型，/>表示其他参数组合的高斯混合模型。
在本发明的一个实施例中，所述下一个观测点的获取方法包括：采用EI采集函数作为所述贝叶斯优化模型的采集函数，通过所述EI采集函数选择具有最大期望值的点作为下一个观测点/>，其计算方法为：，其中，/>为代理模型步的后验均值，/>为训练数据，xt表示t时刻的观测点，/>表示根据观测点x i 得到的观测值，/>为到每一轮训练的最大函数值，EI(•)表示采集函数。
在本发明的一个实施例中，所述采集函数的公式为：
，其中，/>表示满足模型的目标函数值y小于阈值y*时的分位数，/>表示正比关系，/>表示使用高斯过程法建模得到的策略模型，/>表示与最佳性能值相关的参数组合的高斯混合模型，/>表示其他参数组合的高斯混合模型。
基于同一发明构思，本发明还提供一种光磁编码器误差补偿系统，该系统包括以下模块：
数据集收集及机器学习模型确定模块，用于收集多个光磁编码器的相关数据集、确定被优化的机器学习模型为XGBoost模型，筛选出待调整超参数集合以及确定超参数的取值范围；其中，所述相关数据集包括未标定和已标定的光磁编码器的实际角度数据和基准角度数据；
样本参数获取模块，用于基于所述待调整超参数集合，生成多组无性能指标的超参数集合，将每组无性能指标的超参数集合输入到使用不同相关数据集的XGBoost模型进行训练，得到多组性能指标，合并所述无性能指标的超参数集合和所述性能指标作为初始样本；
贝叶斯优化初始化模块，用于基于所述初始样本，设计并训练元特征提取器，得到训练好的元特征提取器，利用所述训练好的元特征提取器提取所述相关数据集的元特征，得到最相似数据集和对应的最优超参数，利用所述最优超参数来初始化贝叶斯优化模型；
误差补偿模型构建模块，用于通过所述贝叶斯优化模型训练出最优参数组合，并将所述最优参数组合加载到XGBoost模型中，基于待测光磁编码器实际测得的角度数据以及已标定的基准编码器的角度数据构成的训练数据集进行训练，得到误差补偿模型；
编码器误差补偿模块，用于通过所述误差补偿模型得到待测光磁编码器的实际角度数据和基准角度数据之间的误差补偿拟合参数，将所述误差补偿拟合参数输入到光磁编码器中进行误差补偿。
本发明还提供一种光磁编码器误差补偿装置，包括所述光磁编码器误差补偿系统、上位机和同步运动装置，所述光磁编码器误差补偿系统存储于所述上位机中。
在本发明的一个实施例中，所述同步运动装置与上位机连接，其中通过所述同步运动装置将待测光磁编码器和高精准基准编码器分别测得的实际角度数据和基准角度数据同步上传至所述上位机，在上位机中使用所述光磁编码器误差补偿系统得到误差补偿拟合参数，将所述误差补偿拟合参数烧录至光磁编码器的控制芯片中，使得光磁编码器在实际使用过程中输出角度数据。
本发明还提供一种光磁编码器，包括轴承支座、安装在所述轴承支座上的格雷码光电码盘和磁铁、与所述格雷码光电码盘连接的发光二极管、在所述格雷码光电码盘的一侧设有解算电路板，所述解算电路板上装有光电传感器、磁传感器以及集成计算芯片，所述集成计算芯片执行所述的光磁编码器误差补偿方法的指令。
本发明的上述技术方案相比现有技术具有以下优点：
1、与其他补偿方法对比，本发明不需要查表，提高了计算响应速度。
2、本发明结合了磁电检测的小体积和光电检测的高精度两个优点，综合设计了基于光磁组合的小型绝对式编码器，在获取绝对位置的基础上，大幅度提升编码器精度。
3、本发明可以更快更高效地处理并训练基于高分辨率编码器和待测编码器提供的角度数据生成的误差数据模型，并结合集成计算芯片，便于编码器自主误差补偿以提高输出数据的精度。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明所述误差补偿方法实现流程图；
图2是本发明所述误差补偿方法中模型超参数优化方法具体流程图；
图3是本发明所述元特征提取器的初始样本生成流程图；
图4是本发明所述误差补偿装置的结构图；
图5是本发明实施例中所提供的一种光磁编码器的结构示意图；
说明书附图标记说明：
10、待测光磁编码器；20、同步运动装置；30、上位机；40、高精准基准编码器；1、发光二极管；2、格雷码光电码盘；3、光电传感器；4、解算电路板；5、磁传感器；6、轴承支座；7、磁铁。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
实施例一
绝对值多圈编码器作为一种测量旋转角度的角度传感器，通过光感应和磁感应相结合的方式，将角度信号和圈数信号相互独立，利用光电检测方法计算绝对角度，利用磁电检测方法计算圈数，降低了使用单一检测方法带来的体积大或精度不够等问题，并同时在一定程度上降低了设计、装配困难和误差叠加效应。本发明提供一种误差补偿方法，使用分类树训练网络的方法，结合基准高精度编码器对测量误差关系进行分析并生成误差补偿机制，达到产品在使用过程中自主进行误差补偿的目的，参照图1~2所示，该方法包括以下步骤：
S1：收集多个光磁编码器的相关数据集、确定被优化的机器学习模型为XGBoost模型根据先验知识筛选出待调整超参数集合以及确定超参数的取值范围；其中，所述相关数据集包括未标定和已标定的光磁编码器的实际角度数据和基准角度数据；
S2：基于所述待调整超参数集合，利用拉丁超立方采样生成多组无性能指标的超参数集合，将每组无性能指标的超参数集合输入到使用不同相关数据集的XGBoost模型进行训练，得到多组性能指标，合并所述无性能指标的超参数集合和所述性能指标作为初始样本；
S3：基于所述初始样本，设计并使用孪生网络训练元特征提取器，得到训练好的元特征提取器，利用训练好的元特征提取器提取所述相关数据集的元特征，得到最相似数据集和对应的最优超参数，利用所述最优超参数来初始化贝叶斯优化模型；
S4：通过所述贝叶斯优化模型训练出最优参数组合，并将所述最优参数组合加载到XGBoost模型中，基于待测光磁编码器实际测得的角度数据以及已标定的基准编码器的角度数据构成的训练数据集进行训练，得到误差补偿模型；
S5：通过所述误差补偿模型得到待测光磁编码器的实际角度数据和基准角度数据之间的误差补偿拟合参数，将所述误差补偿拟合参数输入到光磁编码器中进行误差补偿。
从以上技术方案来看，本发明利用极端梯度提升树XGBoost模型修正编码器误差，先选取编码器的基准值和实测值作为训练集进行训练，为了提高训练模型的训练速度和效果，在上述传统贝叶斯优化的基础上，对初始化和模型训练两方面进行了改进，使用基于元学习和早停法的贝叶斯优化方法（简称MLES-BO方法）在XGBoost模型训练时找寻更加优化的训练超参数，以此提高误差补偿模型的精度，达到更好地应用于编码器的效果。
具体地，如图2所示，在使用MLES-BO方法来解决超参数优化这一问题时，主要将其分为三个模块：一是贝叶斯优化的初始化，首先生成训练样本，然后使用孪生网络训练元特征提取器，最后使用相似数据集对贝叶斯优化进行初始化；二是改进的贝叶斯优化，选择TPE和EI作为代理模型和采集函数进行超参数优化；三是结合自动早停策略的模型训练，使用早停法来自动终止较差超参数的模型训练。
一、贝叶斯优化的初始化
如图3所示，基于超参数的取值范围，利用拉丁超立方采样在待调整超参数集合中生成k组无性能指标的超参数集合，将每组无性能指标的超参数集合输入到使用不同相关数据集的XGBoost模型进行训练，得到每个相关数据集在多组超参数集合上的性能指标，将合并所述无性能指标的超参数集合和所述性能指标作为元特征提取器的初始训练样本。
元特征提取器的结构共分为两个部分：一部分是样本特征提取器，用来提取样本数据的深度特征；另一部分是数据集特征提取器，用来提取整个数据集的元特征。使用元特征提取器构建孪生网络，网络的两边各一个元特征提取器，相关网络结构完全相同且权值共享，孪生网络的输入为两个不同的数据集。基于初始训练样本，设计并使用孪生网络训练元特征提取器，得到训练好的元特征提取器。
最相似数据集的获取方法为：通过训练好的元特征提取器生成所述相关数据集的元特征向量，计算所述元特征向量之间的斯皮尔曼相关系数，并通过k近邻算法对比元特征向量之间的斯皮尔曼相关系数来获取k个最相似数据集，使用所述最相似数据集的最优超参数初始化贝叶斯优化。
二、改进的贝叶斯优化
随机选取若干组最优超参数作为观测点，使用TPE代理模型通过所述观测点对目标函数进行估计，通过最大化EI采集函数来确定下一个观测点，根据下一个观测点计算观测值，将得到的观测点和观测值添加到历史数据集中，并更新TPE代理模型，直到选出最佳观测点来逼近目标函数的最小值，根据所述最佳观测点确定最优参数组合。
其中，由于TPE算法是一种利用高斯混合模型来学习超参模型的算法，具有良好的全局探索能力，不易陷入局部最优，因此在本实施例中选择TPE算法作为MLES-BO算法的代理模型，所述代理模型通过所述观测点对目标函数进行估计包括根据设定的阈值对目标函数值进行概率分布：/>，其中，y表示目标函数值，/>表示设定的阈值，/>表示与最佳性能值相关的参数组合的高斯混合模型，/>表示其他参数组合的高斯混合模型。
采集函数是根据代理模型的后验分布构造的，通过最大化采集函数来选择下一组最有评估价值的超参数组合。常用的采集函数有PI、EI和GP-UCB等，本实施例中选择EI作为MLES-BO方法的采集函数。EI会选择具有最大期望提高的点作为下一个观测点，所述下一个观测点的计算方法为：/>，其中，为代理模型/>步的后验均值，/>为训练数据，xt表示t时刻的观测点，/>表示根据观测点x i 得到的观测值，/>为到每一轮训练的最大函数值，EI(•)表示采集函数。一般也会用以下公式表示EI函数：，其中，/>表示基于高斯过程法建模得到的TPE代理模型。
由于代理模型为TPE算法，所述采集函数的公式可转变为：，其中，/>表示满足模型的目标函数值y小于阈值y*时的分位数，/>表示正比关系，/>表示使用高斯过程法建模得到的策略模型，/>表示与最佳性能值相关的参数组合的高斯混合模型，/>表示其他参数组合的高斯混合模型。
由以上公式可知，只要使的值最小就可以最大化EI采集函数，所以在贝叶斯优化过程中只需要选择/>最小化时对应的超参数作为下一个评估点。
三、结合自动早停策略的模型训练
为解决贝叶斯优化过程耗时太长的问题，采用自动早停策略对贝叶斯优化模型进行训练，包括：
采用自动早停策略对所述贝叶斯优化模型进行训练，随机选取多组最优超参数，记录每一组超参数的固定训练次数时的早期性能值和训练完成后的最终性能值，当一组超参数训练过程到达所述固定训练轮次时，计算其早期性能值并与其他组超参数的早期性能值进行比较：
若该组超参数高于其他组超参数，则继续训练，并且将该组超参数作为观测点更新代理模型，使用代理模型通过所述观测点对目标函数进行估计，通过最大化采集函数来确定下一个观测点，直到选出最佳观测点来逼近目标函数的最小值，根据所述最佳观测点确定最优参数组合；否则，训练提前终止。
最终，将改进贝叶斯优化获取的最优参数组合输入到XGBoost模型作为误差补偿模型，通过所述误差补偿模型得到待测光磁编码器的角度数据和基准角度数据之间的误差补偿拟合参数，XGBoost模型占用内存小，易于嵌入到编码器中，将所述误差补偿拟合参数写入到光磁编码器内部集成的非易失性的FLASH EEPROM的DSP芯片中长期保存，供以后编码器在使用时进行误差补偿。
实施例二
基于与实施例一的同一发明构思，本发明还提供一种光磁编码器误差补偿系统，该系统包括以下模块：
数据集收集及机器学习模型确定模块，用于收集多个光磁编码器的相关数据集、确定被优化的机器学习模型为XGBoost模型，筛选出待调整超参数集合以及确定超参数的取值范围；其中，所述相关数据集包括未标定和已标定的光磁编码器的实际角度数据和基准角度数据；
样本参数获取模块，用于基于所述待调整超参数集合，生成多组无性能指标的超参数集合，将每组无性能指标的超参数集合输入到使用不同相关数据集的XGBoost模型进行训练，得到多组性能指标，合并所述无性能指标的超参数集合和所述性能指标作为初始样本；
贝叶斯优化初始化模块，用于基于所述初始样本，设计并训练元特征提取器，得到训练好的元特征提取器，利用所述训练好的元特征提取器提取所述相关数据集的元特征，得到最相似数据集和对应的最优超参数，利用所述最优超参数来初始化贝叶斯优化模型；
误差补偿模型构建模块，用于通过所述贝叶斯优化模型训练出最优参数组合，并将所述最优参数组合加载到XGBoost模型中，基于待测光磁编码器实际测得的角度数据以及已标定的基准编码器的角度数据构成的训练数据集进行训练，得到误差补偿模型；
编码器误差补偿模块，用于通过所述误差补偿模型得到待测光磁编码器的实际角度数据和基准角度数据之间的误差补偿拟合参数，将所述误差补偿拟合参数输入到光磁编码器中进行误差补偿。
实施例三
如图4所示，本发明还提供一种光磁编码器误差补偿装置，包括实施例二所述的光磁编码器误差补偿系统、同步运动装置20和上位机30，所述光磁编码器误差补偿系统存储于所述上位机30中。
所述同步运动装置20与上位机30连接，将待测光磁编码器10测得的实际角度数据和高精准基准编码器40测得的基准角度数据通过同步运动装置20上传到上位机30，通过上位机30中所述光磁编码器误差补偿系统得到误差补偿拟合参数，将所述误差补偿拟合参数烧录至光磁编码器的控制芯片中，使得编码器在实际使用过程中输出更为准确的角度数据。
实施例四
如图5所示，本发明还提供一种光磁编码器，包括轴承支座6、安装在所述轴承支座6上的格雷码光电码盘2和磁铁7、与所述格雷码光电码盘2连接的发光二极管1、在所述格雷码光电码盘2的一侧设有解算电路板4，所述解算电路板4上装有光电传感器3、磁传感器5以及集成计算芯片，所述集成计算芯片执行实施例一中所述的光磁编码器误差补偿方法的指令。
其中，格雷码光电码盘2刻画有能够透出不同光电信号的码道，可以将将磁铁7和格雷码光电码盘2固定在同心的转轴上，所述磁传感器5为霍尔传感器，霍尔传感器随着磁铁7的转动，根据磁铁7的轴向磁场强度变化，可以得到编码器转动轴的转动圈数。光电传感器3包括狭缝及光电二极管1，所述狭缝根据格雷码光电码盘2的格雷码码道进行设计，使用两组集成的光电二极管芯片，同时配合不同码道位置的光码盘结构，实现格雷码信号的输出，读取绝对位置信息。
综上，本发明基于元学习和早停法的贝叶斯优化算法为XGBoost算法找寻最优超参数，从而构建误差补偿模型，满足了光磁编码器生产要求中的高精度和低成本的需求。本发明所提出的一种绝对式编码器误差补偿设计方案根据光电和磁电两种检测原理，结合XGBoost误差补偿算法，在有效地缩小编码器的体积的同时，实现误差的自适应补偿和绝对位置信号的高精度输出。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种光磁编码器误差补偿方法，其特征在于，包括：
S1：收集多个光磁编码器的相关数据集、确定被优化的机器学习模型为XGBoost模型，筛选出待调整超参数集合以及确定超参数的取值范围；其中，所述相关数据集包括未标定和已标定的光磁编码器的实际角度数据和基准角度数据；
S2：基于所述待调整超参数集合，生成多组无性能指标的超参数集合，将每组无性能指标的超参数集合输入到使用不同相关数据集的XGBoost模型进行训练，得到多组性能指标，合并所述无性能指标的超参数集合和所述性能指标作为初始样本；
S3：基于所述初始样本，设计并训练元特征提取器，得到训练好的元特征提取器，利用训练好的元特征提取器提取所述相关数据集的元特征，得到最相似数据集和对应的最优超参数，利用所述最优超参数来初始化贝叶斯优化模型；
S4：通过所述贝叶斯优化模型训练出最优参数组合，并将所述最优参数组合加载到XGBoost模型中，基于待测光磁编码器实际测得的角度数据以及已标定的基准编码器的角度数据构成的训练数据集进行训练，得到误差补偿模型；
S5：通过所述误差补偿模型得到待测光磁编码器的实际角度数据和基准角度数据之间的误差补偿拟合参数，将所述误差补偿拟合参数输入到光磁编码器中进行误差补偿；
其中，所述贝叶斯优化模型的训练方法包括：
采用自动早停策略对所述贝叶斯优化模型进行训练，随机选取多组最优超参数，记录每一组超参数的固定训练次数时的早期性能值和训练完成后的最终性能值，当一组超参数训练过程到达所述固定训练轮次时，计算其早期性能值并与其他组超参数的早期性能值进行比较：
若该组超参数高于其他组超参数，则继续训练，并且将该组超参数作为观测点更新代理模型，使用代理模型通过所述观测点对目标函数进行估计，通过最大化采集函数来确定下一个观测点，直到选出最佳观测点来逼近目标函数的最小值，根据所述最佳观测点确定最优参数组合；否则，训练提前终止。
2.根据权利要求1所述的光磁编码器误差补偿方法，其特征在于：S3中，最相似数据集的获取方法为：通过所述元特征提取器生成所述相关数据集的元特征向量，计算所述元特征向量之间的斯皮尔曼相关系数，并对比所述斯皮尔曼相关系数来获取最相似数据集。
3.根据权利要求1所述的光磁编码器误差补偿方法，其特征在于：所述代理模型通过所述观测点对目标函数进行估计包括根据设定的阈值对目标函数值进行概率分布：
，其中，y表示目标函数值，/>表示设定的阈值，/>表示与最佳性能值相关的参数组合的高斯混合模型，/>表示其他参数组合的高斯混合模型。
4.根据权利要求1所述的光磁编码器误差补偿方法，其特征在于：所述下一个观测点的获取方法包括：采用EI采集函数作为所述贝叶斯优化模型的采集函数，通过所述EI采集函数选择具有最大期望值的点作为下一个观测点/>，其计算方法为：
，其中，/>为代理模型t+1步的后验均值，/>为训练数据，xt表示t时刻的观测点，/>表示根据观测点x i 得到的观测值，/>为到每一轮训练的最大函数值，EI(•)表示采集函数。
5.根据权利要求1或4所述的光磁编码器误差补偿方法，其特征在于：所述采集函数的公式为：
，其中，/>表示满足模型的目标函数值y小于设定阈值y*时的分位数，/>表示正比关系，/>表示使用高斯过程法建模得到的策略模型，/>表示与最佳性能值相关的参数组合的高斯混合模型，/>表示其他参数组合的高斯混合模型。
6.一种光磁编码器误差补偿系统，实现如权利要求1~5任一项所述的光磁编码器误差补偿方法，其特征在于，包括：
数据集收集及机器学习模型确定模块，用于收集多个光磁编码器的相关数据集、确定被优化的机器学习模型为XGBoost模型，筛选出待调整超参数集合以及确定超参数的取值范围；其中，所述相关数据集包括未标定和已标定的光磁编码器的实际角度数据和基准角度数据；
样本参数获取模块，用于基于所述待调整超参数集合，生成多组无性能指标的超参数集合，将每组无性能指标的超参数集合输入到使用不同相关数据集的XGBoost模型进行训练，得到多组性能指标，合并所述无性能指标的超参数集合和所述性能指标作为初始样本；
贝叶斯优化初始化模块，用于基于所述初始样本，设计并训练元特征提取器，得到训练好的元特征提取器，利用所述训练好的元特征提取器提取所述相关数据集的元特征，得到最相似数据集和对应的最优超参数，利用所述最优超参数来初始化贝叶斯优化模型；
误差补偿模型构建模块，用于通过所述贝叶斯优化模型训练出最优参数组合，并将所述最优参数组合加载到XGBoost模型中，基于待测光磁编码器实际测得的角度数据以及已标定的基准编码器的角度数据构成的训练数据集进行训练，得到误差补偿模型；
编码器误差补偿模块，用于通过所述误差补偿模型得到待测光磁编码器的实际角度数据和基准角度数据之间的误差补偿拟合参数，将所述误差补偿拟合参数输入到光磁编码器中进行误差补偿；
其中，所述贝叶斯优化模型的训练方法包括：
采用自动早停策略对所述贝叶斯优化模型进行训练，随机选取多组最优超参数，记录每一组超参数的固定训练次数时的早期性能值和训练完成后的最终性能值，当一组超参数训练过程到达所述固定训练轮次时，计算其早期性能值并与其他组超参数的早期性能值进行比较：
若该组超参数高于其他组超参数，则继续训练，并且将该组超参数作为观测点更新代理模型，使用代理模型通过所述观测点对目标函数进行估计，通过最大化采集函数来确定下一个观测点，直到选出最佳观测点来逼近目标函数的最小值，根据所述最佳观测点确定最优参数组合；否则，训练提前终止。
7.一种光磁编码器误差补偿装置，其特征在于：包括如权利要求6所述的光磁编码器误差补偿系统、上位机和同步运动装置，所述光磁编码器误差补偿系统存储于所述上位机中。
8.根据权利要求7所述的光磁编码器误差补偿装置，其特征在于：所述同步运动装置与上位机连接，其中通过所述同步运动装置将待测光磁编码器和高精准基准编码器分别测得的实际角度数据和基准角度数据同步上传至所述上位机，在上位机中使用所述光磁编码器误差补偿系统得到误差补偿拟合参数，将所述误差补偿拟合参数烧录至光磁编码器的控制芯片中。
9.一种光磁编码器，其特征在于，包括轴承支座、安装在所述轴承支座上的格雷码光电码盘和磁铁、与所述格雷码光电码盘连接的发光二极管、在所述格雷码光电码盘的一侧设有解算电路板，所述解算电路板上装有光电传感器、磁传感器以及集成计算芯片，所述集成计算芯片执行如权利要求1~5任一项所述的光磁编码器误差补偿方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410169698.3A CN117705164B (zh) | 2024-02-06 | 2024-02-06 | 一种光磁编码器误差补偿方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410169698.3A CN117705164B (zh) | 2024-02-06 | 2024-02-06 | 一种光磁编码器误差补偿方法、系统及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117705164A CN117705164A (zh) | 2024-03-15 |
| CN117705164B true CN117705164B (zh) | 2024-05-07 |
Family
ID=90148424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410169698.3A Active CN117705164B (zh) | 2024-02-06 | 2024-02-06 | 一种光磁编码器误差补偿方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117705164B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010149799A1 (es) * | 2009-06-22 | 2010-12-29 | Universidad De Barcelona | Método para la calibración totalmente adaptativa de un codificador de errores de predicción |
| 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 |
| US8484022B1 (en) * | 2012-07-27 | 2013-07-09 | Google Inc. | Adaptive auto-encoders |
| CN114046815A (zh) * | 2021-11-09 | 2022-02-15 | 上海精赋达传感技术有限公司 | 基于深度学习的编码器自校正方法及装置 |
| CN117405163A (zh) * | 2023-12-07 | 2024-01-16 | 科瑞工业自动化系统（苏州）有限公司 | 一种拉绳编码器主动式误差补偿方法及系统 |
-
2024
- 2024-02-06 CN CN202410169698.3A patent/CN117705164B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010149799A1 (es) * | 2009-06-22 | 2010-12-29 | Universidad De Barcelona | Método para la calibración totalmente adaptativa de un codificador de errores de predicción |
| 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 |
| US8484022B1 (en) * | 2012-07-27 | 2013-07-09 | Google Inc. | Adaptive auto-encoders |
| CN114046815A (zh) * | 2021-11-09 | 2022-02-15 | 上海精赋达传感技术有限公司 | 基于深度学习的编码器自校正方法及装置 |
| CN117405163A (zh) * | 2023-12-07 | 2024-01-16 | 科瑞工业自动化系统（苏州）有限公司 | 一种拉绳编码器主动式误差补偿方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117705164A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105229424B (zh) | 用于自校准旋转编码器的方法 | |
| US8823367B2 (en) | Rotation angle detection apparatus | |
| CN110081837B (zh) | 一种通过利用测角圆光栅及读数头检测轴系晃动及偏心误差的方法 | |
| CN105675030B (zh) | 用于绝对值编码器的测量方法和装置 | |
| CN108759657B (zh) | 一种感应同步器角度自动化检测装置与方法 | |
| CN108594153B (zh) | 一种光纤电流互感器温度与标度因数分区间补偿方法 | |
| CN107192337B (zh) | 基于单缝衍射原理利用ccd测量微小位移的方法 | |
| CN117705164B (zh) | 一种光磁编码器误差补偿方法、系统及装置 | |
| CN1204414C (zh) | 一种自动校准测量模块的装置 | |
| CN103063237A (zh) | 一种使编码器抗干扰的方法及装置 | |
| CN108592843B (zh) | 三维非正交跟踪扫描测头校准方法 | |
| CN102479261A (zh) | 一种新型数控机床的热误差最小二乘支持向量机建模方法 | |
| CN110579224B (zh) | 一种利用霍尔传感器精确测量电机动子位移的方法及系统 | |
| CN113465643B (zh) | 拉线位移编码器的误差分析方法及系统 | |
| CN111121827B (zh) | 一种基于卡尔曼滤波的tmr磁编码器系统 | |
| CN114046815B (zh) | 基于深度学习的编码器自校正方法及装置 | |
| CN2630863Y (zh) | 一种测量模块的自动校准装置 | |
| CN109855661A (zh) | 一种增量式编码器信号处理方法和系统 | |
| US11698386B2 (en) | Encoder device and method of determining a kinematic value | |
| CN202978859U (zh) | 一种使编码器抗干扰的装置 | |
| CN111721210B (zh) | 变换逻辑光栅分辨率后的初始化方法、装置、设备及介质 | |
| CN108152527B (zh) | 一种基于中值平均滤波的数字测速方法 | |
| RU219793U1 (ru) | Электронный преобразователь угла с автокоррекцией | |
| Yuan et al. | A high-reliable and high-precision algorithm of angle measurement for UAV airborne photoelectrical detection system | |
| CN105388010B (zh) | 一种锥齿轮测量的安装距调整方法 |
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 |