楊洪濤，章劉沙，周　姣，費(fèi)業(yè)泰，彭東林

(1.安徽理工大學(xué) 機(jī)械工程學(xué)院，安徽 淮南 232001；2.合肥工業(yè)大學(xué) 儀器科學(xué)與光電工程學(xué)院，安徽 合肥 230009；3.重慶理工大學(xué) 電子信息與自動(dòng)化學(xué)院,重慶 400054 )

?

寄生式時(shí)柵傳感器動(dòng)態(tài)測(cè)量誤差的貝葉斯建模

楊洪濤1*，章劉沙1，周姣1，費(fèi)業(yè)泰2，彭東林3

(1.安徽理工大學(xué) 機(jī)械工程學(xué)院，安徽 淮南 232001；2.合肥工業(yè)大學(xué) 儀器科學(xué)與光電工程學(xué)院，安徽 合肥 230009；3.重慶理工大學(xué) 電子信息與自動(dòng)化學(xué)院,重慶 400054 )

為了提高寄生式時(shí)柵傳感器的測(cè)量精度，分析了它的工作原理和動(dòng)態(tài)誤差組成,得到其主要誤差分量為常值誤差、周期誤差和隨機(jī)誤差等。針對(duì)寄生式時(shí)柵誤差特點(diǎn)，建立了寄生式時(shí)柵動(dòng)態(tài)誤差高精度預(yù)測(cè)模型，并與其他建模方法進(jìn)行了比較。選用插入標(biāo)準(zhǔn)值的貝葉斯預(yù)測(cè)模型，以實(shí)際測(cè)量的傳感器第一個(gè)對(duì)極動(dòng)態(tài)誤差數(shù)據(jù)進(jìn)行建模，在后續(xù)對(duì)極特定位置插入部分實(shí)際誤差測(cè)量數(shù)據(jù)，建立誤差預(yù)測(cè)模型，預(yù)測(cè)了傳感器后83個(gè)對(duì)極的動(dòng)態(tài)誤差。 另選用三次樣條插值和BP神經(jīng)網(wǎng)絡(luò)建模方法對(duì)寄生式時(shí)柵整圈動(dòng)態(tài)誤差建模，并與建立的誤差模型進(jìn)行了對(duì)比。驗(yàn)證實(shí)驗(yàn)表明，三次樣條插值建模時(shí)間最短(0.62 s)，但其建模精度不高(16.050 0″ )；貝葉斯動(dòng)態(tài)模型建模時(shí)間(0.86 s)略長(zhǎng)于三次樣條插值，但建模精度最高(0.415 3″)； BP神經(jīng)網(wǎng)絡(luò)建模時(shí)間最長(zhǎng)(32 min)，但建模精度最低(19.680 2″)。同時(shí)貝葉斯插入標(biāo)準(zhǔn)值建模方法所需數(shù)據(jù)點(diǎn)(69395個(gè))遠(yuǎn)少于三次樣條和BP神經(jīng)網(wǎng)絡(luò)建模數(shù)據(jù)點(diǎn)(235526個(gè))，節(jié)省了大量的標(biāo)定時(shí)間和建模數(shù)據(jù)量，因此可用于寄生式時(shí)柵傳感器的動(dòng)態(tài)測(cè)量誤差高精度建模修正。

寄生式時(shí)柵；時(shí)柵傳感器;測(cè)量誤差；貝葉斯原理；標(biāo)準(zhǔn)值插入；誤差建模

1　引　言

寄生式時(shí)柵角位移傳感器(后簡(jiǎn)稱“寄生式時(shí)柵”)是一種基于“時(shí)空轉(zhuǎn)換[1]”創(chuàng)新思想的新型位移傳感器，它具有分辨率高、機(jī)械結(jié)構(gòu)簡(jiǎn)單、不易受環(huán)境影響等特點(diǎn)。但受電源電路穩(wěn)定性誤差、測(cè)頭機(jī)械加工誤差、裝配誤差等因素的影響，寄生式時(shí)柵傳感器原機(jī)存在著較大的測(cè)量誤差，無(wú)法滿足實(shí)際所需的測(cè)量精度要求，因此有必要采取一定的誤差補(bǔ)償方法減小測(cè)量誤差。利用建立的誤差補(bǔ)償模型進(jìn)行修正是提高傳感器測(cè)量精度的重要途徑，國(guó)內(nèi)外學(xué)者主要采用的誤差建模方法主要有自回歸建模[2]、灰色理論[3]、神經(jīng)網(wǎng)絡(luò)[4]、支持向量回歸建模[5]、時(shí)序序列分析[6]等方法，這些方法可對(duì)具有不同分布特征的誤差實(shí)現(xiàn)高精度建模。其中自回歸建模可以有效解決誤差非線性和遲滯性問(wèn)題；灰色理論適用于小樣本誤差建模，且具有外推特性，其主要用于發(fā)現(xiàn)誤差規(guī)律；神經(jīng)網(wǎng)絡(luò)則具有很強(qiáng)的非線性映射能力，可以在模型未知的情況下，準(zhǔn)確預(yù)測(cè)系統(tǒng)的輸出；支持向量回歸建模具有很好的實(shí)時(shí)性；時(shí)序序列分析對(duì)于輸入不可測(cè)或不確定的研究對(duì)象的建模特別適合。但是這些方法都有各自的局限性，如要求的數(shù)據(jù)量較大，對(duì)序列有平穩(wěn)性限制，無(wú)法方便的利用預(yù)測(cè)過(guò)程中的主客觀信息等。

為了提高寄生式時(shí)柵測(cè)量精度，目前主要采用高精度電源控制技術(shù)結(jié)合DSP(Digital Signal Processing)的方法，提出了高精度驅(qū)動(dòng)電源[7]、諧波修正法[8]、時(shí)間序列法[9]、自修正方法[10]等硬件改進(jìn)和軟件修正方法。雖在一定程度上提高了時(shí)柵傳感器的測(cè)量精度，但還無(wú)法滿足實(shí)際應(yīng)用要求。寄生式時(shí)柵角位移傳感器是圓周測(cè)角傳感器，其測(cè)量誤差具有圓周封閉性特點(diǎn)，誤差具有較強(qiáng)的諧波規(guī)律性，同時(shí)還可以利用高精度儀器進(jìn)行精確的誤差分離。為了建立更高精度的誤差修正模型，進(jìn)一步提高寄生式時(shí)柵傳感器的測(cè)量精度，本文擬通過(guò)建立實(shí)驗(yàn)裝置，精確分離測(cè)量誤差，在此基礎(chǔ)上，分析寄生式時(shí)柵的誤差來(lái)源及特點(diǎn)，針對(duì)大量的誤差數(shù)據(jù)，考慮建模精度和建模效率，利用貝葉斯動(dòng)態(tài)模型建立寄生式時(shí)柵動(dòng)態(tài)誤差高精度補(bǔ)償模型，同時(shí)與其他建模方法進(jìn)行比較。

2　寄生式時(shí)柵工作原理與誤差分析

2.1工作原理

(1)

式中:A為激勵(lì)信號(hào)幅值，U為駐波信號(hào)幅值，t為時(shí)間變量，T為行波信號(hào)周期，x為轉(zhuǎn)子與測(cè)頭任意時(shí)刻的相對(duì)位置，W為測(cè)頭節(jié)距，對(duì)應(yīng)一個(gè)對(duì)極的角位移量。

將經(jīng)整形處理后的行波信號(hào)和一路激勵(lì)電源信號(hào)(參考信號(hào))送入信號(hào)處理電路，利用高頻脈沖插補(bǔ)計(jì)數(shù),得到兩路信號(hào)的相位時(shí)間差，可以利用式(2)算出所測(cè)角位移θ為：

(2)

式中：ΔT′為行波信號(hào)與標(biāo)準(zhǔn)參考信號(hào)的相位時(shí)間差，T為感應(yīng)電行波信號(hào)的周期。

圖1　寄生式時(shí)柵結(jié)構(gòu)圖Fig.1　Structure of parasitic time grating

2.2誤差特性分析

為了建立寄生式時(shí)柵傳感器精確的誤差補(bǔ)償模型，必須對(duì)寄生式時(shí)柵的誤差來(lái)源及各誤差特性進(jìn)行詳細(xì)分析。從分析上述寄生式時(shí)柵傳感器的工作原理可以得到，感應(yīng)駐波信號(hào)和行波信號(hào)幅值和相位誤差是影響傳感器測(cè)量精度的主要因素。感應(yīng)駐波信號(hào)誤差主要來(lái)源于激勵(lì)電源電路誤差、轉(zhuǎn)子跳動(dòng)、偏心誤差、轉(zhuǎn)子齒外端面和測(cè)頭齒內(nèi)端面的平面度誤差、離散定子測(cè)頭的安裝誤差、鐵芯材質(zhì)不均勻誤差等方面；合成的行波信號(hào)誤差主要來(lái)源于兩相激勵(lì)信號(hào)空間正交性誤差、兩相激勵(lì)信號(hào)時(shí)間正交性誤差、兩列駐波信號(hào)幅值不等、零點(diǎn)殘余電壓等方面。因此可以看出，寄生式時(shí)柵傳感器的誤差來(lái)源多，誤差變化規(guī)律復(fù)雜，既存在多個(gè)周期性誤差，又存在著隨機(jī)誤差，通過(guò)理論分析方法直接建立各誤差源的精確補(bǔ)償模型存在一定的難度，因此，本文通過(guò)分析寄生式時(shí)柵綜合誤差及其特性，再應(yīng)用精確的建模方法建立誤差補(bǔ)償模型。

本文以研制的84對(duì)極雙層繞組寄生式時(shí)柵為實(shí)驗(yàn)對(duì)象，利用高精度的海德漢光柵(精度為±1")作為角度測(cè)量基準(zhǔn)，搭建綜合誤差測(cè)量實(shí)驗(yàn)平臺(tái)。將寄生式時(shí)柵傳感器和光柵通過(guò)同心軸系安裝在精密分度轉(zhuǎn)臺(tái)主軸上，由電機(jī)帶動(dòng)分度轉(zhuǎn)臺(tái)做勻速運(yùn)動(dòng)，光柵和時(shí)柵按照相同的采樣周期同步采樣，用于進(jìn)行比較。實(shí)驗(yàn)裝置如圖2所示。測(cè)量得到的寄生式原始角度測(cè)量誤差數(shù)據(jù)曲線如圖3(a)所示，其中θ為分度轉(zhuǎn)臺(tái)轉(zhuǎn)角，Δθ為傳感器角度綜合誤差。將該誤差數(shù)據(jù)進(jìn)行頻譜分析，如圖3(b)所示，N表示諧波次數(shù)，y表示諧波幅值。從中可看出寄生式時(shí)柵測(cè)量誤差主要包含一個(gè)常值誤差分量和84、168、252次高次諧波的誤差分量。

本文建立的與實(shí)驗(yàn)裝置分離的整圓周角度測(cè)量誤差數(shù)據(jù)有235 526個(gè)，屬于大容量數(shù)據(jù)。因此要建立寄生式時(shí)柵傳感器精確的誤差補(bǔ)償模型，必須綜合考慮上述誤差的特點(diǎn)。而貝葉斯動(dòng)態(tài)模型具有多種結(jié)構(gòu)，如周期模型、回歸模型、多項(xiàng)式模型、噪音模型等，這些模型非常適合建立包含常值成分、周期成分及隨機(jī)成分的誤差精確預(yù)測(cè)模型，因此本文選擇貝葉斯動(dòng)態(tài)模型建立寄生式時(shí)柵角度測(cè)量誤差補(bǔ)償模型。

圖2　實(shí)驗(yàn)裝置圖Fig.2　Experimental device diagram

(a)綜合誤差(a) Synthetic error

(b)誤差頻譜圖(b) Error spectrum圖3　原始誤差數(shù)據(jù)及頻譜分析結(jié)果Fig.3　Original error data and frequency analysis results

3　貝葉斯動(dòng)態(tài)誤差建模算法

3.1貝葉斯動(dòng)態(tài)誤差一步建模算法

貝葉斯算法是通過(guò)建立動(dòng)態(tài)測(cè)量誤差序列的先驗(yàn)公式和后驗(yàn)公式，建立動(dòng)態(tài)誤差模型的。由2.2寄生式時(shí)柵誤差頻譜分析結(jié)果可知，寄生式時(shí)柵動(dòng)態(tài)誤差序列包含一個(gè)常值誤差分量和3個(gè)周期誤差分量。因此，為了建立高精度動(dòng)態(tài)誤差模型，本文綜合應(yīng)用貝葉斯模型中的常均值模型和周期模型對(duì)寄生式時(shí)柵誤差建模，所建立的貝葉斯綜合模型可表示為：

(3)

其中，mt表示t時(shí)刻的動(dòng)態(tài)測(cè)量誤差的先驗(yàn)分布值，αt是t時(shí)刻的后驗(yàn)分布值，Ht，Kt分別為t時(shí)刻的先驗(yàn)回歸系數(shù)和后驗(yàn)誤差系數(shù)，at，bt分別為互相獨(dú)立的先驗(yàn)誤差常值和后驗(yàn)誤差常值。

貝葉斯算法中的常均值模型可以表示為：

H1t=1,K1t=1

由于本文所需建模的寄生式時(shí)柵動(dòng)態(tài)誤差序列含有3個(gè)周期誤差分量，因此需要建立3個(gè)貝葉斯周期模型，其具體可表示為：

(4)

記Ht′=(H1t′,H2t′,H3t′,H4t′)，Kt=diag[K1t,K2t,K3t,K4t].

狀態(tài)分量為αit，i=1,2,3,4，αt′=(α1t′,α2t′,α3t′,α4t′)

{Hit,Kit,·,·}i=1,2,3,4，狀態(tài)向量為αit，i=1,2,3,4

則疊加合成后的總模型為{Ht,Kt,·,·}，其具體流程圖如圖4所示。

圖4　貝葉斯一步預(yù)測(cè)遞推算法流程圖Fig.4　Flowchart of Bayesian one step prediction algorithm

3.2貝葉斯動(dòng)態(tài)誤差插入標(biāo)準(zhǔn)值建模算法

如果直接應(yīng)用上述貝葉斯一步預(yù)測(cè)遞推算法和一個(gè)對(duì)極的寄生式時(shí)柵動(dòng)態(tài)誤差數(shù)據(jù)，預(yù)測(cè)寄生式時(shí)柵整圓周動(dòng)態(tài)測(cè)量誤差，其預(yù)測(cè)誤差較大。因此必須在貝葉斯一步預(yù)測(cè)遞推算法的基礎(chǔ)上引入標(biāo)準(zhǔn)值算法，即以前一時(shí)刻αt-1的系數(shù)分布預(yù)測(cè)后面所有的誤差分布，在預(yù)測(cè)誤差偏大位置插入標(biāo)準(zhǔn)誤差，重新計(jì)算模型系數(shù)以預(yù)測(cè)誤差，直至出現(xiàn)下一次較大預(yù)測(cè)誤差位置，再次插入標(biāo)準(zhǔn)誤差，依次往復(fù)直至建立完整個(gè)動(dòng)態(tài)誤差預(yù)測(cè)模型。其具體流程圖如圖5所示。

圖5　貝葉斯插入標(biāo)準(zhǔn)值預(yù)測(cè)遞推算法流程圖Fig.5　Flowchart of Bayesian prediction model based on standard value interpolation

4　寄生式時(shí)柵動(dòng)態(tài)誤差建模結(jié)果分析

現(xiàn)采用上述建模步驟對(duì)所采集的寄生式時(shí)柵第一個(gè)對(duì)極的2 746個(gè)動(dòng)態(tài)誤差數(shù)據(jù)建模，首先利用該數(shù)據(jù)確定貝葉斯模型中αt，at，bt的初始信息。

(A-1|Ut-1)～Γ[0.5,27.136]

(5)

以得到的(αt|Ut-1)，(A-1|Ut-1)，bt分布為初始信息，利用上述的貝葉斯一步向前預(yù)測(cè)和遞推修正關(guān)系，對(duì)寄生式時(shí)柵后83個(gè)對(duì)極的動(dòng)態(tài)誤差進(jìn)行修正遞推預(yù)測(cè)，得到的貝葉斯建模預(yù)測(cè)曲線如圖6所示。圖6(a)為第二個(gè)對(duì)極建模結(jié)果，由圖可知在第二個(gè)對(duì)極的起始、中間和結(jié)束階段，貝葉斯預(yù)測(cè)存在明顯的誤差。這是由于寄生式時(shí)柵誤差的隨機(jī)性，使得時(shí)柵各個(gè)對(duì)極的誤差存在一定的差異，不能直接用第一個(gè)對(duì)極的誤差序列去預(yù)測(cè)第二個(gè)對(duì)極的誤差。因此本文利用插入標(biāo)準(zhǔn)值的方法來(lái)修正預(yù)測(cè)產(chǎn)生波動(dòng)的地方。具體方法為在第二個(gè)對(duì)極預(yù)測(cè)開(kāi)始的地方插入253個(gè)標(biāo)準(zhǔn)誤差點(diǎn)，在預(yù)測(cè)第1 253個(gè)點(diǎn)后插入200個(gè)標(biāo)準(zhǔn)點(diǎn)，在預(yù)測(cè)第2 053個(gè)點(diǎn)后插入350個(gè)標(biāo)準(zhǔn)點(diǎn)。預(yù)測(cè)結(jié)果如圖6(b)所示。根據(jù)寄生式時(shí)柵動(dòng)態(tài)誤差呈周期性的特點(diǎn)，在接下來(lái)的每個(gè)對(duì)極的預(yù)測(cè)過(guò)程中，在上述3處插入相應(yīng)數(shù)量的標(biāo)準(zhǔn)值，即可預(yù)測(cè)出每個(gè)對(duì)極數(shù)據(jù)，得到的貝葉斯整圓周建模誤差曲線如圖6(c)所示，其中Δθ′表示建模精度。

(a) 第二個(gè)對(duì)極的貝葉斯建模結(jié)果(a) Bayesian modeling results of the second pole

(b)貝葉斯建模局部放大圖(b) Partial enlargement of encircled part in Fig.6(a)

(c)整圓周誤差貝葉斯建模精度(c) Bayesian modeling accuracy of whole circle error圖6　貝葉斯預(yù)測(cè)建模結(jié)果Fig.6　Modeling results of Bayesian prediction method

由于建模數(shù)據(jù)較為密集，兩種建模曲線與原始誤差曲線重疊在一起無(wú)法分辨，為此，將圖6(a)中兩種建模效果差異較為明顯的1處進(jìn)行放大，如圖6(b)所示。從圖6(b)中可以看出利用貝葉斯插入標(biāo)準(zhǔn)值預(yù)測(cè)建立的誤差模型與實(shí)際誤差曲線精確吻合，很好地消除了利用貝葉斯一步預(yù)測(cè)建模方法中出現(xiàn)的局部誤差波動(dòng)現(xiàn)象。在后續(xù)每個(gè)對(duì)極的預(yù)測(cè)過(guò)程中也只需在上述3處插入相同數(shù)量的標(biāo)準(zhǔn)值，無(wú)需測(cè)量其他誤差，可節(jié)省大量的傳感器標(biāo)定時(shí)間和數(shù)據(jù)的處理量。從圖6(c)可以看出，插入標(biāo)準(zhǔn)值的貝葉斯預(yù)測(cè)建模的精度峰值為0.415 3″，建模時(shí)間只需0.86 s，總建模數(shù)據(jù)量為693 95個(gè)，由此可知利用插入標(biāo)準(zhǔn)值貝葉斯預(yù)測(cè)建模，可在較短的時(shí)間以較少的數(shù)據(jù)量獲得較高的建模精度，可精確預(yù)測(cè)寄生式時(shí)柵整個(gè)測(cè)量范圍內(nèi)的動(dòng)態(tài)誤差值。

(a)第二個(gè)對(duì)極的三次樣條法的建模結(jié)果(a) Cubic spline modeling results of the second pole

(b)三次樣條建模局部放大圖(b) Partial enlargement of encircled part in Fig.7(a)

(c)三次樣條整圓周建模誤差精度(c)Whole circle error accuracy of cubic spline interpolation圖7　三次樣條插值建模結(jié)果Fig.7　Modeling results of cubic spline interpolation

為了驗(yàn)證本文的寄生式時(shí)柵動(dòng)態(tài)誤差貝葉斯模型的實(shí)際建模效果，另外應(yīng)用三次樣條插值和BP神經(jīng)網(wǎng)絡(luò)建模方法，分別建立寄生式時(shí)柵動(dòng)態(tài)誤差模型，以進(jìn)行對(duì)比。對(duì)于三次樣條插值，本文調(diào)用MATLAB中的interp1函數(shù)，選擇spline即三次樣條插值，對(duì)寄生式時(shí)柵整圓周235 526個(gè)動(dòng)態(tài)誤差數(shù)據(jù)點(diǎn)進(jìn)行建模，得到的寄生式時(shí)柵前兩個(gè)對(duì)極的三次樣條插值建模曲線和局部放大圖如圖7(a)和7(b)所示，整圓周誤差建模誤差曲線如圖7(c)所示。從圖7中可知，利用三次樣條建模方法建立的寄生式時(shí)柵動(dòng)態(tài)誤差模型的建模誤差峰值為16.050 0″，而其建模時(shí)間為0.625。

對(duì)于BP神經(jīng)網(wǎng)絡(luò)建模，本文調(diào)用MATLAB軟件神經(jīng)網(wǎng)絡(luò)工具箱的BP神經(jīng)網(wǎng)絡(luò)工具，BP分類器采用三層網(wǎng)絡(luò)結(jié)構(gòu)，隱含層和輸出層的傳遞函數(shù)分別采用tansig和logsig，隱含層神經(jīng)元個(gè)數(shù)為10，訓(xùn)練函數(shù)選用trainlm，訓(xùn)練步驟設(shè)置為1 000步，對(duì)寄生式時(shí)柵整圈共235 526個(gè)動(dòng)態(tài)誤差數(shù)據(jù)點(diǎn)進(jìn)行建模。得到寄生式時(shí)柵前兩個(gè)對(duì)極的BP神經(jīng)網(wǎng)絡(luò)建模曲線如圖8(a)和8(b)所示，整圓周誤差建模誤差曲線如圖8(c)所示。從圖8可知，BP神經(jīng)網(wǎng)絡(luò)建模精度較差，建模誤差峰值為19.680 2″，建模時(shí)間達(dá)到32 min。

(a) 第二個(gè)對(duì)極的BP神經(jīng)網(wǎng)絡(luò)建模結(jié)果(a) BP neural network modeling results of the second pole

(b)BP神經(jīng)網(wǎng)絡(luò)建模局部放大圖(b) Partial enlargement of encircled part in Fig.8(a)

(c)BP神經(jīng)網(wǎng)絡(luò)整圓周建模誤差精度(c)Whole circle error modeling accuracy of BP neural network method圖8　BP神經(jīng)網(wǎng)絡(luò)建模結(jié)果Fig.8　Model results of BP neural network method

3種建模方法的建模誤差、建模時(shí)間以及所需的數(shù)據(jù)量如表1所示。由表1可以看出，采用三次樣條插值建模的時(shí)間最短(0.62s)，但是其建模精度不高(16.050 0″)，建模所需數(shù)據(jù)量較多(235 526個(gè))；貝葉斯建模方法建模精度最高(0.415 3″)，建模時(shí)間也比較短(0.86 s)，建模所需數(shù)據(jù)量較少(69 395個(gè))，采用BP神經(jīng)網(wǎng)絡(luò)建模精度較低(19.680 2″)，而且其建模時(shí)間(32 min)遠(yuǎn)高于其他建模方法，建模所需數(shù)據(jù)量較多(235 526個(gè))。綜上所述，貝葉斯建模以較短的建模時(shí)間和最少的數(shù)據(jù)量獲得了最高的建模精度，可大大提高寄生式時(shí)柵的測(cè)量精度。

表1　不同建模方法的建模效果

5　結(jié)　論

本文通過(guò)分析傳感器的誤差成分，將寄生式時(shí)柵角位移傳感器的動(dòng)態(tài)誤差成分分為常值分量和多個(gè)周期分量。利用傳感器第一個(gè)對(duì)極動(dòng)態(tài)誤差數(shù)據(jù)進(jìn)行建模，采用貝葉斯插入標(biāo)準(zhǔn)值預(yù)測(cè)模型預(yù)測(cè)傳感器第二個(gè)及其它對(duì)極的動(dòng)態(tài)誤差。同時(shí)采用三次樣條插值和BP 神經(jīng)網(wǎng)絡(luò)建模與之做對(duì)比驗(yàn)證。從預(yù)測(cè)建模結(jié)果的分析比較中可以看出，貝葉斯插入標(biāo)準(zhǔn)值預(yù)測(cè)建模精度最高(0.415 3″)，三次樣條次之(16.050 0″)，BP神經(jīng)網(wǎng)絡(luò)最差(19.680 2″)。三次樣條建模時(shí)間最短(0.62s)，貝葉斯建模(0.86s)次之，BP神經(jīng)網(wǎng)絡(luò)最慢(32 min)。貝葉斯插入標(biāo)準(zhǔn)值建模所需數(shù)據(jù)量(69 395個(gè))遠(yuǎn)少于三次樣條和BP神經(jīng)網(wǎng)絡(luò)建模所需數(shù)據(jù)量(235 526個(gè))。利用貝葉斯插入標(biāo)準(zhǔn)值預(yù)測(cè)模型可節(jié)省大量的傳感器標(biāo)定時(shí)間和建模數(shù)據(jù)量。因此本文所研究的貝葉斯插入標(biāo)準(zhǔn)值預(yù)測(cè)建模方法，可以建立精確的寄生式時(shí)柵誤差預(yù)測(cè)模型，可以用于其誤差的高精度修正，提高傳感器的測(cè)量精度。

[1]彭東林，李彥，付敏,等.用于極端和特殊條件下機(jī)械傳動(dòng)誤差檢測(cè)的寄生式時(shí)柵研究[J].儀器儀表學(xué)報(bào)，2013,34(2)：359-365.

PENG D L, LI Y, FU M,etal.. Study on parasitic time grating sensors used for mechanical transmission error measurement under harsh and special environment [J].ChineseJournalofScientificInstrument, 2013,34(2):359-365.(in Chinese)

[2]孫世政，彭東林，鄭方燕,等.時(shí)柵傳感器動(dòng)態(tài)測(cè)量誤差補(bǔ)償[J].光學(xué) 精密工程，2015,23(4):1114-1121.

SUN SH ZH, PENG D L, ZHENG F Y,etal.. Compensation for dynamic measurement errors of time grating sensor[J].Opt.PrecisionEng.，2015,23(4):1114-1121.(in Chinese)

[3]龔蓬，費(fèi)業(yè)泰. 動(dòng)態(tài)測(cè)量誤差灰色預(yù)測(cè)建模識(shí)別參數(shù)修正方法[J]. 應(yīng)用科學(xué)學(xué)報(bào)，2002，20(2)：207-210.

GONG P, FEI Y T. A method for correcting the identification parameters of grey prediction modeling of measurement errors[J].JournalofAppliedSciences, 2002，20(2)：207-210. (in Chinese)

[4]高貫斌，王文，林鏗,等. 基于RBF神經(jīng)網(wǎng)絡(luò)的關(guān)節(jié)轉(zhuǎn)角誤差補(bǔ)償[J]. 機(jī)械工程學(xué)報(bào)，2010,46(12)：20-24.

GAO G B, WANG W, LIN K,etal.. Error compensation of joint angles based on RBF neural networks[J].JournalofMechanicalEngineering, 2010,46(12)：20-24. (in Chinese)

[5]GUAJARDO J, WEBER R, CRONE S F. A study on the ability of support vector regression and neural networks to forecast basic time series patterns [J].InternationalFederationforInformationProcessingDigitalLibrary, 2010,217(1)：149-157.

[6]GUMAROV S G, KORSUN O A. A method of determining the dynamic error of optical trajectory measurement stations [J].MeasurementTechnique, 2011, 54(3): 281-286.

[7]楊繼森，陳錫侯，王文略,等.時(shí)柵位移傳感器高精度驅(qū)動(dòng)電源研究與設(shè)計(jì)[J].儀表技術(shù)與傳感器，2010(10)：5-7.

YANG J S, CHEN X H, WANG W L,etal.. Study and design of driving power of time grating displacement sensor[J].InstrumentTechniqueandSensor, 2010，(10)：5-7. (in Chinese)

[8]彭東林，劉小康，張興紅,等.基于諧波修正法的高精度時(shí)柵位移傳感器[J].儀器儀表學(xué)報(bào)，2006,27(1)：31-33.

PENG D L, LIU X K, ZHANG X H,etal.. High-precision time-grating displacement sensor based on harmonic wave correcting method [J].ChineseJournalofScientificInstrument, 2006,27(1)：31-33. (in Chinese)

[9]楊洪濤，章劉沙，周姣,等. 寄生式時(shí)柵安裝誤差對(duì)傳感器測(cè)量精度的影響[J].光學(xué) 精密工程，2016,24(2):319-326.

YANG H T, ZHANG L SH, ZHOU J,etal.. Effect of installation error of parasitic time grating on sensor measuring accuracy[J].Opt.PrecisionEng.，2016,24(2):319-326.(in Chinese)

[10]楊洪濤. 坐標(biāo)測(cè)量機(jī)誤差建模與修正技術(shù)研究[D]. 合肥：合肥工業(yè)大學(xué)，2007.

YANG H T.Researchonerrormodelbuildinganderrorcorrectingtechniqueofcoordinatemeasuringmachines[D]. Hefei: Hefei University of Technology, 2007.

章劉沙(1991-)，男，安徽馬鞍山人，碩士研究生，2014年于安徽理工大學(xué)獲得學(xué)士學(xué)位，主要研究方向?yàn)闄C(jī)械電子工程。E-mail：1253403866@qq.com

導(dǎo)師簡(jiǎn)介:

楊洪濤(1972-)，男,福建莆田人，教授、碩士生導(dǎo)師，1993年、2001年于安徽理工大學(xué)分別獲得學(xué)士、碩士學(xué)位，2007年于合肥工業(yè)大學(xué)獲得博士學(xué)位，主要究方向?yàn)榫軠y(cè)試技術(shù)、現(xiàn)代精度理論及應(yīng)用。E-mail: lloid@163.com

(版權(quán)所有未經(jīng)許可不得轉(zhuǎn)載)

Modelling of dynamic measurement error for parasitic time grating sensor based on Bayesian principle

YANG Hong-tao1*, ZHANG Liu-sha1, ZHOU Jiao1, FEI Ye-tai2, PENG Dong-lin3

(1.School of Mechanical Engineering, Anhui University ofScienceandTechnology,Huainan232001,China;2.SchoolofInstrumentationScienceandOpto-electronicsEngineering,HefeiUniversityofTechnology,Hefei230009,China;3.SchoolofElectronicInformationandAutomation,ChongqingUniversityofTechnology,Chongqing400054,China)*Correspondingauthor,E-mail:lloid@163.com

To improve the measurement accuracy of a parasitic time grating sensor, the working principle and dynamic error composition of the sensor were analyzed deeply and the main error components including constant error, periodic error and random error were obtained. According to the error characteristics of parasitic time grating, a high precise prediction model for dynamic error of the parasitic time grating was established and the modeling method was compared with other modeling methods. The Bayesian prediction model interpolated with standard values was chosen to build the error prediction model based on the actually measured dynamic error data of first pole in the sensor. Then, a part of actual measurement error data were inserted in the specific location of subsequent pole to establish the error prediction model to predict the dynamic error of 83 poles of the sensor. The modeling method of cubic spline interpolation and BP neural network were used to build the whole circle dynamic error model of parasitic time grating sensor and compared with the above Bayesian model. The modeling verification experiment results show that the modeling time of cubic spline interpolation method is the shortest (0.62 s), but the modeling accuracy is not high(16.050 0″). The modeling time of Bayesian prediction model is slightly longer than that of the cubic spline interpolation(0.86s), but the modeling accuracy is the highest one(0.415 3″). The modeling time of BP neural network method is the longest one (32 min), and the modeling accuracy is the lowest one (19.680 2″). Moreover, the modeling data points of Bayesian prediction model interpolated with standard value(69395) is far less than that of cubic spline interpolation and BP neural network(235526). Therefore, Bayesian prediction model interpolated with standard values saves a lot of calibration time and modeling data points, and can be used for high precision modeling and dynamic measurement error correction of parasitic time grating sensors.

parasitic time grating; time grating sensor; measurement error; Bayesian principle; standard value interpolation; error model

2016-06-12；

2016-07-19.

國(guó)家自然科學(xué)基金資助項(xiàng)目(No.51107001);時(shí)柵傳感及先進(jìn)檢測(cè)技術(shù)重慶市重點(diǎn)實(shí)驗(yàn)室開(kāi)放課題資助項(xiàng)目(No.KFKT2013001)

1004-924X(2016)10-2523-09

TP212.12

Adoi:10.3788/OPE.20162410.2523