[发明专利]一种光电编码器的误差补偿方法

摘要

本发明公开了一种光电编码器的误差补偿方法，该方法基于改进粒子群算法和傅里叶神经网络原理，用于提高光电编码器的测量精度，特别适用于要求低成本、精度较高的测角系统中。本发明采用傅立叶神经网络对电子罗盘误差建模，并采用改进粒子群算法对神经网络的权值进行优化，从而得到较为精确的误差模型来补偿光电编码器测量值。该方法建立的误差模型能实现样本空间的精确映射，具有较高的非线性逼近能力，且该方法避免陷入局部最小，克服了神经网络的收敛速度过慢，振荡等缺点，有效减小光电编码器的测量误差，大大提高了光电编码器的测量精度。

主权项

一种光电编码器的误差补偿方法，其特征在于，该方法实现的具体步骤如下：步骤一、获取训练样本；一款普通的二维固态磁阻光电编码器在不对外界磁场做任何处理的室内环境下，随手动转台水平非匀速旋转一圈，获取光电编码器的测量值x及其对应的转台转角Y作为训练样本；步骤二、确定神经网络结构；建立单输入单输出三层前向傅立叶神经网络作为光电编码器的误差补偿模型，隐含层各神经元的激发函数为：S1＝1，...，S2i＝cos(2iπx/T)，S2i+1＝sin(2iπx/T)，i＝1，2，…，n其中，T为角度传感器的测量周期；选择傅立叶系数a0，...，ai，bi，i＝1，2，3，…，n作为隐含层各神经元至输出层的连接权值，即： a i = ( 2 / T ) ∫ 0 T f ( x ) cos ( 2 iπx / T ) dx , i = 0,1,2 , · · · , n b i = ( 2 / T ) ∫ 0 T f ( x ) cos ( 2 iπx / T ) dx , i = 0,1,2 , · · · , n 其中f(x)为神经网络的输出；则隐含层各神经元至输出层的连接权值w1，...，w2i，w2i+1为：w1＝a0，...，w2i＝ai，w2i+1＝bi，i＝1，2，…，n此外，神经网络输入层到隐含层各神经元的连接权值为1；隐含层各神经元的输出为：Oj＝Sjwj  j＝1，2，…，2n+1输出层采用线性神经元，则输出层的输出为： y = f ( x ) = Σ j = 1 2 n + 1 O j = w 1 + w 2 cos ( 2 πx / T ) + w 3 sin ( 2 πx / T ) + · · · + w 2 n cos ( 2 nπx / T ) + w 2 n + 1 sin ( 2 nπx / T ) = + a 1 cos ( 2 πx / T ) + b 1 sin ( 2 πx / T ) + · · · + a n cos ( 2 nπx / T ) + b n sin ( 2 nπx / T ) = a 0 / 2 + Σ j = 1 2 n + 1 ( a n cos ( jωx ) + b n sin ( jωx ) ) 步骤三、建立光电编码器误差模型并选择训练指标；定义光电编码器的误差ei为神经网络输出值yi与理想值Yi的差，即ei＝Yi‑yi＝Yi‑f(xi)，i＝1，2，…，M其中，M为训练样本维数，i为变量；并选择训练指标J为： J = 0.5 Σ i = 1 M e i 2 步骤四：根据训练样本采用改进粒子群算法训练神经网络；采用步骤一获取的训练样本，引入改进粒子群算法训练神经网络，优化神经网络隐含层各神经元至输出层的连接权值；所述改进粒子群算法采用基于遗传交叉因子的改进粒子群优化算法，该算法通过交叉因子产生代表新解集的种群，从而使得后代种群更加适应环境，进而搜索到全局最优解；其中，所述通过交叉因子产生代表新解集的种群的方法为：每一次迭代过程中，根据适应度从优到劣的规律对粒子进行排序，选前一半粒子直接进入下一代；然后将后一半粒子放入粒子选择池中两两配对，产生随机交叉位置进行遗传选择和交叉操作，生成和父代数目相同的子代，然后再和父代做比较，经排序选择适应度好的一半进入下一代；从而产生出数目保持不变的种群粒子进入下一次迭代；基于遗传交叉因子的改进粒子群算法具体的初始化参数选择时，当群体规模的选择侧重于考虑减少运行时间，种群规模设为40；当群体规模的选择侧重 于考虑高精度和高稳定性，则种群规模设为50到80；步骤五、将优化后得到的神经网络权值代入神经网络，得到补偿模型；步骤六、将光电编码器输出的测量值输入神经网络进行补偿，输出补偿后的值。