MBGD-RBF自適應濾波器在光電編碼器檢測系統中的應用
張怡芯，李志斌，李肇婷，劉雁飛，杜敏榮
（上海電力大學 自動化工程學院，上海 200082）
摘 要：為提高小型光電編碼器檢測系統的精度，提出一種基于小批量梯度下降法（MBGD）優化RBF神經網絡算法的非線性自適應濾波器對檢測系統的高精度基準編碼器輸出信號進行濾波。這種濾波方法不需要了解誤差來源的先驗知識，具有很強非線性擬合特性。通過Matlab/Simulink仿真驗證，經MBGD-RBF自適應濾波器對基準編碼器輸出信號濾波以后，系統檢測精度從原來的6.34″提高至2.059″，證明該方法能夠有效地對編碼器輸出信號進行濾波，提升編碼器的輸出信號質量，進而提高檢測系統的檢測精度。
關鍵詞：光電編碼器；小批量梯度下降法；RBF神經網絡；自適應濾波；檢測精度
中圖分類號：TP212.9 文獻標識碼：A 文章編號：1007-3175(2020)11-0056-06
Application of MBGD-RBF Adaptive Filter in Photoelectric
ZHANG Yi-xin, LI Zhi-bin, LI Zhao-ting, LIU Yan-fei, DU Min-rong
（College of Automation Engineering, Shanghai University of Electric Power, Shanghai 200082, China）
Abstract: In order to improve the accuracy of the detection system of small photoelectric encoder, a nonlinear adaptive filter based on the RBF neural network algorithm optimized by small batch gradient descent method (MBGD) was proposed to filter the output signal of the high-precision reference encoder of the detection system. This filtering method does not need to know the prior knowledge of the error source, and has strong nonlinear fitting characteristics. Through Matlab/Simulink simulation verification, after the MBGD-RBF adaptive filter filters the output signal of the reference encoder, the detection accuracy of the system is improved from 6.34″to 2.059″, which proves that the method can effectively output the signal to the encoder. It improved the output signal quality of the encoder, and it can be used to improve the detection accuracy of the detection system.
Key words: photoelectric encoder; small batch gradient descent method; RBF neural network; adaptive filtering; detection accuracy
參考文獻
[1] 趙長海，萬秋華，梁立輝，等. 小型高精度航天級光電編碼器[J]. 電子測量與儀器學報，2015，29(8)：1224-1230.
[2] 姜鐵征，萬秋華，于海，等. 小型絕對式光電編碼器精度自動檢測裝置[J]. 儀表技術與傳感器，2019(3)：1-4.
[3] 徐桂成. 光電編碼器精度分析[J]. 電腦知識與技術，2018，14(8)：49-51.
[4] 于海，萬秋華，王樹潔，等. 光電軸角編碼器誤差檢測技術的發展動態[J]. 光電子技術，2013，33(3)：145-150.
[5] 周子云，于海. 光電編碼器動態誤差評估系統[J]. 紅外與激光工程，2017，46(6)：152-157.
[6] 劉小樹， 萬秋華， 王樹潔， 等. 光電編碼器檢測裝置研究現狀與展望[J]. 半導體光電，2016，37(6)：763-769.
[7] 韋湘宜， 丁紅昌， 曹國華. 光電編碼器檢測技術的研究現狀及發展趨勢[J]. 電子科技，2015，28(9)：184-188.
[8] 吳文峰，李志斌，楊勇，等. 基于LabVIEW的光柵編碼器動態特性檢測系統[J]. 微特電機，2019，47(3)：25-28.
[9] 洪喜，續志軍，楊寧，等. RBF網絡在編碼器誤差補償中的應用[J]. 光電工程，2009，36(8)：139-142.
[10] 張志勰，虞旦.BP 和RBF神經網絡在函數逼近上的對比與研究[J]. 工業控制計算機，2018，31(5)：119-120.
[11] 王欣，靳鴻，楊冀豫. 基于共軛梯度下降法的RBF神經網絡預測算法[J]. 探測與控制學報，2019，41(5)：106-110.
[12] 孫海宇. 基于深度學習的目標識別與追蹤方法的研究[D]. 無錫：江南大學，2019.
[13] 曾祥萍. 自適應組合RBF濾波器理論及其應用研究[D]. 成都：西南交通大學，2013.
[14] 王天翔. 深度學習中梯度下降算法的應用研究[D].金華：浙江師范大學，2019.
[15] 呂永春，趙曉芳，李華，等. 基于小批量梯度下降和Spark分布式方法的局部斷層細化對齊[J]. 高技術通訊，2020，30(3)：213-222.
[16] QIAN Q, JIN R, YI J, et al.Efficient distance metric learning by adaptive sampling and mini-batch stochastic gradient descent ( SGD ) [J]. Machine Learning，2015，99(3)：353-372.
[17] 于海. 絕對式光電編碼器動態誤差采集系統[J]. 紅外與激光工程，2013，42(7)：1809-1814.
[18] 姜麗飛. RBF網絡在有源降噪系統中的應用仿真[J]. 機床與液壓，2011，39(9)：132-134.
