传感器校正的优化灰色神经网络建模方法研究

随着测试技术的发展,传感器被广泛应用于各种精密测量与检测领域。由于受到被测量对象、测量环境等因素影响,其输入输出特性会产生各种误差。提出了一种基于神经网络优化的灰色GM(1,N)系统的非线性传感器的校正方法,使得通过该方法补偿的位移传感器具有理想的输入输出特性。将传感器校正过程分为数学表达式求解环节和误差逼近环节。首先将实验数据进行统一化数据处理,提出灰色GM(1,N)模型的优化灰色系数矩阵求解方法以及利用BP神经网络的非线性映射特性来求取灰色模型的合理初始条件(1,C),弥补GM(1,N)模型自身模型求解的缺陷,获得高精度的传感器校正数学函数表达式。然后,利用RBF神经网络良好的局部逼近能力对残差修正,实现传感器校正的精度要求。最后,推导出优化后的合并模型,实现对传感器的校正。与其他信息融合技术相比,该方法能给出传感器校正数学函数表达式,充分利用各模型的优点,在小样本、贫信息的情况下依然可以获得很高的校正精度。实验证明该优化模型的模型精度为99.8%,模型平均残差约为5.5 nm,模型精度满足要求,方法切实有效。

高精度传感器标定曲线的预测拟合

针对量程为0～0．5mm电容式位移传感器，采用运动范围0～80μm压电陶瓷微位移发生器，对其进行标定实验。通过对整个量程的分段标定，以待标定传感器测量数据为基准，并基于灰色预测模型G（1，1），分别对缺省的待标定量程，输入信号量以及标准传感器测量值进行预测计算填补，最后得到待标定传感器的整个量程的标定值。再经过曲线拟合得到待标定传感器的标定曲线，从而得到了该传感器的性能指标。本文对于量程较大的高精度传感器在标定过程无法一次性实验的情况下，用于分段等问距取标定量程，对缺省部分进行预测建模计算填补，最后拟合曲线，很好的解决了此类标定问题。

基于逐次二点法的平面度误差测量方法研究

为了实现工件平面度误差的高精度测量,在没有高精度导轨、高精度光学平面作为平面基准的条件下,根据逐次二点法误差分离原理,将传感器支架固定在刀具进给轴上,随导轨进行直线运动,即可同时分离获得机床自身的运动误差和工件的平面度误差。实验结果表明:将逐次二点法应用到机床上,对工件平面度进行在机测量,剔除掉机床自身运动的系统误差,在精度上优于传统的接触式测量方法,并且不受测量的平面基准、工件的最大尺寸所限制。该方法不仅计算简单、快速易操作,而且更准确地反映了平面度的真实值。利用仿真和实验验证了逐次二点法对平面度的高精度测量的有效性和可靠性。

基于灰色神经网络的传感器分段标定

针对大量程高精度传感器不能一次完成标定实验的情况,提出一种将优化灰色GM(1,1)模型与BP神经网络相结合来预测分段标定过程中特征值缺失的方法,从而实现传感器的分段标定。首先,根据实验数据建立传统灰色GM(1,1)模型,对待标定传感器和标准传感器的测量值进行缺失数据的预测;然后,为弱化传统灰色GM(1,1)模型序列变化的幅度,提高模型的预测精度,利用中心逼近的思想对传统的GM(1,1)模型进行优化;最后,利用BP神经网络对优化的灰色GM(1,1)残差序列进行修正,以较高的精度实现对分段标定过程中缺失特征值的预测。结果表明,待标定传感器和标准传感器组合预测模型的平均残差分别为0.023%和0.401%,证明了组合预测模型的有效性。所提出方法为解决大量程高精度传感器分段标定时静态特性曲线的拟合提供了一种新思路。

基于信息度量的PLM设计阶段产品信息流的结构分析

为了定性与定量描述产品在产品生命周期管理(PLM)设计阶段各环节信息状态,提出通过信息熵分析设计阶段各环节信息状态的不确定性,通过信息距离分析各环节取得某个状态所遇障碍的大小,然后采用顶层基本骨架(TBS)方法建立产品的三维模型并对其信息状态进行分析,结果表明,客户对产品的需求增加后,产品在设计及转移状态上需要的信息相应增加,通过信息状态的分析为产品在PLM设计阶段的开发过程提供信息学方面的依据。