XGBoost机器学习在光电编码器误差补偿中的应用

光电编码器检测系统的误差主要受基准光电编码器测角误差、数据采集误差、检测系统同轴误差影响。其中,基准光电编码器的测角误差可进行补偿。因此设计了一种基于极度梯度提升树(extreme gradient boosting,XGBoost)机器学习的算法用来补偿基准光电编码器的误差。经该算法补偿后,静态精度提高了35倍,标准差由3.62″减小至0.13″,最大误差值由5.53″降低至0.39″。与传统的误差反传(back progagation,BP)神经网络算法以及径向基函数(radial basis function,RBF)神经网络算法补偿效果相比,XGBoost的补偿效果更优。XGBoost机器学习算法有效降低了基准光电编码器的测量误差,提高了光电编码器检测系统的检测精度。