直线电机动子位置的快速精密测量方法 下载: 861次
1 引言
永磁同步直线电机(PMSLM)具有较高的动态性能以及良好的推力品质,在激光切割机进给系统中得到了广泛的应用[1-3]。PMSLM伺服系统的运动控制精度对机床的加工精度与系统的性能有重要影响,其动子位置测量系统的不确定性直接决定了伺服系统的控制精度。因此,研究PMSLM的高精度动子位置测量方法具有重要意义。
常见的位置传感器包括霍尔传感器和光栅尺,均具有较高的测量精度,但在直线位置测量中仍存在不足。霍尔传感器的读头易损坏,其信号易受三阶谐波的污染,影响测量精度[4-5];光栅尺也称为线性编码器,其抗冲击振动能力较差,对工作环境和安装精度要求严格,且价格昂贵[6-7]。数字图像测量技术由于具有测量精度高、无接触性、高实用性、成本低等优势,近年来被广泛应用于目标跟踪和无人机匹配等领域[8-10]。直线电机的运动是一维线性刚体运动,数字图像技术可以为动子位置的高精密测量提供新思路。数字图像测量方法是利用目标图像的灰度信息获取目标的运动参数,该方法的测量精度和抗干扰性主要受位移测量算法和目标图像质量的影响[11]。
黄志勇等[12]利用相位相关算法(PCA)计算目标图像的位移值,但仅能测量整像素;为了进一步提高位移检测精度,人们提出了一些改进的频域计算方法,如二次曲面拟合(QSF)[13]和互功率谱插值算法[14]、多峰拟合(MPF)算法[15]。Kim等[16]用周期正弦条纹图像作为目标图像计算目标的位移,但容易引起信息重叠,从而影响计算精度;赵吉文等[17]使用散斑图像检测动子位置,并对散斑图像进行模糊复原预处理,但提高测量精度的同时,也增加了算法的时间复杂度。在测量过程中目标图像的采集会受到光照、振动以及噪声等因素影响,为了保证测量结果的稳定性,目标图像需要具有较强的非周期性和鲁棒性。因此,研究强鲁棒性的非周期栅栏图像优选方法具有重要意义。
本文考虑了直线电机的一维线性运动特征,将非周期栅栏图像作为目标拍摄图像。为了降低系统成本,采用线扫描相机代替高速面阵相机。线扫描相机安装在PMSLM的动子侧面,实时扫描目标图像以获取一维图像信号参数与运动位置估计,减少图像的纵向冗余信息,有利于提高计算效率。然后,引入调频Z变换(CZT)算法对一维信号进行频谱计算,在计算过程中对相关峰进行精确插值。为了从目标图像上提高动子位置测量的精度和速度,引入相关峰精确内插(FICP)算法对动子位置进行快速准确的计算,并使用位移估计值的均值误差作为输出参数,建立基于深度神经网络(DNN)的图像优选模型,采用遗传算法优选出抗干扰性强的非周期栅栏图像。最后,通过仿真和实验验证了本方法的正确性以及优选图像的有效性。
2 测量系统与栅栏图像的生成
实验设计的直线电机动子位置检测系统如
栅栏图像I(x, y)的条纹宽度序列为d={d1,d2,…,dk},宽度序列的标准差为
式中,
式中,Ix(x,y)、Iy(x,y)分别为栅栏图像水平和垂直方向上的灰度梯度,M、N分别为图像的宽度和高度,g为图像的平均灰度梯度,g越大,表明图像的灰度对比度越明显。
不断改变栅栏条纹图像的宽度和灰度变化量,可以生成不同种类的栅栏条纹图像,如
图 2. 不同种类的栅栏条纹图像。(a)周期栅栏图像;(b)等条纹宽度非周期栅栏图像;(c)黑白非周期栅栏图像;(d)灰度非周期栅栏图像
Fig. 2. Fence stripe images of different kinds. (a) Image of periodic fence; (b) aperiodic fence image of equal stripe width; (c) aperiodic fence image of black-white; (d) aperiodic fence image of gray scale
3 基于FICP算法的直线电机动子位置测量
3.1 基于FICP算法的位移计算
在动子运动过程中,线扫描相机采集到的位移前后一维信号分别为f(m)和g(m),其中,一维图像信号的长度M为512 pixel,具体关系为
式中,ur为前后一维图像信号的实际位移差。信号与动子运动特征一致,只存在水平移动。对f(m)和g(m)进行互相关计算,首先引入改进的线性调频Z变换(MCZT),对位移前后的一维信号f(m)和g(m)进行频域补零,以提高频谱的分辨率;然后采用FICP算法对细化后的频谱进行相关计算(频谱相乘和傅里叶逆变换),缩小峰间间隔,提高相关函数的检测精度。对于x(n)信号序列,信号的数据长度为N,MCZT算法是一种快速细化频谱的方法[18],其逆变换IMCZT的计算与MCZT共轭计算类似,可表示为
式中,X(k)为对x(n)序列进行MCZT变换后的频谱函数,频谱间隔由频谱长度N1决定,
式中,F(k)和G(k)分别为原图像信号对应的脉冲谱。可以发现,MCZT通过频域补零可将任意长度的信号变成长度为N1的序列,然后直接进行频谱细化(N1/M),得到具有更高分辨率的互相关函数。由于,F(k)和G(k)是周期为N1的函数,当频谱周期从N1变为N2(N1<N2)时,相当于在频域中补了N2-N1个零点。完整的互相关功率谱可表示为
式中,R1(k)为互相关谱的前M点部分,
由于线扫描相机的行频较高,若拍摄时间间隔为4 ms,则图像信号的偏移量处于有限范围内,f(m)和g(m)的互相关函数主峰位于零点附近。因此,对由(4)式得到的互相关谱进行MCZT逆变换,求出零点前后的互相关函数r(m),其中,r(m)的前M个点记为r1(m),后M个点记为r2(m),可表示为
综上所述可知,FICP算法可通过增加频谱的内插倍数,将互相关函数的分辨率提高N2/N1倍,且计算速度较快。
3.2 仿真实验
为了验证本算法的精度、鲁棒性和快速性,令N2/N1=100,仿真对比了PCA[12]和QSF[13]、互功率谱插值(下文用Foroosh表示)[14]、MPF[15]与FICP算法对位移的测量精度,得到的误差曲线如
图 3. 不同算法的测量误差。(a)五种算法的测量误差;(b)两种算法的测量误差对比
Fig. 3. Measurement errors of different algorithms. (a) Measurement errors of five algorithms; (b) comparison of measurement errors of two algorithms
为验证本算法的鲁棒性,对栅栏目标图像添加不同强度的高斯噪声,高斯噪声(0, 0.01)表示服从正态分布的噪声均值为0,方差为0.01。用FICP算法计算位移,得到测量结果的误差如
图 4. 不同强度噪声下的位移检测结果
Fig. 4. Displacement detection results under different intensity noises
为验证本算法的快速性,记录五种算法每次计算位移的运行时间,结果如
4 基于DNN的非周期栅栏图像优选
由于目标图像的选取会对测量结果产生重要影响,因此,必须优选出一种强鲁棒性的非周期栅栏图像。为了定量评价目标图像的优劣程度,以宽度标准差和平均灰度梯度g为设计参数,构造出一系列不同的栅栏图像。对多组图像设定亚像素位移,再用FICP算法测量位移结果,选取位移计算的均值误差作为评价指标,可表示为
式中,urq为第q个点的真实位移值,uq为计算的位移值,umean为n点位移计算结果的绝对平均值。通过规范设计参数的取值区间,优选出能够满足直线电机动子位置测量要求的高质量图像。由于实验平台与相机采集窗口的限制以及采集的相邻信号需要有一定的重叠[19-20],栅栏图像的单个条纹宽度范围为[11 pixel, 27 pixel],设计参数如
表 1. 栅栏图像的设计参数
Table 1. Design parameters of the fence image
|
表 3. 优化后的设计参数
Table 3. Optimized design parameters
|
表 2. 不同栅栏图像的输出
Table 2. Output of different fence images
|
为满足测量精度的要求,在
实验引入DNN对样本数据进行建模,其本质是寻找一个实值函数Xobject(x),以求解任意输入对应的输出[21]。DNN的结构分为可视层和隐含层,可视层包括输入和输出层,其基本结构如
DNN每一层可表示为神经元组成的x向量与权重W相乘,再加偏差值b。DNN以栅栏图像的设计参数为输入,输出层为位移计算的均值误差umean,可表示为
式中,Wi和bi分别为第i层和第i-1层之间的权重和偏差,σ为激活函数,ε为学习率,D为代价函数。用随机梯度下降法更新权重Wi和偏差bi,逐层学习参数。为了解决过拟合问题,提高模型的泛化能力,采用丢弃法(dropout)对预测模型进行正则化。根据
输入层为栅栏图像的两个设计参数,输出层为均值误差umean,将样本数据随机分成两部分,85%为训练样本,15%为测试样本。确定两层隐含层和各层神经元的个数,选取修正线性单元(ReLU)函数作为激活函数,用决定系数R2作为精度标准,R2越接近1,表明模型的预测精度越高。
式中,
图 8. 模型精度校验。(a) DNN模型;(b) SVM模型
Fig. 8. Accuracy check of models. (a) DNN model; (b) SVM model
引入遗传算法(GA)对建立的预测回归模型进行参数寻优,均值误差越小表明模型的检测精度和鲁棒性越好,均值误差随迭代次数的变化曲线如
5 实验分析
5.1 实验平台搭建
为验证本方法的有效性和可行性,搭建了如
实验前,对动子的实际位移(mm)与像素位移(pixel)进行标定,采用棋盘标靶法进行系统标定,得到标定系数为0.0436 mm/pixel[23]。为进一步验证本方法的正确性,设计了三组实验,包括不同光照、不同目标图像、不同速度下的位置检测实验。
5.2 实验结果与分析
用
为验证图像优选对测量结果的影响,分别将近似周期栅栏图像、优选前的栅栏图像、优选后的栅栏图像作为目标图像。电机保持匀速直线运动,光强不变,采用FICP算法得到的位移绝对误差曲线,如
为了验证本方法对速度的适应性,保持现场光强不变,通过运动控制模块改变电机速度,分别在电机速度为0.3,0.5,1.0 m/s时采集运动信号,通过FICP算法得到位移绝对误差曲线,结果如
6 结论
分析了传统位移传感器的优缺点及计算位移算法的不足,引入了一种基于FICP的位移测量方法检测动子位移,并采用深度学习算法优选出具有强鲁棒性的非周期栅栏图像,进一步提高直线电机动子位置测量的精度、抗干扰性和实时性。此外,简要介绍了动子位置测量系统,搭建了动子位置检测实验平台,并进行了实验验证。仿真和实验结果表明,该方法测量精度高,耗时少,对噪声的敏感度低,抗干扰性强,能在不同光照下快速准确测量动子位置,且基于DNN优选的非周期栅栏图像具有强鲁棒性,有利于提高动子位置的测量精度。
[1] 李立毅, 唐勇斌, 刘家曦, 等. 多种群遗传算法在无铁心永磁直线同步电机优化设计中的应用[J]. 中国电机工程学报, 2013, 33(15): 69-77.
Li L Y, Tang Y B, Liu J X, et al. Application of the multiple population genetic algorithm in optimum design of air-core permanent magnet linear synchronous motors[J]. Proceedings of the CSEE, 2013, 33(15): 69-77.
[2] Wang M Y, Li L Y, Pan D H, et al. High-bandwidth and strong robust current regulation for PMLSM drives considering thrust ripple[J]. IEEE Transactions on Power Electronics, 2016, 31(9): 6646-6657.
[3] Hu H Z, Liu X D, Zhao J, et al. Analysis and minimization of detent end force in linear permanent magnet synchronous machines[J]. IEEE Transactions on Industrial Electronics, 2018, 65(3): 2475-2486.
[4] Liu JZ, Hao SH, Chen T. Design of absolute magnetic grid displacement sensor based on encoding principle[J]. Applied Mechanics and Materials, 2011, 88/89: 336- 340.
[5] 刘刚, 肖烨然, 宋欣达. 永磁同步电机用线性霍尔位置检测的误差补偿[J]. 电机与控制学报, 2014, 18(8): 36-42, 54.
Liu G, Xiao Y R, Song X D. Error compensation of rotor position detection for permanent magnetic synchronous motor based on linear hall sensors[J]. Electric Machines and Control, 2014, 18(8): 36-42, 54.
[6] 郭永兴, 匡毅, 熊丽, 等. 不同封装方式的光纤光栅传感与温补特性[J]. 激光与光电子学进展, 2018, 55(11): 110601.
[8] 兰轶, 杨澜. 红外图像目标跟踪在智能网联汽车的应用研究[J]. 激光杂志, 2019, 40(7): 60-64.
Lan Y, Yang L. Application research of infrared image target tracking in intelligent network vehicle[J]. Laser Journal, 2019, 40(7): 60-64.
[9] 韩飞, 段广仁, 王兆龙, 等. 逼近与跟踪空间翻滚目标的图像视觉伺服控制[J]. 控制理论与应用, 2018, 35(10): 1473-1483.
Han F, Duan G R, Wang Z L, et al. Image based visual servo control for approaching and tracking tumbling target in space[J]. Control Theory & Applications, 2018, 35(10): 1473-1483.
[10] Zhang S, Yang K, Yang Y, et al. Nonrigid image registration for low-altitude SUAV images with large viewpoint changes[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(4): 592-596.
[11] Zhao J, Dou S K, Zhao J W, et al. Position measurement of linear motor mover based on image spectrum energy[J]. IET Science, Measurement & Technology, 2019, 13(4): 599-605.
[12] 黄志勇, 陈一民. 基于频域相位相关的自适应光学图像配准算法[J]. 计算机应用与软件, 2016, 33(5): 166-168.
Huang Z Y, Chen Y M. Adaptive optical images registration algorithm based on frequency domain phase correlation[J]. Computer Applications and Software, 2016, 33(5): 166-168.
[13] 徐从裕, 徐俊, 高雨婷, 等. 面向在线测量的亚像素提取与实验验证[J]. 电子测量与仪器学报, 2019, 33(8): 23-29.
Xu C Y, Xu J, Gao Y T, et al. Research on improved sub-pixel extraction algorithm for real-time detection[J]. Journal of Electronic Measurement and Instrumentation, 2019, 33(8): 23-29.
[14] Foroosh H, Zerubia J B, Berthod M. Extension of phase correlation to subpixel registration[J]. IEEE Transactions on Image Processing: a Publication of the IEEE Signal Processing Society, 2002, 11(3): 188-200.
[15] 赵朝杰, 朱虹, 刘薇, 等. 一种基于多峰拟合的相位相关扩展方法[J]. 计算机工程, 2011, 37(11): 228-230.
Zhao C J, Zhu H, Liu W, et al. Extended phase correlation method based on multi-peak fitting[J]. Computer Engineering, 2011, 37(11): 228-230.
[16] Kim E H, Hahn J, Kim H, et al. Profilometry without phase unwrapping using multi-frequency and four-step phase-shift sinusoidal fringe projection[J]. Optics Express, 2009, 17(10): 7818.
[17] 赵吉文, 窦少昆, 赵静, 等. 散斑运动模糊复原的直线电机动子位置检测[J]. 光学精密工程, 2018, 26(2): 363-370.
[18] 王玥, 孟晓辰, 祝连庆. 基于脉冲时延估计的荧光寿命表征方法[J]. 应用光学, 2018, 39(2): 207-211.
[19] 窦少昆, 赵静, 赵吉文, 等. 直线电机动子位置测量的非周期栅栏图像优选[J]. 仪器仪表学报, 2017, 38(2): 343-350.
Dou S K, Zhao J, Zhao J W, et al. Optimization of the aperiodic fence image for the linear electric motor rotor position measurement[J]. Chinese Journal of Scientific Instrument, 2017, 38(2): 343-350.
[20] HastA, MarchettiA. Rotation invariant feature matching-based on Gaussian filtered log polar transform and phase correlation[C]∥2013 8th International Symposium on Image and Signal Processing and Analysis (ISPA), September 4-6, 2013, Trieste, Italy. New York: IEEE, 2013: 107- 112.
[21] 向鹏, 周宾, 祝仰坤, 等. 复杂环境下基于深度神经网络的摄像机标定[J]. 激光与光电子学进展, 2019, 56(11): 111505.
[22] 鞠鲁峰, 王群京, 李国丽, 等. 永磁球形电机的支持向量机模型的参数寻优[J]. 电工技术学报, 2014, 29(1): 85-90.
Ju L F, Wang Q J, Li G L, et al. Parameter optimization for support vector machine model of permanent magnet spherical motors[J]. Transactions of China Electrotechnical Society, 2014, 29(1): 85-90.
[23] 郭春磊, 洪鹰. 采用棋盘格靶标的全自动相机标定方法[J]. 计算机工程与应用, 2016, 52(12): 176-179.
Guo C L, Hong Y. Fully automatic method for camera calibration based on checkerboard target[J]. Computer Engineering and Applications, 2016, 52(12): 176-179.
Article Outline
方媛, 周杨, 赵静, 宫凯歌. 直线电机动子位置的快速精密测量方法[J]. 激光与光电子学进展, 2020, 57(18): 181005. Yuan Fang, Yang Zhou, Jing Zhao, Kaige Gong. Fast-Precision Measurement Method of Linear Motor Mover Position[J]. Laser & Optoelectronics Progress, 2020, 57(18): 181005.