直线电机动子位置的快速精密测量方法

方媛; 周杨; 赵静; 宫凯歌

doi:doi:10.3788/LOP57.181005

激光与光电子学进展, 2020, 57 (18): 181005, 网络出版: 2020-09-02

直线电机动子位置的快速精密测量方法下载： 861次

Fast-Precision Measurement Method of Linear Motor Mover Position

论文大纲

方媛周杨 ^*赵静宫凯歌

作者单位

安徽大学电气工程与自动化学院, 安徽合肥 230601

AI 词云图 AI一句话精读 AI短摘要

注：本部分内容由 AI 自动生成，请您知悉。

摘要

为了从目标图像上提高直线电机动子位置测量的精度、抗干扰性和实时性,引入了一种基于相关峰精确内插(FICP)的图像位移测量方法,并采用深度学习算法优选出具有强鲁棒性的栅栏图像。首先,控制栅栏条纹的宽度标准差和平均灰度梯度,生成一系列栅栏条纹图像。其次,结合线性调频Z变换和FICP算法计算相邻目标图像的位移值。然后,用位移估计值的均值误差作为评价指标,用深度神经网络建立栅栏图像质量优选模型,筛选出具有强鲁棒性的非周期栅栏图像。最后,利用线扫描相机获取运动过程中的一维栅栏图像信号,并根据棋盘标靶法确定系统的标定系数,得到实际位移值。仿真和实验结果表明,优选出的非周期栅栏图像能有效提高测量精度,证明了本方法的正确性。

Abstract

To improve the accuracy, anti-interference and real-time performance of linear motor mover position measurement from the shooting target image, an image displacement measurement algorithm based on fine interpolation of correlation peak (FICP) is introduced in this paper, and a deep learning algorithm is used to select the fence image with strong robustness. First, the width standard deviation and average gray gradient of the fence fringe are controlled to generate a series of fence fringe images. Second, the displacement of adjacent target images is calculated by combining chirp Z transform and FICP algorithm. Then, the mean error of displacement estimation is used as the evaluation index, and deep neural network is used to establish the quality optimization model of fence image, and the aperiodic fence image with strong robustness is screened out. Finally, the one-dimensional fence image signal in the motion process is obtained by line-scanning camera, the calibration coefficient of the system is determined according to the chessboard target method, and the actual displacement value is obtained. Simulation and experimental results show that the optimized aperiodic fence image selected in this paper can effectively improve the measurement accuracy and prove the correctness of this method.

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图1所示。根据直线电机的一维线性运动特征,将目标图像灰度的纵向变化量置零,从而将图像简化为栅栏图像。沿着动子的水平运动方向,在底座上固定栅栏条纹图像。在直线电机运动过程中,动子侧面的线扫描相机实时扫描栅栏图像,并将获取的一维方波信号传输给计算机进行处理,进而得到动子的实际位移。

图 1. 直线电机动子位置测量系统

Fig. 1. Linear motor mover position measurement system

下载图片查看所有图片

栅栏图像I(x, y)的条纹宽度序列为d={d₁,d₂,…,d_k},宽度序列的标准差为

s = \sqrt[]{[\overset{k}{\sum_{v = 1}} (d_{v} {- \bar{d})}^{2} / k]}, (1)

式中, $\bar{d}$ 为k个条纹的平均宽度。标准差s越大,表明图像宽度变化越剧烈,图像信息越丰富。栅栏图像的水平、垂直方向上的灰度变化为

\{\begin{array}{l} I_{x} (x, y) = \partial I (x, y) / \partial x \\ I_{y} (x, y) = \partial I (x, y) / \partial y = 0 \\ g = \overset{M}{\sum_{x = 1}} \overset{N}{\sum_{y = 1}} |\sqrt[]{I_{x} {(x, y)}^{2} + I_{y} {(x, y)}^{2}}| / (M \times N) \end{array}, (2)

式中,I_x(x,y)、I_y(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所示。

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

下载图片查看所有图片

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

g (m) = f (m + u_{r}), (3)

式中,u_r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

\{\begin{array}{l} X (k) = X_{MCZT} [x (n)] = \overset{N - 1}{\sum_{n = 0}} x (n) \exp (- \frac{j 2 π}{N_{1}} kn), \\ k = 0,1, \dots, N - 1 \\ x' (n) = X_{IMCZT} [X (k)] = \overset{N - 1}{\sum_{k = 0}} X (k) \exp (\frac{j 2 π}{N_{1}} kn) \end{array}, (4)

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, $x' (n)$ 比原信号x(n)的分辨率更高,X_IMCZT[X(k)]为细化后频谱函数的MCZT逆变换,n为时域信号的数据长度,k为频域信号的数据长度。对f(m)和g(m)进行MCZT变换

\{\begin{array}{l} F (k) = X_{MCZT} [f (m)] = \overset{M - 1}{\sum_{m = 0}} f (m) \exp (- \frac{j 2 π}{N_{1}} km), \\ k = 0,1, \dots, M - 1 \\ G (k) = X_{MCZT} [g (m)] = \overset{M - 1}{\sum_{m = 0}} g (m) \exp (- \frac{j 2 π}{N_{1}} km) \end{array}, (5)

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

R (k) = \{\begin{array}{l} R_{1} (k) = F (k) G^{*} (k), k = 0,1, \dots, M - 1 \\ 0, k = M, \dots, N_{2} - M \\ R_{1}^{*} (N_{2} - k), k = N_{2} - M + 1, \dots, N_{2} - 1 \end{array}, (6)

式中,R₁(k)为互相关谱的前M点部分, $R_{1}^{*}$ (N₂—k)为谱频域补零后利用共轭的部分,长度为M-1,R(k)为完整的互相关谱函数,长度为N₂。对R(k)进行逆变换可得到位移前后图像信号的二次相关函数r(m)。

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

\{\begin{array}{l} r_{1} (m) = \overset{M - 1}{\sum_{k = 0}} R_{1} (k) \exp (\frac{j 2 π}{N_{2}} km) + \exp (- \frac{j 2 π}{N_{2}} Nn) \times \overset{M}{\sum_{k = 0}} R_{1}^{*} (M - k) \exp (\frac{j 2 π}{N_{2}} km)] / N_{2} \\ r_{2} (m) = \exp (\frac{j 2 π}{N_{2}} Nn) \overset{M - 1}{\sum_{k = 0}} [R_{1} (k) \exp (- \frac{j 2 π}{N_{2}} km)]\} / N_{2} + \\ \{\exp [\frac{j 2 π}{N_{2}} (N^{2} - nN)] \overset{M - 1}{\sum_{k = 0}} [R_{1}^{*} (N - k) \times \exp (- \frac{j 2 π}{N_{2}} km)] \exp (\frac{j 2 π}{N_{2}} km)\} / N_{2} \end{array}, (7)

r (m) = \{\begin{array}{l} r_{1} (m), m = 0,1, \dots, M - 1 \\ r_{2} (2 N + m), m = - M, \dots, - 1 \end{array} 。 (8)

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所示。其中,步长为0.02 pixel。可以发现,PCA的测量结果均为整像素,当设定位移为整像素时,其测量误差为0,当设定位移为亚像素时,最大测量误差为0.5 pixel;Foroosh算法的误差范围为-0.0235~0.0381 pixel,MPF算法的最大误差为0.1286 pixel;而用FICP算法进行亚像素位移估计时,其测量误差的波动范围为-0.0194~0.0185 pixel,测量精度达到0.02 pixel,测量误差远远小于其他四种算法,这表明本算法的测量精度更高。

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

下载图片查看所有图片

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所示。可以发现,随着高斯噪声强度的增加,测量结果并未有明显变化,仍然保持较高的测量精度。当高斯噪声方差为0.4时,最大测量误差为0.0385 pixel,波动较小且波动曲线并未发生突变。这表明FICP算法测量结果稳定,抗干扰能力较强。

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

下载图片查看所有图片

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,结果如图5所示。可以发现,FICP算法的平均耗时约为1 ms,远低于其他四种算法。综上所述,本方法更适用于PMSLM动子位置的快速准确测量。

图 5. 不同算法的运行时间

Fig. 5. Runtime of different algorithms

下载图片查看所有图片

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

u_{mean} = \frac{1}{n} \overset{n}{\sum_{q = 1}} ||u_{q}| - u_{r q}|, (9)

式中,u_r_q为第q个点的真实位移值,u_q为计算的位移值,u_mean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所示。

表 1. 栅栏图像的设计参数

Table 1. Design parameters of the fence image

Parameter	Name	Minimumvalue	Maximumvalue
g	average graygradient	3	11
s	width standarddeviation	3	9

查看所有表

表 3. 优化后的设计参数

Table 3. Optimized design parameters

Parameter	Name	Optimized result
g	average gray gradient	10.98
s	width standard deviation	4.96

查看所有表

表 2. 不同栅栏图像的输出

Table 2. Output of different fence images

Serialnumber	Averagegray gradient	Width standarddeviation	Meanerror /pixel
No.1	8.33	6.99	0.0286
No.2	7.17	7.08	0.0054
No.3	4.33	6.49	0.1032
No.4	8.25	6.29	0.0102
No.5	6.04	7.39	0.0259
No.6	8.31	7.56	0.0204
…	…	…	…
No.659	6.45	7.55	0.0513
No.660	5.34	7.04	0.0783

查看所有表

为满足测量精度的要求,在表1的取值范围内寻找最优的设计参数。通过仿真得到离散的设计参数与均值误差,由于无法展示所有情况,因此,建立了设计参数与评价指标之间的回归模型,以预测不同设计参数对应的测量结果。令g和s在参数范围内变化,得到660组不同栅栏图像的对应输出,部分结果如表2所示。

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X_object(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,其基本结构如图6所示。

图 6. DNN回归结构图

Fig. 6. Regression structure diagram of DNN

下载图片查看所有图片

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u_mean,可表示为

\{\begin{array}{l} y^{i} = σ (x^{i}) = σ (W_{i} y^{i - 1} + b_{i}) \\ (W^{i}, b^{i}) - ε \times \frac{\partial D}{\partial (W^{i}, b^{i})} \to (W^{i + 1}, b^{i + 1}) \end{array}, (10)

式中,W_i和b_i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W_i和偏差b_i,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。根据表2中的660组样本数据,以构造图像的两个设计参数作为输入,测量精度作为输出,用DNN建立快速回归预测模型,其原理如图7所示。

图 7. DNN建模流程

Fig. 7. Modeling process of DNN

下载图片查看所有图片

输入层为栅栏图像的两个设计参数,输出层为均值误差u_mean,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。

\begin{array}{l} u_{mean} = \frac{1}{p} \overset{p}{\sum_{j = 1}} {({\hat{o}}_{j} - o_{j})}^{2}, (11) \\ \{\begin{array}{l} E_{sse} = \overset{p}{\sum_{j = 1}} ({\hat{o}}_{j} - o_{j})^{2} \\ E_{sst} = \overset{p}{\sum_{j = 1}} (o_{j} - {\bar{o}}_{j})^{2} \\ R^{2} = 1 - \frac{E_{sse}}{E_{sst}} \end{array}, (12) \end{array}

式中, ${\hat{o}}_{j}$ 为预测值, ${\bar{o}}_{j}$ 为预测均值,o_j为真实值,E_sse为残差平方和,E_sst为总离差平方和,p为检测样本数。本模型的测试精度如图8(a)所示,决定系数R²为0.951,这表明优选模型的拟合程度较好。为验证本模型的准确性,与传统的支持向量机(SVM)回归建模方法的结果进行对比^[22],结果如图8(b)所示, SVM模型测试精度的决定系数R²为0.907。可以发现, DNN回归模型的R²多次趋近1,而SVM模型的R²在0.90左右,且对不同目标的拟合能力不稳定,明显劣于DNN。因此,DNN模型对测量精度的预测能力高于SVM模型。

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

下载图片查看所有图片

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图9所示。可以发现,当迭代次数为50时,计算位移的均值误差开始收敛,此时位移计算精度最高。优化后的设计参数如表3所示。

图 9. GA的迭代次数

Fig. 9. Number of iterations of GA

下载图片查看所有图片

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,搭建了如图10所示的实验平台。为方便实验,使优选出的栅栏条纹图像与线扫描相机的镜头垂直。PMSLM的最大运行速度为1 m/s,有效行程为380 mm,线扫描相机的分辨率为1 pixel×1024 pixel,帧频为5400 frames/s。当电机直线运动时,线扫描相机实时获取含有运动信息的一维信号序列,相机在不同时刻t采集的数据,如图11所示。将一维信号送到计算机进行处理,并根据像素标定系数得到动子的实际位移值。

图 10. 位置检测实验平台

Fig. 10. Experiment platform of position detection

下载图片查看所有图片

图 11. 线扫描相机获取的信号

Fig. 11. Signals acquired by line-scanning camera

下载图片查看所有图片

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

用图10中的位置检测实验平台,在不同光照下进行位移测量实验。使电机保持一定速度运动,用补光灯改变现场光强,用照度计(胜利仪器VC1010A)测量环境光强,分别在光照度为3500,6800,8200,10500 lx时采集运动信号,用FICP算法计算位移,得到电机运动的误差曲线如图12所示,其中,测量误差为本算法计算出的动子位移测量值与电机动子实际位移的差值。可以看出,四种光强下的测量误差曲线趋势基本一致,光照度为3500,6800,8200,10500 lx时的测量误差范围分别为0.015~0.023 mm,0.014~0.022 mm,0.013 ~0.024 mm,0.014~0.025 mm。这表明本算法对光照强度变化不敏感,测量结果的稳定性较强,能在不同光照下提高动子位置的测量精度。

图 12. 不同光照下的误差曲线

Fig. 12. Error curves under different illuminations

下载图片查看所有图片

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,如图13所示。可以发现,近似周期栅栏图像的测量误差最大,为0.10 mm;优选前栅栏图像的测量精度远高于近似周期栅栏图像的测量精度,最大测量误差为0.05 mm;优选后的栅栏图像测量误差最小,仅为0.02 mm,这表明优化后的栅栏图像能有效提高测量精度。

图 13. 不同目标图像的测量结果

Fig. 13. Measurement results of different target images

下载图片查看所有图片

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,结果如图14所示。可以发现,3种速度下的测量误差范围分别为0.012 ~ 0.023 mm,0.014~0.025 mm,0.013~0.030 mm。即使电机以最大速度1.0 m/s移动时,该方法也能保持稳定的测量结果。

图 14. 不同速度下的跟踪精度

Fig. 14. Tracking accuracy of different speeds

下载图片查看所有图片

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。

参考文献

[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.

Guo Y X, Kuang Y, Xiong L, et al. Sensing and temperature-compensation characteristics of fiber Bragg gratings under different packaging ways[J]. Laser & Optoelectronics Progress, 2018, 55(11): 110601.

[7] Becker M, Elsmann T, Schwuchow A, et al. Fiber Bragg gratings in the visible spectral range with ultraviolet femtosecond laser inscription[J]. IEEE Photonics Technology Letters, 2014, 26(16): 1653-1656.

[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.

Zhao J W, Dou S K, Zhao J, et al. Position measurement of linear electric motor rotor based on restoration of motion blur speckle[J]. Optics and Precision Engineering, 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.

Wang Y, Meng X C, Zhu L Q. Fluorescence lifetime representation method based on impulse delay estimation[J]. Journal of Applied Optics, 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.

Xiang P, Zhou B, Zhu Y K, et al. Camera calibration based on deep neural network in complex environments[J]. Laser & Optoelectronics Progress, 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.

1 引言

2 测量系统与栅栏图像的生成

3 基于FICP算法的直线电机动子位置测量

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.

直线电机动子位置的快速精密测量方法 下载： 861次

1 引言

2 测量系统与栅栏图像的生成

图 1. 直线电机动子位置测量系统

Fig. 1. Linear motor mover position measurement system

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

3.2 仿真实验

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

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

图 5. 不同算法的运行时间

Fig. 5. Runtime of different algorithms

4 基于DNN的非周期栅栏图像优选

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

图 6. DNN回归结构图

Fig. 6. Regression structure diagram of DNN

图 7. DNN建模流程

Fig. 7. Modeling process of DNN

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

图 9. GA的迭代次数

Fig. 9. Number of iterations of GA

5 实验分析

5.1 实验平台搭建

图 10. 位置检测实验平台

Fig. 10. Experiment platform of position detection

图 11. 线扫描相机获取的信号

Fig. 11. Signals acquired by line-scanning camera

5.2 实验结果与分析

图 12. 不同光照下的误差曲线

Fig. 12. Error curves under different illuminations

图 13. 不同目标图像的测量结果

Fig. 13. Measurement results of different target images

图 14. 不同速度下的跟踪精度

Fig. 14. Tracking accuracy of different speeds

6 结论

Article Outline

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

直线电机动子位置的快速精密测量方法下载： 861次