MBGD-RBF自适应滤波器在光电编码器检测系统中的应用
张怡芯，李志斌，李肇婷，刘雁飞，杜敏荣
（上海电力大学 自动化工程学院，上海 200082）
摘 要：为提高小型光电编码器检测系统的精度，提出一种基于小批量梯度下降法（MBGD）优化RBF神经网络算法的非线性自适应滤波器对检测系统的高精度基准编码器输出信号进行滤波。这种滤波方法不需要了解误差来源的先验知识，具有很强非线性拟合特性。通过Matlab/Simulink仿真验证，经MBGD-RBF自适应滤波器对基准编码器输出信号滤波以后，系统检测精度从原来的6.34″提高至2.059″，证明该方法能够有效地对编码器输出信号进行滤波，提升编码器的输出信号质量，进而提高检测系统的检测精度。
关键词：光电编码器；小批量梯度下降法；RBF神经网络；自适应滤波；检测精度
中图分类号：TP212.9 文献标识码：A 文章编号：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
参考文献
[1] 赵长海，万秋华，梁立辉，等. 小型高精度航天级光电编码器[J]. 电子测量与仪器学报，2015，29(8)：1224-1230.
[2] 姜铁征，万秋华，于海，等. 小型绝对式光电编码器精度自动检测装置[J]. 仪表技术与传感器，2019(3)：1-4.
[3] 徐桂成. 光电编码器精度分析[J]. 电脑知识与技术，2018，14(8)：49-51.
[4] 于海，万秋华，王树洁，等. 光电轴角编码器误差检测技术的发展动态[J]. 光电子技术，2013，33(3)：145-150.
[5] 周子云，于海. 光电编码器动态误差评估系统[J]. 红外与激光工程，2017，46(6)：152-157.
[6] 刘小树， 万秋华， 王树洁， 等. 光电编码器检测装置研究现状与展望[J]. 半导体光电，2016，37(6)：763-769.
[7] 韦湘宜， 丁红昌， 曹国华. 光电编码器检测技术的研究现状及发展趋势[J]. 电子科技，2015，28(9)：184-188.
[8] 吴文峰，李志斌，杨勇，等. 基于LabVIEW的光栅编码器动态特性检测系统[J]. 微特电机，2019，47(3)：25-28.
[9] 洪喜，续志军，杨宁，等. RBF网络在编码器误差补偿中的应用[J]. 光电工程，2009，36(8)：139-142.
[10] 张志勰，虞旦.BP 和RBF神经网络在函数逼近上的对比与研究[J]. 工业控制计算机，2018，31(5)：119-120.
[11] 王欣，靳鸿，杨冀豫. 基于共轭梯度下降法的RBF神经网络预测算法[J]. 探测与控制学报，2019，41(5)：106-110.
[12] 孙海宇. 基于深度学习的目标识别与追踪方法的研究[D]. 无锡：江南大学，2019.
[13] 曾祥萍. 自适应组合RBF滤波器理论及其应用研究[D]. 成都：西南交通大学，2013.
[14] 王天翔. 深度学习中梯度下降算法的应用研究[D].金华：浙江师范大学，2019.
[15] 吕永春，赵晓芳，李华，等. 基于小批量梯度下降和Spark分布式方法的局部断层细化对齐[J]. 高技术通讯，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. 绝对式光电编码器动态误差采集系统[J]. 红外与激光工程，2013，42(7)：1809-1814.
[18] 姜丽飞. RBF网络在有源降噪系统中的应用仿真[J]. 机床与液压，2011，39(9)：132-134.
