Konkurenční technologie a trendy

Strojové učení při kompenzaci chyb enkodérů

Strojové učení při kompenzaci chyb enkodérů

Harmonická kompenzace a kompenzace tabulkou platí jen pro opakovatelné chyby v kalibračních podmínkách; změní-li se teplota nebo zatížení, změní se i chyba. Na sadě ilustrativních dat tento článek porovnává statickou kompenzaci, model s fyzikální strukturou, Gaussův proces, neuronovou síť a polynom vysokého stupně při interpolovaných a extrapolovaných teplotách a uvádí podstatné body k přeučení, křížové validaci a interpretovatelnosti.

Kompenzace chyb enkodéru se obvykle kalibruje při jedné teplotě a v jednom montážním stavu a vznikne kompenzační tabulka v závislosti na úhlu. Tepelný nesoulad mezi nábojem a hřídelí však mění excentricitu, offset snímací hlavy driftuje s teplotou a zatížení deformuje hřídelové uložení, takže chyba v provozu není stejná jako chyba při kalibraci. Proto se navrhuje vzít jako vstupy i teplotu, zatížení a podobně a proložit je modelem strojového učení. Jak daleko lze touto cestou dojít a jaký má vztah ke konvenční harmonické kompenzaci? Tento článek na sadě ilustrativních dat spočítá přínosy i rizika.

Nejprve se kompenzační model proloží trénovacími daty a poté se přenese na novou teplotu: model se zdravou strukturou zůstává účinný i mimo rozsah trénovacích teplot, model s příliš mnoha stupni volnosti při extrapolaci selže (ilustrativní data)
Obrázek 1 – Nejprve se kompenzační model proloží trénovacími daty a poté se přenese na novou teplotu: model se zdravou strukturou zůstává účinný i mimo rozsah trénovacích teplot, model s příliš mnoha stupni volnosti při extrapolaci selže (ilustrativní data)

Model chyby: od e(θ) k e(θ, T, …)

Konvenční kompenzace má jako jedinou nezávisle proměnnou úhel natočení θ:

e(θ) = Σ [a_k·cos(kθ) + b_k·sin(kθ)]

kde k je řád harmonické na otáčku a a_k, b_k jsou koeficienty získané kalibrací. Po zahrnutí provozních podmínek se chyba stává e(θ, x), kde x může zahrnovat teplotu T, zatížení, směr otáčení a další. Obvyklé mechanismy jsou: tepelný nesoulad mění excentricitu (především 1. harmonická), zatížení deformuje hřídelové uložení (nízké řády harmonických), drift offsetu snímací hlavy (interpolační chyba 1krát za periodu signálu), a vůle při změně směru (závisí na směru otáčení).

Existují dvě cesty modelování:

  • Model s fyzikální strukturou: harmonický tvar se zachová a koeficientům se dovolí měnit se s provozními podmínkami, například a_k(T) = a_k0 + a_k1·(T − T₀). Model je v parametrech lineární, jediné řešení metodou nejmenších čtverců je všechny poskytne a každý koeficient má fyzikální význam.
  • Datově řízený model: regrese Gaussovým procesem, malá neuronová síť, stromy s gradientovým boostingem a podobně, které chybu prokládají přímo vstupy jako cosθ, sinθ a T. Zakódování θ jako cosθ a sinθ zajišťuje, že model přirozeně splní periodicitu 360°.

Počítaný příklad: interpolace a extrapolace

Ilustrativní data se sestaví takto: amplituda 1. harmonické 20″ + 0,6″/K·ΔT + 0,004″/K²·ΔT², 2. harmonická 8″ + 0,15″/K·ΔT, plus pevné složky 3. (3″) a 8. (1,5″) harmonické, měřicí šum 1,5″ ef., ΔT je teplotní rozdíl vůči 25 °C. Při každé z teplot 15, 20, 25, 30 a 35 °C se pořídí 128 bodů jako trénovací data a poté se získají zkušební data při nových teplotách.

ModelPočet parametrů27,5 °C (interpolace)45 °C (extrapolace)5 °C (extrapolace)
Bez kompenzace—16,7″25,2″8,2″
Statická kompenzace (jen 25 °C, 8. řád)172,1″10,1″7,8″
Fyzikální struktura (8. řád, koeficienty lineární v T)341,5″2,0″1,9″
Regrese Gaussovým procesemNeparametrický, uloženo 640 bodů1,9″1,9″1,9″
Neuronová síť (2 vrstvy × 32)12171,5″4,8″3,2″
Volný model vysokého řádu (koeficienty kvartické v T)851,6″31,2″30,3″
Kompenzační zbytky modelů uvnitř rozsahu trénovacích teplot (27,5 °C) a mimo něj (45 °C) (ilustrativní data)
Obrázek 2 – Kompenzační zbytky modelů uvnitř rozsahu trénovacích teplot (27,5 °C) a mimo něj (45 °C) (ilustrativní data)

Několik pozorování:

  1. Uvnitř trénovacího rozsahu vypadají všichni podobně: kromě statické kompenzace je zbytek každého modelu blízko hladině šumu 1,5″. Pouze podle interpolačního výkonu nelze dobré modely od špatných rozeznat.
  2. Rozdíl se ukáže až při extrapolaci: model s fyzikální strukturou má při 45 °C stále 2,0″; neuronová síť se zhorší na 4,8″; volný model vysokého řádu dosáhne 31,2″, horší než 25,2″ bez kompenzace.
  3. Gaussův proces v tomto případě dopadl dobře, protože z dat se naučil velkou korelační délku ve směru teploty. Modely tohoto typu se však daleko od dat vracejí k apriorní střední hodnotě, takže výkon při extrapolaci závisí na jádře a hyperparametrech a nelze jej brát jako obecné pravidlo.

Závěr z této sady dat není, že „strojové učení nefunguje“, nýbrž že to, zda model dokáže extrapolovat, závisí na tom, zda jeho struktura odpovídá fyzice, nikoli na tom, jak se jmenuje.

Přeučení a volba modelu

Trénovací chyba klesá monotónně s složitostí modelu, proto je třeba validovat na datech, která model neviděl. U kompenzace závislé na teplotě není náhodný výběr zkušebních bodů spolehlivý: body při téže teplotě jsou silně korelované a náhodné rozdělení výkon modelu nadsadí. Vhodnější je křížová validace leave-one-temperature-out: pokaždé se odloží všechna data jedné teploty, zbývajícími teplotami se trénuje a tato teplota se pak predikuje.

Stupeň polynomu harmonických koeficientů v závislosti na teplotě a zbytky: trénovací zbytek klesá stále, zbytek křížové validace leave-one-temperature-out je nejmenší při stupni 1 (ilustrativní data)
Obrázek 3 – Stupeň polynomu harmonických koeficientů v závislosti na teplotě a zbytky: trénovací zbytek klesá stále, zbytek křížové validace leave-one-temperature-out je nejmenší při stupni 1 (ilustrativní data)

V příkladu při růstu stupně polynomu od 0 do 4 klesá trénovací zbytek z 3,43″ na 1,40″, už pod šum; zbytky křížové validace jsou postupně 4,15″, 1,66″, 1,80″, 2,90″ a 2,32″, nejmenší při stupni 1. Počet parametrů je třeba stavět i proti množství dat: 34 parametrů na 640 bodů je pohodlných, zatímco neuronová síť s 1217 parametry se opírá především o regularizaci.

Interpretovatelnost, bezpečnost a nasazení

  • Interpretovatelnost: koeficienty modelu s fyzikální strukturou lze použít přímo k diagnostice — například sklon 1. harmonické s teplotou odpovídá změně excentricity způsobené tepelným nesouladem a odchylku lze vystopovat k montáži nebo materiálům; predikce modelu typu černé skříňky se těžko kontrolují člen po členu.
  • Vymezit oblast použitelnosti: zaznamenat rozsahy teploty a zatížení pokryté tréninkem a při jejich překročení alarmovat nebo se vrátit ke konzervativní kompenzaci; zároveň omezit amplitudu kompenzace, aby model nevydal odlehlou hodnotu.
  • Funkční bezpečnost: kompenzace přímo mění hodnotu polohy; použije-li se v bezpečnostní funkci, musí se algoritmus, data i nástrojový řetězec validovat podle postupů norem, jako je IEC 61508.
  • Výpočetní zátěž a zpoždění: model s fyzikální strukturou potřebuje na vzorek několik desítek násobení-sčítání, síť 2×32 asi tisíc násobení-sčítání; při obnovovacích kmitočtech několika desítek kHz vestavěný procesor zátěž zpravidla unese, je však třeba započítat zpoždění a paměť.
  • Drift a stárnutí: model vychází z dat daného okamžiku, proto je třeba stanovit interval opětovné kontroly.

V otevřené literatuře se datově řízené metody objevují častěji ve výzkumu a při kompenzaci tepelné chyby na úrovni stroje; na úrovni samotného enkodéru zůstávají hlavním proudem harmonická kompenzace a kompenzace tabulkou. Praktičtější cestou je „šedá skříňka“: model s fyzikální strukturou nese hlavní chyby, datově řízený model prokládá zbytek a jeho výstup je omezen v amplitudě.

Inženýrské body

  • Nejprve čistě zkompenzovat opakovatelnou chybu: statická harmonická kompenzace zůstává základem; v příkladu snižuje chybu při interpolované teplotě z 16,7″ na 2,1″.
  • Zapsat fyzikální strukturu do modelu: model, jehož koeficienty se mění lineárně s teplotou, má jen 34 parametrů a je stabilní při interpolaci i extrapolaci.
  • Validovat leave-one-condition-out: odkládat celé skupiny podle teploty nebo zatížení; nevybírat body náhodně, jinak se účinek nadsadí.
  • Trénovací pokrytí musí být širší než rozsah použití: v příkladu je volný model vysokého řádu při extrapolaci na 45 °C horší než bez kompenzace.
  • Periodicitu zakódovat do vstupů: jako vstupy používat cosθ a sinθ, nikoli θ samotné.
  • Při nasazení omezit amplitudu a sledovat oblast použitelnosti: při překročení trénovacího rozsahu alarmovat nebo se vrátit ke konzervativní kompenzaci.

Shrnutí

Strojové učení může do kompenzace chyb vtáhnout provozní podmínky, jako jsou teplota a zatížení, ale uvnitř trénovacího rozsahu se od modelu s fyzikální strukturou liší málo; rozdíly se objeví při extrapolaci, v interpretovatelnosti a v nákladech na validaci. O úspěchu či neúspěchu rozhodují struktura modelu, pokrytí dat a metoda validace. Pro enkodéry je v současnosti robustnější cestou harmonický fyzikální model jako páteř, doplněný datově řízeným modelem.


Překlad čínského originálu (0188). ENC7 – výrobce kódových kotoučů (poptávka) · Odborné články · https://enc7.com

© Langfang Jingzheng Optoelectronic Technology Co., Ltd. Všechna práva vyhrazena. Článek vznikl s pomocí AI.

Have a drawing? Get an engineer's review.

Send your outer diameter, bore, line count or bit count, substrate and readhead wavelength. Our engineers check manufacturability and reply with a quotation and sample lead time.

WhatsApp