基于高斯牛顿迭代算法的三轴磁强计校正

三轴磁强计存在各轴刻度因子、零偏和轴间非正交性误差,需要研究其校正方法。基于标量校正法思想,对磁强计校正模型进行了推导,提出基于高斯牛顿迭代法的磁强计校正方法。采用高精度质子磁力仪提供磁场基准值。借助无磁转台转动磁强计,转动过程中磁强计连续采样,测量数据更具代表性和实用性。仿真结果表明,磁强计误差从162.135 nT降低到1.467 nT。实验结果表明,校正后,磁强计绕3个轴转动的测量值误差分别从1133.887 nT、1317.554 nT、1303.994 nT降低到36.964 nT、20.922 nT、15.664 nT。表明该方法能有效降低磁强计测量误差,磁强计精度明显得到提高。     

自动磁通门经纬仪多参量误差补偿算法

自动磁通门经纬仪是地磁绝对观测中测量磁偏角和磁倾角的重要仪器,在测量过程中目前存在横轴与磁轴的不正交误差、磁通门传感器零点偏移误差、电机停止误差和竖轴倾斜误差。为了提高仪器测量精度,利用多体系统理论建立了磁通门传感器输出模型,并基于该模型和"四位置测量法"提出了磁偏角和磁倾角的多参量误差补偿算法。补偿算法通过传感器指向与地磁矢量正交的4个特定位置进行测量,可消除不正交误差和传感器零偏。针对测量过程中存在的电机停止误差和竖轴倾斜误差,补偿算法可进行修正。利用模拟数据进行的仿真实验表明,补偿算法可对±10′以内的电机停止误差和竖轴倾斜误差进行补偿。在台站完成的实测实验表明,补偿算法使测量误差减小到3″以内,满足仪器测量的需求。     

高精度随钻定向测量仪的设计

以3轴加速度传感器和3轴磁通门传感器为基础,设计了定向传感器的角度测量模型;通过对传感器温度误差和安装误差的分析,研究了影响传感器精度的因素,提出了能有效提高传感器测量精度的误差校正模型.以微控制器MSP430F149和模数转换器ADS1216为核心,设计了硬件滤波电路和信号采样电路;基于角度测量模型和误差校正模型,给出了姿态参数采集的主程序和误差补偿程序流程图.实验分析表明:在高温高压强振的环境下该系统达到了所提出的精度指标.     

闭环反馈式宽带磁通门设计

针对数字磁通门响应速度慢的缺点,在深入研究模拟磁通门的基础上,通过采用模拟电路和提高磁通门激励信号频率等方法提高了磁通门带宽。同时,采用硬件及软件补偿方法避免了模拟电路温度性能差的影响,研制了一款宽带磁通门传感器。详细介绍了该磁通门系统的硬件结构、软件设计和实验结果。测试结果显示:在±6.7×104nT测量范围内的非线性误差为0.02%,分辨率小于2 nT,信号处理电路带宽为620 Hz,数字信号输出带宽为330 Hz,在-20~80℃范围内,被测量磁场相对误差不超过±0.32%。     

在线黏度测量中的温度特性研究及其补偿

对一类智能应变黏度传感器的工作原理进行了阐述,解析了影响该传感器温度特性的因素.系统基于温度补偿和差分放大电路的集成实现传感器零漂温度校正,采用DS18B20-PAR单总线温度传感器进行温度测量和基于BP算法的神经网络进行温度补偿和校正,使得黏度传感器的输出信号为测量信号的单值函数,消除了温度的影响,试验结果证实提高了测量精度.     

一阶数控球形反馈磁张量梯度仪动态特性研究

磁通门张量探头在非零的地磁场环境下存在稳定性差、非线性误差大等不足。为克服此类缺陷,需采用磁补偿技术使磁通门工作在零磁场环境。以提高磁通门张量探头的探测精度为目的,采用球形线圈及对应的驱动模块作为磁补偿装置,利用一阶数字控制系统的方法建立磁补偿装置的数学模型,并对其进行参数优化实现最优控制。实验结果显示,当带有球形反馈线圈磁通门张量探头的稳态误差在52.56 nT之内时,系统的带宽将扩展至4.75 Hz,该结果能够同时满足磁张量梯度仪的探测精度及带宽要求,提高了其在航空地球物理探测中的应用价值。     

三分量磁通门梯度仪校准算法研究

针对三轴磁通门传感器非正交、灵敏度不一致、零偏以及构成梯度仪的两个磁通门传感器位置不一致引起的测量误差问题,建立了误差模型;基于地磁矢量模值短时不变原理,采用线性化最小二乘算法进行一个磁通门传感器参数的辨识;基于校准后三分量差值F范数最小原理,采用多元线性回归的方法进行另一个磁通门传感器参数以及两个磁通门传感器相对位置关系参数的辨识。实验结果表明,该方法能够将两个磁通门中最大总场误差从1 194.4 n T降低到30.0 n T,将三分量梯度仪最大输出误差从529.1 n T降低到13.4 n T,有效地改善了梯度仪性能。     

MEMS陀螺零偏误差补偿方法研究

在高动态、恶劣温度环境下,MEMS陀螺仪零偏不仅受温度变化的影响,同时还受线、角运动等影响,其真实误差是所有因素耦合的结果。针对MEMS陀螺零偏温度和转速非线性耦合误差补偿问题,根据径向基(RBF)神经网络原理,提出了一种新的零偏误差补偿方法,并利用一种隐式结构MIMU对补偿效果进行比较,验证了采用RBF神经网络对低精度MEMS陀螺零偏误差补偿的有效性。     

基于神经网络融合的传感器温度误差补偿

海底油气输送管道漏磁检测装置工作于高温高压环境下,其中的InSb霍尔传感器对温度敏感,需要补偿温度误差。该文构建了多传感器融合模型,将多个霍尔传感器和温度传感器的输出用径向基函数（RBF）神经网络进行融合,用遗传算法对网络进行训练。实验室检测数据和反演出的缺陷形状表明,采用神经网络融合方法进行误差补偿,简单方便,霍尔传感器输出的平均温度敏感系数降低了两个数量级。     

三轴磁通门磁梯度仪转向差校正方法研究

三轴磁通门传感器应用广泛,但其自身固有的零偏误差、灵敏度误差以及三轴非正交误差对其磁场测量精度有着较大的影响。针对磁通门梯度仪中磁传感器自身的性能参数和摆放方位不一致问题,提出了转向差的校正方法:分别建立了磁通门传感器误差的自校准和互校准数学模型,并采用神经网络算法和最小二乘算法对模型参数进行求解。仿真和试验结果表明,整个校正过程简单可行,在不需要三轴无磁转台以及恒定磁场标准装置等复杂试验设备情况下,利用磁通门梯度仪在稳定的地磁场环境下采集多组磁场数据,能有效降低磁梯度仪转向差引起的测量误差。     

压力传感器温度漂移补偿的RBF网络模型

压力传感器在实际应用中普遍存在着温度漂移现象,这降低了传感器的测量精度,因此需要采取适当的补偿措施对传感器的温度附加误差进行修正,从而提高测量的准确性.本文针对在压力传感器电路中采用温度硬件补偿措施成本较高且精度不高的情况,建立了RBF网络软件补偿模型.RBF网络具有良好的非线性映射能力和泛化能力,采用带遗忘因子的梯度下降算法进行RBF网络的参数调整,实验表明RBF算法学习速度快,精度高.对实验中采集的数据进行非线性补偿,取得了良好的效果,大大提高了压力传感器的性能和测量精度.     

基于RBF神经网络的数字闭环光纤陀螺温度误差补偿

为了消除数字闭环光纤陀螺温度误差,设计了基于径向基函数（RBF）神经网络的温度误差补偿方案,对该方案所采用的标度因数误差模型和偏置误差模型进行了研究。首先,根据光纤陀螺的温度误差分布情况设计了标度因数误差和偏置误差联合补偿的方案。接着,将基于多尺度分析的噪声和趋势项分离算法应用于建模数据预处理,以提高建模数据准确性。然后,建立了RBF神经网络模型,并改进模型的学习方法以防止网络的过拟合。最后,讨论了模型输入向量对神经网络规模的影响。温度补偿的结果表明：标度因数误差模型的残差均方（RMS）达到0.73 ,偏置误差模型的RMS达到0.051 。该建模方法可以满足中、高精度光纤陀螺实时温度补偿的要求。     

Calibration of three-axis fluxgate magnetometers with nonlinear least square method

The accuracy of three-axis magnetometers is limited by different scales, bias of each axis and nonorthogonality between axes, which is usually lower than that of scalar magnetometers. In this paper, the nonlinear least square method is proposed to calibrate three-axis magnetometers. The validity of this method was proved by simulation, in which the estimated parameters of the error model are close to prearranged parameters. In experiment, a three-axis fluxgate magnetometer (DM-050), a two dimensional nonmagnetic rotation equipment and a proton magnetometer (GSM-19T) were used. The scalar value of magnetic field was obtained by proton magnetometer and considered to be the true value. The calibration performance of unscented Kalman filter (UKF), two-step algorithm and nonlinear least square were compared. Experimental results show that the error average and standard deviation of nonlinear least square are the least among the three methods. After calibration, the average of scalar error is reduced from −76.2 nT to −0.00093 nT and the standard deviation is reduced from 10.832 nT to 4.298 nT. The results suggest an effective way for the calibration of three-axis fluxgate magnetometers.     

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。     

基于阻尼粒子群优化的地磁场测量误差补偿

针对三轴磁力仪在磁场测量过程中的磁干扰问题,提出了基于阻尼粒子群优化算法的磁测误差补偿方法。建立了磁力仪误差和载体磁干扰的一体化误差补偿模型,分别采用阻尼粒子群算法和Two-step方法对非线性观测模型进行参数估计。以质子磁力仪数据作为真值,借助无磁转台充分连续采样,实验结果显示,阻尼粒子群算法对于磁场测量误差具有良好的抑制作用。补偿后,由阻尼粒子群算法和Two-step方法得到的均方根误差分别由1 025.7降至60.304 4、581 n T。结果表明,阻尼粒子群算法取得了更好的补偿效果,补偿精度提高了至少一个数量级,为磁场测量误差提供了一种非常有效的补偿方法。     

The thermal error optimization models for CNC machine tools

Thermal error compensation is becoming a cost-effective way to improve accuracy of machine tools especially with the increasing demand for machining accuracy in recent years. The compensation effectiveness mainly depends on the accuracy of the thermal error model. In order to explore the robustness, versatility, and prediction accuracy of the thermal error modeling, linear regression (LR) model, backpropagation (BP) network model, and radial basis function (RBF) network model are developed, analyzed, and compared. Experimental validation on a high precision four-axes machining center demonstrates that LR model has high prediction accuracy yet it has low robustness because the estimation of the regression coefficients and thermal key points are strongly correlated to the measurement data and their noise level. The neural network model is more adaptive to the case of different feed rates, rotational speeds, and ambient temperatures and has certain versatility on machine tools of the same type. The fitting accuracy and the prediction correctness of the BP network usually vary according to the hidden neurons, thresholds, and weights and cannot achieve the peak performance simultaneously. Experimental results show that the thermal error in Z axial direction could be reduced to as less as 25% of the original thermal error with compensation using the RBF model under the machining conditions of various feed rates and rotational speeds. It is also demonstrated that RBF model could improve the thermal precision in Z axle of the machine tool by about 65% under the distinct environmental temperature conditions.     

基于遗传算法优化小波神经网络数控机床热误差建模

数控机床的热误差已经成为影响其加工精度的一个关键因素,为最大限度提高数控机床热误差补偿的精度和效率,结合遗传算法自适应全局优化搜索能力和小波神经网络良好的时频局部特性的优点,提出一种基于遗传算法优化小波神经网络的机床热误差补偿模型。以某型号五轴摆动卧式加工中心为试验对象,以机床温度变量和热误差为数据输入样本,建立小波神经网络模型热误差预测模型,然后用遗传算法优化小波神经网络权值、阈值,最终建立热误差预测模型。通过与传统人工神经网络和普通小波神经网络进行对比分析及试验论证表明,该补偿模型具有精度高、抗扰动能力和鲁棒性强等优点,有望在实际加工场合的数控机床的热误差预测和补偿研究中得到更大的推广应用。