一种基于人工智能的转角原位校准装置和方法与流程

本发明属于测试与校准，具体涉及基于人工智能的转角原位校准装置和方法。

背景技术：

1、随着我国装备制造业的发展，越来越多的的设备由于空间有限或安装复杂，而无法单独对转角传感器进行校准，加上转角传感器的应用越来越广泛，发明一种可靠的转角原位校准方法已成为当前亟需解决的关键问题之一。

2、近年来我国人工智能领域发展迅速，神经网络的种类越来越多，训练效率越来越高，在处理一些重复性数据和单调性工作时效率相比人工大大提升，因此利用神经网络模型来拟合一些非线性复杂函数关系，是一种很好的方案。

3、专利cn106352973a的名称为一种传感器的原位校准方法，该方法将标准传感器安装在待测传感器的顶端，并利用内部激振信号分别使标准传感器和待校准角度传感器5产生输出信号，比较两个输出信号即可完成校准，该方法实现了原位校准，但需要额外安装激振单元，并且需要拆卸一次标准传感器，操作繁琐，并且两传感器的零位误差和其它由于安装产生的影响因素不能很好的排除，因此校准效果有待改进。

4、专利112539876a的名称为一种立式参考式极端环境扭矩校准方法和装置，该方法中利用测得的标准扭矩值和待校准扭矩值的差值进行校准，并未拟合待测扭矩传感器的函数曲线，同样未考虑其他影响因素，校准效果有待改进。

技术实现思路

1、本发明的目的是：在无法拆卸的情况下，对转角传感器进行一种基于人工智能的原位校准，具有高精度、操作便捷的优点。

2、本发明解决其技术问题所采用的技术方案是：

3、一种基于人工智能的转角原位校准装置，其特征在于，其包括加载机构1、调节机构2、校准连接件3、待校准轴4、待校准角度传感器5，调节机构2上下端分别为加载机构1和校准连接件3，加载机构1分别与调节机构2和校准连接件3连接，校准连接件3与待校准轴4连接，待校准轴4上固定有待校准角度传感器5。

4、进一步的是，加载机构1包括圆光栅编码器、轴承8、内部轴9、扭矩电机10，圆光栅盘6与读数头7相连，组成圆光栅编码器，圆光栅编码器通过轴承与内部轴9固定连接，测量内部轴9旋转产生的信号，扭矩电机10用于产生动力使内部轴9转动。

5、进一步的是，所述调节机构2包括圆盘11，圆盘11上具有凸出的同轴调节环16，同轴调节环16侧面开孔，长螺钉15穿过这些开孔与加载机构1接触，旋转各个长螺钉15可以调节调整加载机构1位置。

6、进一步的是，圆盘11边缘安装有调节块12，调节块12与支撑轴17连接，调节块12内部开有球型槽，通过旋转调节块12可以将调节机构2的水平度进行调整，由此调整整个机构的水平度，调整内部轴9的角度，进而保证待校准轴4和内部轴9的同轴度要求。

7、进一步的是，所述校准连接件3用于连接加载机构1和被校准轴4共同旋转，包括圆块13、曲面薄板14，圆块13上端与加载机构1相连，下端与曲面薄板14相连，曲面薄板14与待校准轴4连接，圆块13通过轴承与内部轴9连接，通过内部轴9旋转带动曲面薄板14旋转，进而带动待校准轴4旋转。

8、本发明还提供了一种基于人工智能的转角原位校准方法，其特征在于，其使用了上述基于人工智能的转角原位校准装置，包括下述步骤：

9、步骤1，建立模型：首先构建双向长短时记忆网络blstm模型，将待校准角度传感器5采集的数据、进回程标记、待校准角度传感器5与圆光栅编码器的零位角度差、和固定采样时间下的待校准角度传感器5与圆光栅编码器之间的角度差作为模型输入，并通过人工智能算法拟合出的输出值；

10、步骤2，生成损失函数：进行转角静态阶梯测量，将圆光栅编码器采集的数据作为标准值，利用blstm模型输出值和标准值之间的差值构建损失函数；

11、步骤3，优化模型：进行转角动态连续测量，通过梯度下降法最小化损失函数，反向优化blstm模型参数；

12、步骤4，得到函数关系：建立待校准角度传感器5和圆光栅编码器之间的函数关系。

13、进一步的是，在步骤1当中，首先建立双向长短时记忆网络模型即blstm模型，该blstm模型通过输入层输入，模型中间为blstm层和全连接层及两个层之间的隐藏层组成，blstm模型通过输出层输出计算结果作为输出值，

14、所述待校准角度传感器5与圆光栅编码器的零位角度差通过下述获得：

15、连接好加载机构1和调节机构2，在校准连接件3与内部轴9之间的连接断开时，开启扭矩电机10的伺服，圆光栅编码器寻找零位；

16、连接好校准连接件3与内部轴9，使用水平仪通过调整调节机构2的调节块12对加载机构1水平度进行调整，使得加载机构1中央的内部轴9与下方校准轴4同轴；

17、关闭扭矩电机10伺服，控制待校准轴4下方电机转动，待校准轴4带动内部轴9转动而使得圆光栅编码器转动，便可带动上方已寻零成功的圆光栅编码器转动，使得待校准角度传感器5回零，此时作为标准传感器的圆光栅编码器与待校准角度传感器5的测量值之差便为两传感器零位之间的间隔角度即零位角度差。

18、进一步的是，在步骤2当中，进行转角静态阶梯测量包括：

19、选定转动方向与转角梯度，转角梯度的步进为a，控制扭矩电机10以选定的速度转动角度a后停止，在该处保持一段时间后，控制电机转动下一梯度a后保持一段时间，直至电机转动一周，保持一段时间后结束，同时记录圆光栅编码器的角度值、待校准角度传感器5的角度值、进程或回程标记。

20、进一步的是，在步骤3当中，进行转角动态连续测量包括：

21、选定转动速度与转动方向，控制扭矩电机10以选定的转速连续转动，旋转一周后保持一段时间结束。同时记录圆光栅编码器的角度值、待校准角度传感器5的角度值、进程或回程标记。

22、进一步的是，其优化模型步骤包括：

23、1)建立blstm(双向长短时记忆网络)模型，读取t时刻待校准角度传感器5的角度值、进回程标记、待校准角度传感器5与圆光栅编码器的零位角度差、和t时刻待校准角度传感器5与圆光栅编码器之间的角度差一起作为模型输入量xt；

24、2)计算遗忘门，选择要遗忘的信息：ft＝σ(wf·[ht-1,xt]+bf)；

25、3)计算记忆门，选择要记忆的信息：it＝σ(wi·[ht-1,xt]+bi)、

26、其中：it为记忆门，为临时细胞状态；

27、4)计算当前时刻细胞状态：

28、5)计算输出门和当前时刻隐层状态：ot＝σ(wo·[ht-1,xt]+bo)，ht＝ot*tanh(ct)；其中：ot为输出门，ht为当前时刻细胞状态；

29、6)通过对信息的遗忘和记忆，对后续时刻计算有用的信息得以传递，而无用的信息被丢弃，并在每个时间步都会输出隐层状态ht，其中遗忘，记忆与输出由通过上个时刻的隐层状态ht-1和当前输入xt计算出来的遗忘门ft，记忆门it，输出门ot来控制，其中：σ为各节点的激活函数；

30、7)取输出门t时刻的数据和此时刻前20个时刻数据和后20个时刻的数据对应当前时刻的输出值yt；

31、8)设置损失函数e：其中，n为输出层节点数，为模型输出yt标准值；

32、9)反向计算根据梯度下降算法逐层修改权值wj和偏差bj:其中：α，β分别为学习效率和偏差调节系数，n为j层节点数；

33、10)重复多次进行转角动态连续测量，重新读取新的时刻输入数据，重复步骤1)至9)，直到处理完所有记录的数据，经不断的循环迭代，实现各层神经元间的连接权值、偏差的最优化，使模型最终能以理想的精度拟合标准编码器，从而完成基于人工智能的转角原位校准。

34、本发明的装置方法能消除在线校准干扰因子的影响，并解决无法对传感器进行直接校准的问题，具有高精度，易操作的优点。

35、与现有技术相比，本发明具有如下有益效果：

36、1)控制电机带动待校准轴旋转时，进行了转位角静态阶梯测量和转位角动态连续测量，比较全面地反映了传感器在平稳运行和加速度运行时的测量精度。

37、2)在进行神经网络训练时，采用了大量的数据，并且输入数据不单是待校准角度传感器5测得的角度值，还有进回程标记，由于单次测量可能有误差，但大量数据经神经网络拟合出来的函数能弱化其他影响因素的作用，甚至使其它影响因素忽略不计，提高了校准效果可信度。

38、3)blstm模型通过计算遗忘门、记忆门、细胞状态、隐含层状态来控制要遗忘和记忆的信息，使模型输出不仅和当前时刻输入有关，还和前后某些时刻有关，提高了校准效果的准确度。