Разработка и применение нейросетевых алгоритмов учета погрешностей эталонных средств при калибровке угломерных геодезических приборов

В настоящее время в области геодезических измерений наблюдается переход от оптических методов измерений к оптико-электронным. При этом развитие и совершенствование угломерных приборов, возрастающие требования к их точности и надежности, а также автоматизация процесса измерений с их помощью, приводят к необходимости создания новых методов и средств контроля метрологических характеристик таких приборов. Все это требует дальнейшего повышения точности их поверки и калибровки, что является на данный момент актуальной задачей.

Погрешности измерительных систем оптико-электронных угломерных геодезических приборов имеют сложную зависимость, которая до конца не изучена и может быть выявлена только в результате экспериментальных исследований. Кроме того, современные угломерные приборы основываются на разных физических принципах, структура погрешности их во многом не изучена.

Известные эталонные средства измерений для калибровки и исследований угломерных геодезических приборов не дают полной информации о } суммарной погрешности поверяемого средства измерения. Следовательно, задача создания универсального стендового оборудования для метрологических исследований современных угломерных приборов является на данный момент актуальной.

Помимо этого, необходим новый подход к обработке результатов измерений. Обработка результатов измерений, при создании испытательного оборудования обычно возможна тремя путями:

1) выполняют гармонический анализ суммарной погрешности прибора с помощью преобразования Фурье, при этом учитывают некоторые из систематических погрешностей;

2) создают математическую модель;

3) создают искусственные нейронные сети.

Первый подход оправдывает себя, но требует большого количества измерений и времени, соответствующего дорогостоящего оборудования и определённых условий. Кроме того, отдельные составляющие результирующей погрешности измерения могут быть статистически связаны между собой и с преобразуемыми сигналами, выявить эту связь очень сложно. Однако, до недавнего времени этот вариант был наиболее распространённым.

Второй подход сложен тем, что не всегда удаётся найти оптимальную математическую модель, при этом модель задаётся посредством формул, которые зачастую слишком громоздки и их трудно проанализировать. Кроме того, математические модели, как правило, исследуются при определённых начальных условиях и допущениях, часто отличных от реальных.

Третий подход является новым в области геодезии и геодезического инструментоведения. По сравнению с двумя предыдущими он имеет ряд преимуществ, например, искусственные нейронные сети обучаются на основе опыта, обобщают предыдущие результаты на новые случаи и извлекают существенные свойства объекта испытаний из поступающей информации, содержащей избыточные данные. Искусственные нейронные сети (ИНС) могут менять свое поведение в зависимости от изменения внешних условий, * онастраиваются, обеспечивая требуемую реакцию на изменения.

Применение подходящих структур искусственных нейронных сетей и надлежащая организация обучения множества позволяют разработать нейронную модель, обеспечивающую изменение выходного сигнала нейросети, который соответствует изменению выходного сигнала реального прибора. Точность модели будет зависеть зависит от выбора структуры искусственной нейронной сети и обучающего множества. Таким образом разработки и исследования могут предоставить условия для более оптимального решения задач поверки и калибровки, чем при использовании традиционных методов. На такие разработки и исследования и направлена настоящая диссертационная работа.

Эффективность применения искусственных нейронных сетей в области измерений объясняется тем, что они представляют собой мощный инструмент нелинейной аппроксимации и могут быть использованы тогда, когда другие методы применить затруднительно.

Целью работы разработка и применение нейросетевых алгоритмов учета погрешностей эталонных средств при калибровке угломерных геодезических приборов.

Задачи исследований:

1. Провести анализ погрешностей оптико-электронных геодезических приборов для угловых измерений. Выявить природу их возникновения и поведения. Проанализировать известные на данный момент поверочные методики и стенды.

2. Разработать соответствующую методику испытаний на эталонном угломерном стенде.

3. Провести натуральные исследования и испытания.

4. Рассмотреть возможные методы обработки результатов измерений.

5. Разработать структуру нейронной сети и методику ее обучения для выявления и коррекции систематических погрешностей системы «угломерный преобразователь — призма» и системы «тахеометрпризма» эталонного стенда.

Научная новизна работы заключается в разработке и исследовании новых методов аппроксимации погрешностей эталонных средств для повышения точности и надежности калибровочных работ. Для этого разработана нейросетевая математическая модель учета погрешностей эталонных средств, позволяющие выявлять и учитывать погрешности самого стенда и погрешности исследуемого прибора в процессе самих измерений так и по их окончании. Такая методика уменьшает время и упрощает процедуры выявления и учета систематических погрешностей системы стенд-прибор, а так же позволяет реализовать самообучение системы «прибор — стенд». Из проведенных исследований видно, что ИНС представляет собой мощный инструмент нелинейной аппроксимации и может использоваться тогда, когда остальные методы не годятся.

Практическая значимость работы заключается в разработке методики проведения исследований, разработке соответствующей структуры нейронной сети и методики обработки результатов измерений и их применение для разработанной в МИИГАиК поверочной установки УМК-М (Универсальный Метрологический Комплекс МИИГАиК).

Публикации.

По теме диссертационной работы опубликовано 5 печатных статей.

Структура и объем диссертации

.

Диссертация состоит из введения, трех глав, выводов по каждой главе и заключения, списка использованных источников информации, содержащего 64 наименования. Работа изложена на 136 страницах машинописного текста, содержит 50 рисунков, 5 таблиц и 12 приложений.

Основные результаты работы заключаются в следующем:

1. В результате анализа общей структуры погрешностей оптических и оптико-электронных геодезических приборов, составлена структура суммарной погрешности прибора. Погрешности, ее составляющие, носят как случайный, так и систематический характер, взаимосвязаны с собой и нестабильны во времени, что необходимо оперативно выявить и учитывать при поверке и калибровке геодезических приборов.

Анализ существующих на данный момент методов и средств поверки и калибровки горизонтального круга геодезических приборов показывает, что большинство стендов имеют относительно большой интервал дискретизации углов, в них сложно автоматизировать процесс измерений, помимо этого, они сложны и имеют громоздкие конструкции. Кроме того, рассмотренные в главе 1 стенды не имеют возможности в процессе измерений контролировать рассогласование осей поверяемого и эталонного средства измерения, что в свою очередь приводит к постоянным трудоемким юстировкам стендов и определению случайной погрешности измерений. Стенд, свободный от этих недостатков был разработан в МИИГАиК при участии автора.

2. Разработаны методы поверок и калибровок, которые включают дополнительное использование растрового углового преобразователя при необходимости исследования короткопериодической погрешности поверяемого средства измерения с использованием одного или двух автоколлиматоров, при этом: а) в качестве эталонного средства измерения выступает 24-х гранная призма-многогранник. Метод используется для поверки и калибровки угломерных приборов, имеющих погрешность измерения горизонтальных углов 1−2 угл.сек. При необходимости исследования внутри шаговой погрешности поверяемого средства измерения дополнительно вводится угловой преобразователь, дискретность которого составляет 0,8″ - b) в качестве эталонного средства измерения растровый угловой измерительный преобразователь. Метод используется для поверки и калибровки угломерных приборов, имеющих погрешность измерения горизонтальных углов 3+5 угл. сек и более.

3. Подробно рассмотрена и проанализирована структура и свойство формального нейрона — основной составляющей ИНС, различные функции его активации, основные архитектуры ИНС, методы их обучения и применения. Из анализа следует, что ИНС имеет ряд преимуществ по сравнению с другими методами обработки информации. Адаптивность структуры ИНС, получающей информацию, позволяет:

— обобщать и обрабатывать неполные и сильно искаженные данные- -обучать и фиксировать полезные связи в сложном взаимодействии входных и выходных сигналов;

— одновременно и быстро выполнять многочисленные похожие и независимые операции.

4. Разработан нейросетевой алгоритм для выявления и коррекции систематической погрешности. Разработана соответствующая архитектура многослойной нейронной сети, состоящая из одного распределительного слоя, состоящего из 2 нейронов, на которые подаются данные из обучающей выборки в виде sin и cosвторого скрытого слоя, включающего в себя 10 нейронов с функцией активациитретьего выходного слоя, состоящего из 1 нейрона с линейной функцией активации. Была рассмотрена функция активации — гиперболический тангенс.

5. По результатам всех вычислительных экспериментов с применением нейросетевых алгоритмов были получены следующие случайные погрешности при передаче величины угла:

— от эталонной призмы к угловом}- прецизионному преобразователю ROD-800 -[-2.0″ - 1.9″ ];

— от эталонной призмы к калибруемому прибору TPS System 1000 [-1.2″ - 1.2″ ];

— от углового прецизионного преобразователя ROD-8OO к калибруемому прибору TPS System 1000- [-3.1″ - 3.1м].

6. Выявлена случайная погрешность калибруемого прибора, полученная сложением аппроксимирующих функций систем преобразования «ROD-800- призма» и «TPS System 1000- ROD-800». Полученная погрешность прибора получается свободной от погрешностей, вносимых в эту систему угловым прецизионным преобразователем ROD-800 и всеми кинематическими связями, заключенными между угловым прецизионным преобразователем ROD-8QO и эталонной призмой и колеблется в пределах [-0.64″ -0.56м].

Заключение

.