Разработка и применение нейросетевых алгоритмов учета погрешностей эталонных средств при калибровке угломерных геодезических приборов тема диссертации и автореферата по ВАК РФ 25.00.32, кандидат технических наук Хиноева, Ольга Борисовна

• Хиноева, Ольга Борисовна
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Хиноева, Ольга Борисовна

Введение.

Глава 1. Анализ структуры погрешностей угломерных геодезических приборов.

1.1. Общая характеристика угломерных геодезических приборов.

1.2. Структура погрешностей оптических и оптико-электронных угло- 11 мерных геодезических приборов.

1.3. Анализ существующих методов и средств поверки и калибровки угломерных геодезических приборов.

Выводы по первой главе.

Глава 2. Исследование методов аппроксимации функций значений погрешностей при калибровочных работах.

2.1. Исследование методов аппроксимации значений функций погрешностей измерений.

2.1.1. Аппроксимация значений погрешностей тригонометрическим 47 рядом.

2.1.2. Нейросетевые алгоритмы аппроксимации значений погрешностей 48 измерений.

2.2.Искусственные нейронные сети (ИНС), модель формального нейро- 51 на.

2.3. Основные архитектуры нейронных сетей.

2.4. Механизмы обучения искусственных нейронных сетей, построение нейросетевого алгоритма решения задач.

Выводы по второй главе.

Глава 3. Разработка и исследование методов аппроксимации погрешностей эталонных средств при калибровке систем измерения углов

3.1. Результаты исследований горизонтального круга электронного 82 тахеометра TPS System 1000.

3.2. Аппроксимация результатов натуральных измерений тригономет- 91 рическим рядом.

3.3. Разработка математической модели учета влияния эксцентриситета осей с использованием нейросети.

Выводы по третьей главе.

Введение диссертации (часть автореферата) на тему «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 «тахеометр- призма» 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.

Заключение диссертации по теме «Геодезия», Хиноева, Ольга Борисовна

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 cos; второго скрытого слоя, включающего в себя 10 нейронов с функцией активации; третьего 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.

Список литературы диссертационного исследования кандидат технических наук Хиноева, Ольга Борисовна, 2007 год

1. Агеев А.Д., Балухто А.Н., Бычков А.В. и др.; Нейроматематика. Кн. 6: Учеб. пособие для вузов //Общая ред. А.И.Галушкина-М.:ИПРЖР,2002-448 е.: ил.

2. Агибалов А.Д. Курс геодезии. Раздел II. Угловые измерения в геодезических сетях. М.: Издание ВИА, 1972, 307с.

3. Аникст Д.А. и др. Высокоточные угловые измерения. М.: Машиностроение, 1987,479.

4. Анил К. Джей. Введение в искусственные нейронные сети.// Открытые системы № 04/97.

5. Афанасьев В.А. и др. Автоколлимационные прибор. М.: Недра, 1982 - 145с.

6. Бондаренко И.Д. Колик Е.П. Устройство для измерения угловых перемещений. А.с №1024707 (СССР). Опубл. в Б.И. - 1983. -№ 23.

7. Витоженц И.Ю. Методы исследований оптических теодолитов. М.: Военное издательство министерства вооруженных сил союза СССР, 1947.

8. Войцекян В. И. Лабораторное метрологическое оборудование для обеспечения разработки и испытаний высокоточных теодолитов. -Сборник научных трудов ЦНИИГАиК, М. ЦНИИГАиК ГУКГ СССР, 1989.- 136 с.

9. Галушкин А.И. Теория нейронных сетей. Кн.1-М.:ИПРЖР, 2000. -416 с.

10. Ю.Головко В.А. Нейронные сети: обучение, организация и применение. Кн. 4: Учеб. пособие для вузов //Общая ред. А.И.Галушкина. -М.:ИПРЖР, 2001. 256 е.: ил.

11. П.Голыгин Н.Х., Шилин В.А. О повышении точности угловых измерений в геодезии. Известия ВУЗов. Геодезия и аэрофотосъемка, 2006, № 3.

12. Голыгин Н.Х., Салунин Н.В., Шилин В.А. Оценка точности образцовой установки для измерительных систем геодезических приборов. Известия ВУЗов. Геодезия и аэрофотосъемка, 2005, № 6.

13. Голыгин Н.Х., Хиноева О.Б. и др. Измерительный комплекс для аттестации угловых и линейных измерительных систем УЛК -М.//Приборы. 2006, № 5.

14. М.Голыгин Н.Х., Ямбаев Х.К. Измерительный комплекс для аттестации оптико-электронных геодезических приборов. Известия ВУЗов Геодезия и аэрофотосъемка, 2005, № 6.

15. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука (Сиб. отделение), 1996,276 с.

16. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей. Сибирский журнал вычислительной математики, Т.1, 1993 - № 1. - С. 12-24.

17. ГОСТ 20063-74. Теодолиты. Методы испытаний и поверки.

18. ГОСТ 23543-79. Приборы геодезические. Основные технические требования.

19. ГОСТ 2875-88 Меры плоского угла призматические. Общие технические условия.

20. ГОСТ 8.395-80. Нормальные условия при поверке. Общие требования.

21. Деймлих Ф. Геодезическое инструментоведение М.: Недра, 1970. -584 с.

22. Дубровин В.И., Субботин С.А. Алгоритм ускоренного обучения персеп-тронов. Сборник трудов IV всероссийской научно-технической конференции «Нейроинформатика-2002», М., МИФИ, 2002.

23. Елисеев С.А. Геодезические инструменты и приборы. М.: Недра, 1973.-391с.

24. Закон РФ от 27.04.93г. №487!-. «Об обеспечении единства измерений», в редакции Закона РФ 10.01.2003 N 15-ФЗ

25. Захаров А.И. Новые теодолиты и оптические дальномеры. М.: Недра, 1978.

26. Зимин В.Н. Стенд для исследования угломерных инструментов. М., Геодезия и картография, 1983, № 4.

27. Инструкция по проведению технологической поверки геодезических приборов. М.: ЦНИИГАиК, 1999.

28. Калан Р. Основные концепции нейронных сетей. Серия: Основы вычислительных систем, 2003,288с.

29. Карсунская М.М., Ямбаев Х.К. Возможные пути уменьшения влияния инструментальных ошибок электронных геодезических приборов на точность угловых измерений. Известия ВУЗов Геодезия и аэрофотосъемка, 2000, № 4.

30. Кочетков Е.С., Кочеткова Е.С. Алгебра и элементарные функции. Часть 2. М.: Просвещение, 1969, 286 с.

31. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. Издательство: Горячая Линия - Телеком, 2001, 382 с.

32. Кузнецов П.Н., Васютинский И.Ю., Ямбаев Х.К. Геодезическое инст-рументоведение: Учебник для ВУЗов. М.: Недра. 1984. - 364 с.

33. Кузьмин Б.С. и др. Справочник. Топографо-геодезические термины. -М.: Недра, 1989.

34. Литвинов Б.А. Геодезическое инструментоведение. М.: Издания ВИА,1956.

35. Парвулюсов Ю. Б., Гончар Б. В. Методика оценки и учета нестабильности конструкции метрологического угломерного стенда. Изв. ВУЗов. Геодезия и аэрофотосъемка, 2001, №10, с. 123-131.

36. Парвулюсов Ю.Б. и др. Проектирование оптико-электронных приборов. М.: Логос, 2000.

37. Пиотровский Я. Теория измерений для инженеров. М.: Мир, 1989, 335с.

38. С.Короткий, Нейронные сети: алгоритм обратного распространения. http://hghltd.yandex.com/yandbtm7urHhttp%3A%2F%2Fwww.neuroset.ru

39. Соломатин В.А., Шилин В.А. Фазовые оптико-электрические преобразователи. М.: Машиностроение, 1986. - 145с.

40. Спиридонов А.И. и др. Справочник-каталог геодезических приборов. -М.: Недра, 1984,237с.

41. Спиридонов А.И. Основы геодезической метрологии. М.: Картогео-центр-Геодезиздат, 2003. - 248 с.

42. Спиридонов А.И. Результаты испытаний высокоточного оптического теодолита Т1. //Труды ЦНИИГАиК, выпуск 214, 1975.

43. Спиридонов А.И.Теодолиты. М.: Недра, 1985.-199с.

44. Справочник геодезиста.: в 2-х книгах/Под ред. В.Д. Большакова и Г.П. Левчука.-З-е изд., перераб. и доп.-М.: Недра, 1985.

45. Терехов С.А. Нейросетевые аппроксимации плотности и их роль в информационном моделировании. Лекция для школы-семинара «Современные проблемы нейроинформатики», Москва, МИФИ, 23-25 января 2002 года.

46. Терехов С.А. Теория и приложения искусственных нейронных сетей. Тезисы докладов III ежегодного семинара-совещания, под редакцией Снежинск, 1 -3 апреля 1998 года.

47. Терехов С.А. Технологические аспекты обучения нейросетевых машин. Лекция для школы-семинара «Современные проблемы нейроинформатики», Москва, МИФИ, 24-27 января 2006 года

48. Терехов С.А. Типовые задачи для информационного моделирования с использованием нейронных сетей. Снежинск, декабрь 2000 года.

49. Терехов С.А., Федорова Н.Н. Задачи глобальной нейросетевой аппроксимации в методологии поверхности отклика. VIII Семинар «Нейроин-форматика и ее приложения», Красноярск, 2001.

50. Хиноева О.Б. Исследование угловых измерительных систем геодезических приборов. Сборник научных докладов. Московский государственный строительный университет. - М.: МГСУ,2006. - 324 с.

51. Хиноева О.Б. Новые возможности повышения точности при аттестации геодезических приборов. Известия ВУЗов Геодезия и аэрофотосъемка, 2005, № 5.

52. Царегородцев В.Г. Об исследовании эффективности одного метода построения отказоустойчивых нейросетей// Материалы X Всеросс. семинара «Нейроинформатика и ее приложения», Красноярск: КГТУ, 2002, 185с.

53. Шостак Р.Я. Курс высшей математики.-М.Издательство «Высшая школа», 1966.- 663 с.

54. Ямбаев Х.К., Голыгин Н.Х. Геодезическое инструментоведение. Практикум: Учеб. пособие для вузов. М.: «ЮКИС», 2005. - 312 с. ил.

55. S.A.Terekhoff, E.V.Volenko, A.V.Kvichansky, N.V.Shchukin. Evolving Neural Networks with Genetic Algorithms. Accepted to 3rd International

56. Результаты исследование стабильности фиксации углов между гранями призмы измерительным преобразователем ROD-8oo ( отсчеты по RQD-800 переведены в секунды, цена деления RQD-800 составляет 0,89")номера приемов

57. Замыкание 0, 00 0, 00 0, 00 0, 00 0, 00 0, 00 0, 00 0, 00 0, 00 0, 00 0, 00 0, 00 0, 00

58. Грани призмы номера приемов Среднее отклонение от среднего в приеме в квадрате (Д2)14 15 16 17 18 1 2 3 4 5 6

59. Замыкание 0, 00 0, 00 0, 00 0, 00 0, 00 0, 01 0, 02 0, 03 0, 04 0, 05 0, 06 0, 07

60. Грани отклонение от среднего в приеме в квадрате (Д2)призмы 7 8 9 10 11 12 13 14 15 16 17 18 СКП

61. Замыкание 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00

62. Разность между значениями углов эталонной призмы, измеренными угловым преобразователем ROD-8QO иполученными при поверке призмы.

63. СКП 0,14 0,17 0,14 0,14 0,12 0,14 0,15 0,16 0,19 0,17 0,19