本发明涉及光栅信号测量的相关领域，尤其是涉及一种光栅信号的误差修正方法。
背景技术：
1、光栅传感器因其精度高、分辨率高、成本低、结构紧凑等诸多优势，在超精密位移测量中得到了广泛使用，利用光栅位移传感器可以获得较高精度的位移测量结果。但在实际进行超精密位移测量时，光栅传感器不可避免的会受到来自周围环境信号的干扰，进而产生测量误差，对光栅传感器位移测量精度产生负面影响。
2、环境信号误差来源主要包括温湿度、振动及压强等因素。虽然光栅传感器的抗环境干扰能力较好，但在实际的位移测量中，周围环境中的温湿度、振动及压强等因素的影响仍不可忽略，如温度变化使得光栅产生热膨胀现象，湿度与压强变化影响空气折射率进而影响光源波长，振动引起光栅信号产生幅值误差。因此，为了提升测量的精度与准确性，对光栅传感器信号进行环境误差修正尤为重要。
技术实现思路
1、本发明提供一种光栅位移超精密测量的误差修正方法，其目的是解决光栅传感器位移测量过程中易受环境中温度、湿度、振动及压强的干扰从而导致测量结果不准确的问题。
2、为解决上述技术问题，本发明实施例提供如下技术方案：
3、本发明第一方面提供一种光栅位移超精密测量的误差修正方法，包括如下步骤：
4、s10.分析所处环境的环境因素对光栅传感器位移测量的影响，环境因素包括温度、振动、湿度和压强；
5、s20.采集光栅传感器的信号，并利用传感器采集光栅传感器测量时周围环境中的温湿度、振动及压强信号，同时构建初始数据集，并对初始数据集进行预处理；
6、s30.构建tcn网络结构，并采用评价指标进行tcn参数选取，获取最优参数后，基于获取的参数对tcn进行训练，通过更换激活函数构成改进后的tcn网络并进行训练；
7、s40.构建验证数据集，将验证数据集中的光栅信号以及环境信号共同输入至tcn模型中，基于训练好的tcn模型输出环境误差修正后的位移值。
8、在本发明第一方面的一些变更实施方式中，s11.分析温度对光栅传感器的影响原理以及对位移测量结果的影响关系；表达式如下：
9、
10、其中，t0为光栅初始工作温度；当工作温度变为t时，光栅传感器的栅距d和测量长度l的变化量为δd与δl；
11、s12.分析振动对光栅传感器的影响原理以及对位移测量结果的影响关系；表达式为：
12、当0<t<(t/4)时：
13、
14、当(2i-1)t/4<t≤(2i+1)t/4时：
15、
16、其中，i＝1,2,3…，t为光栅信号的周期，fexc为振动激励的频率，f是由光栅传感器输出信号基频，sinc是归一化基数正弦函数，是振动信号与测量信号的相位差，δ为振幅因子，若信号在0到1之间变化则δ与测量信号幅值直接相关，s0表示初始相位为0时的光栅传感器输出信号。
17、s13.分析湿度与压强对光栅传感器测量过程的影响及对位移测量结果的影响关系；湿度与压强主要通过引起空气折射率的变化进而影响光栅传感器的位移测量结果，描述空气折射率变化的edlén公式的表达式为：
18、
19、(n-1)x＝(n-1)s[1+0.5327(x-0.0004)]；
20、
21、ntpf-ntp＝-f(3.8020-0.0384σ2)×10-10；
22、其中，(n-1)s代表的是干燥空气下的折射率，σ为真空中光波长的倒数用以表示波数；(n-1)x为考虑co2浓度的空气折射率，x表示co2浓度大小。(n-1)tp表示温度t与压强p影响下的空气折射率；ntpf表示受温湿度及压强影响的空气折射率。
23、设真空下光源的波长为λ0，空气中光源波长为λ，则空气折射率n与其的关系可表示为：
24、n＝λ0/λ
25、光源波长发生变化将影响光栅衍射效果，当入射角为α，衍射角为β时，光栅衍射方程为：
26、d(sinα+sinβ)＝mλ
27、式中：d表示光栅栅距，m表示衍射级数，λ为光源波长。
28、在本发明第一方面的一些变更实施方式中，在步骤s20中，包括如下步骤：
29、s21.利用数据采集卡采集光栅传感器输出信号；利用对应传感器采集光栅传感器测量周围环境中的温湿度、振动及压强信号；
30、s22.将采集到的四路光栅传感器信号进行差分，获得两路正交的差分后的光栅信号，基于两路光栅信号以及环境信号作为数据集的前几列，利用位移计算公式计算光栅信号对应的位移值，即理想位移值，将理想位移值放入数据集的最后一列，由所有信号与理想位移值构成完整的初始数据集；
31、理想位移值的计算如下：
32、x＝d·(arctanθ/360)
33、式中：x表示位移值大小，d为光栅栅距，θ为光栅传感器信号相位；
34、s23.数据预处理包括数据归一化、数据集划分及迭代器加载；
35、具体地，首先对数据集内的数据进行最小-最大归一化处理，再使用滑动窗口对归一化后的数据集进行划分，将数据集划分为训练集与测试集，随后将数据转化为pytorch(一个开源的深度学习框架)张量，最后将其加载为数据迭代器；
36、在本发明第一方面的一些变更实施方式中，步骤s23中的数据预处理包括数据归一化、数据集划分及迭代器加载，包括：
37、s231.对数据集内的数据进行最小-最大归一化处理，将数据集内的数据转化为0到1之间的数据；
38、s232.采用滑动窗口法构建输入-输出对完成对数据集的划分，将数据集划分为训练集与测试集，滑动窗口法中的时间步大小timestep的设置可与其它参数共同进行选取设置；
39、s233.将训练集及测试集数据转化为pytorch张量并加载为数据迭代器；
40、在本发明第一方面的一些变更实施方式中，在步骤s30中，包括如下步骤：
41、s31.搭建的标准tcn网络结构，tcn主要由膨胀卷积与残差连接两部分组成，其中膨胀卷积是在标准卷积的基础上引入空洞，tcn的残差连接由膨胀卷积、权重归一化、激活函数relu、丢弃层dropout以及1×1卷积的直接映射构成；
42、s32.进行参数选取。选择平均绝对误差(mean absolute error,mae)，均方误差(mean squared error,mse)以及均方根误差(root mean square error,rmse)三种评价指标，对tcn网络的超参数进行对比选取。选取后将最优参数设置为tcn网络的训练参数；
43、s33.模型训练。将构建的数据集作为网络的输入，进行多个迭代轮数的训练，观察s32中三个指标的变化情况，并以均方误差作为损失函数，观察当损失函数无下降趋势时网络效果最佳，保存最小损失值时的网络权重参数；
44、s34.将标准tcn的激活函数依次更换为包括srelu、selu、elu、prelu、leaky relu、silu、relu、mish八个激活函数，利用mae、mse以及rmse作为评价指标，其他参数设定相同，观察相同迭代轮数后的三个指标值，选取最佳激活函数srelu替换标准tcn的激活函数构成改进后的tcn，改进tcn的残差连接；
45、s35.对比两个tcn模型在相同迭代轮数训练下的损失值曲线、mae变化情况以及测试集修正结果。
46、在本发明第一方面的一些变更实施方式中，步骤s31中的tcn的残差连接包括膨胀卷积层、权重归一化层、剪切层、激活函数层、丢弃层以及1×1卷积层，包括：
47、膨胀卷积层用于执行卷积操作，通过加入空洞扩大了感受野，使其包含更大范围的历史数据；
48、权重归一化层用于对卷积的结果进行归一化处理来提升网络的收敛速度；
49、剪切层用于对梯度进行裁剪，保障数值稳定性，并防止过大的梯度导致内存溢出或数值不稳定的问题；
50、激活函数层用于提高网络结构的非线性；
51、丢弃层用于通过随机丢弃部分神经元，减少网络过拟合现象；
52、1×1卷积层用于实现降维，保证输入输出有相同的通道数。
53、在本发明第一方面的一些变更实施方式中，在步骤s32中，包括如下步骤：
54、s321.保持单一变量原则，仅改变一个参数的值，以mae、mse以及rmse为评价指标，观察相同轮数下三个评价指标的值；
55、s322.按照s321的方法将所有tcn的超参数进行对比选取，并保存好选取出来的最优参数；
56、在本发明第一方面的一些变更实施方式中，步骤s33中，选取最优tcn网络模型包括如下步骤，：
57、s331.选取mse作为迭代过程中的损失函数，并依次以固定间隔增加迭代轮数，观察所得到的损失值曲线；
58、s332.若损失值有下降趋势，则继续增加迭代轮数继续训练；
59、若损失值无下降趋势，则说明此过程中模型训练效果已达最优；
60、损失值无下降趋势时，记录最小损失值及其所在轮数，并保存最小损失值所对应下的模型权重参数。
61、在本发明第一方面的一些变更实施方式中，在步骤s34中，包括如下步骤：
62、s341.以mae、mse以及rmse为评价指标，进行相同轮数的训练，观察将标准tcn的激活函数依次更换srelu、selu、elu、prelu、leaky relu、silu、relu、mish八个激活函数得到的三个评价指标的值；
63、s342.选取效果最佳的srelu激活函数对tcn进行改进，得到改进后的tcn；
64、在本发明第一方面的一些变更实施方式中，在步骤s35中，包括如下步骤：
65、s351.将相同轮数训练下的标准tcn以及用srelu改进后的tcn的损失值曲线、mae值变化情况进行对比；
66、s352.将两个tcn模型的测试集修正结果进行对比；
67、在本发明第一方面的一些变更实施方式中，s40中将光栅信号以及环境信号共同输入至tcn模型中，基于训练好的tcn模型输出环境误差修正后的测量位移值，包括：
68、s41.构建一个包括光栅信号及环境信号的验证数据集用于验证tcn模型的误差修正效果，验证数据集中的数据由初始数据集之外的采集到的光栅信号、环境信号及对应理想位移值组成；
69、s42.对构建的验证数据集进行最小-最大归一化处理；
70、s43.导入保存好的最优权重参数，分别调用标准tcn以及改进tcn的模型对数据集进行误差修正，得到修正后的位移值，并计算mae、mse以及rmse的值以观察tcn的修正效果。
71、本发明为一种光栅位移超精密测量的误差修正方法，与现有技术相比，该本发明采用tcn对光栅信号进行包括温湿度、振动及压强的环境因素进行误差修正，大大的提高的光栅传感器的测量精度，同时，也通过构建tcn网络结构，采用评价指标进行tcn参数选取，获取最优参数后，基于获取的参数对tcn进行训练，通过更换激活函数构成改进后的tcn网络并进行训练；构建验证数据集，进而对光栅传感器测量结果环境中温湿度、振动及压强引起的测量误差进行了修正，经tcn修正后测量误差大幅减小；缓解了现有技术中存在的光栅传感器位移测量过程中易受环境中温度、湿度、振动及压强的干扰从而导致测量结果不准确的技术问题，达到了提升光栅传感器测量精度的技术效果。
1.一种光栅位移超精密测量的误差修正方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的光栅位移超精密测量的误差修正方法，其特征在于，在步骤s10中，环境因素包括如下步骤：
3.根据权利要求1所述的光栅位移超精密测量的误差修正方法，其特征在于，在步骤s20中，包括如下步骤：
4.根据权利3要求的光栅位移超精密测量的误差修正方法，其特征在于，在步骤s23中，包括如下步骤：
5.根据权利要求1所述的光栅位移超精密测量的误差修正方法，其特征在于，在步骤s30中，包括如下步骤：
6.根据权利5要求的光栅位移超精密测量的误差修正方法，其特征在于，步骤s31中的tcn的残差连接包括膨胀卷积层、权重归一化层、剪切层、激活函数层、丢弃层以及1×1卷积层，其中：
7.根据权利要求5所述的光栅位移超精密测量的误差修正方法，其特征在于，步骤s34中，将标准tcn的激活函数依次更换为srelu、selu、elu、prelu、leaky relu、silu、relu、mish八个激活函数，利用mae、mse以及rmse作为评价指标，其他参数设定相同，观察相同迭代轮数后的三个指标值，选取最佳激活函数srelu替换标准tcn的激活函数构成改进后的tcn。
8.根据权利要求5所述的光栅位移超精密测量的误差修正方法，其特征在于，步骤s33中，选取最优tcn网络模型的方法为选取mse作为迭代过程中的损失函数，并依次以固定间隔增加迭代轮数，观察所得到的损失值曲线；
9.根据权利要求7所述的光栅位移超精密测量的误差修正方法，其特征在于，将光栅信号以及环境信号共同输入至tcn模型中，基于训练好的tcn模型输出环境误差修正后的测量位移值，包括：
