采样步长与传感器数量对神经网络磁距离测量精度的影响研究

《Sensors》：The Influence of Different Distance Sampling Step Sizes on the Accuracy of Neural Network-Based Magnetic Distance Measurement

　　

摘要

基于神经网络的磁距离测量要实现高精度，关键取决于训练数据的空间采样步长和部署的传感器数量。本文系统地研究了这两个不同因素如何影响深度神经网络（DNN）的预测精度。利用 Ansys 有限元仿真模拟永磁体在 140 mm 范围内的平移运动，研究发现更精细的采样步长能显著提高 DNN 的精度。具体而言，对于单传感器系统，将采样步长从 0.5 mm 减小到 0.005 mm，平均绝对误差（MAE）从 0.9405 mm 降低至 0.0503 mm。此外，在相同条件下将系统扩展为三传感器阵列，仿真 MAE 进一步从 0.2407 mm 降至 0.0016 mm。随后的实证实验验证了这些理论发现。值得注意的是，物理三传感器系统在最小步长下实现了最低 1.1881 mm 的 MAE，相比单传感器系统中观察到的 1.6065 mm 误差有了显著改善。这些结果表明，充足的样本量和多个传感器均能提升距离测量精度。