基于资源受限控制器的气动测量系统设计

《IEEE Open Journal of Instrumentation and Measurement》：Pneumatic Measurement System Design Based on Resource-constrained Controller

　　摘要：传统气动测量仪器的精度受多种误差源制约，难以稳定突破微米级0.5 μm的瓶颈。本研究探索了机器学习方法在补偿复杂系统误差、实现亚微米级气动测量方面的有效性。研究通过PCIE-1816数据采集卡获取了气动传感器电压信号的硬件采集数据集（覆盖50个间隙位置的250个样本，每样本在2 kHz下采集4000个点，16位分辨率），其中包含十余种误差源。研究训练并比较了三种集成学习模型——随机森林、梯度提升树和极端随机树——与包括移动平均滤波、Savitzky-Golay平滑和多项式回归在内的传统信号处理基线方法。实验结果表明，最优的极端随机树模型在测试集上取得了1.398 μm的平均绝对误差（MAE），显著优于多项式回归（2.602 μm）、Savitzky-Golay滤波（0.385 μm）和移动平均滤波（0.412 μm），精度提升约1.9倍。误差在0.1 μm以内的样本比例从12.2%提升至90.2%，在资源受限的控制器上实现了从微米级到亚微米级精度的稳定跨越。