3. 精度补偿原理：硬件补偿 vs 软件补偿、查表法、多项式拟合、神经网络补偿
好，咱们今天聊点硬核的。光栅尺装上去，读数头一跑，数据出来了——但你会发现，这数据跟实际位置总差那么一丁点。差多少？几微米，甚至几十微米。对于精密加工来说，这误差就是废品的根源。
那怎么办？补呗。但怎么补，用什么补，这里头门道很深。我做了十几年光栅尺的调试，见过太多人一上来就上神经网络，结果把自己绕进去了。其实，补偿这件事，讲究的是「对症下药」。
3.1 硬件补偿 vs 软件补偿：两条路，各有各的命
先说说最根本的选择：你是打算在电路层面把误差抹掉，还是让软件来擦屁股？
硬件补偿，说白了就是在信号处理阶段动手脚。比如在读数头里加一个模拟电路，把正弦波和余弦波的相位偏差调回来。我早期做的一个项目，客户要求亚微米级精度，我们直接在信号调理板上焊了可调电阻，手动调零位。嗯，那时候真是拿螺丝刀调精度，调完还得用胶水固定，怕震动跑偏。
硬件补偿的好处是实时性好，不占用处理器资源。但缺点也很明显——灵活性差。一旦电路焊死了，想改补偿参数？拆板子吧。
软件补偿就灵活多了。数据进到控制器里，跑一段算法，把误差算出来再扣掉。我现在做的项目，基本全是软件补偿。为什么？因为改参数只需要改一行代码，不用动硬件。
但软件补偿有个坑——延迟。算法跑得慢，位置环就抖。我曾经在一个高速贴片机上吃过这个亏，补偿算法写了200行，结果伺服周期从125微秒飙到200微秒，机器直接振荡。后来我把算法砍到只剩查表加线性插值，才稳住。
核心结论：
- 硬件补偿：适合固定误差、高实时性场景（比如光栅尺出厂标定）
- 软件补偿：适合多变误差、需要频繁调整的场景（比如现场调试）
- 实际工程中，两者往往结合使用——硬件粗调，软件精补
3.2 查表法：最朴素，也最可靠
查表法，说白了就是「我测过，我知道」。你把整个行程分成N个点，每个点测出误差值，存成一个表格。运行时，根据当前位置查表，找到对应的误差，直接扣掉。
举个例子。我有一根300mm的光栅尺，每隔1mm测一个点，得到300个误差值。存成数组：
// 误差表：位置(mm) -> 误差(um)
float error_table[301] = {
0.0, // 0mm处误差为0
0.5, // 1mm处误差+0.5um
1.2, // 2mm处误差+1.2um
// ... 中间省略 ...
-0.8, // 299mm处误差-0.8um
0.0 // 300mm处误差为0
};
// 查表补偿函数
float compensate(float position) {
int index = (int)(position); // 取整
float frac = position - index; // 小数部分
// 线性插值
return error_table[index] + frac * (error_table[index+1] - error_table[index]);
}
你看，代码就这么几行。查表法的好处是简单、确定、可预测。你想想看，每个位置的误差都是实测出来的，不存在模型偏差。我在做数控机床的丝杠补偿时，用的就是查表法，效果非常稳定。
但查表法也有局限：
- 需要大量实测数据，测点越密，精度越高，但工作量也越大
- 只能补偿已知位置的误差，两个测点之间的误差靠插值，精度取决于误差变化是否平滑
- 表格占内存，如果行程长、测点密，存储开销不小
我的经验：查表法的测点间距，一般取光栅尺栅距的10倍左右。比如栅距20微米，测点间距就取200微米。太密了没必要，太稀了插值误差大。
3.3 多项式拟合：用数学公式代替查表
查表法虽然可靠，但数据量太大时，管理起来很麻烦。这时候，多项式拟合就派上用场了。
多项式拟合的思路是：假设误差曲线可以用一个多项式函数来描述。比如：
error(x) = a₀ + a₁·x + a₂·x² + a₃·x³ + ...
你只需要拟合出系数 a₀, a₁, a₂, ...，运行时直接代入公式计算即可。
我做过一个对比实验：用5阶多项式拟合一根500mm光栅尺的误差曲线，拟合残差在±0.3微米以内。而查表法（1mm间距）的插值误差也在±0.2微米左右。两者精度差不多，但多项式只需要存6个系数，查表法要存500个数据点。
// 多项式拟合补偿
// 5阶多项式：error = a0 + a1*x + a2*x^2 + a3*x^3 + a4*x^4 + a5*x^5
float poly_compensate(float x) {
float a[6] = {0.0012, -0.0034, 0.0156, -0.0089, 0.0021, -0.0003};
float error = 0.0;
float x_pow = 1.0;
for(int i = 0; i < 6; i++) {
error += a[i] * x_pow;
x_pow *= x;
}
return error;
}
多项式拟合的优点是：
- 数据压缩率高，几个系数就能描述整条曲线
- 计算速度快，比查表+插值还快（没有分支预测失败的问题）
- 连续可导，不会出现查表法那种「台阶感」
但缺点也很明显：
- 阶数选择是个技术活。阶数太低，拟合不准；阶数太高，容易过拟合，在测点之间乱跳
- 对误差曲线的形状有要求。如果误差曲线有突变（比如某个位置有机械损伤），多项式拟合会「强行平滑」，反而失真
注意：多项式拟合不适合补偿周期性误差。光栅尺的细分误差往往是周期性的（跟栅距有关），用多项式拟合会「平均化」，效果很差。周期性误差要用傅里叶级数来拟合。
3.4 神经网络补偿：大炮打蚊子？
说到神经网络，我得先泼盆冷水。很多人一听「神经网络」就觉得高大上，觉得不用神经网络就不够先进。但说实话，在光栅尺补偿这个领域，神经网络很多时候是「大炮打蚊子」。
神经网络的强项是什么？是处理非线性、多变量、耦合关系复杂的系统。比如温度、湿度、振动、老化等多个因素同时影响误差，你搞不清楚它们之间的数学关系，这时候神经网络可以「黑箱建模」——你只管给数据，它自己学。
我见过一个案例：某半导体设备的光栅尺，受温度影响极大，而且温度分布不均匀（一端热一端冷）。查表法和多项式拟合都搞不定，因为误差是位置和温度的函数，是个二维曲面。最后他们用了一个3层BP神经网络，输入是位置和温度，输出是误差，效果不错。
但神经网络的问题也很突出：
- 需要大量训练数据。没有几千组数据，网络根本学不到东西
- 训练过程不可控。你可能训练了10000次，loss降下来了，但换一组数据又崩了
- 实时性差。前向推理虽然快，但在嵌入式MCU上跑神经网络，算力是个大问题
- 可解释性差。出了问题，你没法说清楚「为什么这个位置补偿了这么多」
我的建议：
- 如果误差只跟位置有关 → 用查表法或多项式拟合
- 如果误差跟位置+温度有关 → 用二维查表法或二维多项式
- 如果误差跟位置+温度+湿度+老化+... 多个因素耦合 → 再考虑神经网络
记住：工程上，最简单的方案往往是最可靠的方案。
3.5 四种补偿方法对比
我把这四种方法放在一起，给你一个直观的对比：
| 方法 | 精度 | 实时性 | 灵活性 | 实现难度 | 适用场景 |
|---|---|---|---|---|---|
| 硬件补偿 | 中等 | 极高 | 极低 | 高（需硬件设计） | 固定误差、批量生产 |
| 查表法 | 高（取决于测点密度） | 高 | 中等 | 低 | 单点误差、线性误差 |
| 多项式拟合 | 中等偏高 | 高 | 高 | 中等 | 平滑误差曲线 |
| 神经网络 | 潜在极高 | 低（需算力） | 极高 | 高 | 多因素耦合、复杂非线性 |
3.6 知识体系结构图
下面这张图，是我自己整理的精度补偿知识体系。你看一眼，就能明白这四种方法之间的关系和适用边界。
3.7 避坑指南
最后，分享几个我踩过的坑，你遇到了能少走弯路。
坑一：我曾经在一个项目里，用查表法补偿，测点间距取了0.1mm，结果表格太大，MCU内存爆了。后来发现，光栅尺的误差变化很慢，0.5mm间距完全够用。别盲目追求密点。
坑二：多项式拟合时，我试过10阶多项式，拟合残差几乎为零，心里美滋滋。结果一跑实测，中间某个位置误差突然大了10倍——过拟合了。后来我学乖了，用交叉验证来选阶数，一般3~5阶就够了。
坑三：神经网络补偿，我见过一个团队花了3个月训练模型，精度确实高。但部署到现场后，温度一变，模型直接失效。为什么？训练数据都是在恒温环境下采集的，没覆盖温度变化。记住：神经网络的泛化能力取决于训练数据的覆盖面。
好了，精度补偿的原理就聊到这儿。说白了，没有最好的方法，只有最合适的方法。你手头是什么场景，就选什么工具。别为了炫技，把简单问题搞复杂了。